Você está na página 1de 108

1

1. INTRODUO A ESTATSTICA EXPERIMENTAL



A Estatstica Experimental a parte da Matemtica aplicada aos dados
experimentais obtidos de experimentos. O seu objeto o estudo dos Experimentos,
no que diz respeito ao seu

- Planejamento;
- Execuo;
- Anlise dos dados e
- Interpretao dos resultados.


1.1. TERMINOLOGIA

- Experimento ou ensaio: Trabalho previamente planejado, que segue
determinados princpios bsicos onde se faz a comparao de efeito de tratamentos.
- Tratamento: o mtodo, elemento ou material cujo efeito deseja medir ou
comparar um experimento. Pode ser classificado em quantitativos e qualitativos.
- Testemunha: um tratamento padro que pode ser usado na comparao com
os outros tratamentos.
- Unidade experimental ou parcela: a unidade que vai receber o tratamento e
fornecer os dados que devero refletir seu efeito.
- Unidade amostral: aquela poro do material onde so medidas as variveis
para avaliao dos tratamentos.
- Material experimental: todo o material de que o pesquisador dispe para a
execuo do experimento.
- Delineamento experimental: o plano utilizado na experimentao, ou seja, o
arranjo das unidades experimentais usadas para controlar o erro experimental e ao
mesmo tempo acomodar o delineamento de tratamento no experimento. Implica na
forma como os tratamentos sero designados s unidades experimentais e em um
amplo entendimento das anlises a serem feitas quando todos os dados estiverem
disponveis.
- Delineamento de tratamentos: O modo de combinar os diversos nveis dos
fatores em estudo.
- Tipos de variao: Na experimentao agrcola ocorrem trs tipos de variaes.
O primeiro tipo chamado de variao premeditada, que se origina dos diferentes
tratamentos, deliberadamente introduzidos pelo pesquisador, com o propsito de
fazer comparaes.
O segundo tipo, chamado de variao externa, devido a variaes no
intencionais de causas conhecidas, que agem de modo sistemtico. Por exemplo, a
heterogeneidade do solo uma variao deste tipo, pois as parcelas localizadas em
solos mais frteis produzem mais que as localizadas em terrenos pobres.
O terceiro tipo, chamado de variao acidental ou do acaso, que de causa
desconhecida, de natureza aleatria e que no est sob controle do pesquisador.
Tal variao que constitui o chamado Erro experimental.
2


- Erro experimental: a medida das variaes existentes entre os dados ou
observaes que se apresentam nas unidades experimentais que recebem
tratamentos iguais, ou seja, a causa da variao que reflete os efeitos do acaso.

- Os erros experimentais so de dois tipos:

- Inerentes variabilidade nas unidades experimentais, nas quais os
tratamentos so aplicados, pois caracterstica de tais unidades produzirem
resultados diferentes quando sujeitos aos mesmos tratamentos.

- Falta de uniformidade na conduta fsica do experimento, isto , falha na
padronizao da tcnica experimental.

- Populao ou conjunto universo: o conjunto constitudo por todos os dados
possveis com relao caracterstica em estudo.

- Amostra: uma parte representativa da populao, isto , um subconjunto do
conjunto universo.

- Caractersticas de uma populao:

Parmetros: mdia;

2
varincia;
desvio padro.

- Amostra: uma parte representativa da populao, isto , um subconjunto do
conjunto universo.

- Caractersticas de uma amostra:

Estatsticas ou estimativas: m ou

X mdia.
s
2
varincia.
s desvio padro.


Desses parmetros ou estimativas, alguns so considerados medidas de posio
(ou tendncia central), e outros, medidas de disperso (ou variao).











3


1.2. MEDIDAS DE POSIO


Das medidas de posio (mdia, mediana, moda, quartis, e outras), a mais utilizada
em experimentao a mdia aritmtica.

- Mdia aritmtica: definida como a soma de todas as observaes, dividida
pelo nmero delas.


Assim, para uma populao com N elementos X
1
, X
2
, X
3
, ... , X
N
, a mdia
aritmtica () ser:

N
X , ... , X X X

N 3 2 1
+ + + +
=
ou
N
X

i
1

=
=
N
i


Para uma amostra com n elementos: x
1
, x
2
, x
3
, ..., x
n
, a estimativa da mdia (

X )
ser:

X
n
x , ... , x x x

n 3 2 1
+ + + +
= ou
n
x

i
1

=
n
i
X




- Mediana: A mediana de um conjunto de dados ordenados (rol) o valor que
divide esse conjunto em subconjuntos com igual nmero de dados.
um valor que ocupa a posio central dos dados.

Se x
1
, x
2
, x
3
, ..., x
n
, representa uma amostra aleatria de tamanho n, arranjada
em ordem crescente de magnitude, ento a mediana da amostra definida pela
estatstica:



1)/2 (n
x
+
se n impar.

~
X (ou Md) =

2
x x
1 n/2 n/2 +
+
se n impar.






4

- Moda: A moda de um conjunto de dados o valor que ocorre com maior
freqncia nesse conjunto. s vezes, um conjunto de valores apresenta
duas ou mais modas, o que indica uma certa heterogeneidade dos dados.


Se x
1
, x
2
, x
3
, ..., x
n
, no necessariamente todos diferentes, representa uma
Amostra aleatria de tamanho n, ento a moda M aquele valor da amostra
que ocorre com maior freqncia. A moda pode no existir, e quando ela existe,
no necessariamente nica.

Quando o conjunto de valores no apresenta qualquer valor com frequncia
maior que a dos outros valores. Ento, para se ter uma idia do valor da moda
podemos utilizar uma frmula emprica, proposta por Pearson:

M =

X - 3 (

X -
~
X )



1.3. MEDIDAS DE DISPERSO

Disperso ou variao o grau com que os dados tendem a se afastar de um valor
central, geralmente a mdia aritmtica. Amostras com mesma mdia podem
apresentar distribuies diferentes. Portanto, s a mdia no nos d uma idia clara
de como os dados se distribuem. Ento, necessrio calcular as medidas de
disperso ou variao para se ter uma melhor noo da distribuio dos dados.

