Você está na página 1de 16

Universidade Federal do Piauí

Campus Universitário Profa Cinobelina Elvas

 DELINEAMENTO INTEIRAMENTE
CASUALIZADO

Profa. Gisele Rodrigues Moreira


Enga. Agrônoma
Dra. Genética e Melhoramento
E-mail: giselerm@ufpi.br

1. INTRODUÇÃO

 Os tratamentos são distribuídos


inteiramente ao acaso em todas as unidades
experimentais.

 Utiliza apenas os princípios da repetição e


da casualização.
Pressuposição:
Unidades experimentais sobre condições
homogêneas.

1
1. INTRODUÇÃO

A B A A B A
B A B B A B

Experimento básico Repetições + Casualização

2. QUADRO DE TABULAÇÃO DE DADOS

Experimento em DIC com I tratamentos


(i = 1, 2, ..., I) e J repetições (j = 1, 2, ..., J)
REPETIÇÕES
TRATAMENTOS
1 2 ... J Totais
1 Y11 Y12 ... Y1J T1
2 Y21 Y22 … Y2J T2
... ... ... ... ... …
I YI1 YI2 … YIJ TI

2
REPETIÇÕES
TRATAMENTOS
1 2 ... J Totais
1 Y11 Y12 ... Y1J T1
2 Y21 Y22 … Y2J T2
… ... ... ... ... …
I YI1 YI2 … YIJ TI

Número de unidades experimentais: N = I x J


IJ
Total geral: G = ∑Y
i =1, j =1
ij = Y..
J
Total para o tratamento i: Ti = ∑ Yij = Yi.
j =1
Ti
Média para o tratamento i: m
ˆi =
J
G
Média geral: mˆ =
IJ

Exemplo:

Experimento em DIC com 4 tratamentos


(i = 1, 2, ..., 4) e 3 repetições (j = 1, 2, 3) ⇒
variável resposta: Produtividade (kg/ha)

REPETICOES
TRATAMENTOS
1 2 3 Totais
1 25 26 20 71
2 31 25 28 84
3 22 26 28 76
4 33 29 31 93

3
REPETIÇÕES
TRATAMENTOS
1 2 3 Totais
1 25 26 20 71
2 31 25 28 84
3 22 26 28 76
4 33 29 31 93
4; 3

N = I x J ⇒ 4 x 3 = 12 G= ∑Y
i =1; j =1
ij = Y.. = 324
J
Ti = ∑ Yij = Yi . ⇒ T1 = 71; T2 = 84; T3 = 76; T4 = 93;
i =1

Ti
mˆ i = ⇒ mˆ 1 = 23,67; mˆ 2 = 28; mˆ 3 = 25,33; mˆ 4 = 31
J
G 324
mˆ = = = 27
IJ 12

3. MODELO ESTATÍSTICO

Indica quais são as fontes de variação dos


valores de uma variável resposta em estudo.

Yij = m + ti + eij
Em que:
Yij é o valor observado para a variável resposta obtido
para o i-ésimo tratamento em sua j-ésima repetição;
m é a média de todos os valores possíveis da variável
resposta;
ti é o efeito do tratamento i no valor observado Yij;
eij é o erro experimental associado ao valor observado
Yij.

4
4. ANÁLISE DE VARIÂNCIA

É uma análise estatística que permite decompor a


variação total, ou seja a variação existente, na variação
devido à diferença entre efeitos dos tratamentos e na
variação devido ao acaso (erro experimental ou resíduo).

Pressuposições:

 os efeitos do modelo devem ser aditivos;


 os erros experimentais devem ser normalmente
distribuídos [eij ~ N (0, 1) e independentes.

ANOVA ⇒ Teste de hipótese ⇒ Teste F

Etapas em teste de hipóteses:

I. Definir as hipóteses de nulidade (Ho) e alternativa (Ha);


II. Calcular o valor da estatística do teste (Proceder a
ANOVA);
III. Fixar o nível de significância (α) e obter o valor
tabelado ou ponto crítico;
IV. Comparar o valor da estatística do teste (valor
calculado) com o valor tabelado e concluir quanto à
rejeição ou não de Ho.

