51

UNIVERSIDADE FEDERAL DE VIOSA

UNIVERSIDADE FEDERAL DO CEAR
DEPARTAMENTOS DE TECNOLOGIA DE ALIMENTOS
TAL 795 Problemas especiais: Planejamento de experimentos com alimentos
2011 Jos Bencio Paes Chaves DTA/UFV

4 Testes de hipteses e anlise de varincia

4.1 Testes de hipteses
Em pesquisa e experimentao o pesquisador define uma hiptese cientfica.
Por exemplo, um extrato de determinado vegetal tem efeito antioxidante, prevenindo a oxidao no enzimtica de cidos graxos polinsaturados no alimento. Esta a
hiptese cientfica. Um experimento realizado utilizando este extrato, um antioxidante sinttico, mais um tratamento controle, sem antioxidante. Portanto, um experimento com trs tratamentos (2 antioxidantes mais o controle). Admite-se que os
princpios da experimentao foram atendidos. O produto preparado e armazenado sob condies adequadas. Ao final do perodo de armazenamento o produto
avaliado para oxidao, por meio do ndice de substncias reativas com o acido tiobarbitrico, TBARS. A hiptese estatstica a ser testada que as mdias do ndice
de TBARS so iguais para os trs tratamentos.
A hiptese de nulidade H0: 1 = 2 = 3 frente a hiptese alternativa, Ha: pelo
menos duas mdias diferem.
Os testes de hipteses consistem em verificar, por meio de valores obtidos de
uma amostra, a veracidade de uma hiptese em relao a uma distribuio ou em
relao a um ou vrios de seus parmetros. A aplicao mais freqente da estatstica em pesquisas testar alguma hiptese cientfica. Os mtodos estatsticos so
importantes em pesquisas na rea de alimentos porque os resultados dos experimentos, que so amostras, nem sempre apresentam separao clara clear cut. Portanto, necessitam testes estatsticos para suportarem decises entre alternativas,
tentando separar variaes devidas a efeitos reais de variaes aleatrias "rudos".
H dois tipos gerais de hipteses a serem testadas: a hiptese de nulidade "H0", hiptese de diferena nula (no diferena) e a hiptese alternativa "Ha".
Na anlise de varincia e em comparaes de mdias, a hiptese de nulidade
"H0" afirma que as respostas mdias dos diversos tratamentos so iguais, ou seja,

52

no h diferena entre os efeitos dos diversos tratamentos. A hiptese alternativa

"Ha" admite diferena entre efeitos de pelo menos dois tratamentos.
H0: m1 = m2 = m3 = ... = mn
Ha: pelo menos duas mdias diferem
Na anlise de regresso, por exemplo, Yi = 0 + 1X + 11 X2 + ei, a hiptese de nulidade "H0" afirma que os coeficientes 1 e 11 no diferem de zero:
H0: 1 = 11 = 0
Ha: 1 difere de zero e 11 difere de zero.
A hiptese da regresso anterior testada via resultados experimentais por
meio do modelo (equao)
Y = b0 + b1X + b11 X
Assim os coeficientes da regresso 1 e 11 so testados por meio de suas
estimativas b1X e b11. A hiptese H0: 0 = 0 s testada em casos especiais em que
esta situao se aplica, ou seja, se a linha de melhor ajuste de fato iniciar na origem.
Os testes de hipteses so baseados em resultados obtidos de amostras aleatrias. Assim, a deciso probabilstica, isto , baseada numa probabilidade, dada
uma distribuio terica.
H dois tipos de erros envolvidos nos testes baseados em amostras aleatrias: o erro tipo I ou erro e o erro tipo II ou erro .

