Delineamento Experimentos P Liv Virtual PDF

C
u
l
t
u
r
a
A
c
a
d
m
i
c
a
DELINEAMENTO DE EXPERIMENTOS
Carlos Roberto Padovani
C
a
r
l
o
s

R
o
b
e
r
t
o

P
a
d
o
v
a
n
i
D
E
L
I
N
E
A
M
E
N
T
O

D
E

E
X
P
E
R
I
M
E
N
T
O
S

Carlos Roberto Padovani professor titular de Bioestatstica do Instituto de Bio -
cincias, Unesp, cmpus de Botucatu, tendo atuado como professor e/ou orientador
de Programas de Ps-Graduao da USP, Unicamp, Unesp, UFMT e UnB. Foi bol-
sista produtividade do CNPq; membro da Comisso de Avaliao de Programas de
Ps-Graduao junto Capes; coordenador da rea de Cincias Biolgicas junto
Runesp, presidente da Regio Brasileira da Sociedade Internacional de Biometria.
Atualmente ministra disciplinas da rea de Estatstica na graduao e de Bioestatstica
e Metodologia da Pesquisa Cientfca em vrios programas de Ps-Graduao na Unesp,
com orientaes em nvel de Mestrado e Doutorado e superviso de Ps-Doutorado.
O texto apresenta noes bsicas, histricas e conceituais de delineamentos experimen-
tais, em particular dos planejamentos inteiramente casualizado e em blocos completos
casualizados, complementado com os esquemas fatoriais, correlao e regresso linear
simples e testes de aderncia e associao para variveis categorizadas. A abordagem no
realizada sob o aspecto tradicional de frmulas e uso de pacotes computacionais para
os clculos estatsticos, mas sim, trazendo realidade o planejamento e o desenvolvimento
da experimentao aos alunos das reas de Cincias Biolgicas e da Sade.
Capa_Delineamento_minha versao.indd 1 19/05/2014 18:17:16
DELINEAMENTO DE
EXPERIMENTOS
delineamento_de_experimentos-prova4.indd 1 28/05/2014 15:49:15
Universidade Estadual Paulista
Reitor Julio Cezar Durigan r
Pr-Reitor de Graduao Laurence Duarte Colvara
Pr-Reitor de Ps-Graduao Eduardo Kokubun
Pr-Reitora de Pesquisa Maria Jos Soares Mendes Giannini
Pr-Reitora de Extenso Universitria Maringela Spotti Lopes Fujita
Pr-Reitor de Administrao Carlos Antonio Gamero
Secretria Geral Maria Dalva Silva Pagotto l
Chefe de Gabinete Roberval Daiton Vieira
DELINEAMENTO DE
EXPERIMENTOS
C
u
l
t
u
r
a
A
c
a
d
m
i
c
a
So Paulo
2014
Pr-Reitoria de Graduao, Universidade Estadual Paulista, 2014.
Ficha catalogrfica elaborada pela Coordenadoria Geral de Bibliotecas da Unesp
Padovani, Carlos Roberto
Delineamento de experimentos / Carlos Roberto Padovani.
So Paulo : Cultura Acadmica : Universidade Estadual Paulista,
Pr-Reitoria de Graduao, 2014
128 p. : tabs.
Bibliografia
ISBN: 978-85-7983-523-0
1. Planejamento Experimental. 2. Bioestatstica. I. Ttulo. II.
Universidade Estadual Paulista. Pr-Reitoria de Graduao.
CDD 378.8161
P124d
Pr-reitorr Laurence Duarte Colvara
Secretria Joana Gabriela Vasconcelos Deconto
Assessoria Jos Brs Barreto de Oliveira
Maria de Lourdes Spazziani
Valria Nobre Leal de Souza Oliva
Tcnica Bambina Maria Migliori
Camila Gomes da Silva
Ceclia Specian
Eduardo Luis Campos Lima
Gisleide Alves Anhesim Portes
Ivonette de Mattos
Maria Emlia Arajo Gonalves
Maria Selma Souza Santos
Renata Sampaio Alves de Souza
Sergio Henrique Carregari
Projeto grfco e diagramao Andrea Yanaguita
equipe
PROGRAMA DE APOIO
PRODUO DE MATERIAL DIDTICO
Considerando a importncia da produo de material didtico-pedaggi-
co dedicado ao ensino de graduao e de ps-graduao, a Reitoria da UNESP,
por meio da Pr-Reitoria de Graduao (PROGRAD) e em parceria com a
Fundao Editora UNESP (FEU), mantm o Programa de Apoio Produo
de Material Didtico de Docentes da UNESP, que contempla textos de apoio
s aulas, material audiovisual, homepages, sofwares, material artstico e outras
mdias, sob o selo CULTURA ACADMICA da Editora da UNESP, disponibi-
lizando aos alunos material didtico de qualidade com baixo custo e editado
sob demanda.
Assim, com satisfao que colocamos disposio da comunidade
acadmica mais esta obra, Delineamento de Experimentos, de autoria do
Prof. Dr. Carlos Roberto Padovani, do Instituto de Biocincias do Cmpus de
Botucatu, esperando que ela traga contribuio no apenas para estudantes da
UNESP, mas para todos aqueles interessados no assunto abordado.
SUMRIO
1. Delineamento de Experimentos 9
1.1. Introduo 9
1.2. Delineamento ou Planejamento ou Desenho (Design) do Experimento 13
1.3. Delineamentos Experimentais 17
1.4. Exemplos 18
2. Delineamento Inteiramente Casualizado (DIC) 20
2.1. Introduo 20
2.2. Modelo do Experimento DIC com Dados Balanceados 20
2.3. Procedimento Estatstico: Anlise de Varincia 22
2.4. Independncia dos Erros 23
2.5. Varincia Constante (Homocedasticidade) 25
2.6. Normalidade dos Erros 26
2.7. Tcnica da Anlise de Varincia (ANOVA) 29
2.8. Coefcientes de Determinao e Variao de um Experimento 33
2.9. Comparaes Mltiplas 34
2.10. Exerccios (DIC com Dados Balanceados) 36
2.11. Respostas dos Exerccios (DIC com Dados Balanceados) 38
2.12. Modelo do Experimento DIC com Dados No Balanceados 40
2.13. Exerccios (DIC No Balanceado) 43
2.14. Respostas dos Exerccios (DIC No Balanceado) 44
3. Delineamento em Blocos Completos Casualizados (DBCC) 47
3.1. Introduo 47
3.2. Modelo do Experimento (Biolgico) 49
3.3. Procedimento Estatstico: Anlise de Varincia 50
3.4. Comparaes Mltiplas 53
3.5. Exerccios (DBCC) 54
3.6. Respostas dos Exerccios (DBCC) 55
4. Esquemas Fatoriais 57
4.1. Introduo 57
4.2. Esquema Fatorial a*b no DIC 58
4.3. Exemplo de Fatorial a*b no DIC 63
4.4. Esquema Fatorial a*b no DBCC 65
4.5. Exemplo de Fatorial a*b no DBCC 68
4.6. Exerccios (Esquemas Fatoriais: DIC e DBCC) 71
4.7. Respostas dos Exerccios (Esquemas Fatoriais : DIC e DBCC) 72
5. Anlise de Aderncia e Associao 75
5.1. Introduo 75
5.2. Teste de Aderncia 75
5.3. Teste de Homogeneidade 78
5.4. Teste de Independncia 82
5.5. Exerccios (Testes de Aderncia e Associao) 84
5.6. Respostas dos Exerccios (Testes de Aderncia e Associao) 87
6. Correlao Linear Simples 89
6.1. Introduo 89
6.2. Diagrama de Disperso 90
6.3. Coefciente de Correlao 91
6.4. Teste de Hiptese da Correlao 94
6.5. Exerccios (Correlao Linear Simples) 95
6.6. Respostas dos Exerccios (Correlao Linear Simples) 98
7. Regresso Linear Simples 101
7.1. Introduo 101
7.2. Modelo de Regresso Linear Simples 102
7.3. Coefciente de Determinao 107
7.4. Teste do Coefciente (Angular) de Regresso 108
7.5. Exerccios (Regresso Linear Simples) 109
7.6. Respostas dos Exerccios (Regresso Linear Simples) 112
8. Bibliografa 115
9. Tabelas 117
Tabela 9.1 Distribuio t de Student
P t t t < < ( )=
l
l
0 0
1 a
117
Tabela 9.2 Distribuio Qui-quadrado
P
2
0
2
( )
=
l
l
l
118
Tabela 9.3 Distribuio F P F F ( )=
l
l
0
0 01 , 119
l
l
0
0 05 , 120
Tabela 9.5 Distribuio F
P F F ( )=
l
l
0
0 10 ,
121
Tabela 9.6 Distribuio studentized range
( )
q Tukey
0 01
1
, ;
: %
( ) [ [
122
( )
q Tukey
0 05
5
, ;
: %
( ) [ [ 124
( )
q Tukey
0 10
10
, ;
: %
( ) [ [ 126
Tabela 9.9 Valores crticos do coefciente de correlao linear de Pearson
(teste bilateral) 128
1
1.1 INTRODUO
Sir Ronald Aylmer Fisher (1890-1962) nasceu em Londres no dia 17 de
fevereiro de 1890 e bacharelou-se em Matemtica pela Universidade de Cam-
bridge em 1912. Sua miopia exagerada salvou da convocao para o servio mili-
tar na 1 Guerra Mundial, defeito que possibilitou desenvolver um treinamento
matemtico de alta abstrao (visualizao no plano imaginrio) o que deve ter
contribudo para sua preferncia pela apresentao hipergeomtrica, possibili-
tando assim a exibir solues singulares independentes de simbolismo algbrico.
No incio do sculo XX, em 1919, aps trabalhar dois anos como estatsti-
co e mais quatro como professor de matemtica e fsica em escolas pblicas
recebeu o convite para criar e chefar um laboratrio de estatstica na Estao
Experimental de Agricultura de Rothamstead, Inglaterra, onde permaneceu
at 1933.
Durante este perodo, unido a outros estatsticos e pelo contato dirio
com problemas da rea agrcola, Fisher desenvolveu os mtodos de anlise e
os delineamentos experimentais, conforme descreve SALSBURG(2009). Car-
acteriza-se por delineamento do experimento ou delineamento experimental
(experimental design, em ingls, diseo experimental, em espanhol) o modo
de dispor as parcelas no experimento, ou seja, a maneira de designar os trata-
mentos s unidades experimentais ou parcelas. A tcnica mais fsheriana trata-
se de anlise de varincia. Juntamente com a anlise de covarincia, tambm
de sua autoria, constitui-se no instrumental bsico para interpretao dos re-
sultados dos experimentos planejados. Deve ser destacado que esses mtodos
procedentes do cotidiano agrcola se tornaram universais e aplicveis em todas
DELINEAMENTO DE EXPERIMENTOS 10 |
as reas de conhecimento: medicina, psicologia, engenharia, odontologia, bio-
logia, ecologia, entre outras.
Porm, como a formalizao dos procedimentos ocorreu em um ambiente
agrcola, a origem dos termos tcnicos da experimentao apresenta conota-
o bem agronmica. Assim o termo parcela foi criado para designar a uni-
dade de rea usada no experimento. Essa unidade de rea era, originalmente,
uma faixa de terra ou um vaso. Hoje, parcela, tem um signifcado mais geral,
pois, dependendo do experimento pode ser um animal, uma pessoa, uma pea
anatmica, um corpo de prova, entre vrias outras possibilidades que podem
ser utilizadas como unidades experimentais. A terminologia mais utilizada,
atualmente consiste em designar parcela por unidade experimental, que con-
siste na unidade fsica ou biolgica para conduzir o experimento.
De mesma maneira, o termo tratamento tambm foi introduzido pela rea
agrcola. Indicava o que estava em comparao: fertilizantes, inseticidas, var-
iedades, nutrientes. Hoje o termo tratamento tem um signifcado mais geral.
Muitos experimentos so feitos para comparar mtodos, grupos, produ-
tos, mquinas, materiais e, inclusive, combinaes destes. Mas o interesse, em
experimentao, nem sempre de comparar tratamentos. Muitas vezes, pre-
tende-se apenas saber se determinado tratamento produz efeito (nesse caso,
compara-se um grupo que recebeu tratamento - Grupo Tratado com um
grupo que no recebeu o tratamento Grupo Controle ou Testemunha).
A respeito do grupo controle duas consideraes quanto sua constitu-
io podem ser feitas: Controle Negativo e Controle Positivo. O grupo controle
negativo composto por unidades experimentais que no recebem tratamento
(virgem de tratamento), ou recebem apenas placebo (substncia inerte). No
entanto, o grupo controle positivo, constitui-se de unidades que recebem o
tratamento padro ou convencional. Na prtica, a terminologia grupo controle
ou testemunha utilizada como sinnimo de controle negativo.
Delineamento de Experimentos | 11
Embora o uso de grupo controle j esteja consagrado em experimentao,
na rea mdica, torna-se fundamental discutir a tica de constituir o grupo
controle negativo. Neste sentido, a experimentao com seres humanos exige
um aprofundamento quanto s questes ticas do uso de placebo (controle
negativo), inclusive pelo fato de se caracterizar por omisso de tratamento.
A exequibilidade do experimento est subordinada ao princpio bsico da
repetio, segundo o qual indica que se deve ter repeties do experimento
para que seja possvel produzir uma medida de variabilidade que permitir a
realizao dos testes de hipteses sobre a presena de efeitos dos tratamentos
ou estimao desses efeitos. O nmero de unidades experimentais (parcelas
ou repeties) para cada tratamento deve ser determinado a partir de informa-
es sobre a variabilidade das parcelas em termos da varivel resposta (depen-
dente), custo e poder dos testes de signifcncia.
Em experimentao a proposta bsica que se formula consiste em com-
parar grupos, no apenas unidades. As medidas experimentais do mesmo
grupo recebem o nome de repeties. Do ponto de vista estatstico sem-
pre desejvel que os experimentos tenham grande nmero de repeties por
grupo. Na prtica, muitas vezes, o nmero de repeties fca limitado aos re-
cursos (fsicos, fnanceiros, materiais,...) disponveis. Um dado importante que
deve ser considerado para o tamanho dos grupos, consiste em: quanto mais
homogneo for o material - em termos de caractersticas que possam inter-
ferir nas observaes ou medies que sero feitas - menor ser o nmero de
repeties necessrio para evidenciar o efeito signifcativo de tratamentos.
No contexto experimental, defne-se fator como uma caracterstica em es-
tudo da qual h interesse em verifcar a inferncia sobre uma resposta do experi-
mento, conforme destacam ANDRADE & OGLIARI (2007). Os nveis do fator
constituem os tratamentos do estudo. Um fator indicado como quantitativo
quando seus nveis so referentes a quantidades (doses de uma droga, nveis de
adubao, etc). Por outro lado, um fator referido qualitativo quando seus nveis
so relativos a atributos (diferentes dietas, variedades de capim, etc).
Defnidos os fatores e seus respectivos nveis que sero designados como
os tratamentos do estudo, a unidade experimental (parcela) e a varivel de-
pendente, torna-se necessrio estabelecer qual o esquema de alocao dos
tratamentos s unidades experimentais ser utilizado, ou seja, como deve ser
conduzido o delineamento experimental.
Para formar grupos to iguais quanto possvel fundamental que os trata-
mentos sejam sorteados s unidades experimentais (casualizao). Ou seja, o
que importa entender que os tratamentos devem ser designados s unidades
experimentais por puro e simples sorteio. A casualizao teve incio em 1920
na rea agronmica, porm, na pesquisa mdica, s comeou a ser aceita mui-
to mais tarde. A idia de sortear os pacientes que iro receber o tratamento
pode levantar questes de tica. Os que fazem objees ao uso de casualizao
em experimentos mdicos usam o argumento de que no tico sortear o
tratamento para alguns pacientes e deixar outros sem tratamento. Ora, essa
objeo refere-se conduo do experimento e no tcnica de casualizar.
No existem alternativas vlidas para a casualizao. O pesquisador que
escolhe as unidades por critrio prprio por melhores que sejam as intenes,
introduz tendenciosamente nos resultados.
O princpio da casualizao pode ser considerado como uma das maio-
res contribuies dos procedimentos estatsticos cincia experimental, pois
nele est assegurada a fdedignidade das concluses. O efeito de proceder a
casualizao constitui-se na garantia que parcelas (unidades experimentais)
com caractersticas diferentes tenham igual probabilidade de serem designa-
das para todos os grupos.
1.2 DELINEAMENTO OU PLANEJAMENTO OU DESENHO (DESIGN) DO
EXPERIMENTO
O procedimento geral e comum na pesquisa cientfca consiste em formu-
lar hipteses (afrmativas sob julgamento) e verifc-las diretamente ou por suas
consequncias. Neste sentido, faz-se necessrio um conjunto de observaes e o
planejamento de experimentos ento imprescindvel para indicar o procedi-
mento que ser utilizado para verifcar se as hipteses so verdadeiras ou falsas.
As hipteses so avaliadas por meio de mtodos de tomada de deciso
estatstica (teoria das probabilidades) cujos procedimentos quantitativos e
anlises objetivas (teoria estatstica) dependem da maneira sob a qual as ob-
servaes foram obtidas. Procedimento bem distinto da matemtica no qual
para calcular a rea de uma fgura plana, por exemplo, de um tringulo, basta
multiplicar sua base por sua altura e dividir por dois que se obtm de maneira
exata o valor numrico relativo rea desejada.
Nas reas das cincias biolgicas a situao bem mais complexa, surgem
inmeras causas de variao de controle impossvel ou s parcialmente pos-
svel (variaes genticas, erros de medidas inerentes preciso dos aparelhos,
efeitos sazonais, etc). Essas causas de variao, vrias e s vezes at desconhe-
cidas ou mal conhecidas, acumulam variaes nos dados observados que pos-
sibilitam alterar em menor ou maior intensidade os resultados das unidades
experimentais, cuja preciso deve ser discutida em termos probabilsticos de
quo provveis so os valores encontrados. Neste contexto, troca-se a exatido
da matemtica pela construo probabilstica das possibilidades dos resulta-
dos encontrados nos dados (preciso das informaes estatsticas). O plane-
jamento experimental e a anlise estatstica dos resultados esto interligados
e, desta forma, devem ser considerados de maneira sucessiva nas pesquisas
cientfcas de todas as reas de conhecimento (Sampaio, 2010).
Existe uma semelhana muito expressiva entre o mdico e o estatstico
(cuidador da sade dos nmeros).
O primeiro passo para o mdico o diagnstico (para o estatstico, o
planejamento); saber onde h necessidade de cura (qual o modelo para coleta
de dados). A primeira atitude dos mdicos examinar os sintomas se voc
chegar ao mdico j pedindo determinado remdio, no ser atendido; antes,
preciso saber quais os sintomas aparentes do problema, detectando os sinto-
mas fsicos (material e mtodos) e emocionais (imparcialidade e no vis de
planejamento) para fnalmente realizar a prescrio.
Assim acontece com a estatstica, a anlise dos dados (prescrio de rem-
dio) deve acontecer aps o conhecimento dos sintomas (caractersticas da pes-
quisa em estudo) para que se tenha o diagnstico (modelo do delineamento
experimental).
Segundo Sir Ronald Aylmer Fisher, o arquiteto da estatstica experimental:
Chamar o especialista em estatstica depois que o experimento foi feito pode
ser o mesmo que pedir para ele fazer um exame post-mortem. Talvez ele con-
siga dizer de que foi que o experimento morreu.
A melhor maneira para a visualizao sequencial destes aspectos consiste
em considerar a circularidade do mtodo cientfco, no qual pode-se verifcar
a necessidade e a importncia do planejamento experimental juntamente com
a anlise estatstica de dados.
Observaes (2)
(Planejamento)
Formulao de hipteses (1)
(Planejamento)
Vericao das hipteses (3)
(Anlise)
Desenvolvimento
da Teoria (4)
Uma pesquisa cientfca estatisticamente planejada deve seguir a seguinte
sequncia de passos quanto ao planejamento e execuo:
1. Enunciado claro do problema e formulao das hipteses que sero estuda-
das (as hipteses cientfca e estatstica devem manter uma correspondn-
cia perfeita e o enunciado apresentar-se de maneira clara e objetiva).
2. Indicao dos fatores (variveis independentes variveis controladas
pelo pesquisador) do estudo (a escolha dos fatores e seus respectivos nveis
constituiro os tratamentos).
3. Indicao da unidade experimental (parcela). Deve ser defnida no sentido
de minimizar o erro experimental.
4. Indicao das variveis (variveis respostas) que sero medidas na unidade
experimental (a distribuio probabilstica associada varivel resposta
essencial para a escolha do mtodo de anlise estatstica).
5. Indicao das regras e procedimentos pelos quais os diferentes tratamen-
tos (combinao de nveis de fatores) sero atribudos s unidades experi-
mentais (processo de casualizao ou aleatorizao).
6. Anlise estatstica dos dados do experimento (tem como objetivo verifcar
as hipteses estabelecidas no incio da pesquisa).
7. Descrio dos resultados analticos com as medidas de preciso das estima-
tivas e o respectivo nvel de signifcncia nas interpretaes inferenciais.
Para melhor entendimento das caractersticas e as etapas do planejamento
experimental, suponha que o interesse de um pesquisador consista em com-
parar duas dietas (normocalrica e hipercalrica) quanto ao desempenho
ponderal fnal de ratos Wistar-Kyoto submetidos aos tratamentos (dietas) por
um perodo fnal de 12 semanas.
Caracteriza-se que o experimento est planejado quando esto defnidos:
i. a unidade experimental (animal rato Wistar);
ii. a varivel em anlise (resposta) e a forma como ser medida (variao per-
centual do ganho de peso, medido pela diferena
100( )
%
PF PI
PI
-
), sendo
PF o peso fnal e PI o peso inicial;
iii. tratamentos em comparao (dieta normocalrica e dieta hipercalrica);
iv. forma de designar os tratamentos s unidades experimentais (por sorteio)
considerando que os animais so homogneos;
v. o nmero de ratos de cada dieta ser de 12 unidades.
Os itens iv e v formam os princpios bsicos da experimentao: casualiza-
o (fdedignidade) e a repetio (exequibilidade).
As hipteses de interesse da pesquisa so verifcadas com a utilizao de
mtodos de anlise estatstica que dependem da maneira sob a qual as observa-
es foram obtidas, ou seja, sob qual modelo de casualizao dos tratamentos
s unidades experimentais os dados foram coletados. Portanto, planejamento
de experimentos e anlise dos dados coletados sob o modelo operacional uti-
lizado no podem ser considerados isolados, pois a ordem dos acontecimentos
est em uma sequncia dentro do desenvolvimento nas pesquisas.
O procedimento estatstico exigido ao analisar dados experimentais ou ob-
servacionais fundamenta-se em gerar modelos que explicitem as estruturas do
fenmeno biolgico, as quais continuamente esto misturadas com variaes
casuais, aleatrias ou acidentais. Quanto mais identifcada e entendida forem
essas estruturas, maior conhecimento do fenmeno, assim como, melhores
sero as informaes sobre os possveis comportamentos do mesmo. Ou seja,
tem-se uma aproximao consistente da realidade biolgica expressa num
modelo considerado (modelo uma expresso resumida de algum fenmeno).
A percepo biolgica e a identidade estatstica com o processo estocstico
ponderam admitir cada observao composta por duas partes: uma previsvel
(controlada) e outra aleatria (no previsvel).
Cada observao pode ser representada pelo modelo:
OBSERVAO = PREVISVEL + ALEATRIO
, no caso aditivo, ou
OBSERVAO = PREVISVEL ALEATRIO
, no caso multiplicativo.
A parte previsvel sistematiza o conhecimento que o pesquisador tem so-
bre o fenmeno, normalmente expressada por uma funo matemtica envol-
vendo parmetros desconhecidos. parte aleatria, dada sua caracterstica de
no previsibilidade, exige-se que esteja sujeita a algum modelo probabilstico.
A partir destas consideraes, seguindo o planejamento proposto para a
coleta de informaes (dados) nas unidades experimentais, o procedimento
estatstico consiste em estabelecer estimativas para os parmetros desconhe-
cidos (propostos na parte sistematizada previsvel segundo as hipteses e os
objetivos do pesquisador), baseando-se em amostras observadas.
1.3 DELINEAMENTOS EXPERIMENTAIS
No contexto do planejamento de um experimento, torna-se essencial
defnir a maneira como os tratamentos sero designados s unidades. O pro-
cesso de casualizao envolvido no planejamento designando como os trata-
mentos sero alocados s unidades experimentais estabelecem o delineamento
do experimento. Nesse contexto, sero apresentados no presente texto, duas
situaes comuns na rea biolgica, quais so: unidades homogneas e uni-
dades heterogneas, conforme descrito a seguir.
i. Delineamento Inteiramente Casualizado (DIC)
Consiste em alocar de maneira inteiramente ao acaso os tratamentos s
unidades experimentais. Para sua realizao, exigem-se unidades experi-
mentais homogneas (similares).
ii. Delineamento em Blocos Completos Casualizados (DBCC)
Consiste em considerar grupos similares (blocos) de unidades experimen-
tais, quando o conjunto heterogneo, e alocar casualmente os tratamen-
tos s unidades experimentais dentro dos blocos.
Na rea biomdica o termo bloco , geralmente, substitudo por estrato.
1.4 EXEMPLOS
Para melhor entendimento de um planejamento experimental so apre-
sentados a seguir dois exemplos prticos.
4.1 Planeje um experimento para estudar (comparar) o uso de sobredoses de vi-
tamina B12 na diminuio de aterosclerose, em pacientes com a doena.
Unidade experimental: paciente com a doena.
Varivel resposta: diminuio da aterosclerose (dimetro do calibre em mm).
Tratamentos em comparao: dose padro, sobredoses baixa, mdia e alta.
Designao dos tratamentos: por sorteio.
Nmero de repeties: oito doentes por tratamento.
4.2 Planeje um experimento para comparar quatro mtodos de ensino da Linguagem
Americana de Sinais em alunos de uma turma homognea de 120 alunos.
Unidade experimental: aluno da turma.
Varivel resposta: nota de um teste padro de linguagem (0 a 100 pontos
inteiros).
Tratamentos em comparao: mtodos A, B, C, D.
Designao dos tratamentos: sorteio do aluno participante.
Nmero de repeties: 15 alunos por mtodo.
Sob o aspecto dos delineamentos experimentais mais utilizados nos ex-
emplos prticos propostos em 1.4.1 e 1.4.2; o primeiro envolve como unidade
experimental o ser humano (paciente com doena) com suas caractersticas
biolgicas heterogneas, levando a necessidade do DBCC (so construdos
grupos de quatro pacientes com caractersticas biolgicas to prximas quanto
possvel e ento, procede-se o sorteio dos tratamentos). No segundo, como se
trata de uma turma homognea, o DIC mais apropriado.
2
DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
2.1 INTRODUO
O primeiro planejamento experimental a ser abordado trata-se do Delin-
eamento Inteiramente Casualizado (DIC), bastante simples quanto ao proces-
so de alocao dos tratamentos s unidades experimentais. Para melhor desen-
volvimento didtico ser apresentado, primeiramente com dados balanceados
(mesmo nmero de repeties por tratamento) e, na sequncia, com dados
no balanceados (ausncia da considerao de mesmo nmero de repeties
por tratamento).
2.2 MODELO DO EXPERIMENTO DIC COM DADOS BALANCEADOS
Este delineamento consiste em designar os tratamentos s unidades ex-
perimentais por puro e simples sorteio, isto , sem qualquer tipo de restrio
(equiprobabilidade para cada unidade experimental receber qualquer um dos
tratamentos). A operacionalizao do procedimento de alocao dos tratamen-
tos fca condicionada disponibilidade de parcelas similares no experimento
(parcelas homogneas). O entendimento de similaridade ou semelhana no
deve ser confundido com igualdade (igualdade conceito muito matemtico e
nada provvel em biologia).
Esse plano experimental to mais efciente quanto maior for o grau de
homogeneidade entre as unidades experimentais em termos da varivel de-
pendente. Se as unidades experimentais so heterogneas, o nmero de parce-
las necessrio para uma boa preciso pode ser muito grande (na prtica deve-
se procurar outros planejamentos experimentais, tais como blocos ou utilizar
variveis auxiliares covariveis, pois estes podem reduzir o erro experimen-
tal).
Sob o aspecto dos procedimentos de testes estatsticos aconselhvel o
balanceamento das repeties (todos tratamentos com igual nmero de
repeties), embora nem sempre isso seja possvel (principalmente na pes-
quisa com seres humanos quando o uso de grupo controle tem restries de
natureza tica).
O modelo estocstico que indica a forma da resposta biolgica de uma
unidade experimental submetida a um dos tratamentos, isto :
Resposta Biolgica = Mdia Tratamento + Erro Casual Biolgico, descrito como
y (i ,...k j ,...,r)
ij i ij
= = = e 1 1
sendo i o ndice referente ao tratamento e j unidade experimental.
2.3 PROCEDIMENTO ESTATSTICO: ANLISE DE VARINCIA
A anlise de varincia (ANOVA), embora exija o clculo de varincias,
na verdade compara as mdias dos tratamentos. Constitui-se numa extenso
do teste t de Student (que compara apenas duas e s duas mdias) para um
nmero qualquer de mdias. A estatstica do teste para a ANOVA calculada
por meio do teste F (Fisher-Snedecor).
A lgica de uma anlise de varincia consiste em considerar a variao
total existente nos dados desmembrada em duas partes: uma variao devida
aos tratamentos e outra devida ao acaso (ou resduo). A idia comparar a
variao devida aos tratamentos com a variao devida ao acaso.
Algumas pressuposies bsicas precisam estar satisfeitas para o uso da
tcnica da anlise de varincia, que so: i) os erros so variveis aleatrias in-
dependentes; ii) a varincia constante (homognea nos tratamentos); iii) a
distribuio dos erros normal ou aproximadamente normal.
Delineamento Inteiramente Casualizado (DIC) | 23
2.4 INDEPENDNCIA DOS ERROS
Uma regra prtica consiste em utilizar um grfco de resduos padroniza-
dos versus a ordem de coleta dos dados. Se a pressuposio de independncia
estiver satisfeita, os resduos devem fcar distribudos casualmente ao redor de
zero, sem um padro defnido. Para a construo grfca devem ser considera-
das as seguintes defnies:
Resduo