Das medidas de disperso, veremos: a amplitude total, a varincia, o desvio
padro, erro padro da mdia, coeficiente de variao e ndice de variao.

- Amplitude: a distancia entre os dois valores extremos de uma distribuio.

A amplitude de uma amostra aleatria x
1
, x
2
, x
3
, ..., x
n
definida pela estatstica:

R= x
(n)
- x
(1)
,

onde x
(n)
e x
(1)
so, respectivamente, as observaes de valor mximo e de valor
mnimo na amostra. Ela uma pobre medida de variabilidade, particularmente se o
tamanho da amostra grande. Ela considera apenas os valores extremos e no diz
nada a respeito da distribuio dos valores entre os extremos. Alm disso, como
improvvel que uma amostra contenha os valores mnimo e mximo da populao, a
amplitude geralmente subestima a amplitude populacional, sendo um estimador
viesado e ineficiente. Deve ser considerada, ainda, a influncia de possveis
outliers, que so mensuraes discrepantes, no estimador da amplitude.







5

Apesar das limitaes dessa medida de disperso, a amplitude usada para se ter
uma indicao rpida e fcil da variabilidade em diversas reas, tais como: controle
de qualidade de matrias-primas ou de produtos industriais coletados em intervalos
regulares de tempo e em estudos taxonmicos com interesse nos valores
populacionais mnimos e mximos esperados.


- Varincia: o grau com que os dados tendem a se dispersar em torno de um
valor central (mdia), ou seja, a mdia aritmtica dos quadrados
dos desvios de cada valor com relao sua mdia aritmtica.


Ento, para uma populao com N elementos X
1
, X
2
, X
3
, ..., X
N
, cuja a mdia :

N
X

i
1

=
=
N
i
, os desvios em relao mdia sero: e
1
= X
1
- , e
2
= X
2
- , ... ,

e
N
= X
N
- . A varincia ser:




N
, ... ,

e e e e
2
N
2
3
2
2
2
1
2
+ + + +
=
o
=
N
SQD
=
N
) (X

2
1
i

=

N
i
=


N
N
) X (
X

2
1
i
2
i
1
2

=
=

=
N
i
N
i
o
, ou:
(
(
(
(
(
(

=
=
N
) X (
X
N
1

2
1
i
2
i
1
2
N
i
N
i
o



Normalmente, trabalhamos com amostras, e a estimativa da varincia (representada
s
2
) calculada, para uma amostra com n elementos, por:
1 - n
, ... ,

d d d d
2
n
2
3
2
2
2
1
2
+ + + +
=
s
=
1 - n
SQD
=
1 - n
) (x

2
1
i

X
n
i
=

6

1 - n
n
) x (
x

2
1
i
2
i
1
2

=
=

=
n
i
n
i
s
, ou:
(
(
(
(
(
(

=
=
n
) x (
x
1 - n
1

2
1
i
2
i
1
2
n
i
n
i
s



O denominador utilizado no clculo da varincia denomina-se nmero de graus de
liberdade (G.L.). Ele pode ser pensado como o nmero de elementos
estatisticamente independentes na soma de quadrados. O valor do G.L. representa
o nmero de partes independentes de informao na soma de quadrado.

A varincia sempre um valor positivo, e sua unidade quadrtica. Ela supera a
desvantagem da amplitude na avaliao da variabilidade, pois, considera a posio
de cada observao relativa mdia da amostra.


- Desvio padro: a raiz quadrada da varincia, tomada como valor positivo.
expressa na mesma unidade dos dados e por esta razo possui significado fsico e
preferido pelos pesquisadores, por ser mais fcil de interpretar. O desvio padro
populacional () definido como:


N
N
) X (
X
2
1
i
2
i
1

=
=

=
N
i
N
i
o , ou:
(
(
(
(
(
(

=
=
N
) X (
X
N
1
2
1
i
2
i
1
N
i
N
i
o




O estimador amostral do desvio padro populacional um estimador viesado,
obtido pela simples extrao da raiz quadrada da varincia amostral. O maior vis
ocorre principalmente em pequenas amostras. Correes para vis do desvio
padro so possveis (Gurland & Trupathi, 1971; Tolman, 1971), mas raramente
empregadas. O estimador do desvio padro est apresentado na equao a seguir:





7




1 - n
n
) x (
x
2
1
i
2
i
1

=
=

=
n
i
n
i
s , ou:
(
(
(
(
(
(

=
=
n
) x (
x
1 - n
1
2
1
i
2
i
1
n
i
n
i
s



- Erro padro da mdia: dado pela razo entre o desvio padro populacional
e a raiz do tamanho da amostra. expresso pela
seguinte equao:


n

o
o
=

X



O estimador amostral desse parmetro apresentado pela seguinte equao:



n

s
sX
=



As razes da necessidade do estimador so: (a) no se conhece, em geral, o desvio
padro populacional; b) na maioria das situaes reais no possvel retirar todas
as amostras de uma populao; e c) em geral, apenas uma amostra extrada da
populao.

O erro padro da mdia uma medida da disperso das mdias amostrais em torno
da mdia da populao. Quanto menor for o seu valor, mais provvel ser a chance
de obter a mdia da amostra nas proximidades da mdia da populao, e quanto
maior for menos provvel se torna esse evento. Assim, ele um estimador da
preciso da estimativa de uma mdia populacional. de importncia fundamental na
teoria da estimao e testes de hipteses sobre mdias.










8



- Coeficiente de variao (CV): a medida de disperso que expressa,
percentualmente, o desvio padro por unidade
de mdia, ou seja:

=
X
s 100
CV
onde s e

X so expressos na mesma unidade. O coeficiente de variao um


nmero abstrato (sem unidade). Este coeficiente d idia de preciso do
experimento, mas tem defeito importante: ignora o nmero de repeties. Eles
podem ser considerados:

Baixo: quando o CV for menor que 10%;
Mdio: quando o CV estiver entre 10-20%;
Alto: quando o CV for superior a 20% e menor ou igual a 30%;
Muito Alto: quando o CV for superior a 30%.