Hiptese de nulidade

Hiptese Verdadeira
de
Nulidade
Falsa

Aceita

Rejeitada

Deciso
Correta

Erro

Erro

Deciso
Correta

53

Portanto, o erro tipo I pode ser definido como a probabilidade (risco) de rejeitar H0 quando ela verdadeira, enquanto o erro tipo II pode ser entendido com a
probabilidade (risco) de aceitar H0 quando ela falsa.
evidente que no se rejeita uma hiptese verdadeira ou se aceita
uma hiptese falsa deliberadamente. So os resultados do experimento,
que uma amostra, que levam a esta concluso.
Assim, quando se faz um teste estatstico e conclui-se que a diferena significativa, no se pode dizer que provou que h diferena, mas sim que h uma
grande probabilidade (1- ) de que haja diferena. H sempre um risco de concluir que h diferena quando na verdade ela no existe (lembre-se de que o resultado disponvel de uma amostra).
Antes de realizar um teste, h que se decidir qual a magnitude do erro tipo I
(nvel de significncia) que se pode tolerar. Mesmo quando se coleta amostras de
uma populao com parmetros conhecidos, haver sempre algumas dessas amostras que apresentam grande desvio, por acaso. As amostras mais distantes da mdia podem levar enganos, acreditando que a hiptese de nulidade no seja verdadeira. Ao se permitir que 5% das amostras podem levar ao erro tipo I, ento devese rejeitar 5 em cada 100 amostras de uma populao, concluindo que no sejam
amostras da mesma populao.
A estatstica dispe de uma srie extensa de mtodos para testes de hipteses. Dentre eles, anlise de varincia, testes de contrastes ortogonais, separao ou
comparao de mdias, anlise de regresso...

4.2 A distribuio de F
Simbolize uma varivel padronizada Y'i = (Yi - Y )/

e imagine vrias amos-

tras de tamanho "n" de Yi de uma populao normal de mdia e desvio-padro .

Para cada amostra, transforme os valores Yi em Y'i, como indicado acima. As quantidades Y'i2, calculadas para cada amostra, estaro distribudas em qui-quadrado
com "n" graus de liberdade. Utilizando a definio de Y'i, a quantidade Y'i2 pode
ser escrita como

(Yi - Y )2/ 2 = 1/ 2 (Yi - Y )2

54

Para n amostras aleatrias de uma populao com distribuio normal de

mdia m e varincia 2, a quantidade

(Yi - Y )2/ 2 tem distribuio de 2 com n-1 graus de liberdade.

Se em lugar da mdia verdadeira "" for utilizada a mdia amostral Y , a expresso 1/ 2 (Yi - Y )2 pode ser escrita como

2 = (n - 1)S2/ 2 , com n-1 graus de liberdade.

Ser descrito um resumo da distribuio de F dada a sua importncia para a
tcnica de Anlise de Varincia (ANOVA). Se duas variveis aleatrias independentes U e V tm distribuio de 2 com v1 e v2 graus de liberdade, respectivamente,
ento a quantidade
U/v1
F = -----V/v2

tem distribuio de F com v1 e v2 graus de liberdade.

A funo de densidade de probabilidade de F pode ser escrita como:

f(F) = {[ (v1+v2)/2.(v1/v2)v1/2.F(v1-2)/2]/[ (v1/2) (v2/2)(1+(v1/v2)F)(v1+v2)/2]},
para F>0
Para qualquer caso particular de F, [F1(v1,v2)], a probabilidade de F F1 pode ser obtida pela integral da funo acima, para F variando de F1 at infinito positivo.

P(F F1) =

F1

f(F) F

55

Como se observa esta uma frmula complexa para integrao. Assim, a

funo encontra-se tabelada para alguns valores de (nvel de significncia), v1 e
v2, para uso em anlise de varincia. Essas tabelas esto disponveis em diversos
livros de estatstica experimental.
Entretanto, com a disponibilidade de programas de computador como SAS,
SPSS, BMDP, SAEG, dentre vrios outros, para realizao da ANOVA e outros testes
de hiptese, estas tabelas praticamente "perderam sua utilizao", uma vez que os
programas contm rotinas que calculam a probabilidade exata P(F F1), para cada
fonte de variao de interesse.
Na experimentao, como se trabalha com amostras, a representao pode
ser feita da seguinte forma:
Sejam

12 = (n1 - 1)S12/ 12 = U1, com v1= n1 - 1 graus de

liberdade e

22 = (n2 - 1)S22/ 22 = V1, com v2= n2-1 graus de liberdade.