e y y
ij ij i
=
(resduo relativo j-sima observao do i-simo
grupo), i k j r = = 1 1 ,..., ; ,..., .
Resduo padronizado = z
e
QMRes
ij
ij
(resduo padronizado relativo j-
sima observao do i-simo grupo ), onde QMRes signifca Quadrado Mdio
Residual e tem seu valor dado por: QMRes S n S n k
pool i i
i
k
= = ( )
1
)
( )
=
2 2
1
1 .
Para o entendimento da regra prtica considere um conjunto homogneo
de 20 animais e quatro dietas para a comparao das alteraes de pesos, cujos
5 animais de cada dieta foram escolhidos por processo randmico (sorteio).
As dietas estudadas foram:
A: dieta padro;
B: dieta padro suplementada com amendoim;
C: dieta padro suplementada com girassol;
D: dieta padro suplementada com abbora.
Os ganhos de peso(g) avaliados considerando a variao absoluta entre o
incio e o fnal do experimento, so apresentados na Tabela 2.1.
Tabela 2.1 Ganhos de peso segundo dieta (g)
Dieta A Dieta B Dieta C Dieta D
25 31 22 33
26 25 26 29
20 28 28 31
23 27 25 34
21 24 29 28
A Tabela 2.2 apresenta o resultado da estatstica descritiva dos dados:
Tabela 2.2 Estatstica descritiva das dietas
Dieta A B C D
Mdia 23,0 27,0 26,0 31,0
Varincia 6,5 7,5 7,5 6,5
Portanto,
QMRes S
pool
= = ( ) ( )=
2
4 6 5 4 7 5 4 7 5 4 6 5 20 4 7 0 , , , , , .
Os resduos esto apresentados na Tabela 2.3.
Tabela 2.3 Resduos dos ganhos de peso segundo dieta (g)
Resduo (e
ij j
) Resduo Padronizado (z
ij j
z )
A B C D A B C D
2 4 -4 2 0,756 1,512 -1,512 0,756
3 -2 0 -2 1,134 -0,756 0,000 -0,756
-3 1 2 0 -1,134 0,378 0,756 0,000
0 0 -1 3 0,000 0,000 -0,378 1,134
-2 -3 3 -3 -0,756 -1,134 1,134 -1,134
O grfco bidimensional dos pares (ordem da observao; resduo pa-
dronizado) est apresentado na Figura 2.1.
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
-1,890
-1,512
-1,134
-0,756
-0,378
0,000
0,378
0,756
1,134
1,512
1,890
Z
ij
Observao
Figura 2.1. Grco dos resduos padronizados z
ij
A inspeo grfca dos resduos permite indicar que a pressuposio de
independncia pode ser aceita.
Em situaes que se deseja um resultado mais objetivo, isto , se h in-
teresse em um estudo mais avanado de delineamento de experimentos, re-
comenda-se aplicar o teste de Durbin-Watson para avaliar a signifcncia da
presena de dependncia (autocorrelao) dos erros (Draper & Smith, 1998).
2.5 VARINCIA CONSTANTE (HOMOCEDASTICIDADE)
Uma regra prtica indicada por DEAN & VOSS (1999) sugere pressupor
que os resultados de uma ANOVA sejam considerados vlidos desde que a
maior varincia no exceda em trs vezes a menor. BOX (1953) sugere que a
maior varincia no deva exceder em quatro vezes a menor. No nvel analtico,
no qual exige-se deciso mais objetiva, foram propostos diversos testes para a
igualdade de varincias, destacando-se entre eles: Cochran, Hartley, Bartlett e
Levene. Em nosso caso, ser utilizado o teste de Hartley que considera a razo
entre a maior e a menor varincia, cuja estatstica do teste dada pela distri-
buio F.
Ou seja,
H
k 0 1
2
2
2 2
: ... s s s = = = (Varincias Homogneas)
H
1 : Existe s s
i i
2 2
, para i i (Varincias Heterogneas)

A estatstica do teste obtida considerando
F
(S ,...,S )
(S ,...,S )
~ F
k
k
(glnum; glden)
=
max
min
1
2 2
1
2 2
.
Sob a veracidade de
H
0
, a estatstica F do teste de hiptese da homogenei-
dade de varincias tem distribuio F (Fisher-Snedecor) com os parmetros:
graus de liberdade do numerador (glnum) e graus de liberdade do denomina-
dor (glden).
A regra de deciso a habitual, isto ,
F F
( glnum; glden)
; , rejeita-se
H
0 ; caso contrrio, no h rejeio.
No exemplo:
, t 4 6 o
F
S
S
= = =
=
max(S
min(S

7,5
6,5

,ent
1
1
2
4
2
2
4
2
1 15
0 05
,..., )
,..., )
,
, ; portanto, no se rejei glnum glden F = = = 39
0 05 4 4 ( , ; ; )
ta H
0
.
2.6 NORMALIDADE DOS ERROS
Um processo prtico consiste em fazer um grfco de probabilidades nor-
mais (NORMAL PROBABILITY PLOT). O grfco de probabilidade normal
consiste em uma tcnica grfca que permite avaliar se existe ou no um conjun-
to de dados que apresenta aderncia distribuio normal de probabilidades.
Os dados so plotados em um grfco cartesiano para verifcar se os pontos
formam uma reta aproximada, levando-se em considerao que quanto mais
afastados da reta situarem os pontos, maior fuga da normalidade apresenta a
situao. Os resduos padronizados ( Z
ij
) so colocados no eixo das abscissas
e os escores da distribuio normal padronizada [valores esperados obtidos
de P Z F
i
( ) ] no eixo das ordenadas, para i n =1, , . A cada i-simo resduo,
associa-se a frequncia percentual acumulada emprica F
i
n
i
=
100
1
2
( )
%, em
seguida calcula-se P Z F
i
( ) .
Na presena da normalidade, os pontos fcaro em torno de uma reta que
passa pela origem e tem coefciente angular 1. De maneira analtica, a hiptese
de que a distribuio dos erros normal pode ser colocada em teste utilizando-
se os testes de aderncia de: Kolmogorov-Smirnov(KS), Shapiro-Wilks(SW) e
Qui-quadrado(2).
Em linhas gerais, o pesquisador no precisa preocupar-se com a no-
normalidade, o teste estatstico F bastante robusto, ou seja, pequenas trans-
gresses pressuposio de normalidade no afetam, substancialmente, o re-
sultado da anlise de varincia ANOVA, a menos que a distribuio dos erros
tenha: i) curtose positiva; ii) assimetria. Nesses dois casos, tm-se falsas re-
jeies (mais diferenas signifcantes do que, na realidade, existem).
Considerando o exemplo dos ganhos de peso segundo dieta com o total 20
animais, tem-se
F
i
i
i
=

=
100 0 5
20
5 0 5
( , )
% ( , )%
. Com os valores dos resduos pa-
dronizados ordenados em ordem crescente de magnitude constri-se a Tabela 2.4.
Tabela 2.4 Resduos padronizados ordenados e escores esperados sob normalidade
(Distribuio Z)
Ordem ( i ) Z
ij
(ordenado)
F
i
(%)
Escore Esperado
1 -1,512 2,5 -1,96
2 -1,134 7,5 -1,44
3 -1,134 12,5 -1,15
4 -1,134 17,5 -0,93
5 -0,756 22,5 -0,76
6 -0,756 27,5 -0,60
7 -0,756 32,5 -0,45
8 -0,378 37,5 -0,32
9 0,000 42,5 -0,19
10 0,000 47,5 -0,06
11 0,000 52,5 0,06
12 0,000 57,5 0,19
13 0,378 62,5 0,32
14 0,756 67,5 0,45
15 0,756 72,5 0,60
16 0,756 77,5 0,76
17 1,134 82,5 0,93
18 1,134 87,5 1,15
19 1,134 92,5 1,44
20 1,512 97,5 1,96
Para melhor entendimento do processo considere o resduo padronizado
de menor magnitude (-1,512). A ordem associada ao valor i =1 e, logo,
F
1
5 1 0 5 2 5 (%) ( , )% , % = =
. O escore esperado sob a distribuio normal pa-
dronizada dado por P Z ( , ) , = 0 025 1 96 . E assim, procede-se sucessiva-
mente at o escore padronizado de maior magnitude (1,512).
-2,0 -1,5 -1,0 -0,5
0
0,5 1,0 1,5 2,0
0,5
1,0
1,5
2,0
2,5
-2,0
-1,5
-1,0
-0,5
-2,5
Escore
Esperado
Z
ij
2.7 TCNICA DA ANLISE DE VARINCIA (ANOVA)
Quando se tem um experimento completamente ao acaso com um fator
fxo (fonte de variao controlada em estudo), o interesse consiste em veri-
fcar a infuncia dos k nveis desse fator (k grupos ou k tratamentos) sobre
uma varivel dependente (resposta) biolgica Y em estudo. Uma maneira de
verifcar a existncia dessa infuncia do fator consiste em comparar as mdias
populacionais da varivel Y sob os nveis do fator (tratamento = agente causal).
Um teste estatstico para verifcar a igualdade dessas k mdias relativas aos
nveis do fator consiste na tcnica da anlise de varincia (ANalysis NN Of O VAri-
ance, ttulo em ingls que deriva a sigla ANOVA, utilizada na lngua inglesa e,
muitas vezes na lngua portuguesa). Embora o procedimento envolva o clculo
de varincias, seu objetivo fundamenta-se em comparar as mdias dos nveis
do fator (tratamento).
A lgica da ANOVA para o delineamento inteiramente ao acaso muito
simples, ou seja, resume-se em fracionar a variabilidade total dos dados em
duas fontes de variao ortogonais entre si, sendo uma devido a variao en-
tre os nveis do fator (variao entre tratamentos) e outra, devido a variao
dentro dos nveis (dentro de tratamentos). Esta ltima tem a fnalidade espe-
cfca de estimar a variao atribuda ao acaso; enquanto a primeira, envolve
a variao do acaso acumulada, devido aos nveis de tratamento. Feito isso,
determina-se a razo da variao entre os nveis e a variao dentro dos nveis
e, se o resultado obtido for muito grande a concluso estabelecida a favor
das diferenas entre as mdias dos nveis do fator (diferenas entre as mdias
dos tratamentos).
Deve ser considerado que para a utilizao da tcnica da ANOVA, embora
o entendimento da lgica seja muito fcil, algumas pressuposies devem es-
tar satisfeitas, quais sejam: independncia dos erros, normalidade dos dados
e homogeneidade de varincias; conforme ser mostrado a seguir a partir dos
dados da Tabela 2.5.
Considere um conjunto homogneo de 20 animais e quatro dietas para a
comparao das alteraes de pesos, cujos 5 animais de cada dieta foram escol-
hidos por processo randmico (sorteio). As dietas estudadas foram:
A: dieta padro;
B: dieta padro suplementada com amendoim;
C: dieta padro suplementada com girassol;
D: dieta padro suplementada com abbora.
Tabela 2.5 Ganhos de peso segundo dieta
Dieta A Dieta B Dieta C Dieta D
25 31 22 33
26 25 26 29
20 28 28 31
23 27 25 34
21 24 29 28
23 (2,55)
(*)
27 (2,74) 26 (2,74) 31 (2,55)
(*) mdia (desvio padro)
Cada ganho de peso uma resposta biolgica do modelo geral
y
ij i ij i ij
= =
, com i k =1,..., (nmero de tratamentos) e
j r =1,...,
(nmero de repeties por tratamento), onde:
a mdia geral comum a todas as observaes defnida como

, sendo
i
a mdia populacional de
Y
no i-simo tratamento;
r
i o nmero de repeties no i-simo tratamento (no caso balanceado o
valor comum r para todos tratamentos);
t
i o efeito do i-simo nvel do fator na varivel dependente
Y
e mede
o desvio da mdia
i
em relao a m, isto :

i i
=
;
e
ij
o erro casual no observvel (em nosso estudo, varivel aleatria in-
dependente e identicamente distribuda como N 0
2
,s
( ) ).
Neste sentido, tem-se:
a) E Y
ij i i
( )
= =
b) Var Y
ij
=
( )
=s
2
c) Y N
ij i
~ ,
2
( )
Considerando satisfeitas as suposies de independncia dos erros, nor-
malidade dos dados e homogeneidade das varincias de tratamentos, a tcnica
da ANOVA consiste em comparar a variao devida aos tratamentos (entre
tratamentos) com a variao devida ao acaso (ou resduo, ou dentro de trata-
mentos).
Para o clculo das causas de variao so determinadas:
a) Graus de liberdade (GL)
Total n n kr;
Tratamento k ;
duo n k k r
= =
=
= = ( )
1
1
1
, onde
Res
b) Somas de quadrados (SQ)
SQTot y y y ny y
i
k
ij
j
r
i
k
ij
j
r
= = =
=
= =
=

1
2
1 1
2 2
1
1
( ) onde
nn
y
SQTrat y y
y
r
ny
i
k
ij
j
r
i
k
i
j
r
i
i
= =
=

=
=

= = =
1 1
1
2
1
2
2
;
( )
11
2
1
2
1
1
1
k
i
i
k
i ij
j
r
i
k
ij
ry - ny
y
r
y
SQRes y

=
=
=
=
; onde
;
( yy y
y
r
SQTot SQTrat
i
j
r
i
k
ij
j
r
i
i
k
= = =
=

= = ) .
2
1 1
2
1
2
1
c) Quadrados Mdios (QM)
QMTrat SQTrat k
QMRes SQRes n k
=
=
/ ( )
/ ( )
1
F QMTrat QMRes = /
As quantidades obtidas anteriormente so dispostas na Tabela 2.6, denom-
inada tabela de anlise de varincia.
Tabela 2.6 Tabela geral de ANOVA de um DIC balanceado
Causa de variao GL SQ QM F
Tratamentos
k-1
SQTrat QMTrat QMTrat QMRes /
Resduo
n k -
SQRes QMRes
Total n-1 SQTot
O teste de hipteses relativo Tabela 2.6 consiste em:
H
0
:
No existe efeito de tratamentos = = = = = = H H
k k 0 1 0 1
0 : ... : ...
H
1
:
Existe efeito de tratamentos = Existe H i k
i 1
0 1 : ( ,..., ) t
Se
F F
k n k
( ; ; ) a 1
, rejeita-se H
0
H . Caso contrrio no h rejeio.
No exemplo, tem-se:
k =4 (tratamentos) e r =5 (repeties por tratamento);
y y

= = = 535 535 20 26 75 , logo, / ,
y y y y y y y
1 1 2 2 3 3 4
115 23 135 27 130 26 15

= = = = = = = ( ); ( ); ( ); 55 31
4
( ) y

=
SQTot = = 14587 00 14311 25 275 75 , , ,
SQTrat = = 14475 00 14311 25 163 75 , , ,
SQRes = = 275 75 163 75 112 00 , , ,
QMTrat = = 163 75 3 54 58 , / ,
QMRes = = 112 00 16 7 00 , / ,
Tabela 2.7 ANOVA dos ganhos de peso
Dietas 3 163,75 54,58 7,80 (p < 0,005)
Resduo 16 112,00 7,00
Total 19 275,75
Conclui-se, no nvel de signifcncia 5%, que existem diferenas entre as
mdias das alteraes (ganhos) de pesos segundo as dietas estudadas (rejeita-
se H
0 1 2 3 4
0 : t t t t = = = = ). Ou seja, os resultados experimentais (com base
no p-value) permitem rejeitar a hiptese de que as mdias de tratamentos
so iguais, ao nvel de signifcncia de 5%.
2.8 COEFICIENTES DE DETERMINAO E VARIAO DE UM EXPERIMENTO
O coefciente de determinao (
R
2
) de um experimento dado pela razo
entre a SQTrat (variao devida aos tratamentos) e a
SQTot
(variao total
dos valores observados), indicando a proporo da variao total explicada
pela variao devida aos tratamentos ( 0 1
2
R ).
O coefciente de variao ( CV ) de um experimento dado pela razo entre
o desvio padro (na ANOVA, consiste na raiz quadrada positiva de
QMRes
) e
a mdia geral dos dados (
y
), indicando como os dados comportam-se (dis-

perso) em relao mdia geral. A grandeza inversa do CV remete idia da
preciso dos dados experimentais.
No exemplo anterior, tem-se
= = R
2
SQTrat SQTot / , / , , = 163 75 275 75 0 5938
(59,38% da variao total explicada pela variao de tratamentos);
CV QMRes y = = =
/ , / , , 7 00 26 75 0 0989
(9,89% estabelece-se como a disperso relativa dos dados experimentais)
2.9 COMPARAES MLTIPLAS
A tcnica da ANOVA permite ao pesquisador verifcar se existe efeito
dos tratamentos, mas no como as mdias dos tratamentos diferem entre
si. Portanto, se constatar que existe efeito do fator em estudo, interessante
complementar a anlise a fm de localizar as diferenas entre as mdias dos
tratamentos. A resposta complementao da ANOVA pode ser concretizada
(principalmente quando os nveis do fator so qualitativos) com um teste de
comparaes mltiplas de mdias.
Nessa linha de busca de uma resposta biolgica mais interessante e in-
formativa foram propostos diversos testes que, em geral, levam o nome do
seu autor (Tukey, Duncan, Dunnet, Bonferroni, Schef, Newman-Keuls ou
Student-Newman-Keuls (SNK), e outros). No existe um teste aceito como o
melhor deles; todos apresentam vantagens e desvantagens e situao mais
indicada para seu uso.
Os testes de comparaes mltiplas permitem testar hipteses do tipo:
H c c
k k 0 1 1
0 : ... =
versus H c c
k k 1 1 1
0 : ... , com c c
k 1
0 = ... . Essa
combinao linear de mdias, que refete uma situao de interesse biolgico,
denominada contraste de mdias.
Na maioria das vezes, o interesse consiste na comparao de todas as dife-
renas entre mdias de dois tratamentos. Dentro dessa linha de curiosidade a
opo ser pelo mtodo de Tukey.
O mtodo de Tukey baseia-se na diferena honestamente signifcante
(HSD=Honestly Signifcant Diference), cujo princpio encontrar a diferen-
a mnima signifcante que assegura a todas as comparaes um nvel comum
de signifcncia estabelecido a priori. Segundo Gomes (2009), o teste pode ser
utilizado para comparar todo e qualquer contraste entre pares de mdias.
No experimento com dados balanceados o teste de Tukey exato com o
seguinte procedimento operacional:
0 0 H e H , com
0 1
: : .

i i i i
i i =
Calcula-se ( ) ( )
( )
HSD q
QMRes
r
k
= =
; ;