- ndice de variao (IV) ou coeficiente de preciso (CP):
o coeficiente de variao (CV) dividido por n , isto , pela raiz quadrada do
nmero de repeties, dado pelo nmero de unidades da amostra. um nmero
abstrato. No tem o defeito do CV, pois leva em conta o nmero de repeties
(n).
definido pela seguinte equao:


n
s 100
IV

=
X

n
CV
= =

X
sX
x100




1.4. TIPOS DE EXPERIMENTOS

- Experimentos preliminares: So aqueles em que se utiliza um grande
nmero de tratamentos, poucas repeties e parcelas pequenas, e ainda so
conduzidos sem muito rigor estatstico. Geralmente so usados para ensaio de
introduo de variedades em que se precisa fazer uma triagem.

- Experimentos crticos: So realizados pelas instituies de pesquisa e se
escolhem certos tratamentos, com base nas informaes obtidas nos estudos
preliminares; usam-se maior nmero de repeties e tcnicas estatsticas
recomendadas, procurando-se confirmar hipteses previamente estabelecidas.

- Experimentos demonstrativos: So usados por extensionistas e Secretarias
de Agricultura e se baseiam nas informaes dos experimentos crticos. Avaliam-se
aspectos econmicos.

9



- Objetivos de um experimento

- Levantar questes a serem respondidas
- Observar efeitos a serem estimados
- Detectar interaes a serem conhecidas
- Formular hipteses a serem testadas

- Quanto ao nmero de fatores os experimentos podem ser:

- Unifatoriais
- Fatoriais


1.5. PESQUISA CIENTFICA

Em qualquer pesquisa cientifica, o procedimento geral o de formular hipteses e
verific-las, diretamente, ou por meio de suas conseqncias. Para tanto
necessrio um conjunto de observaes ou dados, e o planejamento de
experimentos essencial para indicar o esquema sob o qual as hipteses podem
ser testadas.

As hipteses so testadas por meio de mtodos de anlise estatstica que
dependem do modo como as observaes ou os dados foram obtidos, e, desta
forma, o planejamento de experimentos e a anlise dos dados esto intimamente
ligados e devem ser utilizados em certa seqncia nas pesquisas cientificas. Isso
pode ser visualizado na Figura a seguir, na qual verificamos que as tcnicas de
planejamento devem ser utilizadas entre as etapas (1) e (2), e os mtodos de
anlise estatstica, na etapa (3).


Planejamento
Formulaes de
hipteses
Teste das hipteses
Formuladas
(2)
(4)
(3)
(1)
Observaes
Desenvolvimento
da Teoria
Anlise Estatstica


Circularidade do mtodo cientfico




10


1.6. PONTOS A SEREM CONSIDERADOS PARA REDUZIR A
VARIAO ALEATRIA

O que nos obriga a utilizar a anlise estatstica para testar as hipteses formuladas
a presena, em todas as observaes ou dados, de efeitos de fatores no
controlados que causam variao. Estes fatores podem ou no ser controlveis.
Entre os fatores considerados no controlveis, podemos citar: pequenas diferenas
de fertilidade de solo, ligeiras variaes nos espaamentos, profundidade de
semeadura um pouco maior ou menor que prevista no trabalho, variao na
constituio gentica das plantas, pequenas variaes nas doses de adubos,
inseticidas, fungicidas, herbicidas, etc.

Estes efeitos, que sempre ocorrem, no podem ser conhecidos individualmente e
tendem a mascarar o efeito do tratamento em estudo. Visando tornar mnima a
variao do acaso, o experimentador deve fazer o planejamento do experimento de
tal forma que consiga isolar os efeitos de todos os fatores que podem ser
controlados. Especial importncia deve ser dada alguns pontos, como: tamanho e a
forma da parcela, orientao das parcelas, efeito de bordaduras entre as
parcelas, falhas de plantas nas parcelas, nmero de repeties dos
experimentos, delineamentos experimentais e forma de conduo dos
experimentos.

1.6.1. Tamanho e forma da parcela


De um modo geral, a escolha da parcela deve ser orientada de forma a minimizar
erro experimental, isto , as parcelas devem ser o mais uniforme possvel, para
que, ao serem submetidas a tratamentos diferentes, seus efeitos sejam detectados.

No Experimento de campo o tamanho e a forma das parcelas so bastante
variveis, em funo de:

a) Material com que se est trabalhando:

Devemos aumentar ou diminuir o tamanho das parcelas em funo da cultura
que est sendo estudada. Por exemplo, parcelas para a cultura da cana-de-
acar devem ser maiores que aquelas para a cultura do milho ou feijo.

b) Objetivo da pesquisa:

O objetivo do trabalho experimental tambm influencia o tamanho da parcela.
Exemplo, experimentos de comparao de nveis de irrigao necessitam de
parcelas maiores do que os de competio de variedades.

c) Nmero de tratamentos em estudo:

Quando o nmero de tratamentos muito grande, como ocorre com os
experimentos de melhoramento gentico vegetal, o tamanho das parcelas deve
11

ser reduzido, para diminuir a distncia entre as parcelas extremas, visando
homogeneidade entre elas.

d) Quantidades disponveis de sementes:

outro fator que pode limitar o tamanho das parcelas, principalmente nos
ensaios de introduo de novos materiais genticos.

e) Uso de mquinas agrcolas:

Nos experimentos em que necessria a utilizao de mquinas agrcolas (como
tratores e colheitadeiras), o tamanho das parcelas deve ser obrigatoriamente,
grande, para permitir as condies ideais de trabalho dessas mquinas.

f) rea total disponvel para a pesquisa:

Freqentemente, o experimentador tem que ajustar seu experimento ao tamanho
da rea disponvel, que em geral pequena, o que resulta na utilizao de
parcelas menores que o desejvel.

g) Custo, tempo e mo-de-obra:

So fatores que tambm limitam o tamanho das parcelas. Algumas vezes, o fator
limitante o custo de parcelas muito grandes; outras vezes a falta de tempo do
pesquisador para poder obter as observaes em parcelas muito grandes; e
outra ainda, a falta de mo-de-obra para as operaes durante a conduo do
experimento.


O tamanho timo para a parcela ser aquele que resulte na menor variao entre
parcelas dentro do bloco.