(n1 - 1)S12/ 12

U/v1
U1/v1
(n1 - 1)
S12/ 12
Assim, F = ------ = ------- = --------------------- = ---------V/v2
S22/ 22
V1/v2
(n2 - 1)S22/ 22
(n2 - 1)
Se 12 = 22 (homogeneidade de varincias residuais), ento
F = S12/S22, com v1 e v2 graus de liberdade, a razo de varincias de duas amostras. Neste caso v1 = n1 -1 e v2 = n2 -1.
O grfico tpico de f(F) pode ser representado como
|
|
f(F) |
RRH0
| RAH0
|
-------------------------------------
0
F
F0

56

P[F F0(v1,v2, )] =

e,

P(F F0)=

f(F) F

F0
Exemplo de ANOVA de um programa de computador (SAEG)
Anlise de varincia de escores para o odor de um produto
FV
GL
SQ
QM
Fc
Signif
Provador (P)
5
178,4142
35,6828 154,64
0,0001
Tratam. (T)
2
341,4715
170,7357 739,95
0,0001
P*T
10
251,5685
25,1568 109,03
0,0001
Resduo
36
8,3067
0,2307
Total
53
779,7609

Observando o Fc para tratamento tem-se

P(F 739,95) =

f(F) F = 0,0001 que

739,95
uma probabilidade muito pequena de um valor de F desta magnitude ocorrer por
acaso (diz-se F significativo).

4.3 - Anlise de Varincia (ANOVA)

A tcnica de anlise de varincia, desenvolvida por R.A. Fisher nos anos 20,
fundamental para as diversas aplicaes da estatstica na experimentao em geral
e tambm em cincia/tecnologia/engenharia de alimentos. Uma das aplicaes da
ANOVA testar se duas ou mais mdias amostrais podem ter sido obtidas de populaes com a mesma mdia verdadeira, ou seja, uma s populao. Quando se tem
apenas duas mdias, o teste "t" de student tem sido tradicionalmente usado para
testar a significncia da diferena entre elas. Neste caso, o teste t e a anlise de varincia so iguais.
Em um experimento no delineamento inteiramente casualizado, com dois tratamentos, duas mdias amostrais, pode-se demonstrar que t2 = F. Entretanto, a
ANOVA um teste mais geral, podendo testar simultaneamente, tanto a diferena
entre duas, quanto entre vrias mdias amostrais. Por esta razo costuma-se dizer

57

que a ANOVA uma tcnica robusta. Alm disso, as decises tomadas com base na
ANOVA mantm o que se denomina "taxa de erro por experimento", enquanto algumas outras tcnicas mantm o que se chama de "taxa de erro por comparao".
-Taxa de erro por experimento ("experimentwise error rate") - refere-se ao fato de
o teste manter o erro tipo I (alfa) para o experimento como um todo.
-Taxa de erro por comparao ("Comparisonwise error rate") - refere-se ao fato de
o teste ser mais liberal e considerar a probabilidade do erro tipo I para cada comparao, levando a maior risco nas concluses para o experimento como um todo.
Mais detalhes dessa discusso sero dados juntos com a apresentao dos
testes de comparao de mdias, tambm conhecidos como mtodos de separao
de mdias.
A tcnica de ANOVA consiste em decompor a variao total dos dados observados em seus vrios componentes, atribuindo a eles as causas de variao correspondentes. A fonte de variao de cada componente identificada e testada para
significncia contra a variao residual ou erro experimental. Um modelo estatstico
incorporando a natureza do estudo montado para identificar as fontes de variao.
Os detalhes dessa tcnica esto estritamente associados ao delineamento experimental utilizado. Considere I tratamentos aplicados J vezes em IJ unidades experimentais homogneas, cujos efeitos devem ser comparados com base nas respostas
Yij. Um modelo estatstico para esse tipo de estudo poderia ser
Yij = m + ti + eij, em que
Yij = j-sima resposta para o i-simo tratamento
m = a mdia geral, estimada pela mdia amostral
ti = representa o efeito do i-simo tratamento
eij = representa o erro experimental (aleatrio), que se assume ser normal e inde
pendentemente distribudo com mdia 0 (zero) e varincia constante entre os
tratamentos, 2.
De acordo com o modelo anterior, cada observao Yij composta do efeito
da mdia geral m, um efeito de tratamento ti e do efeito do erro experimental eij.
Assim, a variao total entre os Yij separada em cada um dos trs componentes.