q
k ( ; ; )
o quantil de or-
dem (1-/2) da distribuio estatstica denominada studentized range com
parmetros k (nmero de tratamentos) e j= n k (graus de liberdade do re-
sduo). Os valores de q, considerando a=0,01 e a=0,05, esto tabelados e so
encontrados em diversos livros de estatstica experimental.
A regra de deciso a habitual, ou seja:
Se
y y
i i
( )
a
, rejeita-se H
0
. Caso contrrio, no h rejeio.
Similarmente, pode-se apresentar o intervalo de confana 100 1 ( ) a %
para a diferena de mdias, cujos limites so dados por:
LI y y q
QMRes
r
i i
= ( )
( ) ; ; k
LS y y q
QMRes
r
i i
= ( )
( ) ; ; k
No exemplo relativo Tabela 1, tem-se
q
0 05 4 16
4 05
, ; ;
,
( )
= ; logo, 5 5 4 05
7 00
5
4 79 % % ,
,
, ( )= ( )= = HSD .
Ou seja, o valor mnimo que expressa a diferena signifcante entre as m-
dias dos ganhos de peso da ordem de 4,79 unidades de peso. Neste sentido, as
nicas diferenas encontradas aconteceram entre as dietas A e D (8,00>4,79)
e C e D (5,00>4,79).
Uma maneira elegante e redacional (textos cientfcos e biolgicos) de
apresentar os resultados est disposta na Tabela 2.8.
Tabela 2.8 Mdia e desvio padro do ganho de peso segundo a dieta
Dieta
HSD
A B C D
23 (2,55)a
(1)
27 (2,74)ab 26 (2,74)a 31 (2,55)b 4,79
(1) duas mdias seguidas de pelo menos uma mesma letra no diferem entre si (p>0,05) pelo teste de Tukey
2.10 EXERCCIOS (DIC COM DADOS BALANCEADOS)
A seguir so apresentados alguns exerccios para o entendimento do
planejamento experimental envolvido no DIC Balanceado (mesmo nmero de
repeties por tratamento) e tambm para o treinamento dos clculos abran-
gidos na tcnica da ANOVA e no teste de comparaes mltiplas de Tukey. As
respostas dos exerccios so apresentadas no prximo item.
1. Para testar duas drogas diferentes usando grupo controle, um farmacolo-
gista pretende fazer um experimento com cobaias. Esto disponveis 24
cobaias, bastante similares. Como voc planejaria o experimento?
2. Explique com detalhes o procedimento que voc faria para designar cinco
tratamentos (A, B, C, D, E) para 25 unidades experimentais (ratos) similares.
3. Num laboratrio de biofsica so usados quatro voltmetros diferentes.
Para verifcar se os quatro voltmetros esto igualmente calibrados, mediu-
se a mesma fora constante de 100 volts cinco vezes cada voltmetro. Os
dados esto na tabela abaixo. Faa uma anlise de varincia e interprete o
resultado (considerar =0,05).
Voltagem segundo o voltmetro
Voltmetro
A B C D
117 115 118 125
120 110 123 121
114 116 119 123
119 115 122 118
115 114 118 118
4. Para detectar a presena de insetos daninhos nas plantaes, colocam-se
papeles untados com uma substncia pegajosa e examinam-se os insetos
capturados. Ao nvel de 5% de signifcncia, que cores atraem mais inse-
tos? Os pesquisadores colocaram seus papeles de cada cor em posies
aleatrias em um campo de aveia, e contaram o nmero de insetos captu-
rados.
Cor do papelo Insetos Capturados
Azul 16 11 20 21 14 17
Verde 37 32 20 29 37 32
Branco 21 12 14 17 13 20
Amarelo 45 59 48 46 38 47
Obs.: Como a varivel nmero de insetos (contagem) no apresenta distribuio normal (varivel discreta), para a anlise
dos dados considerar os valores observados sob a transformao raiz quadrada.
5. Considere o seguinte quadro de ANOVA da PAM:
Fonte de variao Soma Quadrados GL QM F
Entre Grupos 800 3 ? ?
Intragrupos ? ? 33,33 -
Total 2000
a. Qual tipo de ANOVA est apresentado no quadro?
b. Qual a concluso no nvel de 5% de signifcncia?
c. Qual a redao cientfca mais adequada para a concluso sobre o resul-
tado do teste estatstico empregado?
6. Considere as seguintes dosimetrias de mercrio no sangue (ppb) de gru-
pos expostos em garimpos da Amaznia Legal (Ferrari et al., Revista de
Sade Ocupacional, v.20, n.75, p.54-60, 1992).
Grupo Dosimetria Hg
Garimpeiros 24 19 25 23 13
Ribeirinhos 16 8 10 7 15
ndios 28 30 19 23 22
Controle 12 6 8 7 9
Verifcar, considerando o nvel de signifcncia 5%, as diferenas entre as
respostas mdias dos grupos.
2.11 RESPOSTAS DOS EXERCCIOS (DIC COM DADOS BALANCEADOS)
1. Cada grupo ( Controle, Droga 1 e Droga 2 ) ser composto de oito coba-
ias alocadas por processo aleatrio simples (casual ou randomizado ). A
varivel resposta ser comparada quanto s mdias dos grupos pela tc-
nica da ANOVA complementada com o teste de comparaes mltiplas de
Tukey, considerando o nvel de 5% de signifcncia.
2. Os ratos so enumerados de 1 a 25 e, em uma urna so colocadas 25 eti-
quetas idnticas quanto ao tamanho, forma e cor sendo cinco marcadas
com a letra A, cinco com B, cinco com C, cinco com D e, fnalmente cinco
com E. Em outra urna, so colocadas outras etiquetas enumeradas de 1
a 25, correspondente aos 25 ratos da pesquisa. Procede-se com a realiza-
o de sorteios em ambas as urnas, formando 25 pares constitudos pelo
tratamento sorteado na primeira urna e o rato correspondente ao nmero
sorteado na segunda.
3.
Tabela 1. ANOVA para a fora dos voltmetros
Voltmetro 3 150,00 50,00 7,41 (p<0,005)
Resduo 16 108,00 6,75
Total 19 258,00
Tabela 2. Mdia (desvio padro) da fora segundo tipo de voltmetro
A B C D
117,00 (2,55) ab 114,00 (2,35) a 120,00 (2,35) b 121,00 (3,08) b
DHS (5%) = 4,71
4.
Tabela 1. ANOVA para a raiz quadrada do nmero de insetos capturados
Causa variao GL SQ QM F
Cor do papelo 3 33,72 11,24 43,57 (p<0,001)
Resduo 20 5,16 0,26
Total 23 38,88
Tabela 2. Mdia (desvio padro) do nmero de insetos capturados(*) segundo cor
Azul Verde Branco Amarelo
4,04 (0,47) a 5,56 (0,60) b 4,00 (0,47) a 6,85 (0,49) c
DHS (5%) = 0,82
(*) Varivel sob a transformao raiz quadrada
5. a. ANOVA para DIC balanceado (10 animais por grupo).
b. F= 266,67/33,33 = 8,00 (p < 0,001); portanto rejeita-se a hiptese de
ausncia de efeito de tratamentos.
c. No nvel de 5% de signifcncia conclui-se que existe diferena entre as
mdias da PAM nos grupos estudados.
6.
Tabela 1. ANOVA para a dosimetria de mercrio no sangue (ppb)
Grupo 3 871,20 290,40 17,47 (p<0,001)
Resduo 16 266,00 16,63
Total 19 1137,20
Tabela 2. Mdia (desvio padro) da dosimetria de mercrio no sangue segundo o
grupo
Garimpeiros Ribeirinhos ndios Controle
20,80 (4,92) b 11,20 (4,09) a 24,40 (4,51) b 8,40 (2,30) a
DHS (5%) = 7,39
2.12 MODELO DO EXPERIMENTO DIC COM DADOS NO BALANCEADOS
Em algumas situaes, pode acontecer que o nmero de unidades experi-
mentais disponvel no seja mltiplo do nmero de tratamentos que se pre-
tende comparar ou, ainda, comear o experimento com dados balanceados e
algumas unidades, por algum motivo alheio vontade do pesquisador, torna-
rem-se perdidas para o experimento. Nessas situaes, os tratamentos podem
fcar com nmeros de repeties total ou parcialmente diferentes, ou seja, ex-
perimento com nmero diferente de repeties (dados no balanceados).
Talvez a primeira sugesto, com base no que j foi visto, seria descartar
utilizando critrios randmicos unidades experimentais para se ter os dados
balanceados nos tratamentos. Mesmo sendo, do ponto de vista da Estatstica
Experimental, melhor que todos os tratamentos apresentem o mesmo nmero
de parcelas (a anlise realizada por procedimento exato), a importncia bi-
olgica das informaes das unidades experimentais mais imperativa que
a simplicidade dos clculos matemticos do procedimento e, neste sentido,
torna-se imprescindvel um comportamento mais requintado para a situao.
Nessa situao, o caminho mais prximo s caractersticas da biologia aca-
ba sendo dado pelo procedimento anterior realizado com os dados balancea-
dos, adaptando-se as frmulas dos clculos aos experimentos com dados no-
balanceados. Esta nova maneira faz com que o processo exato seja direcionado
forma aproximada.
Portanto, a teoria desenvolvida no DIC balanceado passa a ser explicitada
com pequenas modifcaes nas somas de quadrados e no procedimento de
Tukey.
Tem-se:
SQTot y ny
ij
j
r
i
k
i
=

= =

2 2
1 1
, onde
r
i
consiste nas repeties do i-simo trata-
mento e
y
n
y
ij
j
r
i
k
i
= =
=

1
1 1
SQTrat
y
r
ny
i
i i
k
=
=

2
1
2
y y
i ij
j
r
i
=
=
1
SQRes y SQTot SQRes
ij
y
r
i
k
j
r
i
k
i
i
i
= =
= = =

2
1 1 1
2
.
O quadro da ANOVA permanece o mesmo do DIC para dados balancea-
dos.
Em relao ao teste de Tukey, calcula-se
k
e
Se
y y
i i ii
( )

a
, rejeita-se a hiptese de igualdade de mdias. Caso
contrrio, no h rejeio.
A Tabela 2.9 mostra os ganhos de peso (kg) no fnal do experimento re-
alizado para comparar trs raes comerciais em um lote de animais (sunos)
homogneos (PADOVANI, 2002).
Tabela 2.9 Ganho de peso (kg) segundo rao
Rao Ganho de Peso
A 7,12 6,91 6,30 6,72 6,68 6,80
B 8,15 8,45 8,92 9,15
C 6,58 7,04 6,46 7,12 7,06
r r r n
1 2 3
6 4 5 15 = = = = ; ; ;
y y y y y
1 2 3
40 53 34 67 34 26 109 46 7 297

= = = = = , , , , , ; ; ; ; 3 3
SQTot = = = 810 3948 15 7 2973 810 3948 798 7588 11 6360
2
, , , , ,
SQTrat = = =
40 53
6
34 67
4
34 26
5
798 7588 809 0319 798 7588
2 2 2
, , ,
, , , 110 2731 ,
Tabela 2.10 Quadro da ANOVA do ganho de peso
Causa Variao GL SQ QM F
Rao 2 10,2731 5,1366 42,22 (P<0,001)
Resduo 12 1,3629 0,1136
Total 14 11,6360
Coefciente de Variao do experimento:
CV = = 100
0 1136
7 2973
4 62
,
,
% , %
Coefciente de Determinao: R
2
10 2731
11 6360
0 8829 88 29 = =
,
,
, ( , %)
Teste de Tukey
a=0 05 , ; k =3 (tratamentos); =12 (graus de liberdade do resduo)
ii
i i
i i
i i
r r
r r
rr
,
,
, =
1
)
=

3 77
0 1136
2
1 1
0 8985
12
0 580 = , ;

13
0 544 = ,
;

23
0 603 = ,
y y A B
1 2 12
6 755 8 6675 1 9125

= = ( ) , , ,
y y A C
1 3 13
6 755 6 852 0 097

= = < = ( ) , , ,
y y B C
2 3 23
8 6675 6 852 1 8155

= = ( ) , , ,
A Tabela 2.11 mostra a mdia e o desvio padro do ganho de peso segundo
a rao comercial administrada.
Tabela 2.11 Mdia e desvio padro do ganho de peso segundo rao
Rao A Rao B Rao C
6,755(0,273)a
(1)
8,668(0,452)b 6,852(0,307)a
(1) duas mdias seguidas de uma mesma letra no diferem (P>0,05) pelo teste de Tukey.
2.13 EXERCCIOS (DIC NO BALANCEADO)
1. Para testar duas drogas diferentes usando grupo controle, um farma-
cologista pretende fazer um experimento com cobaias. Esto disponveis
24 cobaias, bastante similares. Discuta o uso de grupos com diferentes
repeties.
2. Considere as seguintes dosimetrias de mercrio no sangue (ppb) de gru-
pos expostos em garimpos da Amaznia Legal (Ferrari et al., Revista de
Sade Ocupacional, v.20, n.75, p.54-60, 1992).
Grupo Dosimetria Hg
Garimpeiros 24 19 25 23 18
Ribeirinhos 13 10 12 8
ndios 28 30 24 26 25
Controle 10 6 8 9
Verifcar, considerando o nvel de signifcncia 5%, as diferenas entre as
respostas mdias dos grupos.
3. Considerar as seguintes avaliaes nasomtricas
[nasalncia(%)=100*(energia acstica nasal) / (energia acstica nasal+energia otoacstica oral)]
do vocbulo papai isolado e inserido em frase (Di Ninno et al., Revista de
Atualizao Cientfca PR-FONO, v.13, n.1, p.71-77, 2001)
4.
Faixa Etria Nasalncia (%)
Criana 10,5 11,6 12,3 8,9 9,2 9,6 10,9 11,0
Adolescente 11,5 10,2 13,9 12,0 10,4 10,0 14,1
Adulto 18,5 16,6 20,2 17,8 21,8 17,4
Considerando o nvel de signifcncia 5%, avaliar as diferenas entre as
respostas mdias das nasalncias.
2.14 RESPOSTAS DOS EXERCCIOS (DIC NO BALANCEADO)
1. Do ponto de vista biolgico, o grupo controle (animais que recebem o
placebo, ou seja, soro fsiolgico por exemplo) o referencial das com-
paraes (padro de referncia para testar o efeito das drogas), logo deve
ser o grupo agraciado com mais animais. O restante dos animais pode ser
balanceado entre as duas drogas.
2.
Tabela 1. Quadro da ANOVA da dosimetria de Hg
Grupos 3 1030,50 343,50 56,22 (p<0,001)
Resduo 14 85,50 6,11
Total 17 1116,00
Tabela 2. Mdia (desvio padro) da dosimetria segundo grupo
Garimpeiro Ribeirinho ndio Controle
21,80 (3,11) b 10,75 (2,22) a 26,60 (2,41) c 8,25 (1,71) a
DHS (G x R) = 4,82 DHS (G x I) = 4,54 DHS (G x C) = 4,82
DHS (R x I) = 4,82 DHS (R x C) = 5,08 DHS (I x C) = 4,82
3.
Tabela 1. Quadro da ANOVA da nasalncia
Faixas Etrias 2 256,01 128,01 49,81 (p<0,001)
Resduo 18 46,28 2,57
Total 20 302,29
Tabela 2. Mdia (desvio padro) da nasalncia segundo faixa etria
Criana Adolescente Adulto
10,50 (1,19) a 11,73 (1,71) a 18,72 (1,94) b
DHS (Cr x Adol)=2,12 DHS (Cr x Adul)=2,21 DHS (Adol x Adul)=2,28
3
DELINEAMENTO EM BLOCOS COMPLETOS
CASUALIZADOS (DBCC)
3.1 INTRODUO
Quando o conjunto de unidades experimentais for relativamente heterog-
neo (pequenos grupos de unidades similares, mas nenhum sufcientemente
grande para um planejamento), o plano experimental inteiramente casualizado
torna-se pouco preciso, porque o erro experimental torna-se muito grande. A
partir das informaes disponveis, antes da realizao do experimento, pos-
svel agrupar as unidades experimentais em subconjuntos de unidades mais ho-
mogneas, denominados blocos. A alocao das unidades experimentais entre
os tratamentos obedece a uma restrio imposta pelos blocos, ou seja, o procedi-
mento de casualizao dos tratamentos s unidades experimentais realizado
dentro de cada bloco. Quando todos os tratamentos aparecerem em todos os
blocos uma nica vez, tem-se o Delineamento em Blocos Completo. Toda vez
que os tratamentos tornam-se presentes uma nica vez em cada bloco, o nmero
de blocos coincide com o nmero de repeties (Banzatto & Kronka, 2006). Deve
ser observado, inclusive por possvel confuso de nome, que a aleatorizao est
sendo realizada nos tratamentos dentro dos blocos (restrio na casualizao).
Na anlise estatstica de um experimento em blocos casualizados, ou como
normalmente se diz, um experimento em blocos, alm dos fatores de interesse,
deve-se levar em conta o fator de controle experimental, blocos, diminuindo
desta maneira o erro experimental. Quanto maior for a heterogeneidade entre
blocos, maior ser a efcincia deste plano experimental em relao ao comple-
tamente aleatorizado. O delineamento em blocos tambm pode ser planejado
com repeties dos tratamentos dentro do bloco e alm disso, de forma incom-
pleta. A anlise estatstica do delineamento em blocos completos ao acaso com
repeties torna-se relativamente fcil quando o nmero de unidades dentro
de cada bloco mltiplo do nmero de tratamentos em comparao.
O termo bloco (sua origem de fato agronmica, cujo objetivo referia-se
a faixa de terra de mesma fertilidade fertilidade homognea) tem um sen-
tido prtico interessante na rea biolgica, ou seja, caracteriza-se como estrato
e tem como fnalidade, o controle da homogeneidade dos animais quanto s
variveis intervenientes.
No presente estudo os blocos so completos quanto aos tratamentos, isto
, um bloco possui todos os tratamentos de interesse do estudo, alocados por
processo aleatrio com uma repetio por bloco. A vantagem mais destacada
dos experimentos em blocos consiste em permitir o uso de unidades experi-
mentais heterogneas. Os blocos controlam uma causa de variao e esta-
belecem uma restrio casualizao. Essa restrio casualizao devido
constituio dos blocos indica para a no realizao do teste estatstico para a
causa de variao blocos, ou seja, no faz sentido, pois se trata de uma fonte de
variao de controle e no de interesse para a comparao. Se a fonte colocada
como blocos est no interesse do pesquisador para comparao, o esquema de
fatores torna-se o procedimento adequado para a combinao dos nveis dos
dois fatores em estudo.
Em resumo, podem ser destacados:
a. A casualizao ocorre dentro dos blocos (os blocos so estratos defnidos
quanto heterogeneidade das unidades experimentais e, portanto fxados
como controles).
b. Os blocos so completos quanto aos tratamentos pesquisados (cada bloco
deve conter todos os tratamentos do estudo).
c. essencial que os blocos renam unidades similares (unidades semelhantes
dentro de blocos asseguram aos tratamentos nica fonte de variao).
Delineamento em Blocos Completos Casualizados (DBCC) | 49
d. Quanto maior a heterogeneidade entre blocos maior a efcincia do delin-
eamento (a perda de heterogeneidade entre blocos indica a falta da neces-
sidade de controle local).
e. O tratamento aparece uma nica vez dentro de cada bloco (razo de ser
denominado completo).
f. Os experimentos em blocos so feitos, essencialmente, para comparar
tratamentos (os blocos no so construdos para teste estatstico, mas
como necessidade de controle).
g. No deve ser feito o teste estatstico de blocos (blocos so utilizados como
fonte de controle da heterogeneidade, sem qualquer interesse de comparao).
h. Fazer blocos signifca impor uma restrio como controle s unidades ex-
perimentais (a designao casual dos tratamentos s unidades experimen-
tais dentro de cada bloco).
i. Exemplos biolgicos de blocos: posio na estufa, ninhada, faixa de idade,
faixa de peso, uma partida de animais (lote), entre outros.
3.2 MODELO DO EXPERIMENTO (BIOLGICO)
O modelo de DBCC com
k
tratamentos e
t
blocos dado por:
y i k j t
ij i j ij i i
= = = = ( ) ; 1 1 ,..., ; ,...,
; onde:
m a mdia geral comum a todas as observaes;
t
i
o efeito do i-simo nvel do fator na varivel dependente Y ;
b
j o efeito do j-simo bloco experimental;
e
ij o erro casual no observvel (independente e identicamente distribu-
do com N 0
2
,s
( )
).
Neste sentido, para o modelo de efeitos fxos, tem-se:
a)
E Y
ij i j
( )
=
;
b) Var Y
ij
( )
=s
2
;
c) Y N
ij i i j
~ ,
( )
2
.
3.3 PROCEDIMENTO ESTATSTICO: ANLISE DE VARINCIA
Todas as consideraes realizadas para o DIC so tambm vlidas para o
DBCC (independncia dos erros; varincias homogneas e normalidade dos
dados).
Considere o seguinte conjunto de pesos de carcaas (kg) de coelhos (Ta-
bela 3.1) no acabamento segundo o tipo de dieta randomizada oferecida aos
animais.
Tabela 3.1 Peso de carcaas (kg) de coelhos segundo dieta
Dieta
Raa
Norfolk Angor I Angor II Nova Zelndia I Nova Zelndia II
Padro 1,28 1,08 1,06 1,36 1,19
Padro+Rami 1,45 1,15 1,28 1,50 1,41
Padro+Alfafa 1,38 1,08 1,17 1,43 1,26
Padovani, C. R. (2002). Exerccios de Estatstica Bsica e Experimental. Depto. Bioestatstica, IB/UNESP, Botucatu-SP, 40p.
Cada peso de carcaa (kg) uma resposta biolgica do sorteio de trs di-
etas dentro dos conjuntos de trs animais tornados homogneos pelas raas,
cujo resultado biolgico responde ao modelo:
y
ij i j ij
= , com i k =1,..., (tratamentos) e j t =1,..., (blocos).
Neste modelo, a tcnica da ANOVA consiste em fracionar a SQTotal em
trs fontes de variao: a primeira referente aos tratamentos ( SQTrat ), a se-
gunda relativa aos blocos ( SQBloco ) e, por fm, a expressa nas futuaes ca-
suais ( SQRes ).
Para a construo da tabela geral de ANOVA segundo as causas de varia-
o so determinados:
a) Graus de liberdade (GL)
Total n kt = = 1 1
, onde n kt = ;
Tratamento k = 1
;
Bloco t = 1;
Resduo t k = ( ) ( ) 1 1 .
b) Somas de quadrados (SQ)
SQTot y y y ny
ij
j
t
i
k
ij
j
t
i
k
=
( )
=
= =
= =

2
1 1
2 2
1 1
; onde
y
n
y
ij
j
t
i
k
= =
=

1
1 1
;
SQTrat y y
y
t
ny
i
j
t
i
k
i
i
k
= ( ) =

= =
=

2
1 1
2
1
2
; onde
y
t
y
i ij
j
t
=
=

1
1
;
SQBloc y y
y
k
ny
j
j
t
i
k
j
j
t
=
( )
=

= =
=

2
1 1
2
2
1
; onde y
k
y
j ij
i
k
=
=

1
1
;
SQRes SQTot SQTrat SQBloc =
.
c) Quadrados mdios (QM)
QMTrat SQTrat k = ( ) 1
QMBloco SQBloco t = ( ) 1
QMRes SQRes k t = ( ) ( )
l
l
1 1
d) Estatstica F
F QMTrat QMRes =
As quantidades obtidas so dispostas na Tabela 3.2 da ANOVA.
Tabela 3.2 Tabela geral de ANOVA de um DBCC
Blocos t -1 SQBloc QMBloc
Tratamentos k-1
SQTrat QMTrat QMTrat QMRes
Resduo t k ( ) ( ) 1 1 SQRes QMRes
Total tk-1
SQTot
O teste de hiptese relativo Tabela 3.2 consiste em:
H
0
H : No existe efeito de tratamento H
1
:t
1
=t
k
tt =...=0 H
0
H : m
1
=...=m
k
=m
H H i
i 1 0
0 1 : : ,..., Existe efeito de tratamento Existe = t kk ( )
Sob a veracidade de
H
0
, a estatstica
F
QMTrat
QMRes
=
tem distribuio F
(Fisher-Snedecor) com parmetros ( ) k-1 (graus de liberdade do numerador)
e ( )( ) t k - - 1 1 (graus de liberdade do denominador).
A regra de deciso a habitual, ou seja:
Se F F
k t k
( ) ( ) ( ) a; ; 1 1 1
, rejeita-se H
0
No exemplo, tem-se:
k =3 (tratamentos) e t =5 (blocos);
y
=19 08 , , logo,
y
= = 19 08 15 1 272 , ,
;
SQTot = = 24 5678 24 2698 0 2980 , , , ;
y y
1 1
5 97 1 194

= = ( ) , , ; y y
2 2
6 79 1 358

= = ( ) , , ;
y y
3 3
6 32 1 264

= = ( ) , ,
SQTrat = = 24 3375 24 2698 0 0677 , , ,
y
=
1
4 11 , ;
y
=
2
3 31 ,
;
y
=
3
3 51 ,
;
y
=
4
4 29 ,
;
y
=
5
3 86 ,
;
SQBloc = = 24 4907 24 2698 0 2209 , , , ;
SQRes = = 0 2980 0 2209 0 0677 0 0094 , , , ,
A Tabela 3.3 apresenta o resultado da ANOVA.
Tabela 3.3 Tabela ANOVA para o peso das carcaas
Causa Variao GL SQ QM F (valor p)
Blocos 4 0,2209 0,0552
Tratamentos 2 0,0677 0,0339 28,25 (p<0,01)
Resduo 8 0,0094 0,0012
Total 14 0,2980
Conclui-se, no nvel de 5% de signifcncia, que existem diferenas entre
os pesos mdios de carcaas dos coelhos segundo as dietas estudadas.
3.4 COMPARAES MLTIPLAS
O procedimento de comparaes mltiplas de Tukey para o DBCC con-
siste nos seguintes passos:
H
i i 0
0 :
= e H
i i 1
0 :
, para i i .
Calcula-se a Honestly Signifcante Diference
HSD q
QMRes
t
k t k
a a
a
( )= ( )=
( ) ( ) ( )
; ; 1 1
, onde
t
o nmero de repetio de
tratamentos (coincide com o nmero de blocos) e
( )
q
k ; ;
o quantil de ordem
(1-a/2) da distribuio studentized range com parmetros k (nmero de
tratamentos) e
j= ( )( ) t k 1 1
(graus de liberdade do resduo).
A regra de deciso do teste de hipteses a habitual, ou seja:
Se
y y
i i
( )
a
, rejeita-se H
0
Similarmente, pode-se apresentar o intervalo de confana de Tukey
100 1 ( )% -a para a diferena de mdias, cujos limites so dados por:
LI y y q
QMRes
t
i i k
= ( )
( ) ; ;
,
LS y y q
QMRes
t
i i k
= ( )
( ) ; ;
.
No exemplo relativo aos dados do peso das carcaas tem-se:
q
0 05 3 8
4 04
, ; ;
,
( )
=
; logo,
5 4 04
0 0012
5
0 063 % ,
,
, ( )= =
.
Ou seja, o valor mnimo que expressa a diferena signifcante =0,05 entre
os pesos mdios das carcaas 0,063kg. Os resultados das comparaes esto
expressos na Tabela 3.4.
Tabela 3.4 Mdia e desvio padro dos pesos segundo dieta
Dieta Padro Padro Suplementao Rami Padro Suplementao Alfafa
1,194(0,128)a 1,358(0,142)c 1,264(0,145)b
Conclui-se, no nvel de 5% de signifcncia, que as dietas modifcam o peso
mdio da carcaa dos coelhos e que entre elas, a dieta suplementada com rami
produz maior peso mdio.
3.5 EXERCCIOS (DBCC)
A seguir so apresentados exerccios sobre o Delineamento em Blocos
Completamente Casualizados contendo planejamento, tcnica da anlise de
varincia, teste de comparaes mltiplas e, em especial, o ltimo para apro-
fundamento das consideraes apresentadas no captulo.
1. Planeje um experimento para comparar dois testes de QI, usando dez pares
de gmeos. Considere cada par de gmeos como um bloco.
2. Faa a anlise de varincia dos dados apresentados na tabela a seguir, con-
siderando o nvel de 5% de signifcncia:
Dados de um experimento em blocos ao acaso
Bloco
Tratamento
A B C
I 74 53 58
II 90 68 78
III 78 54 64
IV 98 72 74
3. Pretende-se verifcar a durabilidade de trs marcas de tintas que tem preos
de custo bem diferentes. Para isso, foram selecionados seis muros, em que
cada tera parte foi pintada por uma marca sorteada nos teros. Aps um
perodo de dez meses, foi atribuda a cada parte uma nota, resultante de
vrios quesitos. Os resultados das notas so apresentados a seguir:
Marca Muro 1 Muro 2 Muro 3 Muro 4 Muro 5 Muro 6
A 8,5 8,9 8,8 8,2 8,6 8,9
B 9,1 9,4 9,1 9,6 9,0 9,3
C 7,3 7,6 7,8 7,5 6,1 7,2
Com esses dados, voc diria (=0,05) que uma das marcas melhor que
as outras?
4. Supondo que haja interesse em calcular F
QMBloco
QMRes
= em um experi-
mento, qual a interpretao biolgica que sugere o resultado signifcativo
(p<0,05)? E o no signifcativo (p>0,05)?
3.6 RESPOSTAS DOS EXERCCIOS (DBCC)
1. Considerando 10 pares de gmeos (G1, G2), para cada par ser efetuado o
sorteio dos dois testes de QI. Neste sentido, constitudos os pares por pro-
cesso randomizado dos testes de QI os dados coletados nos gmeos sero
submetidos tcnica da anlise de varincia para o modelo experimental
em blocos completamente casualizados (10 blocos no presente estudo) en-
volvendo dois tratamentos independentes (dois testes de QI).
2.
Tabela 1. Tabela ANOVA
C. Variao GL SQ QM F
Blocos 3 847,58 282,53 -
Tratamentos 2 1144,50 572,25 71,26 (p<0,001)
Resduo 6 48,17 8,03
Total 11 2040,25
Tabela 2. Mdia (desvio padro) dos tratamentos
A B C
85,00 (11,02) b 61,75 (9,67) a 68,50 (9,15) a
DHS (5%)=7,47
3.
Tabela 1. ANOVA para a durabilidade
Blocos (Muro) 5 1,04 0,21 -
Tratamentos (Marca) 2 12,64 6,32 45,14 (p<0,001)
Resduo 10 1,41 0,14
Total 17 15,09
Tabela 2. Mdia (desvio padro) das marcas
A B C
8,65 (0,27) b 9,25 (0,23) c 7,25 (0,60) a
DHS (5%)=0,59
4. Se o resultado do teste estatstico for signifcativo (p < 0,05) existe com-
provao biolgica de heterogeneidade entre os blocos, corroborando com
a suspeita do pesquisador no controle fonte de variao bloqueada. Se o
resultado do teste estatstico for no signifcativo (p > 0,05) existe compro-
vao biolgica de homogeneidade entre os blocos, contradizendo com a
suspeita do pesquisador no controle fonte de variao bloqueada.
4
ESQUEMAS FATORIAIS
4.1 INTRODUO
Existem situaes prticas na experimentao em que o interesse do pes-
quisador envolve o estudo de dois ou mais fatores combinados, cujos cruza-
mentos dos nveis dos fatores so os tratamentos empenhados nas compara-
es. No presente texto, ser apenas enfocado o caso de dois fatores, ou seja, A
e B. Ser admitido que o fator A possui a nveis, e o fator B, b nveis.
Nos experimentos onde cada nvel de um fator est combinado com to-
dos os nveis do outro, diz-se que os fatores obedecem a uma classifcao
cruzada (experimentos cruzados). As combinaes desses fatores resultam os
tratamentos do estudo, cuja confgurao recebe o nome de esquema fatorial
a*b (combinaes entre os a nveis do fator A e b nveis do fator B).
O esquema de fatores mais simples consiste em considerar dois fatores A
e B, com dois nveis cada um, isto , o esquema fatorial 2*2. No esquema fato-
rial dois por dois, Tabela 4.1, tem-se como resultado das combinaes quatro
tratamentos, que so combinaes de dois nveis do fator A com dois nveis
do fator B.
Tabela 4.1 Esquema fatorial 2*2
Fator A
Fator B
B
1
B
2
A
1
A
1
B
1
A
1
B
2
A
2
A
2
B
1
A
2
B
2
Outras combinaes dos fatores podem surgir medida que o nmero de
nveis dos fatores tornam-se maiores. Ademais, o nmero de nveis dos fatores
no precisa ter o mesmo valor, ou seja, os nveis a do fator A podem ser nu-
mericamente diferente dos nveis b do fator B. Quando a=b, tem-se um arranjo
quadrtico e, se ab, o arranjo retangular. Uma notao interessante que se
utiliza quando o nmero de nveis igual para os dois fatores (a=b; arranjo
quadrtico) e descrita por 22, 32, 42,... O expoente indica o nmero de fatores
do estudo e a base da potncia indica o nmero de nveis dos fatores. Por ex-
emplo, um fatorial 32 tem dois fatores em trs nveis.
Trs hipteses bsicas so avaliadas no esquema fatorial a*b, que so: i) a
interao (A*B) entre os fatores A e B; ii) o efeito do fator principal A e iii) o
efeito do fator principal B. Dependendo do resultado do teste de signifcncia
da interao A*B, duas novas hipteses podem ser avaliadas: i) efeito do fator A
dentro de um nvel fxo de B e ii) efeito do fator B dentro de um nvel fxo de A.
Como o esquema fatorial um arranjo dos nveis dos fatores (combina-
es de nveis) ele pode ser delineado em vrios tipos de experimentos. No
enfoque do texto, o esquema fatorial a*b ser apresentado no Delineamento
Inteiramente Casualizado (DIC) e no Delineamento em Blocos Completos Ca-
sualizados (DBCC).
4.2 ESQUEMA FATORIAL A*B NO DIC
Considere a Tabela 4.2, genrica de observaes
y
ijk
de um esquema fato-
rial a*b em um DIC com r repeties por tratamento.
Esquemas Fatoriais | 59
Tabela 4.2 Esquema fatorial a*b com r repeties
Fator A
Fator B
B
1
B
b
A
1
y
y
r
111
11