5
I. Hipóteses testadas na ANOVA

 Hipótese de nulidade (Ho): m1 = m2 = ... = mI = m


Todos os possíveis contrastes entre as médias dos
tratamentos são estatisticamente nulos, ao nível de
probabilidade que foi executado o teste.

 Hipótese alternativa (Ha): Não Ho.


Existe pelo menos um contraste entre as médias dos
tratamentos, estatisticamente diferente de zero, ao nível de
probabilidade que foi realizado o teste.

I. Hipóteses testadas na ANOVA

 Hipótese de nulidade (Ho): T1 = T2 = ... = TI


Todos os tratamentos tem o mesmo efeito. Ou seja, a
variância entre tratamentos é igual a zero.

 Hipótese alternativa (Ha): Não Ho.


Pelo menos dois tratamentos possuem efeitos diferentes.
Ou seja, a variância entre tratamentos é diferente de zero.

6
II. Quadro da ANOVA

Causa da
GL SQ QM F
variação
Tratamento I-1 SQTrat SQTrat/I-1 QMTrat/QMR
Resíduo I(J-1) SQR SQR/I(J-1) -
TOTAL IJ - 1 SQT - -

I ;J I ;J
I

∑Y 2
i.
( ∑Y ) ij
2
I ;J
( ∑Y )
i =1; j =1
ij
2

SQTrat = i =1

i =1; j =1 SQT = ∑Y 2
ij −
IJ
J IJ i =1; j =1

SQR = SQT − SQTrat

III. Nível de significância (α


α)

 Geralmente usa-se α = 5% ou 1%

 Tabela de F ⇒ valor tabelado:


n1 = graus de liberdade do numerador
n2 = graus de liberdade do denominador

7
IV. Regra decisória na ANOVA

 Se o valor de F calculado for maior ou igual ao valor


do F tabelado, então rejeita-se Ho e conclui-se que os
tratamentos têm efeito diferenciado ao nível de
significância em que foi realizado o teste;

 Se o valor de F calculado for menor ao valor do F


tabelado, então não se rejeita Ho e conclui-se que os
tratamentos têm mesmo efeito ao nível de significância
em que foi realizado o teste;

Exemplo:

Experimento em DIC com 4 tratamentos


(i = 1, 2, ..., 4) e 3 repetições (j = 1, 2, 3) ⇒
variável resposta: Produtividade (kg/ha)

REPETIÇÕES
TRATAMENTOS
1 2 3 Totais
1 25 26 20 71
2 31 25 28 84
3 22 26 28 76
4 33 29 31 93

8
I. Hipóteses

Ho: T1 = T2 = T3 = T4

Ha: pelo menos dois tratamentos


possuem efeitos diferentes.

II. ANOVA

Causa da
GL SQ QM F
variação
Tratamento I–1=3 SQTrat SQTrat/I-1 QMTrat/
QMR
Resíduo I(J-1) = 8 SQR SQR/I(J-1) -

TOTAL IJ – 1 = 11 SQT - -

4 tratamentos ⇒ I = 4
3 repetições ⇒ J = 3

9
III. ANOVA

I ;J I ;J
I

∑Y 2
i.
( ∑Y ) ij
2
I ;J
( ∑Y )
i =1; j =1
ij
2

SQTrat = i =1

i =1; j =1 SQT = ∑Y 2
ij −
IJ
J IJ i =1; j =1

SQR = SQT − SQTrat

Soma de quadrado de TRATAMENTO

I I ;J

∑ Yi.2 ( ∑Y )
i =1; j =1
ij
2

i =1
SQTrat = −
J IJ

Como i = 1, 2, 3, 4, então:
4 4
∑Y
i =1
2
i. = Y12. + Y22. + Y32. + Y42.
∑Y 2
i.
26522
i =1
4 = = 8840,67
J 3
∑Y
i =1
2
i. = (71) 2 + (84) 2 + (76) 2 + (93) 2
4

∑Y
i =1
2
i. = 26522

10
Soma de quadrado de TRATAMENTO

I I ;J

∑ Yi.2 ( ∑Y )
i =1; j =1
ij
2

i =1
SQTrat = −
J IJ

Como i = 1, 2, 3, 4, e j = 1, 2, 3, então:
4 ;3
( ∑Y )
i =1; j =1
ij
2
= (Y11 + Y12 + Y13 + Y21 + ... + Y43 ) 2 =