58

A variao total e seus componentes denominada de Soma de Quadrados na linguagem da tcnica da ANOVA. Desta forma tem-se a Soma de Quadrados (SQ) Total decomposta em SQ devida a tratamentos (SQT), SQ devida ao erro experimental
(SQR) e a SQ devida mdia (Fator de Correo). A SQTotal normalmente ajustada ("Corrigida") com a SQMdia, por isso, no Quadro da ANOVA no aparece a
SQMdia.
O quadro seguinte apresenta um esquema geral de dupla entrada das respostas para esse tipo de estudo:
Repetio
1
2
3
4
.
.
.
J

mi

1
Y11
Y12
Y13
.
.
.
Y1J

Tratamentos
2
3
4
Y21
Y31 Y41
Y22
Y32 Y42
Y23
Y33 Y43
.
.
.
.
.
.
.
.
.
Y2J
Y3J Y4J

T1
m1

T2
m2

T3
m3

T4
m4

...
...
...
...
...
...
...
...

I
YI1
...
...
...
...
...
YIJ

...
...

TI
mI

G
m

Os efeitos do modelo so:

m = G/IJ; ti = Ti/J m; mi = Ti/J; restrio ti = 0
Evidencia: G =

Yij

Ao observar o quadro anterior se verifica que as diferenas entre as colunas

representam variaes do mesmo tratamento (dentro ou intra-tratamento) entre
repeties. Essas variaes so devidas a causas aleatrias e do origem estimativa do erro experimental. Na tcnica da ANOVA assume-se que essas variaes so
constantes entre tratamentos. As diferenas entre as linhas representam variaes
entre tratamentos e "podem" ser devidas s diferenas entre seus efeitos. Essas diferenas incluem tambm as variaes entre repeties.
O quadro da ANOVA para o modelo em discusso, mostrando a diviso da
SQTotal em seus diversos componentes tem a seguinte forma:

59

Fontes de
Variao
(FV)

Graus de
Liberdade
(GL)

Tratamentos
Resduo (Erro)
Total Corrigida

Soma de
Quadrados
(SQ)

I-1
IJ-I
IJ-1

Quadrado
Mdio
(QM)

Razo de
Varincias
(Fc)

QMT
QMR

QMT/QMR

SQT
SQR
SQTot

As frmulas para o clculo das diversas somas de quadrados foram derivadas

pelo mtodo algbrico denominado de "mnimos quadrados", ou seja, uma tcnica
algbrica para estimativa dos diversos parmetros mi e ti, em um sistema de equaes normais, que minimiza a soma de quadrados dos erros (variao residual). O
sistema de equaes normais pode ser resolvido por meio algbrico simples ou utilizando lgebra matricial. Nessa discusso sero apresentadas as frmulas sem preocupar com as suas dedues.

Soma de Quadrado da Mdia Geral (Fator de Correo) => C = G2/IJ

Soma de Quadrado Total => SQTot. = (Yij - m)2 = Yij2 - C
Soma de Quadrado de Tratamentos => SQT = 1/J T2i - C
Soma de Quadrado do Resduo => SQR = SQTot - SQT
(SQTot = SQT + SQR)
As varincias ou Quadrados Mdios so obtidos pela diviso da soma de quadrados pelos respectivos graus de liberdade:
QMT = SQT/(I-1);

QMR = SQR/(IJ - I)

A estatstica para testar a igualdade de efeitos dos tratamentos a razo de

varincias Fc = QMT/QMR. A hiptese de nulidade nesse caso
H0: m1=m2=m3= ... =mI e a hiptese alternativa
Ha: pelo menos duas mdias diferem entre elas.

60

A razo de varincias observada Fc comparada com percentis da distribuio de F. A hiptese de nulidade se verifica se o Fc for menor do que o F0 correspondente da Tabela. Caso contrrio, rejeita-se H0 em favor de Ha. Observe que
Fc=QMTr/QMR a mesma frmula vista anteriormente na definio de F, em que
F = S12/S22, sendo o QMT = S12 e o QMR = S22

Um exemplo numrico - os dados do quadro a seguir representam maciez de carne bovina (Longissimus dorsi) em libras/polegada quadrada (medidos no tendermetro Warner-Bratzler), submetida a tratamento com quatro tipos de enzima. Verificar se a diferena de maciez da carne pode ser considerada significativa.