y
y
b
br
1 1
1
A
a
y
y
a
a r
11
1

y
y
ab
abr
1
O elemento
y
ijk
representa a k-sima repetio do i-simo nvel do fator A
e j-simo nvel do fator B ( i a j b k r = = = 1 1 1 , , ; , , ; , , ).
O modelo de resposta expresso por:
y
ijk i j
ij
ijk
= ( )
;
onde:
m: efeito mdio comum;
q
i
: efeito do i-simo nvel de A;
g
j : efeito do j-simo nvel de B;
( )
ij : efeito de interao entre os nveis i e j dos fatores A e B, respectiva-
mente;
e
ijk : erro casual independente, com distribuio N 0
2
,s
( ) .
Considerando os fatores A e B de efeitos fxos, tem-se a Tabela 4.3 da
ANOVA.
Tabela 4.3 Tabela geral de ANOVA para um esquema fatorial a*b no DIC
Tratamentos
ab-1
SQTrat QMTrat F
Trat
a-1 SQA QMA F
A
Desmembramento
da
SQTratamentos
B
b-1
SQB QMB F
B
AxB a b ( ) ( ) 1 1 SQA B QMA B F
A B
Resduo ab r ( ) 1 SQRes QMRes
Total
abr -1
SQTot
Os clculos das somas de quadrados so estabelecidos por:
SQTot y ny
ijk
k
r
j
b
i
a
=

= = =

2 2
1 1 1
, onde
y
n
y
ijk
k
r
j
b
i
a
= = =
=

1
1 1 1
e n abr = ;
SQTrat
y
r
ny
ij
j
b
i
a
=
= =

2
1 1
2
, onde
y y
ij ijk
k
r
=
=
1
;
SQRes SQTot SQTrat =
SQA
y
br
ny
i
i
a
=
=

2
1
2
, onde
y y
i ijk
k
r
j
b
= =
=

1 1
;
SQB
y
ar
ny
j
j
b
=

=

2
1
2
y y
j ijk
k
r
i
a

= =
=

1 1
;
SQAxB SQTrat SQA SQB =
A obteno dos quadrados mdios realizada pela diviso entre a soma de
quadrados e os respectivos graus de liberdade.
Em relao aos testes de hipteses, que sero apresentados a seguir, duas
situaes interessantes para a discusso biolgica devem ser consideradas: a
primeira consiste no caso onde os efeitos dos fatores A e B na varivel resposta
(dependente) sero aditivos e, portanto, toda a informao biolgica pode ser
obtida fazendo-se inferncias apenas sobre as mdias m
i
e m
j
(mdias margin-
ais); a segunda, onde existe efeito da interao entre os fatores A e B; onde para
avaliar os efeitos existentes na varivel dependente, as inferncias devem ser
feitas sobre todos os m
ij
.
As hipteses gerais com os respectivos testes estatsticos acompanhados
das regras de deciso so estabelecidas conforme detalhes na sequncia.
H
A
a 0 1 2
0 : No existe efeito do fator A = = = =
H
A
0
a estatstica do teste dada por
F
QMA
QMRes
F
A a
res
=
( )
~
, 1 , com a regra de deciso habitual e j
res
ab r = ( ) 1 .
H
B
0
:
No existe efeito do fator B
1
= = = = g g g
2
0
b
Sob a veracidade de
H
B
0
F
QMB
QMRes
F
B b
res
=
( )
~
, 1
, com a regra de deciso habitual.
H
AxB
0
: No existe efeito de interao AxB ( ) = =( ) =
11
0
ab
Sob a veracidade de
H
AxB
0
F
QMAB
QMRes
F
AxB
a b
res
=
( ) ( ) ( )
~
; 1 1
Toda vez que o resultado de algum teste de hipteses possibilitar a rejeio
da hiptese nula, para melhorar a qualidade da informao biolgica, torna-se
interessante complementar a tcnica da ANOVA com algum procedimento de
comparaes mltiplas para as mdias. No caso, como j vem sendo rotina, a
continuidade tem sido realizada pelo teste de Tukey para os contrastes entre
todos os pares de mdias. Neste sentido, duas consideraes sero apresenta-
das; a primeira normalmente utilizada quando o resultado do teste de intera-
o entre os fatores A e B mostrou-se no signifcante; a segunda, quando o
resultado foi signifcante.
Teste de Tukey para o caso
F
AxB
no signifcante
p
AxB
( ) a
H
A
i i 0
:

=
i i a , ,..., = ( ) 1 no existe diferena entre as respostas mdias
dos nveis i e i do fator A.
Calcula-se ( )
( )
DMS q
QMRes
br
A A a
res
= ( )=
; ;

e se
y y
i i A
( )
a
,
rejeita-se a hiptese H
A
0

H
B j j
0
:
=
j j b , ,..., = ( ) 1
no existe diferena entre as respostas mdias
dos nveis j e j do fator B.
Calcula-se
( )
( ) DMS q
QMRes
ar
B B b
res
= ( )=
; ;

e se y y
j j B
( )
a ,
B
0
F
AxB
signifcante p
AxB
< ( ) a
H
A B
j
ij i j 0
/
:
=
i i a j , ,..., = ( ) 1 e fixo
no existe diferena entre as respos-
tas mdias dos nveis i e i do fator A dentro do j-simo nvel do fator B.
Calcula-se
( )
( ) DMS q
QMRes
r
A B A B a
res
/ / ; ;
= ( )=

e se y y
ij i j A B
( )
/
a ,
rejeita-se
H
A B
j
0
/
H
B A
i
ij ij 0
/
:
=
j j b i , ,..., = ( ) 1 e fixo no existe diferena entre as respos-
tas mdias dos nveis j e j do fator B dentro do i-simo nvel do fator A.
Calcula-se
( )
( ) DMS q
QMRes
r
B A B A b
res
/ / ; ;
= ( )=

e se
y y
ij ij B A
( )
/
a
,
rejeita-se
H
B A
i
0
/
4.3 EXEMPLO DE FATORIAL A*B NO DIC
Considere o seguinte conjunto de dados de um esquema fatorial 2x2 em
um delineamento inteiramente casualizado para avaliar o perfl cardiovascular
de ratos hipertensos submetidos a uma dieta hipercalrica (OLIVEIRA Jr, et
al., 2007, Arquivos Brasileiros de Cardiologia, v.89, Supl I, p.927).
Os dois fatores de interesse do estudo so Dieta e Hipertenso, tendo como
varivel resposta escolhida para o desenvolvimento do exemplo a Presso Ar-
terial Sistlica.
Fator A(Dieta): A
1
(Normocalrica) e A
2
(Hipercalrica);
Fator B(Hipertenso): B
1
(WKY-Controle) e B
2
(SHR-Hipertenso);
Isto :
Dieta
Hipertenso
Ausente(WKY) Presente(SHR)
Normocalrica(C) WKYC(A
1
B
1
) SHRC(A
1
B
2
)
Hipercalrica(OB) WKYOB(A
2
B
1
) SHROB(A
2
B
2
)
Presso arterial sistlica (mm Hg) dos ratos
WKYC WKYOB SHRC SHROB
y
y
y
y
11
12
21
22
120 00 9 06
160 00 5 83
130 00 7 91
210 0
=
=
=
=
, ,
, ,
, ,
, 00 4 53 ,
130 120 160 210
120 130 158 205
110 125 162 206
112 140 152 215
128 135 168 214
Quadro auxiliar para o clculo das SQ
A
(Dieta)
B(Hipertenso)
Total
(Fator A)
a b r n
y
= = = =
=
2 2 5 20
155 00
; ; ;
,
B
1
(WKY) B
2
(SHR)
A
1
(C) 600 800 1400
A
2
(OB) 650 1050 1700
Total
(Fator B)
1250 1850 3100
A seguir so calculadas as somas de quadrados para construo da tabela
de ANOVA para o esquma fatorial no DIC.
SQTot = = = 130 214 20 155 00 505796 00 480500 00 25296 00
2 2 2
, , , ,
SQTrat = =
600
5
800
5
650
5
1050
5
20 155 00 505000 00 48050
2 2 2 2
2
, , 00 00 24500 00 , , =
SQRes = = 25296 00 24500 00 796 00 , , ,
SQA=
= =
1400
2 5
1700
2 5
20 155 00 485000 00 480500 00 4500
2 2
2
, , , ,0 00
SQB =
= =
1250
2 5
1850
2 5
20 155 00 498500 00 480500 00 18000
2 2
2
, , , , ,00
SQAxB SQTrat SQA SQB = =2000 00 ,
A Tabela 4.4 mostra o resultado da ANOVA.
Tabela 4.4 ANOVA para a PAS (mm Hg) dos ratos
Causa de Variao GL SQ QM F
Tratamento 3 24500,00 8166,67 164,15 (p<0,01)
A (Dieta) 1 4500,00 4500,00 90,45 (P<0,01)
B (Hipertenso) 1 18000,00 18000,00 361,81 (p<0,01)
AxB 1 2000,00 2000,00 40,20 (p<0,01)
Resduo 16 796,00 49,75
Total 19 25296,00
Como o resultado do teste de interao entre os fatores A e B foi signif-
cante (p<0,01), o procedimento de comparaes mltiplas ser efetuado con-
siderando o estudo do fator A fxado o nvel de B e, vice-versa.
DMS q
QMRes
A B A B
j j
/ / %; ;
% % ,
,
, 1 1
5
4 13
49 75
5
13 03
1 2 16
( )= ( )= = =
( )
mm Hg
DMS q
QMRes
B A B A
i i
/ / %; ;
% % ,
,
, 1 1
5
4 13
49 75
5
13 03
1 2 16
( )= ( )= = =
( )
mm Hg
das mdias e os desvios padro da hipertenso segundo dieta com as sig-
nifcncias das comparaes mltiplas (Teste de Tukey).
Tabela 4.5 Mdia e desvio padro da PAS (mm Hg) segundo dieta e hipertenso
Dieta
Hipertenso
Ausente Presente
Normocalrica 120,00(9,06) a
(1)
A
(2)
160,00(5,83) a B
Hipercalrica 130,00(7,91) a A 210,00(4,53) b B
(1) duas mdias seguidas de uma mesma letra minscula no diferem (p>0,01) quanto s respectivas dietas dentro da classe
de hipertenso.
(2) duas mdias seguidas de uma mesma letra maiscula no diferem (p>0,01) quanto s classes de hipertenso dentro da
dieta em considerao.
4.4 ESQUEMA FATORIAL A*B NO DBCC
Considere a observao y
ijk
de um esquema com dois fatores A (com a
nveis) e B(com b nveis) com os tratamentos casualizados em t blocos comple- t
tos (fator fxo de controle).
O modelo de resposta expresso por:
y
ijk i j
ij
k ijk
= ( )
;
onde:
m: efeito mdio comum;
q
i
: efeito do i-simo nvel de A ( i a =1, , );
g
j : efeito do j-simo nvel de B ( j b =1, , );
( )
ij
: efeito de interao entre os nveis i e j dos fatores A e B, respectiva-
mente;
b
k
: efeito do k-simo nvel de bloco ( k t =1, , );
e
ijk : erro casual independente, com distribuio N 0
2
,s
( ) .
A disposio geral das observaes pode ser feita conforme Tabela 4.6 a
seguir.
Tabela 4.6 Quadro genrico de um experimento em DBCC
Bloco
Tratamento
A
1
B
1
A
1
B
b
A
a
B
1
A
a
B
b
Bloco 1 Y
111
y
1b1
y
a11
y
ab1
Bloco 2 Y
112
y
1b2
y
a12
y
ab2

Bloco t Y
11t
y
1bt
y
a1t
y
abt
Como anteriormente (DIC), considerando os fatores A e B fxos tem-se, a
seguir, na Tabela 4.7 ANOVA para o esquema fatorial a*b no DBCC.
Tabela 4.7 Tabela geral de ANOVA para um esquema fatorial a*b em DBCC
Causa de
Variao
GL SQ QM F
Blocos t -1 SQBloc QMBloc -
Tratamentos
ab-1
SQTrat QMTrat F
Trat
a-1 SQA QMA F
A
B
b-1
SQB QMB F
B
a b ( ) ( ) 1 1 SQA B QMA B F
A B
Resduo ab t ( ) ( ) 1 1 SQRes QMRes
abt -1
SQTot
Os clculos das somas de quadrados so estabelecidos por:
SQTot y ny
ijk
k
t
j
b
i
a
=

= = =

2 2
1 1 1
, onde y
n
y
ijk
k
t
j
b
i
a
= = =
=

1
1 1 1
e
n abt =
;
SQTrat
y
t
ny
ij
j
b
i
a
=
= =

2
1 1
2
, onde
y y
ij ijk
k
t
=
=
1
;
SQBloc
y
ab
ny
k
k
t
=
=

2
1
2
y y
k ijk
j
b
i
a
= =
=

1 1
;
SQRes SQTot SQTrat SQBloc =
SQA
y
bt
ny
i
i
a
=
=

2
1
2
, onde
y y
i ijk
k
t
j
b
= =
=

1 1
;
SQB
y
at
ny
j
j
b
=

=

2
1
2
y y
j ijk
k
t
i
a

= =
=

1 1
;
SQAxB SQTrat SQA SQB =
A obteno dos quadrados mdios realizada pela diviso entre as somas
de quadrados e os respectivos graus de liberdade.
As ponderaes sobre os testes de hipteses so as mesmas realizadas no
DIC, cujas hipteses gerais so estabelecidas por:
H
A
0
:
No existe efeito do fator A
1
= = = = q q q
2
0
a
Sob a veracidade de H
A
0
F
QMA
QMRes
F
A a
res
=
( )
~
; 1
, com a regra de deciso habitual (rejeita-se
H
A
0
quan-
do F F
A a
res
( ; ; ) 1
)) e
j
res
ab t = ( )( ) 1 1
.
H
B
0
: No existe efeito do fator B
1
= = = = g g g
2
0
b
Sob a veracidade de
H
B
0
F
QMB
QMRes
F
B b
res
=
( )
~
, 1
H
AxB
0
:
No existe efeito de interao AxB ( ) = =( ) =
11
0
ab
Sob a veracidade de
H
AxB
0
F
QMAxB
QMRes
F
AxB
a b
res
=
( ) ( ) ( )
~
; 1 1
semelhana do DIC, tm-se os dois casos para o teste de comparaes
mltiplas de Tukey.
F
AxB
no signifcante
p
AxB
( ) a
H
A
i i 0
:

=
i i a , ,..., = ( ) 1 no existe diferena entre as respostas mdias
dos nveis i e i do fator A.
Calcula-se
( )
( ) DMS q
QMRes
bt
A A a
res
= ( )=
; ;

e se
y y
i i A
( )
a
,
A
0

H
B
j j 0
: =
j j b , ,..., = ( ) 1 no existe diferena entre as respostas mdias
dos nveis j e j do fator B.
Calcula-se
( )
( ) DMS q
QMRes
at
B B b
res
= ( )=
; ;

e se
y y
j j B
( )
a
,
rejeita-se
H
B
0
F
AxB
signifcante
p
AxB
< ( ) a
H
A B
j
ij i j 0
/
:
= i i a j , ,..., = ( ) 1 e fixo no existe diferena entre as respos-

tas mdias dos nveis i e i do fator A dentro do j-simo nvel do fator B.
Calcula-se
( )
( ) DMS q
QMRes
t
A B A B a
res
/ / ; ;
= ( )=

e se
y y
ij i j A B
( )
/
a
,
rejeita-se
H
A B
j
0
/
H
B A
i
ij ij 0
/
:
=
j j b i , ,..., = ( ) 1 e fixo no existe diferena entre as respos-
tas mdias dos nveis j e j do fator B dentro do i-simo nvel do fator A.
Calcula-se S q
( )
( ) DM
QMRes
t
B A B A
b
res
/ /
; ;
= ( )= e se
y y
ij ij B A
( )
/
a
,
rejeita-se
H
B A
i
0
/
4.5 EXEMPLO DE FATORIAL A*B NO DBCC
Considere o seguinte conjunto de dados de um esquema fatorial 2x2 em
um delineamento em blocos completos casualizados para avaliar o efeito da
inibio prolongada de enzima de converso da angiotensina sobre o dimetro
diastlico do ventrculo esquerdo (DDVE), avaliado em mm, em ratos com so-
brecarga pressrica persistente (Bregagnollo et al.,2005, Arquivos Brasileiros
de Cardiologia, v.84, n.3, p.225-232). Os fatores A e B so droga (Lisinopril) e
momento de sacrifcio, respectivamente:
Fator A (Droga): A
1
(bandagem artica (EA
0
)-no tratados) e A
2
(bandagem
artica (EA
0
)-tratados com lisinopril);
Fator B (Momento Sacrifcio): B
1
(6 semana) e B
2
(21 semana).
Foram estabelecidos seis blocos correspondentes s faixas de peso do ani-
mal: Bloco1(70|75g), Bloco2(75|80g), Bloco3(80|85g), Bloco4(85|90g),
Bloco5(90|95g) e Bloco6(95|100g).
O esquema de fatores pode ser apresentado como a seguir:
Droga
Momento Sacrifcio
6 Semana (B
1
) 21 Semana (B
2
)
Ausente (No tratado) (A
1
) A
1
B
1
A
1
B
2
Presente (Lisinopril) (A
2
) A
2
B
1
A
2
B
2
Dimetro Diastlico do Ventrculo Esquerdo (mm)
Faixa de peso
Tratamento
A
1
B
1
A
1
B
2
A
2
B
1
A
2
B
2
70 | 75g 7,8 9,8 8,0 8,6
75 | 80g 7,2 10,0 7,6 8,8
80 | 85g 8,4 9,9 8,3 8,5
85 | 90g 7,8 10,8 7,5 8,4
90 | 95g 8,0 9,6 8,6 8,9
95 | 100g 7,6 8,7 8,0 7,8
Mdia (DP) 7,8(0,40) 9,80(0,68) 8,00(0,42) 8,50(0,39)
Quadro auxiliar para o clculo das SQ
A
(Droga)
B (Sacrifcio)
Total
(Fator A)
B
1
B
2
a b r n
y
= = = =
=
2 2 6 24
8 525
; ; ;
,
A
1
46,8 58,8 105,6
A
2
48,0 51,0 99,0
Total
(Fator B)
94,8 109,8 204,6
Na sequncia so obtidos as somas de quadrados para a construo da
ANOVA para o esquema fatorial no DBCC.
SQTot = = = 7 8 7 8 24 8 525 1763 5 1744 215 19 285
2 2 2
, , , , , ,
SQTrat = =
46 8
6
58 8
6
48 0
6
51 0
6
24 8 525 1758 78 1744
2 2 2 2
2
, , , ,
, , ,2 215 14 565 = ,
SQA=
= =
105 6
2 6
99 0
2 6
24 8 525 1746 03 1744 215 1 815
2 2
2
, ,
, , , ,
SQB =
= =
94 8
2 6
109 8
2 6
24 8 525 1753 59 1744 215 9 375
2 2
2
, ,
, , , ,
SQAxB = = 14 565 1 815 9 375 3 375 , , , ,
y
= =
1
7 8 9 8 8 0 8 6 34 2 , , , , ,
y
= =
2
7 2 10 0 7 6 8 8 33 6 , , , , ,
y
= =
3
8 4 9 9 8 3 8 5 35 1 , , , , ,
y
= =
4
7 8 10 8 7 5 8 4 34 5 , , , , ,
y
= =
5
8 0 9 6 8 6 8 9 35 1 , , , , ,
y
= =
6
7 6 8 7 8 0 7 8 32 1 , , , , ,
SQBloc =
=
34 2
2 2
33 6
2 2
32 1
2 2
24 8 525 1745 82 1744
2 2 2
2
, , ,
, , ,, , 215 1 605 =
SQRes = = 19 285 1 605 14 565 3 115 , , , ,
Tabela 4.5 ANOVA para o DDVE
Causa de Variao GL SQ QM F
Blocos 5 1,605 0,321 -
Tratamentos 3 14,565 4,855 23,34 (p<0,01)
A (Droga) 1 1,815 1,815 8,73 (P<0,01)
B (Sacrifcio) 1 9,375 9,375 45,07 (p<0,01)
AxB 1 3,375 3,375 16,23 (p<0,01)
Resduo 15 3,115 0,208
Total 23 19,285
O resultado do teste de interao entre os fatores A e B mostrou-se signif-
cante (p<0,01), logo, o teste de Tukey deve ser feito no desmembramento da
interao.
Considere =0,05, ento tem-se:
DMS q
QMRes
A B A B
j j
/ / %; ;
% % ,
,
, 5 5
6
3 01
0 208
6
0 56
5 2 15
( )= ( )= = =
( )
mm
DMS q
QMRes
B A B A
i i
/ / %; ;
% % ,
,
, 5 5
6
3 01
0 208
6
0 56
5 2 15
( )= ( )= = =
( )
mm
Tabela 5.6 Mdia e desvio padro do DDVE (mm) segundo droga e momento de
sacrifcio
Droga (Grupo)
Momento de Sacrifcio
6 Semana 21 Semana
Ausente (Controle) 7,80(0,40) a
(1)
A
(2)
9,80(0,68) b B
Presente (Lisinopril) 8,00(0,42) a A 8,50(0,39) a A
(1) duas mdias seguidas de uma mesma letra minscula no diferem (p>0,05) quanto aos respectivos grupos, fxada a
semana de sacrifcio.
(2) duas mdias seguidas de uma mesma letra maiscula no diferem (p>0,05) quanto aos respectivos momentos de sacri-
fcio, dentro do grupo.
4.6 EXERCCIOS (ESQUEMAS FATORIAIS: DIC E DBCC)
1. O consumo dirio de rao em kg/dia, no perodo de crescimento-aca-
bamento de sunos foi observado em um esquema envolvendo tipos de
rao e formas de arraoamento em um delineamento em blocos comple-
tos ao acaso. Considerando =0,05 estudar o consumo mdio dirio em
funo dos dois fatores.
Rao Arraoamento
Bloco
A B C D E
Farelada Livre (Vontade) 2,63 2,68 2,74 2,84 2,76
Farelada Controlada 2,45 2,36 2,44 2,50 2,40
Granulada Livre (Vontade) 2,32 2,25 2,16 2,24 2,38
Granulada Controlada 2,44 2,50 2,42 2,55 2,54
2. Um experimento visando verifcar o efeito do inseticida e do meio de cul-
tura em organismos biolgicos foi planejado utilizando-se drosflas e ob-
servando a longevidade (dias de sobrevida) destas moscas. Os tratamentos
utilizados foram os seguintes:
A
1
B
1
: atrazine e carncia de glicose;
A
1
B
2
: atrazine e carncia de hidrato de carbono;
A
2
B
1
: dalapon e carncia de glicose;
A
2
B
2
: dalapon e carncia de hidrato de carbono.
Tratamento Repetio
A
1
B
1
49 50 51 54
A
1
B
2
36 37 35 32
A
2
B
1
38 31 35 37
A
2
B
2
34 30 28 25
Considerando o nvel de signifcncia 5% e os dados sob a transformao
raiz quadrada, avaliar a sobrevida mdia das moscas segundo os tipos de
inseticida e meios de cultura.
3. Organize os tratamentos de um esquema fatorial para estudar a interao
de uma droga administrada em trs condutas diferentes (manh, tarde,
noite) com bebida alcolica.
4. Verifcar se existe interao signifcante (p<0,05) entre os fatores A e B
estudados em um delineamento em blocos completos casualizados cujos
dados so apresentados a seguir.
Fator A Fator B
Bloco
I II III IV
A
1
B
1
16 17 19 12
A
1
B
2
24 23 27 22
A
2
B
1
22 21 23 22
A
2
B
2
33 35 35 32
4.7 RESPOSTAS DOS EXERCCIOS (ESQUEMAS FATORIAIS : DIC E DBCC)
1.
Tabela 1. ANOVA para o consumo de rao
Blocos 4 0,030 0,008 -
Tratamentos 3 0,546 0,182 45,50 (p<0,001)
Rao (
R
) 1 0,200 0,200 50,00 (p<0,001)
Arraoamento ( A )
1 0,008 0,008 2,00 (p>0,05)
R A 1 0,338 0,338 84,50 (p<0,001)
Resduo 12 0,048 0,004
Total 19 0,624
Tabela 2. Mdia (desvio padro) do consumo de rao segundo rao e arraoa-
mento
Rao
Arraoamento
Livre Controlada
Farelada 2,730 (0,080) b B 2,430 (0,053) a A
Granulada 2,270 (0,084) a A 2,490 (0,058) a B
DHS (Rao/Arraoamento) = 0,087 (letras minsculas)
DHS (Arraoamento/Rao) = 0,087 (letras maisculas)
Tabela 1. ANOVA para os dias de sobrevida
(*)
Tratamento 3 6,539 2,180 35,21 (p<0,001)
Inseticida ( I ) 1 2,967 2,967 47,86 (p<0,001)
Meio ( M )
1 3,089 3,089 49,82 (p<0,001)
I M 1 0,483 0,483 7,79 (p<0,05)
Resduo 12 0,743 0,062
Total 15 7,282
(*) Varivel sob a transformao raiz quadrada
Tabela 2. Mdia (desvio padro) da raiz quadrada da sobrevida segundo inseticida e
meio de cultura
Inseticida
Meio de cultura (carncia)
Glicose Hidrato de Carbono
Atrazine 7,140 (0,150) b B 5,914 (0,184) b A
Dalapon 5,933 (0,264) a B 5,400 (0,348) a A
DHS (Inseticida/Meio) = 0,384 (letras minsculas)
DHS (Meio/Inseticida) = 0,384 (letras maisculas)
2. Fator A (Bebida Alcolica): A1 (Ausente) e A2(Presente)
Fator B (Perodo de Administrao): B1(Manh), B2(Tarde) e B3(Noite)
Tratamentos: A1B1(Bebida Ausente e Perodo Manh)
A1B2(Bebida Ausente e Perodo Tarde)
A1B3(Bebida Ausente e Perodo Noite)
A2B1(Bebida Presente e Perodo Manh)
A2B2(Bebida Presente e Perodo Tarde)
A2B3(Bebida Presente e Perodo Noite)
3.
Tabela 1. ANOVA para a varivel estudada
Blocos 3 32,19 10,73 -
Tratamento 3 652,19 217,40 118,15 (p<0,001)
A 1 248,07 248,07 134,82 (p<0,001)
B 1 390,07 390,07 212,00 (p<0,001)
A B 1 14,05 14,05 7,64 (p<0,05)
Resduo 9 16,56 1,84
Total 15 700,94
F p
INT
= < 7 64 0 05 , ( , ) ; ou seja, o resultado do teste da interao dos fatores
A e B signifcante, indicando que h necessidade de estudo conjunto
dos fatores para a discusso dos resultados.
5
ANLISE DE ADERNCIA E ASSOCIAO
5.1 INTRODUO
Considere o estudo de variveis aleatrias (que podem ser qualitativas ou
quantitativas) cujos elementos da amostra podem ser classifcados em catego-
rias, ou intervalos, ou ainda atributos. Em particular, o estudo ser aprofun-
dado em tabelas de dupla entrada em que se apresenta a situao geral, em que
duas variveis aleatrias qualitativas X e Y foram classifcadas em c categorias c
para X e s categorias para Y.
5.2 TESTE DE ADERNCIA
Considere que se tem uma populao e que o objetivo proposto con-
siste em verifcar se ela segue uma distribuio especifcada
0
, ou seja, testar a
hiptese H
0 0
: p p = . Nesta situao, o teste estatstico comparar o nmero de
casos ocorridos (frequncias observadas) em categorias especifcadas, com o
nmero esperado (frequncias esperadas) de casos sob a veracidade da hip-
tese nula H
0
.
O procedimento consiste em considerar classes, segundo as quais a variv-
el X, caracterstica em estudo da populao, pode ser classifcada (a varivel X
pode ser qualitativa ou quantitativa).
A situao geral com c categorias pode ser apresentada conforme Tabela 5.1. c
Tabela 5.1 Distribuio do nmero de casos segundo classe de X
Classe de X Nmero de casos
Classe 1 n fo
1 1
( )
Classe 2 n fo
2 2
( )
Classe c n fo
c c
( )
Total n fo ( ) i
Lembrar que:
n n n n
c 1 2
= ... , ou seja,
fo fo fo fo
c 1 2
= ... i(total de casos). O nmero de casos (ocorrncias) da classe i, designado por n
i
, ser nomindo
de frequncia observada na classe i e indicado por fo
i
, com i c =1,..., .
As hipteses so apresentadas como:
H
c c 0 1 0 2 0 0
1 2
: ; ; p p p p p p = = =
; H i
i 1 0
: Existe para algum
i
p p .
As frequncias esperadas (fe ((
i
) do modelo multinomial (c classes) so ob- c
tidas sob a veracidade de H
0
, especifcadas na expresso: fe n
i
i
= p
0
; onde n
o nmero total de casos e p
0
i
a proporo terica da classe i expressa em H
0
.
A estatstica do teste, sob veracidade de H
0
, dada por
c c
2
2
1
1
2
=
( )
=
( )
fo fe
fe
i i
i i
c
c
~
, com a regra de deciso habitual (isto ,