A forma da parcela refere-se razo entre o comprimento e a largura. A melhor
forma da parcela ser, para cada caso, a que melhor controle as variaes
acidentais e a que se adapte natureza dos tratamentos a estudar.

No delineamento em blocos casualizados, o melhor que a forma da parcela seja
retangular, para que cada bloco seja o mais quadrado possvel, enquanto que, ao
contrrio, no delineamento em quadrado latino, a parcela deve aproximar-se o mais
possvel da forma quadrada, para que toda a repetio se aproxime do quadrado.

Para parcelas de tamanho pequeno, o efeito da forma quase nulo. Porm, em
parcelas maiores ele pode ser considervel.

No que se refere forma das parcelas, experimentos realizados em diversos
pases, com diferentes culturas, tm mostrado que, para se obter maior preciso, as
parcelas devem ser relativamente compridas e estreitas. Assim, as parcelas de
uma repetio tendero a participar de todas as grandes manchas de fertilidade do
terreno que ocupam, e tambm, quando for grande o nmero de tratamentos, o
12

bloco no se afastar muito da forma quadrada, que outra recomendao para
diminuir o efeito da variao ambiental.

A forma da parcela tambm influenciada pelo efeito bordadura e pela
heterogeneidade do solo. Em alguns experimentos, devemos separar as
bordaduras, para evitar influncia sobre a parcela dos tratamentos aplicados nas
parcelas vizinhas. Neste caso, teremos a rea total e a rea til da parcela, e os
dados a serem utilizados na anlise estatstica sero apenas aqueles coletados na
rea til da parcela. Em experimentos onde a bordadura pode efeito aprecivel ,
parcelas quadradas so desejveis porque elas possuem um permetro mnimo,
para um dado tamanho de parcela. (retangular = 9 m x 4 m = 36 m
2
, permetro igual
a 26 m; quadrada = 6 m x 6 m = 36 m
2
ter permetro igual a 26 m). Por outro lado,
quando existe um gradiente de fertilidade do solo, as parcelas devero ser
retangulares.

Em determinados experimentos, deseja-se acompanhar o crescimento das plantas
por intermdio de uma anlise de crescimento feita por meio de dados fisiolgicos
obtidos em amostragens semanais ou quinzenais de plantas. Nestes experimentos,
devem ser separadas nas parcelas algumas linhas de cultura onde sero feitas as
amostragens, deixando-se outras para a produo, veja detalhes na Figura a
seguir:

B - Bordadura

.
.
.
.
.
.
.
.
.
.
.
.
B
B
B
B
} AMOSTRAGEM
} PRODUO
} AMOSTRAGEM




A amostragem de parcela um procedimento para a seleo de uma frao de
plantas de uma parcela experimental, para a representao dessa parcela co
preciso. Uma tcnica de amostragem de parcelas considerada boa, se os valores
das caractersticas medidos na amostra esto muito prximos daqueles que teriam
sido obtidos, se as mensuraes tivessem sido efetuadas em todas as plantas da
parcela. Alguns fatores devem ser levados em conta, quando da amostragem de
parcelas. So eles: unidade amostral, tamanho amostral e mtodo de
amostragem. A unidade amostral refere-se unidade na qual sero feitas as
mensuraes. O tamanho amostral refere-se ao nmero de unidades amostrais
que sero tomadas em cada parcela, e o mtodo de amostragem a maneira pela
qual as unidades amostrais so escolhidas na parcela. Deve-se procurar separar a
rea amostrada do restante da parcela. Veja Figura acima.

13

Experimentos em casa de vegetao para a construo de cada parcela
podem-se utilizar um conjunto de vasos, ou ento, um nico vaso com duas ou trs
plantas. s vezes, uma nica planta constitui a unidade experimental.

Experimentos de laboratrio uma amostra simples do material poder constituir
a parcela, porm, s vezes, necessrio utilizar amostra composta. Na amostra
obtida de cada parcela, devem ser feitas diversas determinaes, das quais obtida
uma mdia para representar o valor observado nessa parcela. No devemos
confundir as diversas determinaes da mesma amostra material com as
repeties do experimento.

Vrios mtodos podem ser utilizados para a escolha do tamanho e forma ideais de
parcela. Entre eles esto os mtodos baseados em dados de Ensaio de
Uniformidade (Mtodo da Mxima Curvatura, Mtodo do ndice de
Heterogeneidade do Solo e o Mtodo de Hatheway) e em Ensaios Experimentais
(Mtodo da Mxima Curvatura Modificado por Sanchez).


1.6.2. Orientao das parcelas

A orientao das parcelas refere-se escolha da direo ao longo da qual os
comprimentos das parcelas sero colocados. A orientao das unidades
experimentais pode reduzir ou aumentar os efeitos dos gradientes de fertilidade do
solo do campo. Se o terreno tem um gradiente de fertilidade conhecido, as
parcelas de cada repetio ou bloco devem ser colocadas com sua maior dimenso
no sentido paralelo a tal gradiente (Figura a seguir). O gradiente de fertilidade tem a
direo da flecha.


X Y Z



















































0g
0g
0g

0g
0g
0g

0g
0g
0g

0,5g

0g

3g


0,5g

0g

3g


0,5g

0g

3g

.4g .3g .2g .1g 0g 1g 2g 3g 4g

Na distribuio X, em que a maior dimenso das parcelas perpendicular ao
gradiente de fertilidade, verifica-se que algumas parcelas tm maior fertilidade do
que outras (conseqentemente maior variabilidade), enquanto na distribuio Y,
todas as parcelas participam por igual das diferentes fertilidades do solo (menor
variabilidade), pois todas tero um extremo frtil e outro pobre. Na distribuio Z,
trs parcelas participam da parte mais frtil, trs da parte intermediria e trs da
parte mais pobre (variabilidade intermediria).
14


Portanto, as parcelas devem ser colocadas no campo com o lado mais comprido
paralelo direo de tal gradiente. Se no for possvel adotar a distri buio Y por
dificuldades de ordem prtica, ento se deve adotar a distribuio Z, sendo a X, a
menos recomendvel.