Rapetio
1
2
3
4
5

Enzimas
A
B
14,2 10,4
11,3
7,8
11,8 12,5
16,9 10,2
12,2 11,0

C
10,1
11,4
11,4
9,6
7,8

D
23,4
11,2
17,6
15,6
16,0

66,4

51,9

50,3

83,8

Mi

13,3

10,4

10,1

16,8

G = 252,4 e m = 12,6
A SQTot = (14,2)2 + (11,3)2 + ... + (16,0)2 - (252,4)2/20 =
265,072
A SQT = ((66.4)2 + (51,9)2 + (50,3)2 + (83,8)2)/5 - (252,4)2/20
SQT = 145,732
A SQR = SQTot - SQT = 265,072 - 145,732 = 119,340.

O Quadro da ANOVA para o caso ser:

61

Anlise de varincia dos dados de maciez da carne

FV
GL
SQ
QM
Fc
Tratamento 3
145,732
48,577
6,51**
Resduo
16
119,340
7,459
Total
19
265,072
** - Significativo ao nvel de 1% de probabilidade.

0,01

5,29

Assim, o Fc = 6,51 com 3 e 16 graus de liberdade. Este F maior do o 99o.

percentil da distribuio de F (Tabela da distribuio de F) ao nvel de 1% de probabilidade. Portanto, rejeita-se a hiptese de nulidade, de que os quatro tipos de enzimas no tratamento da carne tm efeitos iguais nos valores de maciez.

4.4 - Pressuposies da ANOVA

A anlise de varincia como mostrada anteriormente a tcnica denominada
de paramtrica. No desenvolvimento das frmulas para estimativa dos parmetros,
de clculos das somas de quadrados e do teste F, vrias pressuposies foram feitas. De fato, antes de realizar esta anlise h necessidade de se observar e analisar
os dados quanto ao atendimento das pressuposies da ANOVA. Em muitos casos
em que os dados no atendem a uma ou algumas das pressuposies da ANOVA
"paramtrica", uma transformao dos dados originais antes de realizar a anlise
pode ser suficiente para satisfaz-las. Exemplos teis de transformao dos dados
originais so: transformao logartmica, transformao em raiz quadrada e a transformao arcsen ou angular.
Quando as transformaes so incapazes de levar os dados a atenderem as
pressuposies da ANOVA, ento outras tcnicas de anlise devem ser utilizadas.
H mtodos de anlise de varincia no-paramtrica, que algumas vezes so utilizados por preferncia do pesquisador, mesmo quando o mtodo paramtrico pode
ser empregado. A rapidez dos clculos e a preferncia pelas pressuposies geralmente mais simples da anlise no-paramtrica levam muitos pesquisadores a utiliz-los. Entretanto, se as pressuposies da ANOVA so satisfeitas esta tcnica ser
sempre mais eficiente.

62

Basicamente so 5 (cinco) as pressuposies da ANOVA paramtrica.

a) Aleatoriedade ou Casualizao
b) Independncia dos erros
c) Homogeneidade de varincias dos erros entre os tratamentos
d) Normalidade da distribuio dos erros
e) Aditividade dos efeitos

a) Aleatoriedade ou Casualizao - Qualquer anlise de varincia pressupe

que as amostras sejam aleatrias. Assim, por exemplo, no estudo dos efeitos de
trs dosagens de uma droga, mais um controle, em cinco ratos cada, os cinco ratos
alocados a cada tratamento tem que ser selecionados ao acaso. Se os cinco ratos
utilizados no controle so os mais jovens, ou os menores ou os mais pesados dos 20
ratos, enquanto aqueles alocados a qualquer outro tratamento sejam selecionados
de outra forma, fica claro que os resultados obtidos no so prprios para obteno
de uma estimativa no-tendensiosa dos efeitos dos tratamentos, ficando esses efeitos confundidos com o peso, tamanho, idade ou outra caracterstica dos ratos, material experimental. No-aleatoriedade na seleo da amostra pode refletir na falta
de independncia dos erros, ou na heterogeneidade das varincias residuais, ou na
normalidade da distribuio dos erros. Procedimentos adequados para assegurar
amostragem aleatria no delineamento e execuo (coleta de dados) do experimento ou levantamento so fundamentais e necessrios.

b) Independncia dos erros - Uma pressuposio que se menciona sempre que

se discute uma expresso do tipo Xij = m + ti + eij

a de que os eij so variveis

aleatrias de uma distribuio normal. Alm dessa, assume-se tambm que os eij
so independentes e identicamente distribudos.
Assim por exemplo, se as observaes so colocadas em alguma ordem lgica independente de suas magnitudes, por exemplo na ordem em que as medidas foram realizadas, espera-se que os eij apaream numa seqncia aleatria. Conseqentemente, uma longa seqncia de valores positivos seguida de outra seqncia de valores negativos dos erros muito pouco provvel. Tambm no se espera valores
positivos e negativos de erros se alternando sistematicamente. O atendimento do
princpio da Casualizao (alocar os tratamentos aleatoriamente nas unidades experimentais) assegura a independncia dos erros.