2
1
2
( ) ;c
, re-
jeita-se H
0
. Caso contrrio, no h rejeio). Deve ser considerado a unilater-
alidade direita do teste, pois quanto maiores os afastamentos entre as frequn-
cias observadas e esperadas mais expressiva torna-se a falta de aderncia dos
dados ao modelo proposto e, em consequncia, mais provvel a veracidade de
H
1
em favor da rejeio de H
0
.
O emprego apropriado do teste recomenda sua utilizao somente quando
no existir mais de 20% das caselas com frequncias esperadas menores que 5.
A prtica biolgica permite a juno de classes adjacentes para contornar essa
situao sempre que possvel.
Na sequncia sero apresentados dois exemplos para o estudo da aderncia.
Anlise de Aderncia e Associao | 77
Exemplos
1. Um modelo gentico especifca que animais de certa populao devem
estar classifcados em quatro categorias, nas propores 8:1:1:2. Numa
amostra de 180 animais da populao encontra-se 116, 15, 20 e 29 animais
de cada categoria, respectivamente. Verifcar, no nvel de signifcncia 5%,
se os dados esto de acordo com o modelo gentico especifcado.
Categoria
Frequncia
Observada
C1 116
H
0
: Modelo Especicado 8:1:1:2
p p p p
0 0 0 0
1 2 3 4
8
12
1
12
1
12
2
12
= = = = ; ; ;
H
1
: Existe p p
i
i
0
, para pelo menos um i i ( , , , ) =1 2 3 4
C2 15
C3 20
C4 29
Total 180
Frequncias Esperadas
Categoria 1 fe
i
= = 180
8
12
120 animais ,
Categoria 2 fe
2
180
1
12
15 = = animais ,
Categoria 3
fe
3
180
1
12
15 = = animais
,
Categoria 4
fe
4
180
2
12
30 = = animais
.
Logo, tem-se
c
2
2 2 2 2
116 120
120
15 15
15
20 15
15
29 30
30
0 133 0 =
( )
( )
( )
( )
= , ,0000 1 667 0 033 1 833 = , , ,

=
=
'
!
1
1
+
1
1
= = ( )
( )
0 05
4
7 81 1 833 0 05
0 05 3
2 2
,
, , ,
, ;
c
p
No h rejeio de H
0
no nvel de 5% de signifcncia. Ou seja, a amostra
de animais est em acordo com modelo gentico especifcado.
2. Considerando-se uma amostra de 100 descendentes de uma populao,
verifcar (nvel de 5% de signifcncia) a adequabilidade dos dados ao
modelo gentico Equilbrio Hardy-Weinberg.
Gentipo
Frequncia
Observada
AA 26
Aa 35
aa 39
Total 100
Frequncia Esperada
Gentipo AA
fe
1
100
1
4
25 = =
Gentipo Aa fe
2
100
1
2
50 = =
Gentipo aa
fe
3
100
1
4
25 = =
Logo, tem-se
c
2
2 2 2
26 25
25
35 50
50
39 25
25
0 04 4 50 7 84 12 38 =
( )
( )
( )
= = , , , ,

=
=
'
!
1
1
+
1
1
= = < ( )
( )
0 05
3
5 99 12 38 0 05
0 05 2
2 2
,
, , ,
, ;
c
p
Para =0,05, h rejeio de H
0
, ou seja, a populao no segue o equilbrio
Hardy-Weinberg.
5.3 TESTE DE HOMOGENEIDADE
Considere m populaes
1
,
2
,...,
m
distribudas em c catego- c
rias mutuamente exclusivas. Objetiva-se verifcar se as m populaes
(
1
,...,
m
) podem ser representadas por uma distribuio comum a todas
H
m 0 1 2
: p p p = = = ( ) contra a alternativa em que pelo menos duas so dis-
tintas H i i i i m
i i 1
1 : ; , , ,
Existe para p p = ( ) .
Contemplando as m populaes em c categorias, as frequncias obser- c
vadas podem ser apresentadas na tabela de dupla entrada m c x (Tabela de
Contingncia m c x )
H
0
: Equilbrio Hardy-Weinberg (Eq HW)
AA Aa aa
Aa
Aa

= = ; ;
0 0 0
1 2 3
1
4
1
2
1
4
=
1
: No h Eq HW na descendncia
Tabela 5.2 Resultados da categoria segundo populao
Populao Categoria Total
C
1
C
2
... C
c
P
1
fo
11
fo
12
... fo
c 1
fo
1i
P
2
fo
21
fo
22
... fo
c 2
fo
2i

P
m
fo
m1
fo
m2
... fo
mc
fo
mi
Total
fo
i1
fo
i2
...
fo
c i
fo
ii
A hiptese de nulidade a ser testada estabelecida como:
H
m
m
c c mc
0
11 21 1
12 22 2
1 2
:
p p p
p p p
p p p
= = =
= = =
= = =
'
!
1
1
1
1
1
1
+
1
1
1
1
11
1
, ou equivalentemente,
1
=
2
=...=
m
; contra
a alternativa
H
1
: pelo menos uma das igualdades no verifcada.
As frequncias esperadas, considerando-se a hiptese H
0
verdade so ob-
tidas como:
fe fo
fo fo
fo
i m j c
ij i j
i j
= =

= =
p

, para e 1 1 ,..., ,...,
.
0
, a estatstica do teste dada por:
c c
2
2
1 1
1 1
2
=

( )
= =
( ) ( )

fo fe
fe
ij ij
ij j
c
i
m
m c
~
, com a regra de deciso habitual. Ou seja,

2
1 1
2
( ) ( ) ( ) ; m c
rejeita-se H
0
; caso contrrio, no h rejeio.
Exemplos
1. Duas novas drogas vo ser testadas em 200 pessoas portadoras de rinite
alrgica. Metade das pessoas recebe a droga A e a outra metade recebe a
droga B. Considerando os dados apresentados a seguir, teste a hiptese de
que as duas drogas so igualmente efcazes para tratar a doena (adotar
a=0,05).
Droga Ecaz Total
No Sim
A 25 75 100
B 32 68 100
Total 57 143 200
H
0
: Droga A Droga B =
H
1
: Droga A Droga B
21
12 22
11
=
=
'
!
1
1
+
1
1
p p
p p
fe
11
57 100
200
28 5 =

= ,
fe
12
143 100
200
71 5 =

= ,
fe
21
57 100
200
28 5 =

= ,
fe
22
143 100
200
71 5 =

= ,
c
2
2 2 2 2
25 28 5
28 5
32 28 5
28 5
75 71 5
71 5
68 71 5
=
( )
( )
( )
( ) ,
,
,
,
,
,
,
771 5
0 43 0 43 0 17 0 17 1 20
,
, , , , , = =

=
=
=
'
!
1
1
1
1
+
1
1
1
1
= = ( )
( )
0 05
2
2
3 84 1 20 0 05
0 05 1
2 2
,
, , ,
, ;
m
c
p
No nvel de 5% de signifcncia, no h rejeio de
H
0
. Isto , as duas dro-
gas so igualmente efcazes, no nvel de 5% de signifcncia.
2. Foram consideradas as distribuies do tipo sanguneo do sistema MN
em trs populaes (grupos) de indivduos, conforme dados apresentados
abaixo:
Grupo Tipo Sanguneo Total
MM MN NN
Controle 50 40 50 140
Gastrite 15 15 25 55
lcera 25 22 8 55
Total 90 77 83 250
Verifcar, no nvel de 5% de signifcncia, se h diferena entre os grupos
quanto a distribuio do tipo sanguneo (isto , se a patologia est asso-
ciada ao sistema sanguneo).
H
0 : Controle = Gastrite = lcera
H
1
: Existe pelo menos uma diferena entre os grupos
A seguinte tabela de frequncias esperadas pode ser elaborada:
Grupo Tipo Sanguneo Total
MM MN NN
Controle 50,40 43,12 46,48 140
Gastrite 19,80 16,94 18,26 55
lcera 19,80 16,94 18,26 55
Total 90 77 83 250
c
2
2 2 2
50 50 40
50 40
40 43 12
43 12
8 18 26
18 26
=
( )
( )

( ) ,
,
,
,
,
,
c
2
0 0032 0 2258 0 2666 1 1636 0 2222 2 4878 1 3657 1 5114 = , , , , , , , , 5 7649 ,
c
2
13 01 = ,

=
=
=
'
!
1
1
1
1
+
1
1
1
1
= = < ( )
( )
0 05
3
3
9 49 13 01 0 05
0 05 4
2
,
, , ,
, ;
m
c
p
2
H rejeio de H
0
, ou seja, no nvel de 5% de signifcncia os grupos dife-
rem quanto a distribuio do tipo sanguneo (a patologia est associada ao
sistema sanguneo).
5.4 TESTE DE INDEPENDNCIA
Uma situao muito interessante na rea biolgica consiste em considerar
duas caractersticas (variveis biolgicas) avaliadas numa amostra de indi-
vduos e, verifcar se a probabilidade de um indivduo qualquer ser classifcado
nas categorias i i m j j c = ( ) = ( ) 1 1 ,..., ,..., e simultaneamente, pode ser obtida pelo
produto das probabilidades marginais. Ou seja, verifcar se as duas caracter-
sticas so independentes.
Considerando a tabela de dupla entrada com m linhas e c colunas, objeti- c
va-se testar as hipteses:
H
ij i j 0
: p p p =

para todo par ( i j , ) as caractersticas estudadas so
independentes;
H
ij i j 1
: p p p

para algum par ( i j , ) as caractersticas estudadas so
dependentes.
As frequncias esperadas, considerando-se H
0
verdade, so dadas por
fe
fo fo
fo
ij
i j
=

. Resultado idntico ao utilizado no teste de homogeneidade.

0
, a estatstica do teste expressa como
c c
2
2
1 1
1 1
2
=

( )
= =
( ) ( )

fo fe
fe
ij ij
ij j
c
i
m
m c
~
Exemplos
1. A tabela a seguir relaciona resultados de uma pesquisa obtidos de uma
amostra aleatria de vtimas de diferentes crimes. Utilizando a=0,05, verif-
car se o tipo de crime independente do fato do criminoso ser um estranho.
Criminoso
Crime
Total
Homicdio Roubo Assalto
Estranho 15 400 230 645
Conhecido 45 100 210 355
Total 60 500 440 1000
H
ij i j 0
: p p p =

(
1
)

= =
para todo
i 1,2;j 1,2,3
Independncia entre criminoso ser estranho e tipo de crime;
H
ij i j 1
: p p p

(
1
)

= =
para algum
i 1,2;j 1,2,3
Dependncia entre criminoso ser estranho e tipo de crime.
fe
11
60 645
1000
38 7 =

= ,
; fe
12
500 645
1000
322 5 =

= , ;
fe
13
440 645
1000
283 8 =

= ,
fe
21
60 355
1000
21 3 =

= ,
; fe
22
500 355
1000
177 5 =

= , ; fe
23
440 355
1000
156 2 =

= , .
c
2
2 2 2
15 38 7
38 7
400 322 5
322 5
210 156 2
156 2
=
( )
( )

( )
=
,
,
,
,
,
,
c
2
14 51 18 62 10 20 26 37 33 84 18 53 122 07 = = , , , , , , ,

=
=
=
'
!
1
1
1
1
+
1
1
1
1
= = < (
( )
0 05
2
3
5 99 122 07 0 001
0 05 2
2
,
, , ,
, ;
m
c
p
2
))
No nvel de 5% de signifcncia existe dependncia entre o tipo de crime
cometido e o fato do criminoso ser um estranho.
2. Os resultados da classifcao de 100 pessoas segundo a cor dos olhos e do
cabelo foram os seguintes:
Cor do Cabelo
Cor dos Olhos
Total
Castanhos Azuis Cinza
Claro 13 18 9 40
Escuro 24 24 12 60
Total 37 42 21 100
No nvel de 5% de signifcncia a cor dos olhos est relacionada com a cor
do cabelo?
H
0 : H independncia entre a cor dos olhos e a cor do cabelo
p p p
ij
=
( )
i j
H
1 : H dependncia entre a cor dos olhos e a cor do cabelo
p p p
ij

( )
i j
fe
11
40 37
100
14 8 =

= , ;
fe
12
40 42
100
16 8 =

= ,
; fe
13
40 21
100
8 4 =

= ,
fe
21
60 37
100
22 2 =

= , ;
fe
22
60 42
100
25 2 =

= ,
;
fe
23
60 21
100
12 6 =

= ,
.
c
2
2 2 2
13 14 8
14 8
18 16 8
16 8
12 12 6
12 6
=
( )
( )

( ) ,
,
,
,
,
,
c
2
0 22 0 09 0 04 0 15 0 06 0 03 0 59 = = , , , , , , ,

=
=
=
'
!
1
1
1
1
+
1
1
1
1
= = ( )
( )
0 05
2
3
5 99 0 59 0 05
0 05 2
2
,
, , ,
, ;
m
c
p
2
No nvel de 5% de signifcncia no se rejeita H
0
, ou seja, existe inde-
pendncia entre a cor dos olhos e a cor do cabelo.
5.5 EXERCCIOS (TESTES DE ADERNCIA E ASSOCIAO)
1. Suponha que um teste de aptido verbal tenha sido aplicado a um grupo
de 120 adolescentes do gnero masculino e 100 do gnero feminino. Os
resultados esto a seguir. Qual a concluso a respeito da associao entre
gnero e aptido verbal no nvel de 5% de signifcncia?
Gnero
Nvel de Aptido
Total
Superior Mdio Inferior
Feminino 25 55 20 100
Masculino 20 80 20 120
Total 45 135 40 220
2. Desejando-se colocar prova a hiptese de que a idade da me tem cer-
ta infuncia sobre o nascimento de criana prematura, um pesquisador
verifcou que, dentre 90 casos de prematuridade, 40 envolviam mes com
idade inferior a 18 anos; 15 envolviam mes de 18 a 35 anos e 35 mes com
idade acima de 35 anos. No nvel de 5% de signifcncia, isto leva o pes-
quisador a manter sua hiptese?
3. Em um teste quiquadrado, quanto maior a diferena entre frequncias es-
peradas e observadas, maior chance temos de: a) aceitar (no rejeitar) H
0
ou b) rejeitar H
0
? Explicar a resposta.
4. Considere o seguinte resultado quanto ao tabagismo dos pais e flhos
Pais
Filhos
Tabagistas No Tabagistas
Tabagistas 49 16
No Tabagistas 106 79
Verifcar no nvel de 5% de signifcncia a associao entre pais e flhos
quanto ao tabagismo
5. Conforme a herana mendeliana, a descendncia de certo cruzamento de-
veria ser vermelha, preta ou branca na seguinte proporo: 9:3:4. Se um
experimento mostrou 74, 32 e 38 descendentes nessas categorias, a teoria
est confrmada, sendo =0,05?
6. A seguir so apresentados dados sobre a presena (ou no) de anomalia
em recm-nascidos vivos segundo o sexo.
Sexo
Anomalia
Ausente Presente
Masculino 586 14
Feminino 674 26
Verifque, no nvel de signifcncia 5%, se a proporo de recm-nascidos
vivos portadores de anomalia a mesma nos dois sexos.
7. Com base nos dados apresentados a seguir, verifcar se a condio de vivo
ou natimorto homognea nos dois sexos, considerando-se a=0,01.
Sexo
Condio
Vivo Natimorto
Masculino 825 25
Feminino 960 40
8. Considere a distribuio de ervilhas do cruzamento de plantas de sement-
es lisas e albume amarelo com plantas de sementes rugosas e albume verde.
Sementes Frequncia
Amarelo-lisas 380
Amarelo-rugosas 100
Verde-lisas 130
Verde-rugosas 30
No nvel de signifcncia de 5%, os resultados esto de acordo com a teoria
postulada por Mendel (9:3:3:1, para as classes de sementes).
9. Considere uma amostra do ms de nascimento de 200 polticos brasileiros.
Verifcar (=0,05) a hiptese de que o ms de nascimento tem uma distri-
buio uniforme nos polticos brasileiros.
Ms Jan Fev Mar Abr Maio Jun Jul Ago Set Out Nov Dez
Frequncia 16 18 13 15 16 12 20 20 18 14 18 20
10. Numa Universidade, os estudantes de dois programas de ps-graduao
diferentes so submetidos ao mesmo exame de conhecimentos de redao
cientfca. Os conceitos obtidos foram os seguintes:
Programa de PG
Conceito
Fraco Regular Bom Excelente
XY 16 8 20 9
WZ 18 12 26 22
No nvel de signifcncia 5%, a distribuio dos conceitos homognea
nos dois programas?
11. Numa pesquisa 120 pares de gmeos foram classifcados segundo o sexo e
a ordem que ocorreu o nascimento.
Primeiro a nascer
Segundo a nascer
Masculino Feminino
Masculino 38 22
Feminino 26 34
No nvel de signifcncia 5% verifcar se o sexo e a ordem de nascimento
so independentes.
12. Foram amostrados 120 pares de gmeos classifcados de acordo com o
sexo com o seguinte resultado:
Situao Dois meninos Duas meninas Um menino e Uma menina
Frequncia 34 38 48
Verifcar, no nvel de signifcncia 5%, se a classifcao do sexo est em
acordo com o modelo binomial
B 2
1
2
; ( )
.
5.6 RESPOSTAS DOS EXERCCIOS (TESTES DE ADERNCIA E ASSOCIAO)
1. c
2
3 40 0 05 = , ( , ) p
2.
c
2
11 67 0 01 = < , ( , ) p
3. Quanto mais os valores observados se afastam dos esperados, tm-se
maiores desvios (sendo o numerador do clculo elevado ao quadrado) e,
portanto, aumenta a chance de rejeitar a hiptese de nulidade (H
0
).
4.
c
2
6 68 0 01 = < , ( , ) p
5. c
2
1 64 0 05 = , ( , ) p
6. c
2
2 07 0 05 = , ( , ) p
7.
c
2
1 52 0 05 = , ( , ) p
8. c
2
7 78 0 05 = , ( , ) p
9.
c
2
5 08 0 05 = , ( , ) p
10.
c
2
2 47 0 05 = , ( , ) p
11.
c
2
4 82 0 05 = < , ( , ) p
12.
c
2
5 07 0 05 = , ( , ) p
6
CORRELAO LINEAR SIMPLES
6.1 INTRODUO
Nas reas biolgicas, em algumas situaes, o pesquisador est interessado
em estudar a maneira como duas variveis X e Y esto associadas e, mais ai-
nda, medir o seu grau de associao. Alguns exemplos que podem esclarecer
essa situao so bastante comuns em nosso cotidiano, quais so: afrmar que
a presso arterial aumenta quando a idade avana; a altura de uma rvore est
relacionada ao permetro do tronco; o desempenho de um atleta melhora com
o treinamento, e assim por diante.
Em todas as situaes esto sendo considerados, simultaneamente, os va-
lores de duas variveis aleatrias mensuradas num mesmo indivduo, isto ,
observaes pareadas. Como j descrito anteriormente, busca-se verifcar qual
o sentido e a intensidade da associao entre as variveis, mas jamais utilizar
essa busca como uma relao de causa e efeito. Ou seja, a observao de que
duas grandezas podem variar simultaneamente no mesmo sentido ou em sen-
tidos contrrios, no implica a presena de um relacionamento causal entre
elas.
No presente texto ser considerado que a associao entre as variveis
pode ser estudada por meio de uma relao linear, ou seja, os pares de pontos
distribudos na vizinhana de uma reta.
Para melhorar o entendimento entre correlao e causalidade, suponha,
por exemplo, uma associao positiva entre o consumo de lquido de uma ci-
dade e o nmero de internaes por desidratao. A falcia da causalidade
poderia levar a diminuio de ingesto de lquido para diminuir o nmero
de internaes por desidratao. Lgico, que neste caso, uma terceira ou mais
variveis (temperatura, umidade relativa do ar,...) podem estar causando a cor-
relao entre consumo de lquido e nmero de internaes. Essas variveis so
denominadas de variveis intercorrentes (no conhecidas) e a falsa correlao
que elas fornecem chamada de correlao espria.
6.2 DIAGRAMA DE DISPERSO
O diagrama de disperso consiste de um grfco bidimensional (sistema
de eixos cartesianos (X,Y)) onde so alocados os n pares de observaes das
variveis aleatrias X e Y.
O objetivo do diagrama de disperso possibilitar a visualizao da rela-
o existente entre as variveis X e Y. Se os pontos estiverem localizados na viz-
inhana de uma reta h indicao de correlao, se X e Y crescem no mesmo
sentido, a indicao no sentido de correlao positiva, caso a variao acon-
tea no sentido oposto (contrrio), existe correlao negativa entre as variveis.
A Tabela 6.1 apresenta o desempenho fsico e psicolgico de mulheres obesas
submetidas aos testes relativos qualidade de vida das participantes.
Tabela 6.1 Desempenho fsico e psicolgico de mulheres obesas submetidas ao
Deep water running and quality of life in obese women (Arquivos Mdicos do ABC,
v.32, p.5-10, 2007)
Mulher D. Fsico (%) D. Psicolgico (%)
M1 30 35
M2 40 50
M3 75 70
M4 50 50
M5 35 30
M6 60 65
M7 70 55
M8 55 55
Correlao Linear Simples | 91
40
50
60
70
80
20
30
40 50 60 70 80 20 30 90
D. Psicolgico
D. Fsico
Figura 6.1 Diagrama de Disperso dos Domnios Fsico (%) e Psicolgico (%)
A inspeo visual, mostra de maneira subjetiva, a tendncia linear nas
observaes no sentido positivo, ou seja, as mulheres mostraram associao
direta nas respostas dos domnios fsico e psicolgico. A intensidade dessa as-
sociao pode ser mensurada, objetivamente, pelo coefciente de correlao
linear de Pearson, sendo que a intensidade ser tanto maior quanto menor for
a disperso dos pontos em relao tendncia linear.
6.3 COEFICIENTE DE CORRELAO
A medida do grau (intensidade) de associao linear entre duas variveis
aleatrias quantitativas (numricas) pode ser estabelecida pelo coefciente de
correlao de Pearson, representado por r e expresso para r n pares (x
i
, y
i
) de
uma amostra aleatria das variveis X e Y como:
r
S
S S
xy
xx yy
=
, onde
S SP X Y x x y y x y nxy
xy i i
i
n
i i
i
n
= ( )= ( ) ( )=
= =