1.6.3. Efeito bordadura entre parcelas

Denomina-se efeito bordadura diferena em comportamento entre plantas ao
longo dos lados ou extremidades de uma parcela e as plantas do centro dessa
parcela. Essa diferena pode ser medida pela altura de planta, resistncia s pragas
e molstias, rendimento de gros e de frutos, etc. O efeito bordadura pode ocorrer
quando um espao no plantado deixado entre blocos e entre parcelas. Estes
espaos proporcionam maior aerao, luz e nutrientes s plantas de bordaduras, e
contribuem para aumentar por este motivo a colheita, com isto os rendimentos dos
tratamentos ficam superestimados em razo da maior produo das plantas de
bordadura. Esta influencia tanto maior, quanto maior a rea que circunda a
parcela, e menor a parcela.

As reas livres no s aumentam o rendimento, como tambm, o que pior, os
tratamentos no apresentam por igual esta influncia, assim nos experimentos de
competio, algumas variedades tendem a aproveitar melhor que outras as reas
livres. Desse modo, alguns tratamentos podem estar inconvenientemente em
vantagem sobre outros nos experimentos, e dar lugar a concluses erradas. Figura
PV pg. 36

O efeito bordadura tambm pode ocorrer quando determinados tratamentos
influenciam nocivamente no comportamento dos tratamentos vizinhos, como
exemplo: experimentos com competio de variedades, principalmente se as
variedades apresentam hbito de crescimento e maturidade diferentes;
experimentos com fertilizantes, inseticidas, fungicidas, bactericidas, herbicidas;
experimentos com sistemas de irrigao, etc.

Para minimizar o efeito bordadura, o pesquisador deve tomar as seguintes
precaues: a) evitar o uso de reas no plantadas para separar parcelas
experimentais; b) o nmero de ruas no experimento deve reduzir-se ao mximo; c)
no medir caracteres agronmicos em fileiras-bordadura que, provavelmente,
sofreram os efeitos de competio entre parcelas; d) plantar umas poucas fileiras de
um gentipo uniforme ao redor do permetro do experimento, para minimizar o efeito
de bordos no plantados sobre parcelas localizadas ao longo dos lados do campo
experimental; e) quando variedades a serem avaliadas diferem bastante quanto ao
hbito de crescimento, escolher um delineamento experimental que permita o
agrupamento de variedades homogneas, particularmente pela altura. Isto reduzir
o nmero de fileiras necessrias como bordadura, contra o efeito de competio
varietal; e a quantidade de fileiras a excluir depende do tipo de efeito bordadura.
Quando houver dvida e quando o tamanho da parcela for bastante grande, excluir
pelo menos duas fileiras.



15



1.6.4. Falhas de plantas nas parcelas

Pode-se dizer que uma parcela experimental apresenta falhas quando ela possui um
stand reduzido em relao ao inicial, isto , apresenta covas sem plantas. As falhas
de plantas nas unidades experimentais uma das principais causas do erro
experimental. Contudo, nem todas as falhas influem no erro experimental, s
aquelas extrnsecas aos tratamentos so as que influem, tal o caso de morte de
plantas devido s pragas e doenas, ao empoamento da gua em virtude dos
desnveis do terreno, etc. Por outro lado, as causas intrnsecas devido aos
tratamentos, tais como morte de plantas por um dos tratamentos, queima ou
maltrato das plantas, etc., no influem no erro experimental.

A presena de falhas em uma parcela significa que nem todas as plantas da parcela
esto sujeitas ao mesmo espaamento e competio. Alm disso, existe uma
correlao positiva entre nmero de plantas e produo, ou seja, quanto maior o
nmero de plantas, maior ser a produo; se ocorrer falhas de plantas nas parcelas
de um determinado tratamento, o mesmo ser prejudicado porque no poder
expressar todo seu potencial, ainda que as plantas vizinhas s falhas desenvolvam
mais que as outras. Desse modo, a presena de falhas contribui para aumentar o
erro experimental, j que elas levam falta de uniformidade das condies
experimentais.

Se as falhas so de pequena monta, de at 5%, em geral no constituem um fator
srio. Porm, se estiverem no intervalo de 5% < F 30%, necessrio recorrer aos
mtodos de correo de falhas (Regra de trs, Frmulas de correo, Anlise
covarincia, etc.). Se as falhas so de mais de 30% da populao de plantas,
prefervel repetir o experimento.


1.6.5. Nmero de repeties dos experimentos

O nmero de repeties de um experimento depende de vrios fatores: variabilidade
do meio em que se realiza o experimento; nmero de tratamentos em estudo;
recursos de pessoal, dinheiro, equipamento, etc.

Quanto maior a variabilidade de meio, maior deve ser o nmero de repeties. A
variabilidade do pode influir mais sobre algumas caractersticas em estudo do que
sobre outras.

Se entre os tratamentos em estudo esperamos que haja poucas diferenas, o
nmero de repeties deve ser maior para que se possa medi -las com maior
preciso.

Se os recursos de terreno, dinheiro, tempo, etc., disponveis so pequenos,
logicamente o nmero de repeties dever ser reduzido.

A rea das parcelas tambm limita o nmero de repeties, diminuindo esse nmero
medida que aumenta a rea da unidade experimental.
16


O nmero ideal de repeties em um experimento pode ser determinado por meio
de ensaios de uniformidade ou por meio de mtodos baseado em resultados
conseguidos em ensaio anterior. Uma regra prtica, que tem surtido bons resultados
na experimentao agrcola e zootcnica, a de que os ensaios devem ter, no
mnimo, 20 parcelas e/ou 10 graus de liberdade para o resduo ou erro experimental.


1.6.6. Delineamentos experimentais

Sero abordados nos captulos seguintes alguns delineamentos experimentais
usados na experimentao agrcola.


1.6.7 Forma de conduo dos experimentos

A execuo de um experimento inicia com a eleio do terreno. Este terreno deve
ser o reflexo das condies mdias da regio ao qual se pretende estender as
concluses obtidas do experimento, bem como ser o mais uniforme possvel a fim de
reduzir o erro experimental. Deve haver uniformizao na execuo dos trabalhos a
ser realizados no experimento.