(Y1. + Y2. + Y3. + Y4. ) 2 4; 3


4 ;3 ( ∑Y ) ij
2

( ∑Y )
i =1; j =1
ij
2
= (71 + 84 + 76 + 93) 2
i =1; j =1
=
104976
= 8748
4 ;3
IJ 12
( ∑Y )
i =1; j =1
ij
2
= 104976

Soma de quadrado de TRATAMENTO

I I ;J

∑ Yi.2
i =1 26522
( ∑Y )
i =1; j =1
ij
2

104976
= = 8840,67 = = 8748
J 3 IJ 12

I I ;J

∑Y 2
i.
( ∑Y )
i =1; j =1
ij
2

i =1
SQTrat = − = 8840,67 − 8748
J IJ
SQTrat = 92,67

11
Soma de quadrado TOTAL

I ;J

I ;J
( ∑Y )
i =1; j =1
ij
2

SQT = ∑Y
i =1; j =1
2
ij −
IJ
Como i = 1, 2, 3, 4, e j = 1, 2, 3, então:
4;3

∑Y
i =1; j =1
2
ij = Y112 + Y122 + Y132 + Y212 + ... + Y432

4;3

∑Y
i =1; j =1
2
ij = 252 + 26 2 + 20 2 + ... + 312

4;3

∑Y
i =1; j =1
2
ij = 8906

Soma de quadrado TOTAL

I ;J I ;J

∑ Y = 8906 2 ( ∑Y ) ij
2

104976
ij i =1; j =1
= = 8748
i =1; j =1 IJ 12
I ;J

I ;J
( ∑Y )
i =1; j =1
ij
2

SQT = ∑Y
i =1; j =1
2
ij −
IJ
= 8906 − 8748

SQT = 158

12
II. ANOVA

Causa da
GL SQ QM F
variação
Tratamento 3 92,67 30,89 3,78

Resíduo 8 65,33 8,17 -

TOTAL 11 158 - -

QMTrat = SQTrat/I-1 QMR = SQR/I(J-1)

F = QMTrat/QMR

III. Nível de significância

Causa da
GL SQ QM F
variação
Tratamento 3 92,67 30,89 3,78

Resíduo 8 65,33 8,17 -

TOTAL 11 158 - -

α = 5% ⇒ n1 = 3 Ftabelado = 4,07
n2 = 8

13
IV. Conclusão do teste F

Causa da
GL SQ QM F
variação
Tratamento 3 92,67 30,89 3,78

Resíduo 8 65,33 8,17 -

TOTAL 11 158 - -

Como 3,78 < 4,07, teste F não significativo, então


não se rejeita Ho ao nível de 5% de probabilidade. Ou seja,
não existe variação entre os efeitos dos tratamentos.

5. COEFICIENTE DE VARIAÇÃO

Utilizado para avaliar a precisão


experimental.
QMR -∞ < CV% < +∞
CV % = .100

CV% Avaliação Precisão
< 10 Baixo Alta
10 a 20 Médio Média
20 a 30 Alto Baixa
> 30 Muito alto Muito baixa

14
Coeficiente de variação (CV%)

Causa da
GL SQ QM F
variação
Tratamento 3 92,67 30,89 3,78

Resíduo 8 65,33 8,17 -

TOTAL 11 158 - -

QMR
CV % = .100
mˆ CV% “médio” ⇒ “média” precisão
8,17 Cuidado!!!!
CV % = = 10,59%
27

6. VANTAGENS E DESVANTAGENS DO DIC

Vantagens:

 Não existem exigências quanto ao número de


tratamentos e repetições;

 É o delineamento que apresenta o maior valor para


o número de graus de liberdade do resíduo.

15
6. VANTAGENS E DESVANTAGENS DO DIC

Desvantagens:

 Não é fácil conseguir e manter total homogeneidade


das condições durante toda a realização do
experimento;

 Todas as variações, exceto a devida a tratamentos,


são consideradas como sendo variações que ocorrem
ao acaso. Isto pode acarretar em uma estimativa muito
alta para o erro experimental.

Para pensar um pouco...

Como seria a ANOVA se o


número de repetições por
tratamento fosse
diferente? Em que isto
afetaria a análise?

16