63

No h ajustamento simples ou transformao que supere satisfatoriamente o

problema da falta de independncia dos erros. O delineamento bsico do experimento ou o modo em que foi executado deve ser alterado. Um delineamento em
blocos casualizados supera a dependncia dos erros pela casualizao dos efeitos
das diferenas entre unidades experimentais. Se os erros no so independentes a
validade do teste F pode ser seriamente afetada.
Quando se suspeita de dependncia de erros nos resultados de um experimento deve-se realizar um teste apropriado para este fim, antes de concluir sobre efeitos de tratamentos pela ANOVA. Um exemplo desse teste o chamado ("runs test"
acima e abaixo da mediana). Calcula-se os valores de eij de cada observao e a
sua mediana. Os eij acima da mediana so codificados com sinal + (positivo) e os
abaixo da mediana com sinal - (negativo) - os valores de eij iguais mediana so
descartados do teste. Lembre-se de que a mediana o valor que ocupa a posio
central dos dados ordenados. Em seguida os eij so arranjados em sua "ordem natural" na amostra e realiza-se o teste de "runs" dos positivos e negativos. Se os erros so independentes, ou seja, seus valores ocorrem aleatoriamente, os positivos e
negativos devem estar em seqncia aleatria. Por outro lado, se os erros so dependentes, haver mais ou menos "runs" do que o esperado. (Veja Sokal & Rholf,
pginas 782-787, para exemplo desse teste).
Com o uso do computador, SAEG ou SAS, por exemplo, pode-se realizar um
teste rpido da distribuio dos erros. Dado o modelo, estima-se os eij e faz-se um
grfico dos erros padronizados (teste de resduos). Uma distribuio aleatria abaixo e acima da linha do erro padronizado zero indicao de independncia.

c) Homogeneidade de varincias dos erros entre os tratamentos - Homogeneidade de varincias tambm denominada de "homocedasticidade". Observe que a
pressuposio da ANOVA de homogeneidade das varincias dos erros entre os diversos tratamentos e no de varincias de tratamentos, que incluem o seu efeito.
Quando h mais de dois tratamentos no experimento, h vrios mtodos para testar
a hiptese de homogeneidade de varincias dos erros como os testes de Bartlett e
de F mximo de Hartley (1950).
As conseqncias de moderada heterogeneidade de varincias no so muito
srias para o teste de significncia como um todo, exceto nos casos de comparaes

64

com apenas um grau de liberdade, apenas dois tratamentos. Nestes casos, h um

teste de "t" aproximado para comparar as duas mdias, que leva em considerao a
heterocedasticidade.

d) Normalidade da distribuio dos erros

Nos modelos da tcnica de ANOVA pressupe-se que os eij de cada amostra
so independentes, que as varincias dos erros dos tratamentos (amostras) so
iguais e ainda, que os erros so distribudos normalmente. Afastamentos dessa distribuio afetam testes estatsticos pela reduo do poder do teste F. Entretanto, a
no-normalidade tem que ser muito grande para afetar a robusticidade do teste F.
Para testar essa pressuposio, calcula-se as freqncias esperadas normais dos
dados observados e testa-se o afastamento das distribuies observada e esperada.
Exemplos desses testes so o teste de 2 para ajustamento normal, o teste de
ajustamento ("Goodness of fit") de KOLMOGOROV-SMIRNOV e o teste de Lilliefors.
Uma das tcnicas alternativas o mtodo utilizando papel grfico de probabilidade,
para cada tratamento separadamente.

e) Aditividade dos efeitos

A pressuposio de aditividade de que o efeito da interao entre fatores
seja negligvel. Na anlise de varincia com dois ou mais fatores sem repetio, assume-se que o efeito da interao no significativo. Essa pressuposio tambm
referida como aditividade dos efeitos principais. Isto mostra que cada observao
pode ser decomposta em seus componentes aditivos representando os efeitos de
tratamentos e do erro aleatrio. Se a interao est presente, o teste F ser ineficiente e possivelmente enganoso, se o efeito da interao for muito grande.
Interaes podem surgir por vrias causas. De modo geral a interao significa que uma dada combinao de tratamentos, como o nvel 2 do fator A na presena do nvel 3 do fator B, torna a resposta diferente do esperado. Tal diferena
considerada uma propriedade inerente ao sistema natural em estudo, como sinergismo ou antagonismo. Interaes podem resultar tambm do fato de os efeitos de
dois fatores sobre a resposta serem multiplicativos em lugar de aditivos.