Durante a instalao e execuo do experimento, o experimentador deve procurar
diminuir o efeito dos fatores no controlados. Por exemplo: para evitar variaes de
espaamento da cultura, e para evitar a variao de espaamentos entre plantas,
podemos utilizar uma ripa perfurada, com um furo distante do outro tantos
centmetros quanto o espaamento entre plantas, e a semeadura ser feita
manualmente.

Para evitar pequenas variaes na profundidade de semeadura, podemos utilizar um
soquete juntamente com a ripa perfurada, durante a semeadura. As sementes so
colocadas na perfurao e comprimidas pelo soquete, que penetra at a
profundidade recomendada para a cultura.

Variaes nas doses de adubo podem ser evitadas pelo uso de uma calha de
madeira para sua aplicao, que proporciona uma distribuio uniforme, na dose
recomendada.













17

1.7. PRINCPIOS BSICOS DA EXPERIMENTAO

a) Princpio da repetio: consiste na reproduo do experimento bsico e tem
por finalidade propiciar a obteno de uma estimativa do erro experimental, alm de
fornecer a capacidade para aumentar a preciso das estimativas das mdias dos
tratamentos (aumento o nmero de repeties diminui
r

2
o
o
=
y
,
conseqentemente aumentando a preciso de

y ).

A Princpio da
Repetio
A A A A A
B B B B B B
C C C C C C
D D D D D D
Repeties
Experimento
bsico


b) Princpio da casualizao: evita o erro sistemtico e propicia a todos os
tratamentos a mesma probabilidade designados a qualquer das unidades
experimentais.

A Princpio da
repetio e
D A D A A
B B B C C D
C Casualizao A C D C B
D B D C B A
Repetio +
casualizao
Experimento
bsico


c) Principio do controle local: divide um ambiente heterogneo em sub-ambientes
homogneos e torna o delineamento experimental mais eficiente pela reduo do
erro experimental.

BL. BL. BL. BL. BL.
I II III IV V
A Princpio da
repetio, casualizao e
A D C B B
B B A D C A
C controle local C B A D D
D D C B A C
Repetio +
casualizao + controle
local
Experimento
bsico


18

1.8. DIAGRAMA DOS PRINCPIOS DA EXPERIMENTAO



REPETIO

CASUALIZAO CONTROLE LOCAL

VALIDEZ DA
ESTIMATIVA DO ERRO
ESTIMATIVA DO
ERRO
REDUO DO ERRO





1.9. RELAES ENTRE OS PRINCPIOS BSICOS E OS DELINEAMENTOS
EXPERIMENTAIS


Fisher desenvolveu a tcnica denominada anlise de varincia, que teve grande
repercusso na pesquisa cientifica.

Anlise de varincia (Anova) a tcnica que consiste na decomposio do
nmero de graus de liberdade e da varincia total de um material heterogneo em
partes atribudas a causas conhecidas e independentes (fatores controlados), e a
uma poro residual de origem desconhecida e de natureza aleatria (fatores no
controlados). Em outras palavras, esta tcnica a que nos permite fazer parties
do nmero de graus de liberdade (denotados por G. L.) e de somas de quadrados
(S.Q.), com cada uma das partes nos proporcionando uma estimativa de varincia
(denominada quadrado mdio Q.M.).

Para podermos utilizar a metodologia estatstica da Anova nos resultados de um
experimento, necessrio que o mesmo tenha considerado pelos menos os
princpios da repetio e da casualizao, a fim de se obter uma estimativa vlida
para o erro experimental, que permita a uma aplicao dos testes de significncia.

Ao fazermos um experimento considerando apenas esses dois princpios, sem
utilizar o principio do controle local, temos o delineamento inteiramente
casualizado ou inteiramente ao acaso. Nesse delineamento temos apenas duas
causas ou fontes de variao: Tratamentos (causa conhecida ou fator controlado) e
Resduo ou Erro (causa desconhecida, de natureza aleatria, que reflete o efeito
dos fatores no controlados). O esquema de anlise de varincia ser:





19


Delineamento Inteiramente Casualizado - DIC
Causa da variao G.L SQ QM F
Tratamentos t1 SQT QMT QMT/QMR
Resduo t(r1) SQR QMR
Total tr1 SQT
0



Se as condies experimentais forem sabidamente heterogneas, ou se houver
dvida quanto sua homogeneidade, devemos utilizar o principio do controle local,
estabelecendo, ento, os blocos (grupos de parcelas homogneas). Cada um deles
deve conter todos os tratamentos.

O delineamento experimental assim obtido denominado delineamento em blocos
casualizados ou em blocos ao acaso. Nesse caso, devemos isolar mais uma causa
de variao conhecida (fator controlado), que so os blocos. Uma vez que cada
bloco de conter todos os tratamentos, h uma restrio na casualizao, que deve
ser feita designando os tratamentos s parcelas dentro de cada bloco. O esquema
de anlise de varincia ser:


Delineamento em Blocos Casualizados - DBC
Causa da variao G.L SQ QM F
Blocos b1 SQB QMB QMB/QMR
Tratamentos t1 SQT QMT QMT/QMR
Resduo (b1) (t1) SQR QMR
Total bt1 SQT
0



A utilizao do principio do controle local sempre nos conduz a uma reduo no
nmero de graus de liberdade do resduo.

Se as condies experimentais forem duplamente heterogneas, o experimentador
obrigado a controlar os tipos de heterogeneidade, devendo utilizar de um
delineamento que exagera no princpio do controle local, e que denominado
delineamento em quadrado latino. Neste delineamento, que no muito utilizado,
o nmero de repeties deve ser igual ao nmero de tratamentos, e, portanto, o
nmero de parcelas deve ser um quadrado perfeito.