,
1 1
;
S SQ X x x x nx
xx i
i
n
i
i
n
= ( )= ( ) =
= =

2
1
2 2
1
;
S SQ Y y y y ny
yy i
i
n
i
i
n
= ( )= ( ) =
= =

2
1
2
1
2
.
Algumas consideraes interessantes podem ser feitas a respeito do valor
de r:
a) 1 1 r ;
b) r =1 , correlao perfeita positiva (todos os pontos esto sobre uma
linha reta crescente);
c) r =1 , correlao perfeita negativa (todos os pontos esto sobre uma
linha reta decrescente);
d) r =0 ; correlao nula (ausncia de associao linear entre as variveis
X e Y);
e) r adimensional.
A seguir sero apresentados dois exemplos para o clculo da correlao
linear simples.
Exemplos
1. Considerando os dados da Tabela 6.1, tem-se:
x
i
i
= =
=
30 55 415
1
8
, portanto, x =51 875 , ;
x
i
i
2 2 2
1
8
30 55 23375 = =
=

;
S SQ X
xx
= ( )= = 23375 8 51 875 1846 875
2
, , ;
y
i
i=
= =
1
8
35 55 410
, portanto, y =51 25 , ;
y
i
i
2
1
8
2 2
35 55 22300
=
= =
;
S SQ Y
yy
= ( )= = 22300 8 51 25 1287 5
2
, ,
;
x y
i i
i=
= = =
1
8
30 35 40 50 55 55 1050 2000 3025 22625 ;
S SP X Y
xy
= ( )= = , , , , 22625 8 51 875 51 25 1356 25 ;
logo r =
= =
1356 25
1846 875 1287 5
1356 25
1542 0284
0 8795 0 88
,
, ,
,
,
, ,
A magnitude da associao linear entre as variveis da ordem de 0,88,
mostrando que as mulheres que tiveram maiores porcentagens no domnio
fsico so tambm as de maiores valores percentuais no domnio psicolgico.
2. Considere as seguintes notas em Bioestatstica e Biofsica de 11 alunos de
Cincias Biolgicas selecionados aleatoriamente entre todos os matricula-
dos, conforme Tabela 6.2
Tabela 6.2 Notas de 11 alunos em Bioestatstica e Biofsica
Aluno A B C D E F G H I J K
Bioestatstica (X) 6,7 8,1 6,5 4,2 5,3 4,0 7,1 6,4 6,0 6,8 4,9
Biofsica (Y) 9,2 6,5 8,1 7,5 8,5 7,8 7,7 7,9 8,1 8,2 8,5
x
i
i=
=
1
11
66 0 ,
, logo
x =6 0 ,
; y
i
i=
=
1
11
88 0 , , logo y =8 0 , ;
x x
i
i
( ) =( ) ( ) ( ) ( ) ( ) ( )
=
2
1
11
2 2 2 2 2 2
0 7 2 1 0 5 1 8 0 7 2 0 , , , , , , ( ) ( )
( ) ( ) ( ) =
1 1 0 4
0 0 0 8 1 1 16 1
2 2
2 2 2
, ,
, , , , ;
y y
i
i
( ) =( ) ( ) ( ) ( ) ( ) ( )
=
2
1
11
2 2 2 2 2 2
1 2 1 5 0 1 0 5 0 5 0 2 , , , , , , ( )
( ) ( ) ( ) ( ) =
0 3
0 1 0 1 0 2 0 5 4 64
2
2 2 2 2
,
, , , , , ;
x x y y
i i
i
( ) ( )=( )( )( ) ( )( )( )
=
1
11
0 7 1 2 2 1 1 5 0 5 0 1 0 8 , , , , , , , (( )( ) ( )( )= 0 2 1 1 0 5 2 07 , , , , ;
r =

=

=
2 07
16 1 4 64
2 07
8 64
0 24
,
, ,
,
,
,
O coefciente de correlao negativo (-0,24) mostra que os alunos com
maiores notas em Bioestatstica esto com menores notas em Biofsica, e vice-
versa. Porm, deve ser observado que o valor
r =0 24 ,
expressa uma fraca
correlao linear negativa entre as variveis.
6.4 TESTE DE HIPTESE DA CORRELAO
Considerando as variveis aleatrias
X N
x x
~ ,
2
( ) e
Y N
y y
~ ,
2
( ) , as
hipteses a respeito da ausncia ou presena de associao linear entre as
variveis X e Y podem ser estabelecidas como:
H
xy 0
0 : r = (ausncia de associao linear entre as variveis X e Y)
H
xy 1
0 : r
(presena de associao linear entre as variveis X e Y).
0
a estatstica do teste dada por: t
r n
r
t
n
=

( )
2
1
2
2
~ ,
com a regra de deciso habitual ( ou seja, se
t t
n
( )
a
2
2 ,
, rejeita-se a hiptese
H
0
; caso contrrio, no h rejeio).
Alternativamente, o valor do resultado do coefciente de correlao linear
de Pearson (
r
) pode ser comparado com os valores crticos da Tabela 9.9, com
a seguinte regra de deciso:
Se
r r
n
>
( ; )
a
2
, rejeita-se
H
0
ao nvel a (0,05 ou 0,01) de signifcncia estabe-
lecido. Caso contrrio, no h rejeio da hiptese nula (ausncia de associa-
o linear entre X e Y).
Exemplos
1. Considerando os dados da Tabela 6.1 e a=0,05, tem-se
H
xy 0
0 : r = (ausncia de associao linear)
H
xy 1
0 : r (presena de associao linear)
t p =
= = < ( )
0 88 6
1 0 88
2 156
0 475
4 54 0 01
2
,
,
,
,
, ,
=
= =
=
( )
0 05
8 2 6
2 45
0 025 6
,
,
, ;
t

;
t >2 45 ,
, portanto, rejeita-se H
0
.
No nvel de signifcncia 5% existe associao linear entre os domnios
fsico e psicolgico.
2. Considerando os dados das notas de Bioestatstica e Biofsica da Tabela
6.2, tem-se:
H
xy 0
0 : r = (ausncia de associao linear)
H
xy 1
0 : r
(presena de associao linear)
t p =

( )
=

= ( )
0 24 9
1 0 24
0 72
0 97
0 74 0 05
2
,
,
,
,
, ,
=
=
=
( )
0 05
9
2 26
0 025 9
,
,
, ;
t

;
t <2 26 ,
, no se rejeita H
0
.
No nvel de signifcncia 5%, no foi possvel mostrar associao linear en-
tre as notas de Bioestatstica e Biofsica nos alunos de Cincias Biolgicas.
6.5 EXERCCIOS (CORRELAO LINEAR SIMPLES)
1. Um antroplogo mediu a largura e o comprimento de 30 crnios amostra-
dos de uma populao, obtendo um coefciente de correlao r=0,75. Su-
pondo =0,05, verifcar se existe associao entre as variveis.
2. Os valores das variveis X e Y devem ser medidos na mesma unidade para
que se possa calcular o coefciente de correlao linear?
3. Considere a idade gestacional (semanas) e o peso ao nascer (kg), de uma
amostra casual de 10 recm-nascidos no HC/UNESP-Botucatu(SP).
Recm-nascido RN1 RN2 RN3 RN4 RN5 RN6 RN7 RN8 RN9 RN10
Idade Gestacional 34 35 37 32 42 40 41 39 28 38
Peso ao Nascer 1,60 1,70 2,00 1,55 4,30 3,00 3,40 3,30 1,25 2,35
No nvel de signifcncia 5%, verifcar se existe associao linear entre a
idade gestacional e o peso ao nascer.
4. Em um experimento com carneiros foram determinados os seguintes re-
sultados no plasma dos animais:
Carneiro 1 2 3 4 5 6 7 8 9
Conc. Albumina (g%) 2,3 3,5 4,8 1,9 2,7 5,8 4,6 5,4 3,9
Horm. Crescimento (mg/ml) 41,4 48,6 56,4 40,3 45,3 61,4 52,0 54,0 42,8
Verifcar se existe associao linear (a=0,05) entre a concentrao de albu-
mina e o hormnio de crescimento no plasma de carneiros.
5. Apresenta-se a seguir uma matriz de correlao para instruo (X), salrio
(Y) e idade (Z) de uma amostra de 50 indivduos.
Varivel
Varivel Instruo Salrio Idade
Instruo 1,00 0,60 -0,40
Salrio 1,00 0,50
Idade 1,00
Quais so signifcantes no nvel 0,05?
6. A correlao entre aptido matemtica e lnguas estrangeiras, baseada em
testes para medir aptides, est por volta de 0,40. Qual deve ser o tamanho
de uma amostra de estudantes para estarmos certos (nvel de signifcncia
5%) de que o valor do r obtido refutaria a hiptese r H
0
0 : r = ?
7. Como deve ser afetado o valor do coefciente de correlao r se trocarmos r
as variveis X por Y e Y por X?
8. D um exemplo de duas variveis que, sem dvida, esto altamente rela-
cionadas mas para as quais o valor de r seria pequeno pelo fato de a relao r
no ser linear.
9. Considere os seguintes dados relativos a altura e peso de 10 estudantes de
uma sala de aula e verifque, no nvel de signifcncia 5%, se as variveis
esto associadas linearmente.
Estudante E
1
E
2
E
3
E
4
E
5
E
6
E
7
E
8
E
9
E
10
Altura 124 161 126 184 172 140 158 135 180 174
Peso 65 76 64 95 86 68 70 68 92 87
10. Indique o erro na concluso
Fato: H uma associao linear signifcante (p<0,05) entre a renda pessoal
e o nmero de anos de escolaridade.
Concluso: Mais instruo tem como resultado maior renda pessoal.
11. Como afetado o valor do coefciente de correlao linear quando se adi-
ciona a mesma constante a cada valor da varivel X?
12. Com base em uma amostra de 38 pares de valores foi obtido o coefciente
de correlao r=0,45. Teste (=0,05) a hiptese de que o coefciente de cor-
relao das variveis zero.
13. Verifcar se existe associao signifcativa (=0,05) entre horas de estudo e
nota da prova, segundo os dados abaixo:
Aluno A B C D E F G H I K L M
Horas de estudo 4 1 3 5 8 3 6 7 7 6 2 4
Nota da prova 5 2 4 7 9 5 7 10 8 6 3 3
14. Um coefciente de correlao linear de Pearson, baseado em uma amostra
de tamanho 18, foi calculado como 0,45. Pode-se concluir, no nvel de 5%
de signifcncia, que h associao entre as variveis X e Y?
15. Para uma amostra de tamanho 11, determinar o valor mnimo do coef-
ciente de correlao r, de modo que a hiptese de ausncia de associao
linear entre X e Y( H
0
) seja rejeitada ao nvel de confana 99% (isto ,
sempre que r r >
( , ; ) 0 01 11
).
16. Nas questes seguintes aprofunde a discusso no erro de concluso.
a. Fato: H uma correlao linear signifcativa entre a renda pessoal e o
nmero de anos de escolaridade. Concluso: mais instruo tem como
resultado maior renda pessoal.
b. Fato: Indivduos fazem um teste de habilidade verbal e um
teste de destreza manual; os pares de observao acusam
um coefciente de correlao linear muito prximo de zero.
Concluso: No h qualquer relacionamento entre os escores dos dois
testes.
17. Explique o que est errado na seguinte afrmao: Determinou-se uma
associao linear forte, expressa pelo valor r=1,16, entre a avaliao do en-
sino ministrado pela universidade indicada pelos estudantes e outra feito
por membros externos instituio.
6.6 RESPOSTAS DOS EXERCCIOS (CORRELAO LINEAR SIMPLES)
1. t p = < 6 00 0 001 , ( , )
2. No. Basta que sejam variveis quantitativas
3. r =0 900 , ; t p = < 5 84 0 001 , ( , )
4. r =0 914 , ; t p = < 5 96 0 001 , ( , )
5. t p
INST SAL ( )
= < 5 20 0 001 , ( , )
t p
INST IDADE ( )
= < 3 02 0 01 , ( , )
t p
SAL IDADE ( )
= < 4 00 0 001 , ( , )
6. No mnimo composta por 25 estudantes
7. O valor permanece inalterado
8. Quantidade de adubao no solo e produo
9. r =0 949 , ;
t p = < 8 52 0 001 , ( , )
10. A concluso est fazendo uma relao de causa e efeito, quando na reali-
dade existe apenas uma associao linear
11. O valor permanece inalterado
12.
t p = < 2 70 0 05 , ( , )
13.
r =0 921 ,
;
t p = < 7 48 0 01 , ( , )
14. t p = 2 02 0 05 , ( , )
15.
r 0 7348 ,
; portanto r =0 7348 , (valor mnimo)
16. a. Relao de causa e efeito para um indicativo apenas de associao.
b. b) No h associao linear, fato que no exclui a possibilidade de outro
tipo de relao.
17. O valor de r no pode ser maior que a unidade.
7
REGRESSO LINEAR SIMPLES
7.1 INTRODUO
Os fenmenos biolgicos, quase que na plenitude das situaes, podem
ser explicados por meio de modelos matemticos e estocsticos (modelos
matemticos que incorporam elementos probabilsticos). Um modelo comum
e de fcil entendimento biolgico que tem sido utilizado para estudar a relao
funcional entre duas variveis consiste na funo linear simples Y a bX = ( ) .
Neste modelo, a idia consiste em estudar a variao da varivel aleatria
contnua Y (varivel dependente, varivel resposta ou varivel exgena) em
funo de uma varivel fxa X, isto , determinstica (varivel independente,
varivel explanatria ou varivel endgena). Por exemplo, verifcar as quedas
na quantidade de acar no sangue de coelhos submetidos a doses diferentes
de insulina (doses controladas).
Para melhor entendimento, considere o seguinte experimento realizado na
rea de Bioqumica. Um bioqumico colocou plasma humano em cinco tubos
de ensaio e depois adicionou procana (quantidade fxa em cada tubo). Essa
substncia um anestsico local que se decompe por hidrlise. Para estudar a
velocidade da hidrlise, o pesquisador observou, em tempos defnidos e dife-
rentes (4 min., 8 min., 12 min., 16 min. e 20 min.), a quantidade (moles/litro)
de procana hidrolisada em cada tubo de ensaio.
Esquematicamente:
6
16
23
33
41
4 min 8 min 12 min 16 min 20 min
Considerando o tempo com varivel independente (X) e a quantidade de
procana hidrolisada, como a varivel dependente (Y), como estabelecer o
modelo da resposta linear de Y em funo de X?
7.2 MODELO DE REGRESSO LINEAR SIMPLES
A origem do termo regresso deve-se a Sir Francis Galton ( 1822-1911 ),
ingls de classe alta que estudou medicina em Cambridge e explorou a frica
antes de se dedicar ao estudo da hereditariedade. A data do pioneirismo do
uso aconteceu por volta de 1885, quando estava investigando relaes antro-
pomtricas de sucessivas geraes, em resposta a seguinte interrogativa que
fazia: Se as alturas das pessoas esto distribudas normalmente em cada ge-
rao, e se a altura hereditria, qual a relao entre as geraes?. Uma das
constataes verifcada por Galton apontava que cada particularidade de um
homem transmitida aos seus descendentes, mas, em mdia, numa intensi-
dade menor. Ou seja, embora pais com baixa estatura tendam a ter flhos tam-
bm com baixa estatura, os flhos tm altura mdia maior que seus pais. Fato
semelhante, em sentido reverso, ocorre com pais com estatura alta. Isto , os
flhos apresentam estatura alta, mas, em mdia, menor que seus pais. Galton
chamou esse fenmeno de regresso para a mediocridade.
Regresso Linear Simples | 103
Em sua anlise, Galton denominou esse fenmeno de a altura mover-se em
direo altura dos pais de regresso, e s vezes de reverso, expressado num
artigo de 1885, publicado no Journal of the Anthropological Institute (Bussab
& Morettin, 2003).
No contexto matemtico, que no foi o caso de Galton, o ajuste de uma
linha reta a quaisquer dados de duas variveis quantitativas pode ser feito pelo
mtodo dos mnimos quadrados criado pelo matemtico francs Legendre,
por volta de 1805, cujo procedimento de obteno dos parmetros envolvidos
no modelo linear ser objeto de estudo no presente texto.
Em relao ao experimento da procana, inicialmente, como anlise ex-
ploratria, torna-se interessante representar os pares de pontos (
x y
i i
,
) em
um grfco no sistema cartesiano para verifcar se h uma tendncia linear
nos dados. Caso exista a tendncia, o passo seguinte consiste em estabelecer o
modelo de resposta linear Y a bX = . Se no for verifcada a tendncia, a al-
ternativa seria procurar outros modelos (no-lineares), cujo enfoque no ser
abordado neste texto.
Para o grfco considere a Tabela 7.1 de valores do tempo e da quantidade
de procana hidrolisada.
Tabela 7.1 Valores observados nos tubos de ensaio
Tempo (X) 4 8 12 16 20
Quantidade hidrolisada (Y) 6 16 23 33 41
4 8 12 16 20 0
0
5
10
15
20
25
30
35
40
45
Quantidade
Hidrolisada
(moles/litro)
Tempo (min)
Figura 7.1 Diagrama de disperso dos dados
Como pode ser visualizado existe uma tendncia linear nos valores ob-
servados no experimento. Ento, indaga-se: como procurar a equao da reta
que melhor descreve a hidrlise da procana em funo do tempo que foi
adicionado no plasma? Ou seja, como proceder ao ajuste de uma regresso
linear simples (RLS) ao conjunto de dados?
Ajustar uma RLS aos dados signifca encontrar a equao da reta que
melhor descreve o fenmeno biolgico. Um procedimento matemtico que
permite encontrar esse modelo de resposta denomina-se Mtodo de Mnimos
Quadrados (MQ), cujo objetivo consiste em minimizar a soma dos quadrados
dos erros (ou desvios).
Para o ajuste da RLS e, posteriormente, para os testes de hipteses as se-
guintes pressuposies so bsicas:
i. A relao entre as duas variveis linear.
ii. Os valores de X so fxos, isto , X varivel determinstica.
iii. A variabilidade de Y, para qualquer valor dado de X, sempre a mesma.
iv. O erro de uma observao no est correlacionado com o erro de outra
observao (erros no correlacionados).
v. Para qualquer dado valor de X, Y tem distribuio condicional normal (
E y x x Var y x
( )
=
( )
= ;
2
).
Como descrito anteriormente, encontrar os estimadores de mnimos
quadrados para os parmetros (a, b) do modelo, consiste em considerar uma
amostra aleatria de n pares x y i n
i i
, , , , ( ) =1 ; e minimizar a quantidade de
informao perdida pelo modelo, ou seja, a soma dos quadrados dos erros
dada por:
SQ e y x
i
i
n
i i
i
n
, ( )= = ( ) ( )
= =

2
1
2
1
, com
e
i
sendo o i-simo erro entre o
valor observado y
i
e o proposto pelo modelo E y x x
i i
( )
= .
Derivando SQ , ( ) em relao a a e b e igualando a zero, tem-se que as
solues

(ou a) e
(ou b) devem satisfazer:

n x y
i
i
n
i
i
n
=
= =

1 1
;

x x x y
i
i
n
i
i
n
i i
i
n
= = =

=
1
2
1 1
;
as quais produzem as solues:

= = a y x ;
= = b
S
S
xy
xx
; onde S x x x nx
xx i
i
n
i
i
n
= ( ) =
= =

2
1
2 2
1
e
S x x y y x y nxy
xy i i
i
n
i i
i
n
= ( ) ( )=
= =

1 1
.
Portanto, o modelo de regresso ajustado dado como:
= y x

a bx y b x x
i i i i
= = ( )
.
No experimento bioqumico, tem-se
n=5
;
X : tempo(min)
; Y : quantidade hidrolisada (moles/L);
x
i
i=
= =
1
5
4 8 12 16 20 60 , logo x =12 ;
x
i
i
2 2 2 2 2 2
1
5
4 8 12 16 20 880 = =
=
;
S
xx
= = = 880 5 12 880 720 160
2
;
y
i
i
= =
=
6 16 23 33 41 119
1
5
y =23 8 , ;
x y
i i
i
= =
=
4 6 8 16 12 23 16 33 20 41 1776
1
5
;
S
xy
= = 1776 5 12 0 23 8 348 , , ;
b
S
S
xy
xx
= = =
348
160
2 175 , ;
a y bx = = = 23 8 2 175 12 2 3 , , , ;
logo, y x
, ,
i i
= 2 3 2 175 , isto ,
QtHid tempo
, , = 2 3 2 175
.
O modelo y x
, ,
i i
= 2 3 2 175 , constitui-se num preditor da quantidade de
procana hidrolisada para qualquer tempo considerado no intervalo de 4min
a 20min. Alm disso, o valor 2,175 (denominado coefciente angular da re-
gresso) indica a variao da varivel Y por unidade de variao em X, ou
seja, para cada minuto decorrido a quantidade de procana hidrolisada tem
um acrscimo de 2,175 moles/litro.
O modelo estimado pode ser representado no sistema cartesiano por meio
de uma reta correspondente relao linear encontrada entre as variveis.
Ento, considerando y x
, ,
i i
= 2 3 2 175 , tem-se:
= 4 2 x y
i i
= ( )= 3 2 175 4 6 4
, , ,
;
x y
i i
= = ( )= 20 2 3 2 175 20 41 2
, , ,
.
0
10
20
30
40
Quantidade
Hidrolisada
Tempo
y x
, ,
i i
= 2 3 2 175
7.3 COEFICIENTE DE DETERMINAO
O coefciente de determinao (R2) indica a proporo da variao de Y
que explicada pela reta de regresso, ou seja, uma medida de preciso do
modelo. Portanto, sendo uma proporo seu valor varia entre zero e um, inclu-
sive
0 1
2

( )
R
. Fica mais prtico interpretar quando seu valor expresso em
porcentagem, sendo 0% o caso extremo de impreciso do modelo e, oposta-
mente, 100% a reteno de toda informao do fenmeno biolgico explicada
pelo modelo ajustado. Valores entre essas porcentagens limites so to pouco
ou mais representativos quanto aos prximos dos extremos que se alinharem.
O clculo do coefciente de determinao (R2) envolve a relao entre a soma
de quadrados devida regresso e a soma total de quadrados expressa na se-
guinte frmula:
R
SQRegresso
SQTotal
S
S S
xy
xx yy
2
2
= =
. Se no existisse qualquer variao
em torno da reta de regresso (todos os pontos observados estivessem sobre
xx yy
a reta estimada), no haveria resduos (erros) e, portanto, a soma de quadra-
dos devida regresso coincidiria com a soma total de quadrados, resultando
R
2
1 0 100 = ( ) , %
. Difcilmente essa condio acontece em biologia, uma vez que
existe sempre uma componente aleatria nas respostas biolgicas.
No experimento bioqumico, tem-se:
x
i
i=
=
1
5
60 , com x =12 ; y
i
i
=
=
119
1
5
, com
y =23 8 ,
;
x
i
i
2
1
5
880 =
=
;
y
i
i
2
1
5
3591
=
=
; x y
i i
i
=
=
1776
1
5
; resultando,
S
xx
=160
; S
yy
=758 8 , ;
S
xy
=348
.
Logo, R
2
2
348
160 758 8
0 9975 99 75 =
= ( )
,
, , % , mostrando que o modelo ajusta-
do explica 99,75% da variao da quantidade de procana hidrolisada em fun-
o do tempo.
7.4 TESTE DO COEFICIENTE (ANGULAR) DE REGRESSO
H
0
0 : b = (no existe RLS de Y em X)
H
1
0 : b (existe RLS de Y em X).
0
, a estatstica do teste dada por
t
n R
R
t
n
=
( )
( )
2
1
2
2 2
~
,
com a regra de deciso habitual (rejeita-se H
0
, quando
t t
n
( ) a 2 2 ;
). Alternati-
vamente o valor da estatstica pode ser obtido como:
t
b S
S
xx
e
= , onde S
n
S
S
S
e yy
xy
xx
2
2
1
2
=
( )