65

O Quadro a seguir mostra um exemplo hipottico de efeitos aditivos e multiplicativos de tratamentos.

Ilustrao de efeitos aditivos e multiplicativos
Efeitos
Efeitos do Fator A
do
-----------------------Fator B
a1=1 a2=2 a3=3
2
3
4
Efeitos aditivos
b1=1
1
2
3
Efeitos multiplicativos
0
0,30 0,48 Log dos efeitos multiplicativos
b2=5

6
5
0,70

7
10
1,00

8
Efeitos aditivos
15
Efeitos multiplicativos
1,18 Log dos efeitos multiplicativos

Admitindo que a mdia esperada da populao seja zero, m = 0, ento a mdia esperada da amostra submetida ao nvel 1 de A e nvel 1 de B dever ser 2, pelo
modelo aditivo convencional, j que o efeito do nvel 1 de cada fator 1. Da mesma
forma, a mdia esperada no subgrupo do nvel 3 de A e nvel 2 de B 8, sendo as
contribuies respectivas (efeitos) para a mdia 3 e 5. Entretanto, se os efeitos forem multiplicativos em lugar de aditivos, como ocorre em vrios fenmenos fsicoqumicos e biolgicos, os valores esperados de mdias so bem diferentes. Para o
tratamento A1B1 o valor esperado seria 1, o produto de 1 e 1. Para o tratamento
A3B2 o valor esperado seria 15, o produto de 3 e 5.
Ao se analisar dados multiplicativos desse tipo pela ANOVA convencional, encontraria-se que a soma de quadrados da interao estaria consideravelmente aumentada
em razo da no-aditividade dos efeitos dos tratamentos. Nesse caso uma transformao logartmica dos dados originais restauraria a aditividade, como mostrado
no quadro anterior. Observe que as variaes (aumentos) nos dados transformados
so aditivas. Tem-se aqui um bom exemplo de como a transformao dos dados
auxilia no atendimento das pressuposies da ANOVA. Neste ponto vale salientar
que se trata de efeitos principais multiplicativos - pode ocorrer em muitos experimentos que o efeito da interao seja significativo, mas os efeitos principais so
aditivos, quando de fato no h necessidade de transformao.
Um teste desenvolvido por Tukey (1949) pode ser utilizado para testar se a interao presente em um grupo de dados devida a efeitos principais multiplicativos.
Este teste divide a Soma de Quadrados da Interao em um grau de liberdade devi-

66

do aos efeitos multiplicativos dos efeitos principais e uma Soma de Quadrados Residual para representar as outras possveis interaes ou servir de erro (resduo) no
caso de ANOVA de experimentos sem repetio.

Referncias Bibliogrficas
.BETHEA, R.M.; DURAN, B.S. & BOULLION, T.L. Statistical Methods for Engineers
and Scientists. 2a. Ed. Marcel Dekker, Inc., New York. P134-140; p179-258; p278281.
.CAMPOS, H. Estatstica Experimental No Paramtrica. 4a. Edio. ESALQ. Piracicaba. SP.
.GACULA, Jr., M.C. & SINGH, J. 1984. Statistical Methods in Food and Consumer Research. Academic Press, Inc., Orlando, FL.
.GOMES, F.P. Curso de Estatstica Experimental. Piracicaba - SP. P19-27, p53-58.
.OLIVEIRA, L.M. Distribuies Estatsticas. Imp. Universitria UFV. 1970.
.ROHLF, F.J. & SOKAL, R.R. Statistical Tables. 2a. Ed. W.H. Freeman and Company.
New York.
.SOKAL, R.R. & ROHLF, F.J. Biometry: The Principles and Practice of Statistics in
Biological Research. 2a. Ed. W.H. Freeman and Company. New York.