Nesse caso, temos parcelas totalmente diferentes que, no entanto, podem ser
grupadas de acordo com duas classificaes: em uma primeira etapa, organizamos
blocos de acordo com uma das classificaes (que denominamos linhas); a seguir,
organizamos blocos de acordo com o outro critrio de classificao (que
denominamos colunas). Para a designao dos tratamentos s parcelas, devemos
casualiz-los tanto nas linhas como nas colunas do quadrado latino. O esquema da
anlise de varincia ser:




20


Delineamento em Quadrado Latino - DQL
Causa da variao G.L SQ QM F
Linhas t1 SQL QML QML/QMR
Colunas t1 SQC QMC QMC/QMR
Tratamentos t1 SQT QMT QMT/QMR
Resduo (t1) (t2) SQR QMR
Total t
2
1 SQT
0


Alertamos novamente para o fato de que o uso do principio do controle local acarreta
sempre uma reduo no nmero de graus de liberdade do resduo, o que constitui
uma desvantagem. Entretanto, essa desvantagem geralmente compensada, pois
ocorrer tambm uma reduo na soma de quadrados do resduo, e obtendo-se
assim maior preciso, pois h uma reduo na varincia residual, devida ao fato de
isolarmos o efeito de fatores que normalmente seriam includos no resduo.


1.10. MTODOS PARA AUMENTAR A PRECISO DOS EXPERIMENTOS

A preciso se refere ordem de grandeza da diferena entre dois tratamentos,
passvel de ser detectada em um experimento. Os procedimentos que podem levar a
um aumento nessa preciso so classificados em 3 tipos:

- O primeiro visa o aumento do tamanho do experimento, quer pelo aumento do
nmero de repeties ou pela incluso de tratamentos adicionais.

- O segundo cuida do manuseio do material experimental de tal maneira que os
efeitos de variabilidade so diminudos.

O terceiro tem por objetivo o refinamento da tcnica experimental.

So eles:

a) Aumento do nmero de repeties:

A preciso de um experimento sempre pode ser aumentada pelo uso de
repeties adicionais, mas o nvel de melhoria nessa preciso diminui com o
aumento do nmero de repeties. Por exemplo, para se dobrar o grau de
preciso com que duas mdias so comparadas em um experimento com 4
repeties, sero necessrias 16 repeties.

De um modo geral, para a obteno de uma preciso razovel em experimentos
de campo com culturas, so necessrias de quatro a oito repeties. Se no
possvel, prefervel deixar o experimento para ser executado noutra ocasio
com recursos suficientes para realiz-lo com o nmero de repeties adequado.





21


b) Escolha do material experimental:

Materiais experimentais heterogneos podem constituir importante fonte de
variao afetando o erro experimental, comprometendo decisivamente a preciso
de um experimento, caso no sejam tomadas providncias para eliminar sua
variabilidade intrnseca. Na escolha dos materiais experimentais, o pesquisador
deve escolher os de maior uniformidade.


c) Escolha das unidades experimentais:

O tamanho e a forma das parcelas afetam a preciso do experimento. Em geral,
a variabilidade entre parcelas decresce com o aumento do tamanho da parcela,
mas, uma vez atingido um tamanho ideal, o aumento da preciso diminui
rapidamente com tamanhos maiores. As parcelas retangulares so mais
eficientes na superao da heterogeneidade do solo quando seu eixo maior est
na direo de maior variao do solo.


d) Escolha dos tratamentos:

A cuidadosa seleo dos tratamentos importante no apenas na obteno dos
objetivos do experimentador, mas tambm para aumentar a preciso do
experimento. Por exemplo, o efeito de um fertilizante, inseticida, fungicida ou
herbicida, melhor determinar como as parcelas respondem a doses crescentes
do produto do que decidir se duas doses sucessivas so ou no
significativamente diferentes. Conseqentemente, um conjunto apropriado de
doses possibilitar planejar teste de significncia que sero mais sensveis do
que simplesmente comparar mdias adjacentes em um conjunto. O uso de
experimentos fatoriais, nos quais dois ou mais fatores no testados
simultaneamente, pode proporcionar considervel aumento na preciso.

e) Agrupamento das unidades experimentais:

O agrupamento planejado das unidades experimentais envolve o uso do principio
do controle local. Assim, possvel reunir em blocos, parcelas ou unidades
experimentais adjacentes situadas em poro de solo com aproximadamente as
mesmas caractersticas de fertilidade, declividade, profundidade, etc. O critrio
para a formao de blocos deve ser tal que, entre parcelas ou unidades de um
mesmo bloco as diferenas devem ser as menores possveis, no importando,
entretanto, o tamanho das diferenas entre parcelas de blocos diferentes que
podem ser grandes ou pequenas. Por meio de certas restries na casualizao
dos tratamentos nas parcelas, possvel remover algumas fontes de variao,
tais como variaes na fertilidade do solo, na disponibilidade de gua, na
infestao inicial e outras, ao longo da rea experimental. O agrupamento das
parcelas de modos diferentes d origem aos diferentes delineamentos
experimentais.

22

Quando o controle local exercido por meio de blocos d lugar ao delineamento
experimental denominado blocos ao acaso. O controle local pode ser exercido
por outros meios alm de blocos como o caso de linhas e colunas nos
experimentos denominados quadrados latinos. Atravs do controle local, as
grandes diferenas ou efeitos entre blocos, linhas, colunas sero eliminadas do
erro experimental e no comprometero a preciso do experimento.

f) Tcnicas mais refinadas:

Uma tcnica imperfeita pode aumentar o erro experimental e distorcer os efeitos
dos tratamentos de duas maneiras: (1) introduo de flutuaes adicionais de
natureza aleatria e (2) fornecendo medidas consistentemente viciadas. A melhor
segurana contra (1) o cuidado e vigilncia na tomada de medidas e contra (2),
a casualizao e uso de instrumentos precisos e no viciados.

Uma tcnica adequada tem por objetivos:

a) aplicao uniforme dos tratamentos;
b) proporcionar medidas adequadas e no viciadas dos efeitos dos tratamentos;
c) eliminar a possibilidade de enganos ou erros grosseiros de mensurao,
anotao, etc. atravs da superviso eficiente do trabalho; e
d) controlar influncias externas de forma que todos os tratamentos sejam
afetados igualmente.


Por exemplo, a tcnica conhecida como anlise de covarincia pode, s vezes,
ser usada para remover uma importante fonte de variao entre as unidades
experimentais. Na realizao de um experimento possvel tomar medidas
suplementares que predizem at certo grau o desempenho das parcelas
experimentais (tais como, nmero de plantas por parcela, nmero de vagens ou
espigas por parcela, etc). Por meio desta tcnica podemos estimar dos dados o
quanto as observaes foram influenciadas pelas variaes nestas medidas
suplementares. A resposta mdia de cada tratamento pode ento ser ajustada
com o objetivo de remover o erro experimental que aparece desta fonte.