1
)
.
No experimento bioqumico, tem-se
H
0
0 : b = (ausncia de RLS da quantidade de procana hidrolisada sobre
o tempo)
H
1
0 : b (presena de RLS da quantidade de procana hidrolisada sobre
o tempo).
n=5 e
R
2
0 9975 = ,
, ento t p =
( )
= < ( )
5 2 0 9975
1 0 9975
34 6 0 001
,
,
, , ;
a=0 05 ,
e
n = 2 3
, tem-se t
0 025 3
3 18
, ;
,
( )
= , logo ( t t
( ) 0 025 3 , ;
) rejeita-se H
0
.
Alternativamente:
S
xx
=160 ; S
yy
=758 8 , ;
S
xy
=348
e b =2 175 ,
S
e
2
2
1
5 2
758 8
348
160
0 6333 =
1
)
= , , S
e
=0 7958 ,
t p = = < ( )
2 175 160
0 7958
34 6 0 001
,
,
, ,
Nesse sentido, conclui-se que existe regresso linear signifcativa (p<0,001)
da quantidade de procana hidrolisada em funo do tempo.
7.5 EXERCCIOS (REGRESSO LINEAR SIMPLES)
1. Um laboratrio est interessado em medir o efeito da temperatura sobre a
potncia de um antibitico. Oito amostras de 50 gramas foram armazena-
das a diferentes temperaturas, e aps uma semana mediu-se a potncia. Os
resultados esto descritos a seguir.
Temperatura (C) 30 38 46 54 62 70 78 86
Potncia 45 41 39 32 28 23 10 17
a. Faa a representao grfca dos dados.
b. Ajuste a regresso linear simples da potncia como funo da tempera-
tura.
c. A que temperatura a potncia seria nula?
2. Sejam X (durao da viagem, em dias) e Y(despesa, em US$, com viagem).
Para uma amostra de 102 viagens, obteve-se: x =
510 ; y =
7140 ;
x
2
4150 =
; y
2
740200 =
e xy =
54900 .
a. Qual a reta de regresso de Y em funo de X?
b. Uma viagem ir durar sete dias. Qual a estimativa de despesa para a
viagem?
3. Para construir um modelo linear relacionando a quantidade de erros da-
tilogrfcos (Y) e o tempo de experincia (X) em meses, constituiu-se uma
amostra casual de 10 funcionrios, obtendo-se os seguintes resultados nu-
mricos:
n=10
; x =6 0 , ;
y =17 0 ,
; S
xx
=100 ; S
yy
=644 e
r =0 993 ,
.
a. Determine o modelo de regresso linear de Y em X.
b. No nvel de signifcncia 5%, faa o teste de hiptese da regresso.
c. Encontre o valor do coefciente de determinao.
4. Os dados a seguir referem-se a precipitao anual (cm) e a produo de
algodo (kg/ha) de uma amostra de sete produtores de uma dada regio do
estado.
Precipitao 160 140 130 100 70 50 40
Produo 620 510 450 280 140 80 30
No nvel de signifcncia de 5%, verifcar se existe RLS da produo de
algodo em funo de precipitao anual.
5. Se os flhos fossem exatamente 3 cm mais altos do que seus pais, como
fcaria a reta de regresso que daria a altura dos flhos em funo da altura
dos pais?
6. Considere os dados da idade (em dias) e o peso (em gramas) de ratos ma-
chos da raa Wistar.
Idade 25 28 30 32 34 35 38 40 42 43 45 46 47 48 49 50
Peso 62 61 66 69 74 75 80 82 88 89 91 95 95 97 99 99
Considerando o modelo RLS para o peso em funo da idade, quanto deve
ser o peso estimado de um rato com 33 dias de idade?
7. Suponha que, com base em 16 pares de observaes, obteve-se as seguintes
informaes: x
=896 ;
y
=655
; x
2
52300 =
; y
2
29652 =
;
xy
=38368 . Qual a proporo da variabilidade total dos dados que

pode ser explicada pela regresso de Y em X?
8. Considere os valores de X e Y obtidos em uma amostra com cinco obser-
vaes.
X 1 2 3 4 5
Y 16 12 8 7 5
Mostre com os dados que
b r
S
S
yy
xx
=
9. Numa anlise de RLS foram obtidos a partir de uma amostra de 6 pares de
valores X e Y, os seguintes resultados:
R
2
16
25
= ; s
x
=3 (desvio padro de X);
s
y
=5
(desvio padro de Y); x =3 e
y =10
.
a. Qual a equao de RLS de Y em X?
b. No nvel de signifcncia 5%, teste as hipteses H H
0 1
0 0 : : b b = .
10. Para os pares (1,6);(2,5);(3,3);(4,3);(6,1), determine a equao de RLS de Y
em X. Qual a variao de Y por unidade de variao de X?
11. Um laboratrio est interessado em medir a infuncia da temperatura so-
bre a potncia de um antibitico. Dez amostras de 50g cada foram guarda-
das a diferentes temperaturas, e aps 15 dias mediu-se a potncia (quadro
a seguir).
a. Faa a representao grfca dos dados.
b. Ajuste a reta da potncia como funo da temperatura.
c. A que temperatura a potncia seria nula?
Temperatura (C) Potncia
30 38 43
50 32 26 33
70 19 27 23
90 14 21
12. Qual o indicador estatstico que fornece o acrscimo ou decrscimo de Y
esperado para cada variao unitria de X, numa relao linear entre Y e X?
13. Considere os seguintes pesos de pais e flhos, em kg.
Famlia F
1
F
2
F
3
F
4
F
5
F
6
F
7
F
8
F
9
F
10
Peso do Pai 65 63 67 64 68 62 70 66 68 67
Peso do Filho 68 66 68 65 69 66 68 65 71 67
a. Construir o diagrama de disperso.
b. Estabelecer a regresso do peso do flho em funo do peso do pai.
Verifcar a signifcncia considerando a=0,05.
14. Suponha que, com base em 16 pares de observaes, obteve-se as seguintes
informaes:
x y x y xy

= = = = = 896 655 52330 29652 38368
2 2
; ; ; ;
Utilizando essas informaes, responda as questes a seguir:
a. Determine a regresso linear de Y em X.
b. Qual a proporo da variabilidade total dos Y que pode ser explicada
pela regresso de Y em X?
15. Considere os seguintes resultados de uma pesquisa envolvendo registro de
armas automticas e taxa de criminalidade em oito estados.
Armas automticas 11800 8300 3600 1800 6900 2600 4200 5960
Taxa de criminalidade(%) 18,1 16,8 9,4 6,4 14,6 8,8 10,6 11,8
Qual a predio linear para a taxa de criminalidade (%) em um estado com
10000 armas automticas registradas?
7.6 RESPOSTAS DOS EXERCCIOS (REGRESSO LINEAR SIMPLES)
1. b. POTNCIA TEMPERATURA = 64 158 0 600 , , ; 30 86 TEMP
c.
TEMPERATURA C =106 93 ,
2. a.
( )
Y DESPESA X DURAO ( )= 10 12
b.
$ , Y DESPESA DIAS U 7 94 00 ( )=
3. a.
, , Y X = 32 12 2 52
b.
t p = < ( ) 23 74 0 001 , ,
c. R
2
0 986 = ,
4. PROD PRECIP
, , = 181 528 4 900 t p = < ( ) 27 01 0 001 , ,

5.
ALT FILHO ALT PAI
= 3
6. PESO IDADE
, , = 17 011 1 661 , 25 50 IDADE .

PESO DIAS
, 33 71 824 ( )= gramas
7.
R
2
0 676 = ,
(67,6% da variabilidade total dos dados explicada pelo mod-
elo).
8. S
XX
=10 ;
S
YY
=77 2 ,
;
S
XY
=27
r =0 9718 , ;
b =2 7 ,
;
r
S
S
YY
XX
=2 7 ,
Ou seja, fca mostrado que
b r
S
S
YY
XX
=
.
9. a.
, , Y X = 6 01 1 33 , 1 6 X
b.
t p = ( ) 2 67 0 05 , ,
.
10.
, , Y X = 6 757 0 986 ; ou seja, para cada unidade de X h uma decrscimo

de 0,986 unidades em Y .
11. b. POT TEMP
, , = 50 457 0 381 , 30 90 TEMP

c. TEMP C =132 43 ,
12. Coefciente de regresso linear ( b )
13. b.
PFILHO PPAI
, , = 35 479 0 482
; 62 70 PPAI ; t p = < ( ) 2 34 0 05 , ,
14. a.
, , Y X = 2 8856 0 7826
b. R
2
0 4654 46 54 = = , , %
15. TAXACRIM ARMAS AUT
, , = 5 304 0 0012 ; TAXACRIM
, % 10000 17 304 ( )=
8
BIBLIOGRAFIA
ANDRADE, D.F.; OGLIARI, P.J. Estatstica para as cincias agrrias e biolgicas com
noes de experimentao. 2.ed, Florianpolis: Editora UFSC, 2007.
BANZATTO, D.A. & KRONKA, S.N. Experimentao agrcola, 3ed. So Paulo: FUNEP,
2006.
BOX, G. E. P. Non-normality and tests on variances. Biometrika, v.20, p.318-335, 1953.
BUSSAB, W.O. Anlise de varincia e regresso. So Paulo: Atual, 1986.
BUSSAB, W.O.; MORETTIN, P.A. Estatstica bsica. 5. ed. So Paulo: Saraiva, 2003.
DEAN, A. M.; VOSS D. T. Design and analysis of experiments. New York: Springer-
Verlag, 1999.
DRAPER, N. R.; SMITH, H. Applied regression analysis. 3. ed. New York: John Willey,
1998.
GOMES, F. P. Curso de estatstica experimental 15 ed., So Paulo :FEALQ, 2009. l
MLODINOW, L. O andar do bbado. Como o acaso determina nossas vidas. Rio de
Janeiro: Zahar, 2009.
MONTGOMERY, D.C. Design and analysis of experiment, 6. ed. New York: John Wil-
ley, 2005.
MOORE,D. A estatstica bsica e sua prtica. Rio de Janeiro: LTC Editora,1995.
NORMAN, G.R.; STREINER, D.L. Biostatistics: the bare essentials. 3. ed. St. Louis:
Mosby, 2008.
PADOVANI, C.R. Exerccios de estatstica bsica e experimental. Botucatu: Depto de
Bioestatstica, 2002.
PADOVANI, C.R. Planejamento de experimentos. Botucatu: Depto de Bioestatstica,
2009.
PERES, C.A.; SALDIVA, C.D. Planejamento de experimentos. So Paulo: 5. SINAPE,
1982.
SAMPAIO, I. B. M. Estatstica aplicada a experimentao animal, 3ed. Minas Gerais:
FEPMVZ, 2010.
SALSBURG, D. Uma senhora toma ch como a estatstica revolucionou a cincia no
sculo XX. Rio de Janeiro: Zahar, 2009.
VIEIRA, S. Estatstica experimental. 2. ed. So Paulo: Atlas, 1999.
VIEIRA, S. Anlise de varincia (ANOVA). So Paulo: Atlas, 2006.
ZAR, J.H. Boestatistical analysis, 5. ed. New Jersey: Prentice-Hall, 2009.
9
TABELAS
Tabela 9.1 Distribuio t de Student P t t t < < ( )=
l
l
0 0
1 a
Nmero de graus
de liberdade
Nvel de signicncia para o teste bilateral (a)
0,01 0,05 0,10
1 63,657 12,706 6,314
2 9,925 4,303 2,920
3 5,841 3,182 2,353
4 4,604 2,776 2,132
5 4,032 2,571 2,015
6 3,707 2,447 1,943
7 3,499 2,365 1,895
8 3,355 2,306 1,860
9 3,250 2,262 1,833
10 3,169 2,228 1,812
11 3,106 2,201 1,796
12 3,055 2,179 1,782
13 3,012 2,160 1,771
14 2,977 2,145 1,761
15 2,947 2,131 1,753
16 2,921 2,120 1,746
17 2,898 2,110 1,740
18 2,878 2,101 1,734
19 2,861 2,093 1,729
20 2,845 2,086 1,725
21 2,831 2,080 1,721
22 2,819 2,074 1,717
23 2,807 2,069 1,714
24 2,797 2,064 1,711
25 2,787 2,060 1,708
26 2,779 2,056 1,706
27 2,771 2,052 1,703
28 2,763 2,048 1,701
29 2,756 2,045 1,699
30 2,750 2,042 1,697
40 2,704 2,021 1,684
60 2,660 2,000 1,671
120 2,617 1,980 1,658
2,576 1,960 1,645
Interpolaes devem ser feitas com base nos recprocos dos graus de liberdade (interpolao harmnica)
Tabela 9.2 Distribuio Qui-quadrado P
2
0
2
( )
=
l
l
l
Graus de
liberdade
a
10% 5% 1%
1 2,71 3,84 6,64
2 4,60 5,99 9,21
3 6,25 7,82 11,34
4 7,78 9,49 13,28
5 9,24 11,07 15,09
6 10,64 12,59 16,81
7 12,02 14,07 18,48
8 13,36 15,51 20,09
9 14,68 16,92 21,67
10 15,99 18,31 23,21
11 17,28 19,68 24,72
12 18,55 21,03 26,22
13 19,81 22,36 27,69
14 21,06 23,68 29,14
15 22,31 25,00 30,58
16 23,54 26,30 32,00
17 24,77 27,59 33,41
18 25,99 28,87 34,80
19 27,20 30,14 36,19
20 28,41 31,41 37,57
21 29,62 32,67 38,93
22 30,81 33,92 40,29
23 32,01 35,17 41,64
24 33,20 36,42 42,98
25 34,38 37,65 44,31
26 35,56 38,88 45,64
27 36,74 40,11 46,96
28 37,92 41,34 48,28
29 39,09 42,56 49,59
30 40,26 43,77 50,89
Tabelas | 119
l
l
0
0 01 ,
N de graus de
liberdade do
denominador
N de graus de liberdade do numerador
1 2 3 4 5 6 7 8 9
1 4052 5000 5403 5625 5764 5859 5928 5982 6022
2 98,50 99,00 99,20 99,20 99,30 99,30 99,40 99,40 99,40
3 34,10 30,80 29,50 28,70 28,20 27,90 27,70 27,50 27,30
4 21,20 18,00 16,70 16,00 15,50 15,20 15,00 14,80 14,70
5 16,30 13,30 12,10 11,40 11,00 10,70 10,50 10,30 10,20
6 13,70 10,90 9,78 9,15 8,75 8,47 8,26 8,10 7,98
7 12,20 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72
8 11,30 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91
9 10,60 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35
10 10,00 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78
17 8,40 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,68
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,56
6,63 4,61 3,78 3,32 3,02 2,80 2,64 2,51 2,41
l
l
0
0 05 ,
N de graus de
liberdade do
denominador
1 2 3 4 5 6 7 8 9
1 161 200 216 225 230 234 237 239 241
2 18,50 19,00 19,20 19,20 19,30 19,30 19,40 19,40 19,40
3 10,10 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04
120 3,92 3,07 2,68 2,45 2,29 2,17 2,09 2,02 1,96
3,84 3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88
Tabelas | 121
l
l
0
0 10 ,
N de graus de
liberdade do
denominador
1 2 3 4 5 6 7 8 9
1 39,9 49,5 53,6 55,8 57,2 58,2 58,9 59,4 59,9
2 8,53 9,00 9,16 9,24 9,29 9,33 9,35 9,37 9,38
3 5,54 5,46 5,39 5,34 5,31 5,28 5,27 5,25 5,24
4 4,54 4,32 4,19 4,11 4,05 4,01 3,98 3,95 3,94
5 4,06 3,78 3,62 3,52 3,45 3,40 3,37 3,34 3,32
6 3,78 3,46 3,29 3,18 3,11 3,05 3,01 2,98 2,96
7 3,59 3,26 3,07 2,96 2,88 2,83 2,78 2,75 2,72
8 3,46 3,11 2,92 2,81 2,73 2,67 2,62 2,59 2,56
9 3,36 3,01 2,81 2,69 2,61 2,55 2,51 2,47 2,44
10 3,29 2,92 2,73 2,61 2,52 2,46 2,41 2,38 2,35
11 3,23 2,86 2,66 2,54 2,45 2,39 2,34 2,30 2,27
12 3,18 2,81 2,61 2,48 2,39 2,33 2,28 2,24 2,21
13 3,14 2,76 2,56 2,43 2,35 2,28 2,23 2,20 2,16
14 3,10 2,73 2,52 2,39 2,31 2,24 2,19 2,15 2,12
15 3,07 2,70 2,49 2,36 2,27 2,21 2,16 2,12 2,09
16 3,05 2,67 2,46 2,33 2,24 2,18 2,13 2,09 2,06
17 3,03 2,64 2,44 2,31 2,22 2,15 2,10 2,06 2,03
18 3,01 2,62 2,42 2,29 2,20 2,13 2,08 2,04 2,00
19 2,99 2,61 2,40 2,27 2,18 2,11 2,06 2,02 1,98
20 2,97 2,59 2,38 2,25 2,16 2,09 2,04 2,00 1,96
21 2,96 2,57 2,36 2,23 2,14 2,08 2,02 1,98 1,95
22 2,95 2,56 2,35 2,22 2,13 2,06 2,01 1,97 1,93
23 2,94 2,55 2,34 2,21 2,11 2,05 1,99 1,95 1,92
24 2,93 2,54 2,33 2,19 2,10 2,04 1,98 1,94 1,91
25 2,92 2,53 2,32 2,18 2,09 2,02 1,97 1,93 1,89
26 2,91 2,52 2,31 2,17 2,08 2,01 1,96 1,92 1,88
27 2,90 2,51 2,30 2,17 2,07 2,00 1,95 1,91 1,87
28 2,89 2,50 2,29 2,16 2,06 2,00 1,94 1,90 1,87
29 2,89 2,50 2,28 2,15 2,06 1,99 1,93 1,89 1,86
30 2,88 2,49 2,28 2,14 2,05 1,98 1,93 1,88 1,85
40 2,84 2,44 2,23 2,09 2,00 1,93 1,87 1,83 1,79
60 2,79 2,39 2,18 2,04 1,95 1,87 1,82 1,77 1,74
120 2,75 2,35 2,13 1,99 1,90 1,82 1,77 1,72 1,68
2,71 2,30 2,08 1,94 1,85 1,77 1,72 1,67 1,63
T
a
b
e
l
a

9
.
6

D
i
s
t
r
i
b
u
i
s
t
u
d
e
n
t
i
z
e
d

r
a
n
g
e

(
)
q
T
u
k
e
y
0
0
1
1
,
;
:
%
(
)
[
[
N

d
e

g
r
a
u
s

d
e
l
i
b
e
r
d
a
d
e

d
o

r
e
s
d
u
o
N
m
e
r
o

d
e

t
r
a
t
a
m
e
n
t
o
s

(
k
)
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
1
9
0
1
3
5
1
6
4
1
8
6
2
0
2
2
1
6
2
2
7
2
3
7
2
4
6
2
5
3
2
6
0
2
6
6
2
7
2
2
7
7
2
8
2
2
8
6
2
9
0
2
9
4
2
1
4
,
0
1
9
,
0
2
2
,
3
2
4
,
7
2
6
,
6
2
8
,
2
2
9
,
5
3
0
,
7
3
1
,
7
3
2
,
6
3
3
,
4
3
4
,
1
3
4
,
8
3
5
,
4
3
6
,
0
3
6
,
5
3
7
,
0
3
7
,
5
3
8
,
2
6
1
0
,
6
1
2
,
2
1
3
,
3
1
4
,
2
1
5
,
0
1
5
,
6
1
6
,
2
1
6
,
7
1
7
,
1
1
7
,
5
1
7
,
9
1
8
,
2
1
8
,
5
1
8
,
8
1
9
,
1
1
9
,
3
1
9
,
5
4
6
,
5
1
8
,
1
2
9
,
1
7
9
,
9
6
1
0
,
6
0
1
1
,
1
0
1
1
,
5
0
1
1
,
9
0
1
2
,
3
0
1
2
,
6
0
1
2
,
8
0
1
3
,
1
0
1
3
,
3
0
1
3
,
5
0
1
3
,
7
0
1
3
,
9
0
1
4
,
1
0
1
4
,
2
0
5
5
,
7
0
6
,
9
7
7
,
8
0
8
,
4
2
8
,
9
1
9
,
3
2
9
,
6
7
9
,
9
7
1
0
,
2
0
1
0
,
5
0
1
0
,
7
0
1
0
,
9
0
1
1
,
1
0
1
1
,
2
0
1
1
,
4
0
1
1
,
6
0
1
1
,
7
0
1
1
,
8
0
6
5
,
2
4
6
,
3
3
7
,
0
3
7
,
5
6
7
,
9
7
8
,
3
2
8
,
6
1
8
,
8
7
9
,
1
0
9
,
3
0
9
,
4
9
8
,
6
5
9
,
8
1
9
,
9
5
1
0
,
1
0
1
0
,
2
0
1
0
,
3
0
1
0
,
4
0
7
4
,
9
5
5
,
9
2
6
,
5
4
7
,
0
1
7
,
3
7
7
,
6
8
7
,
9
4
8
,
1
7
8
,
3
7
8
,
5
5
8
,
7
1
8
,
8
6
9
,
0
0
9
,
1
2
9
,
2
4
9
,
3
5
9
,
4
6
9
,
5
5
8
4
,
7
4
5
,
6
3
6
,
2
0
6
,
6
3
6
,
9
6
7
,
2
4
7
,
4
7
7
,
6
8
7
,
8
7
8
,
0
3
8
,
1
8
8
,
3
1
8
,
4
4
8
,
5
5
8
,
6
6
8
,
7
6
8
,
8
5
8
,
9
4
9
4
,
6
0
5
,
4
3
5
,
9
6
6
,
3
5
6
,
6
6
6
,
9
1
7
,
1
3
7
,
3
2
7
,
4
9
7
,
6
5
7
,
7
8
7
,
9
1
8
,
0
3
8
,
1
3
8
,
2
3
8
,
3
2
8
,
4
1
8
,
4
9
1
0
4
,
4
8
5
,
2
7
5
,
7
7
6
,
1
4
6
,
4
3
6
,
6
7
6
,
8
7
7
,
0
5
7
,
2
1
7
,
3
6
7
,
4
8
7
,
6
0
7
,
7
1
7
,
8
1
7
,
9
1
7
,
9
9
8
,
0
7
8
,
1
5
1
1
4
,
3
9
5
,
1
4
5
,
6
2
5
,
9
7
6
,
2
5
6
,
4
8
6
,
6
7
6
,
8
4
6
,
9
9
7
,
1
3
7
,
2
5
7
,
3
6
7
,
4
6
7
,
5
6
7
,
6
5
7
,
7
3
7
,
8
1
7
,
8
8
1
2
4
,
3
2
5
,
0
4
5
,
5
0
5
,
8
4
6
,
1
0
6
,
3
2
6
,
5
1
6
,
6
7
6
,
8
1
6
,
9
4
7
,
0
6
7
,
1
7
7
,
2
6
7
,
3
6
7
,
4
4
7
,
5
2
7
,
5
9
7
,
6
6
1
3
4
,
2
6
4
,
9
6
5
,
4
0
5
,
7
3
5
,
9
8
6
,
1
9
6
,
3
7
6
,
5
3
6
,
6
7
6
,
7
9
6
,
9
0
7
,
0
1
7
,
1
0
7
,
1
9
7
,
2
7
7
,
3
4
7
,
4
2
7
,
4
8
1
4
4
,
2
1
4
,
8
9
5
,
3
2
5
,
6
3
5
,
8
8
6
,
0
8
6
,
2
6
6
,
4
1
6
,
5
4
6
,
6
6
6
,
7
7
6
,
8
7
6
,
9
6
7
,
0
5
7
,
1
2
7
,
2
0
7
,
2
7
7
,
3
3
1
5
4
,
1
7
4
,
8
3
5
,
2
5
5
,
5
6
5
,
8
0
5
,
9
9
6
,
1
6
6
,
3
1
6
,
4
4
6
,
5
5
6
,
6
6
6
,
7
6
6
,
8
4
6
,
9
3
7
,
0
0
7
,
0
7
7
,
1
4
7
,
2
0
1
6
4
,
1
3
4
,
7
8
5
,
1
9
5
,
4
9
5
,
7
2
5
,
9
2
6
,
0
8
6
,
2
2
6
,
3
5
6
,
4
6
6
,
5
6
6
,
6
6
6
,
7
4
6
,
8
2
6
,
9
0
6
,
9
7
7
,
0
3
7
,
0
9
1
7
4
,
1
0
4
,
7
4
5
,
1
4
5
,
4
3
5
,
6
6
5
,
8
5
6
,
0
1
6
,
1
5
6
,
2
7
6
,
3
8
6
,
4
8
6
,
5
7
6
,
6
6
6
,
7
3
6
,
8
0
6
,
8
7
6
,
9
4
7
,
0
0
1
8
4
,
0
7
4
,
7
0
5
,
0
9
5
,
3
8
5
,
6
0
5
,
7
9
5
,
9
4
6
,
0
8
6
,
2
0
6
,
3
1
6
,
4
1
6
,
5
0
6
,
5
8
6
,
6
5
6
,
7
2
6
,
7
9
6
,
8
5
6
,
9
1
1
9
4
,
0
5
4
,
6
7
5
,
0
5
5
,
3
3
5
,
5
5
5
,
7
3
5
,
8
9
6
,
0
2
6
,
1
4
6
,
2
5
6
,
3
4
6
,
4
3
6
,
5
1
6
,
5
8
6
,
6
5
6
,
7
2
6
,
7
8
6
,
8
4
Tabelas | 123
2
0
4
,
0
2
4
,
6
4
5
,
0
2
5
,
2
9
5
,
5
1
5
,
6
9
5
,
8
4
5
,
9
7
6
,
0
9
6
,
1
9
6
,
2
9
6
,
3
7
6
,
4
5
6
,
5
2
6
,
5
9
6
,
6
5
6
,
7
1
6
,
7
6
2
4
3
,
9
6
4
,
5
4
4
,
9
1
5
,
1
7
5
,
3
7
5
,
5
4
5
,
6
9
5
,
8
1
5
,
9
2
6
,
0
2
6
,
1
1
6
,
1
9
6
,
2
6
6
,
3
3
6
,
3
9
6
,
4
5
6
,
5
1
6
,
5
6
3
0
3
,
8
9
4
,
4
5
4
,
8
0
5
,
0
5
5
,
2
4
5
,
4
0
5
,
5
4
5
,
6
5
5
,
7
6
5
,
8
5
5
,
9
3
6
,
0
1
6
,
0
8
6
,
1
4
6
,
2
0
6
,
2
6
6
,
3
1
6
,
3
6
4
0
3
,
8
2
4
,
3
7
4
,
7
0
4
,
9
3
5
,
1
1
5
,
2
7
5
,
3
9
5
,
5
0
5
,
6
0
5
,
6
9
5
,
7
7
5
,
8
4
5
,
9
0
5
,
9
6
6
,
0
2
6
,
0
7
6
,
1
2
6
,
1
7
6
0
3
,
7
6
4
,
2
8
4
,
6
0
4
,
8
2
4
,
9
9
5
,
1
3
5
,
2
5
5
,
3
6
5
,
4
5
5
,
5
3
5
,
6
0
5
,
6
7
5
,
7
3
5
,
7
9
5
,
8
4
5
,
8
9
5
,
9
3
5
,
9
8
1
2
0
3
,
7
0
4
,
2
0
4
,
5
0
4
,
7
1
4
,
8
7
5
,
0
1
5
,
1
2
5
,
2
1
5
,
3
0
5
,
3
8
5
,
4
4
5
,
5
1
5
,
5
6
5
,
6
1
5
,
6
6
5
,
7
1
5
,
7
5
5
,
7
9
3
,
6
4
4
,
1
2
4
,
4
0
4
,
6
0
4
,
7
6
4
,
8
8
4
,
9
9
5
,
0
8
5
,
1
6
5
,
2
3
5
,
2
9
5
,
3
5
5
,
4
0
5
,
4
5
5
,
4
9
5
,
5
4
5
,
5
7
5
,
6
1
T
a
b
e
l
a

9
.
7
D
i
s
t
r
i
b
u
i
s
t
u
d
e
n
t
i
z
e
d

r
a
n
g
e

(
)
q
T
u
k
e
y
0
0
5
5
,
;
:
%
(
)
[
[
N

d
e

g
r
a
u
s

d
e
l
i
b
e
r
d
a
d
e

d
o
r
e
s
d
u
o
N
m
e
r
o

d
e

t
r
a
t
a
m
e
n
t
o
s

(
k
)
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
1
1
8
2
7
3
2
,
8
3
7
,
1
4
0
,
4
4
3
,
1
4
5
,
4
4
7
,
4
4
9
,
1
5
0
,
6
5
2
5
3
,
2
5
4
,
3
5
5
,
4
5
6
,
3
5
7
,
2
5
8
5
8
,
8
5
9
,
6
2
6
,
0
8
8
,
3
3
9
,
8
0
1
0
,
9
1
1
,
7
1
2
,
4
1
3
,
0
1
3
,
5
1
4
,
0
1
4
,
4
1
4
,
7
1
5
,
1
1
5
,
4
1
5
,
7
1
5
,
9
1
6
,
1
1
6
,
4
1
6
,
6
1
6
,
8
3
4
,
5
0
5
,
9
6
,
8
7
,
5
8
,
0
8
,
5
8
,
9
9
,
2
9
,
5
9
,
7
1
0
,
0
1
0
,
2
1
0
,
3
1
0
,
5
1
0
,
7
1
0
,
8
1
1
,
0
1
1
,
1
1
1
,
2
4
3
,
9
3
5
,
0
4
5
,
7
6
6
,
2
9
6
,
7
1
7
,
0
5
7
,
3
5
7
,
6
0
7
,
8
3
8
,
0
3
8
,
2
1
8
,
3
7
8
,
5
2
8
,
6
6
8
,
7
9
8
,
9
1
9
,
0
3
9
,
1
3
9
,
2
3
5
3
,
6
4
4
,
6
0
5
,
2
2
5
,
6
7
6
,
0
3
6
,
3
3
6
,
5
8
6
,
8
0
6
,
9
9
7
,
1
7
7
,
3
2
7
,
4
7
7
,
6
0
7
,
7
2
7
,
8
3
7
,
9
3
8
,
0
3
8
,
1
2
8
,
2
1
6
3
,
4
6
4
,
3
4
4
,
9
0
5
,
3
0
5
,
6
3
5
,
9
0
6
,
1
2
6
,
3
2
6
,
4
9
6
,
6
5
6
,
7
9
6
,
9
2
7
,
0
3
7
,
1
4
7
,
2
4
7
,
3
4
7
,
4
3
7
,
5
1
7
,
5
9
7
3
,
3
4
4
,
1
6
4
,
6
8
5
,
0
6
5
,
3
6
5
,
6
1
5
,
8
2
6
,
0
0
6
,
1
6
6
,
3
0
6
,
4
3
6
,
5
5
6
,
6
6
6
,
7
6
6
,
8
5
6
,
9
4
7
,
0
2
7
,
1
0
7
,
1
7
8
3
,
2
6
4
,
0
4
4
,
5
3
4
,
8
9
5
,
1
7
5
,
4
0
5
,
6
0
5
,
7
7
5
,
9
2
6
,
0
5
6
,
1
8
6
,
2
9
6
,
3
9
6
,
4
8
6
,
5
7
6
,
6
5
6
,
7
3
6
,
8
0
6
,
8
7
9
3
,
2
0
3
,
9
5
4
,
4
1
4
,
7
6
5
,
0
2
5
,
2
4
5
,
4
3
5
,
5
9
5
,
7
4
5
,
8
7
5
,
9
8
6
,
0
9
6
,
1
9
6
,
2
8
6
,
3
6
6
,
4
4
6
,
5
1
6
,
5
8
6
,
6
4
1
0
3
,
1
5
3
,
8
8
4
,
3
3
4
,
6
5
4
,
9
1
5
,
1
2
5
,
3
0
5
,
4
6
5
,
6
0
5
,
7
2
5
,
8
3
5
,
9
3
6
,
0
3
6
,
1
1
6
,
1
9
6
,
2
7
6
,
3
4
6
,
4
0
6
,
4
7
1
1
3
,
1
1
3
,
8
2
4
,
2
6
4
,
5
7
4
,
8
2
5
,
0
3
5
,
2
0
5
,
3
5
5
,
4
9
5
,
6
1
5
,
7
1
5
,
8
1
5
,
9
0
5
,
9
8
6
,
0
6
6
,
1
3
6
,
2
0
6
,
2
7
6
,
3
3
1
2
3
,
0
8
3
,
7
7
4
,
2
0
4
,
5
1
4
,
7
5
4
,
9
5
5
,
1
2
5
,
2
7
5
,
3
9
5
,
5
1
5
,
6
1
5
,
7
1
5
,
8
0
5
,
8
8
5
,
9
5
6
,
0
2
6
,
0
9
6
,
1
5
6
,
2
1
1
3
3
,
0
6
3
,
7
3
4
,
1
5
4
,
4
5
4
,
6
9
4
,
8
8
5
,
0
5
5
,
1
9
5
,
3
2
5
,
4
3
5
,
5
3
5
,
6
3
5
,
7
1
5
,
7
9
5
,
8
6
5
,
9
3
5
,
9
9
6
,
0
5
6
,
1
1
1
4
3
,
0
3
3
,
7
0
4
,
1
1
4
,
4
1
4
,
6
4
4
,
8
3
4
,
9
9
5
,
1
3
5
,
2
5
5
,
3
6
5
,
4
6
5
,
5
5
5
,
6
4
5
,
7
1
5
,
7
9
5
,
8
5
5
,
9
1
5
,
9
7
6
,
0
3
1
5
3
,
0
1
3
,
6
7
4
,
0
8
4
,
3
7
4
,
5
9
4
,
7
8
4
,
9
4
5
,
0
8
5
,
2
0
5
,
3
1
5
,
4
0
5
,
4
9
5
,
5
7
5
,
6
5
5
,
7
2
5
,
7
8
5
,
8
5
5
,
9
0
5
,
9
6
1
6
3
,
0
0
3
,
6
5
4
,
0
5
4
,
3
3
4
,
5
6
4
,
7
4
4
,
9
0
5
,
0
3
5
,
1
5
5
,
2
6
5
,
3
5
5
,
4
4
5
,
5
2
5
,
5
9
5
,
6
6
5
,
7
3
5
,
7
9
5
,
8
4
5
,
9
0
1
7
2
,
9
8
3
,
6
3
4
,
0
2
4
,
3
0
4
,
5
2
4
,
7
0
4
,
8
6
4
,
9
9
5
,
1
1
5
,
2
1
5
,
3
1
5
,
3
9
5
,
4
7
5
,
5
4
5
,
6
1
5
,
6
7
5
,
7
3
5
,
7
9
5
,
8
4
1
8
2
,
9
7
3
,
6
1
4
,
0
0
4
,
2
8
4
,
4
9
4
,
6
7
4
,
8
2
4
,
9
6
5
,
0
7
5
,
1
7
5
,
2
7
5
,
3
5
5
,
4
3
5
,
5
0
5
,
5
7
5
,
6
3
5
,
6
9
5
,
7
4
5
,
7
9
1
9
2
,
9
6
3
,
5
9
3
,
9
8
4
,
2
5
4
,
4
7
4
,
6
5
4
,
7
9
4
,
9
2
5
,
0
4
5
,
1
4
5
,
2
3
5
,
3
1
5
,
3
9
5
,
4
6
5
,
5
3
5
,
5
9
5
,
6
5
5
,
7
0
5
,
7
5
Tabelas | 125
2
0
2
,
9
5
3
,
5
8
3
,
9
6
4
,
2
3
4
,
4
5
4
,
6
2
4
,
7
7
4
,
9
0
5
,
0
1
5
,
1
1
5
,
2
0
5
,
2
8
5
,
3
6
5
,
4
3
5
,
4
9
5
,
5
5
5
,
6
1
5
,
6
6
5
,
7
1
2
4
2
,
9
2
3
,
5
3
3
,
9
0
4
,
1
7
4
,
3
7
4
,
5
4
4
,
6
8
4
,
8
1
4
,
9
2
5
,
0
1
5
,
1
0
5
,
1
8
5
,
2
5
5
,
3
2
5
,
3
8
5
,
4
4
5
,
4
9
5
,
5
5
5
,
5
9
3
0
2
,
8
9
3
,
4
9
3
,
8
5
4
,
1
0
4
,
3
0
4
,
4
6
4
,
6
0
4
,
7
2
4
,
8
2
4
,
9
2
5
,
0
0
5
,
0
8
5
,
1
5
5
,
2
1
5
,
2
7
5
,
3
3
5
,
3
8
5
,
4
3
5
,
4
7
4
0
2
,
8
6
3
,
4
4
3
,
7
9
4
,
0
4
4
,
2
3
4
,
3
9
4
,
5
2
4
,
6
3
4
,
7
3
4
,
8
2
4
,
9
0
4
,
9
8
5
,
0
4
5
,
1
1
5
,
1
6
5
,
2
2
5
,
2
7
5
,
3
1
5
,
3
6
6
0
2
,
8
3
3
,
4
0
3
,
7
4
3
,
9
8
4
,
1
6
4
,
3
1
4
,
4
4
4
,
5
5
4
,
6
5
4
,
7
3
4
,
8
1
4
,
8
8
4
,
9
4
5
,
0
0
5
,
0
6
5
,
1
1
5
,
1
5
5
,
2
0
5
,
2
4
1
2
0
2
,
8
0
3
,
3
6
3
,
6
8
3
,
9
2
4
,
1
0
4
,
2
4
4
,
3
6
4
,
4
7
4
,
5
6
4
,
6
4
4
,
7
1
4
,
7
8
4
,
8
4
4
,
9
0
4
,
9
5
5
,
0
0
5
,
0
4
5
,
0
9
5
,
1
3
2
,
7
7
3
,
3
1
3
,
6
3
3
,
8
6
4
,
0
3
4
,
1
7
4
,
2
9
4
,
3
9
4
,
4
7
4
,
5
5
4
,
6
2
4
,
6
8
4
,
7
4
4
,
8
0
4
,
8
5
4
,
8
9
4
,
9
3
4
,
9
7
5
,
0
1
T
a
b
e
l
a

9
.
8
D
i
s
t
r
i
b
u
i
s
t
u
d
e
n
t
i
z
e
d

r
a
n
g
e

(
)
q
T
u
k
e
y
0
1
0
1
0
,
;
:
%
(
)
[
[
N

d
e

g
r
a
u
s

d
e

l
i
b
e
r
d
a
d
e
d
o

r
e
s
d
u
o
N
m
e
r
o

d
e

t
r
a
t
a
m
e
n
t
o
s

(
k
)
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
1
8
,
9
3
1
3
,
4
0
1
6
,
4
0
1
8
,
5
0
2
0
,
2
0
2
1
,
5
0
2
2
,
6
0
2
3
,
6
0
2
4
,
5
0
2
5
,
2
0
2
5
,
9
0
2
6
,
5
0
2
7
,
1
0
2
7
,
6
0
2
8
,
1
0
2
8
,
5
0
2
9
,
0
0
2
9
,
3
0
2
9
,
7
0
2
4
,
1
3
5
,
7
3
6
,
7
7
7
,
5
4
8
,
1
4
8
,
6
3
9
,
0
5
9
,
4
1
9
,
7
2
1
0
,
0
0
1
0
,
3
0
1
0
,
5
0
1
0
,
7
0
1
0
,
9
0
1
1
,
1
0
1
1
,
2
0
1
1
,
4
0
1
1
,
5
0
1
1
,
7
0
3
3
,
3
3
4
,
4
7
5
,
2
0
5
,
7
4
6
,
1
6
6
,
5
1
6
,
8
1
7
,
0
6
7
,
2
9
7
,
4
9
7
,
6
7
7
,
8
3
7
,
9
8
8
,
1
2
8
,
2
5
8
,
3
7
8
,
4
8
8
,
5
8
8
,
6
8
4
3
,
0
1
3
,
9
8
4
,
5
9
5
,
0
3
5
,
3
9
5
,
6
8
5
,
9
3
6
,
1
4
6
,
3
3
6
,
4
9
6
,
6
5
6
,
7
8
6
,
9
1
7
,
0
2
7
,
1
3
7
,
2
3
7
,
3
3
7
,
4
1
7
,
5
0
5
2
,
8
5
3
,
7
2
4
,
2
6
4
,
6
6
4
,
9
8
5
,
2
4
5
,
4
6
5
,
6
5
5
,
8
2
5
,
9
7
6
,
1
0
6
,
2
2
6
,
3
4
6
,
4
4
6
,
5
4
6
,
6
3
6
,
7
1
6
,
7
9
6
,
8
6
6
2
,
7
5
3
,
5
6
4
,
0
7
4
,
4
4
4
,
7
3
4
,
9
7
5
,
1
7
5
,
3
4
5
,
5
0
5
,
6
4
5
,
7
6
5
,
8
7
5
,
9
8
6
,
0
7
6
,
1
6
6
,
2
5
6
,
3
2
6
,
4
0
6
,
4
7
7
2
,
6
8
3
,
4
5
3
,
9
3
4
,
2
8
4
,
5
5
4
,
7
8
4
,
9
7
5
,
1
4
5
,
2
8
5
,
4
1
5
,
5
3
5
,
6
4
5
,
7
4
5
,
8
3
5
,
9
1
5
,
9
9
6
,
0
6
6
,
1
3
6
,
1
9
8
2
,
6
3
3
,
3
7
3
,
8
3
4
,
1
7
4
,
4
3
4
,
6
5
4
,
8
3
4
,
9
9
5
,
1
3
5
,
2
5
5
,
3
6
5
,
4
6
5
,
5
6
5
,
6
4
5
,
7
2
5
,
8
0
5
,
8
7
5
,
9
3
6
,
0
0
9
2
,
5
9
3
,
3
2
3
,
7
6
4
,
0
8
4
,
3
4
4
,
5
4
4
,
7
2
4
,
8
7
5
,
0
1
5
,
1
3
5
,
2
3
5
,
3
3
5
,
4
2
5
,
5
1
5
,
5
8
5
,
6
6
5
,
7
2
5
,
7
9
5
,
8
5
1
0
2
,
5
6
3
,
2
7
3
,
7
0
4
,
0
2
4
,
2
6
4
,
4
7
4
,
6
4
4
,
7
8
4
,
9
1
5
,
0
3
5
,
1
3
5
,
2
3
5
,
3
2
5
,
4
0
5
,
4
7
5
,
5
4
5
,
6
1
5
,
6
7
5
,
7
3
1
1
2
,
5
4
3
,
2
3
3
,
6
6
3
,
9
6
4
,
2
0
4
,
4
0
4
,
5
7
4
,
7
1
4
,
8
4
4
,
9
5
5
,
0
5
5
,
1
5
5
,
2
3
5
,
3
1
5
,
3
8
5
,
4
5
5
,
5
1
5
,
5
7
5
,
6
3
1
2
2
,
5
2
3
,
2
0
3
,
6
2
3
,
9
2
4
,
1
6
4
,
3
5
4
,
5
1
4
,
6
5
4
,
7
8
4
,
8
9
4
,
9
9
5
,
0
8
5
,
1
6
5
,
2
4
5
,
3
1
5
,
3
7
5
,
4
4
5
,
4
9
5
,
5
5
1
3
2
,
5
0
3
,
1
8
3
,
5
9
3
,
8
8
4
,
1
2
4
,
3
0
4
,
4
6
4
,
6
0
4
,
7
2
4
,
8
3
4
,
9
3
5
,
0
2
5
,
1
0
5
,
1
8
5
,
2
5
5
,
3
1
5
,
3
7
5
,
4
3
5
,
4
8
1
4
2
,
4
9
3
,
1
6
3
,
5
6
3
,
8
5
4
,
0
8
4
,
2
7
4
,
4
2
4
,
5
6
4
,
6
8
4
,
7
9
4
,
8
8
4
,
9
7
5
,
0
5
5
,
1
2
5
,
1
9
5
,
2
6
5
,
3
2
5
,
3
7
5
,
4
3
1
5
2
,
4
8
3
,
1
4
3
,
5
4
3
,
8
3
4
,
0
5
4
,
2
3
4
,
3
9
4
,
5
2
4
,
6
4
4
,
7
5
4
,
8
4
4
,
9
3
5
,
0
1
5
,
0
8
5
,
1
5
5
,
2
1
5
,
2
7
5
,
3
2
5
,
3
8
1
6
2
,
4
7
3
,
1
2
3
,
5
2
3
,
8
0
4
,
0
3
4
,
2
1
4
,
3
6
4
,
4
9
4
,
6
1
4
,
7
1
4
,
8
1
4
,
8
9
4
,
9
7
5
,
0
4
5
,
1
1
5
,
1
7
5
,
2
3
5
,
2
8
5
,
3
3
1
7
2
,
4
6
3
,
1
1
3
,
5
0
3
,
7
8
4
,
0
0
4
,
1
8
4
,
3
3
4
,
4
6
4
,
5
8
4
,
6
8
4
,
7
7
4
,
8
6
4
,
9
3
5
,
0
1
5
,
0
7
5
,
1
3
5
,
1
9
5
,
2
4
5
,
3
0
1
8
2
,
4
5
3
,
1
0
3
,
4
9
3
,
7
7
3
,
9
8
4
,
1
6
4
,
3
1
4
,
4
4
4
,
5
5
4
,
6
5
4
,
7
5
4
,
8
3
4
,
9
0
4
,
9
8
5
,
0
4
5
,
1
0
5
,
1
6
5
,
2
1
5
,
2
6
1
9
2
,
4
5
3
,
0
9
3
,
4
7
3
,
7
5
3
,
9
7
4
,
1
4
4
,
2
9
4
,
4
2
4
,
5
3
4
,
6
3
4
,
7
2
4
,
8
0
4
,
8
8
4
,
9
5
5
,
0
1
5
,
0
7
5
,
1
3
5
,
1
8
5
,
2
3
Tabelas | 127
2
0
2
,
4
4
3
,
0
8
3
,
4
6
3
,
7
4
3
,
9
5
4
,
1
2
4
,
2
7
4
,
4
0
4
,
5
1
4
,
6
1
4
,
7
0
4
,
7
8
4
,
8
5
4
,
9
2
4
,
9
9
5
,
0
5
5
,
1
0
5
,
1
6
5
,
2
0
2
4
2
,
4
2
3
,
0
5
3
,
4
2
3
,
6
9
3
,
9
0
4
,
0
7
4
,
2
1
4
,
3
4
4
,
4
4
4
,
5
4
4
,
6
3
4
,
7
1
4
,
7
8
4
,
8
5
4
,
9
1
4
,
9
7
5
,
0
2
5
,
0
7
5
,
1
2
3
0
2
,
4
0
3
,
0
2
3
,
3
9
3
,
6
5
3
,
8
5
4
,
0
2
4
,
1
6
4
,
2
8
4
,
3
8
4
,
4
7
4
,
5
6
4
,
6
4
4
,
7
1
4
,
7
7
4
,
8
3
4
,
8
9
4
,
9
4
4
,
9
9
5
,
0
3
4
0
2
,
3
8
2
,
9
9
3
,
3
5
3
,
6
0
3
,
8
0
3
,
9
6
4
,
1
0
4
,
2
1
4
,
3
2
4
,
4
1
4
,
4
9
4
,
5
6
4
,
6
3
4
,
6
9
4
,
7
5
4
,
8
1
4
,
8
6
4
,
9
0
4
,
9
5
6
0
2
,
3
6
2
,
9
6
3
,
3
1
3
,
5
6
3
,
7
5
3
,
9
1
4
,
0
4
4
,
1
6
4
,
2
5
4
,
3
4
4
,
4
2
4
,
4
9
4
,
5
6
4
,
6
2
4
,
6
7
4
,
7
3
4
,
7
8
4
,
8
2
4
,
8
6
1
2
0
2
,
3
4
2
,
9
3
3
,
2
8
3
,
5
2
3
,
7
1
3
,
8
6
3
,
9
9
4
,
1
0
4
,
1
9
4
,
2
8
4
,
3
5
4
,
4
2
4
,
4
8
4
,
5
4
4
,
6
0
4
,
6
5
4
,
6
9
4
,
7
4
4
,
7
8
2
,
3
3
2
,
9
0
3
,
2
4
3
,
4
8
3
,
6
6
3
,
8
1
3
,
9
3
4
,
0
4
4
,
1
3
4
,
2
1
4
,
2
8
4
,
3
5
4
,
4
1
4
,
4
7
4
,
5
2
4
,
5
7
4
,
6
1
4
,
6
5
4
,
6
9
Tabela 9.9 Valores crticos do coeciente de correlao linear de Pearson (teste bilateral)
n a=0,05 a=0,01
4 0,95 0,99
5 0,878 0,959
6 0,811 0,917
7 0,754 0,874
8 0,707 0,834
9 0,666 0,798
10 0,632 0,765
11 0,602 0,735
12 0,576 0,708
13 0,553 0,684
14 0,532 0,661
15 0,514 0,641
16 0,497 0,623
17 0,482 0,606
18 0,468 0,59
19 0,456 0,575
20 0,444 0,561
21 0,433 0,549
22 0,423 0,537
23 0,413 0,526
24 0,404 0,515
25 0,396 0,505
26 0,388 0,496
27 0,381 0,487
28 0,374 0,478
29 0,367 0,47
30 0,361 0,463
35 0,335 0,43
40 0,312 0,402
45 0,294 0,378
50 0,279 0,361
60 0,254 0,33
70 0,236 0,305
80 0,22 0,286
90 0,207 0,269
100 0,196 0,256
C
u
l
t
u
r
a
A
c
a
d
m
i
c
a
C
a
r
l
o
s

R
o
b
e
r
t
o

P
a
d
o
v
a
n
i
D
E
L
I
N
E
A
M
E
N
T
O

D
E

E
X
P
E
R
I
M
E
N
T
O
S

Carlos Roberto Padovani professor titular de Bioestatstica do Instituto de Bio -
cincias, Unesp, cmpus de Botucatu, tendo atuado como professor e/ou orientador
de Programas de Ps-Graduao da USP, Unicamp, Unesp, UFMT e UnB. Foi bol-
sista produtividade do CNPq; membro da Comisso de Avaliao de Programas de
Ps-Graduao junto Capes; coordenador da rea de Cincias Biolgicas junto
Runesp, presidente da Regio Brasileira da Sociedade Internacional de Biometria.
Atualmente ministra disciplinas da rea de Estatstica na graduao e de Bioestatstica
e Metodologia da Pesquisa Cientfca em vrios programas de Ps-Graduao na Unesp,
com orientaes em nvel de Mestrado e Doutorado e superviso de Ps-Doutorado.
O texto apresenta noes bsicas, histricas e conceituais de delineamentos experimen-
tais, em particular dos planejamentos inteiramente casualizado e em blocos completos
casualizados, complementado com os esquemas fatoriais, correlao e regresso linear
simples e testes de aderncia e associao para variveis categorizadas. A abordagem no
realizada sob o aspecto tradicional de frmulas e uso de pacotes computacionais para
os clculos estatsticos, mas sim, trazendo realidade o planejamento e o desenvolvimento
da experimentao aos alunos das reas de Cincias Biolgicas e da Sade.
Capa_Delineamento_minha versao.indd 1 19/05/2014 18:17:16

Delineamento Experimentos P Liv Virtual PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Delineamento Experimentos P Liv Virtual PDF

Uploaded by

Copyright:

Available Formats

C

, para i i (Varincias Heterogneas)

a mdia geral comum a todas as observaes defnida como

), indicando como os dados comportam-se (dis-

= i i a j , ,..., = ( ) 1 e fixo no existe diferena entre as respos-

. Resultado idntico ao utilizado no teste de homogeneidade.

(ou b) devem satisfazer:

=38368 . Qual a proporo da variabilidade total dos dados que

, , = 181 528 4 900 t p = < ( ) 27 01 0 001 , ,

, , = 17 011 1 661 , 25 50 IDADE .

, , Y X = 6 757 0 986 ; ou seja, para cada unidade de X h uma decrscimo

, , = 50 457 0 381 , 30 90 TEMP

, , = 5 304 0 0012 ; TAXACRIM

You might also like