1.11. PLANEJAMENTO DE EXPERIMENTOS

Procurando tornar mnima a variao do acaso, o pesquisador deve fazer o
planejamento do experimento de tal forma que consiga isolar os efeitos de todos os
fatores que podem ser controlados.

O planejamento constitui a etapa inicial de qualquer trabalho, e, portanto, um
experimento tambm deve ser devidamente planejado, de modo a atender aos
interesses do experimentador e s hipteses bsicas necessrias para a validade da
anlise estatstica.



23

Freqentemente, o estatstico consultado para tirar concluses com base em
dados experimentais. Considerando que essas concluses dependem da forma
como foi realizado o experimento, o estatstico solicitar uma descrio detalhada do
experimento e de seus objetivos.

O pesquisador ao iniciar um experimento deve formular uma srie de questes
e buscar respond-las. Como exemplo, podemos citar:

a) Quais as caractersticas (ou variveis) que sero analisadas?

Num mesmo experimento, vrias caractersticas (ou variveis) podem ser
estudadas. Portanto, no planejamento do experimento devemos definir
antecipadamente quais caractersticas de interesse, para que as mesmas
possam ser avaliadas no decorrer do experimento.

b) Quais os fatores que afetam essas caractersticas?

Relacionar todos os fatores que possuem efeito sobre as caractersticas que
sero estudadas, como por exemplo: variedade, cultivar ou hbrido, adubao,
densidade de plantio, irrigao, sistema de cultivo, controle de pragas e doenas,
etc.

c) Quais desses fatores sero estudados no experimento?

Nos experimentos simples, apenas um tipo de tratamento ou fator pode ser
estudado de cada vez, sendo os demais fatores mantidos constantes. No caso de
experimentos mais complexos, como os experimentos fatoriais e em parcelas
subdivididas, podemos estudar simultaneamente os efeitos de dois ou mais tipos
de tratamentos ou fatores, como, por exemplo, cultivares e adubaes.

d) Como ser constituda a unidade experimental ou parcela?

A unidade experimental ou parcela poder ser constituda por uma nica planta
ou por um grupo delas. Quando utilizamos uma nica planta por parcela, se
ocorrer qualquer problema com ela (doena, morte, etc.) teremos um caso de
parcela perdida, o que causa complicaes na anlise estatstica. Portanto,
devemos definir adequadamente o que constituir a parcela.

e) Quantas repeties devero ser utilizadas?

O nmero de repeties de um experimento depende do nmero de tratamentos
a serem confrontados e do delineamento experimental escolhido. Quanto maior o
nmero de repeties maior ser a preciso do experimento. De um modo geral,
recomenda-se que o nmero de unidades experimentais ou parcelas no seja
inferior a 20 e que o nmero de graus de liberdade associado ao efeito dos
fatores no controlados (Resduo) no seja inferior a 10.




24


f) Como sero analisados os dados obtidos no experimento?

A anlise estatstica dos dados depende apenas do delineamento experimental
utilizado para realizar o experimento.

Sendo essas apenas uma pequena parte das questes que devem ser
respondidas ao planejarmos um experimento, conclu-se ento, que o
planejamento deve ser muito bem feito, para que a anlise estatstica possa
ser efetuada de forma adequada e conduza a concluses vlidas.


1.12. ITENS ESPECIFICADOS NO PLANEJAMENTO DE EXPERIMENTOS


a) Ttulo: O mais simples possvel, de forma a no deixar dvida sobre os objetivos
da experimentao.

b) Responsvel e colaboradores: Indicar as pessoas que iro trabalhar na
execuo da pesquisa e as instituies a
que pertencem.

c) Objetivos: Expor claramente as questes que devem ser respondidas pelo
trabalho.

d) Histrico: Indicar os motivos que levaram o experimentador a fazer a pesquisa,
incluindo uma reviso de literatura com os trabalhos mais importantes
sobre o assunto nos ltimos anos.

e) Material e mtodos:

- Localizao do experimento: Indicar o lugar, especificando as coordenadas
geogrficas, o tipo de solo, a acidez, a topografia
e a necessidade ou no de calagem, adubao e
drenagem. Se possvel fazer uma anlise de solo
antes da instalao do experimento.

- Materiais: Especificar as variedades, os hbridos ou cultivares. Especificar
tambm, a quantificao dos adubos, os fungicidas, os herbicidas, os
inseticidas,o calcrio e outro produtos a serem utilizados e os
equipamentos necessrios para sua aplicao.

- Tratamentos: Devem ser indicados da forma mais completa possvel. tambm
conveniente mencionar o custo de cada tratamento, visando
estudos econmicos posteriores.

- Adubao: Citar os adubos empregados, as percentagens de nutrientes, a
poca e a forma de aplicao, especificando a quantidade a ser
utilizada por parcela e por hectare.

25

- Semeadura ou plantio: Indicar a poca de semeadura, o poder germinativo das
sementes e a quantidade de sementes a ser utilizada.
No caso de plantio, especificar a procedncia das
mudas e a quantidade a ser utilizada.

- Delineamento experimental: Indicar o delineamento que ser utilizado,
apresentando um croqui da parcela e o esquema
de instalao do experimento no campo,
detalhando: espaamento, nmero de sementes
ou mudas, nmero de plantas por parcela e por
rea til, rea total e rea til por parcela e rea
do bloco e total do experimento e esquema de
anlise de varincia.

- Tempo de execuo provvel: Especificar o tempo que demorar para a
execuo completa da pesquisa, indicando
tambm, se for o caso, o nmero de anos em
que o experimento ser repetido.

- Oramento: Fornecer uma estimativa dos gastos a serem realizados com:
construes, mo-de-obra, servios de terceiros, equipamentos,
materiais de consumo, combustveis, manuteno de equipamentos,
dirias e imprevistos (19% do custo total do projeto).


DURANTE A EXECUO DO EXPERIMENTO, O PESQUISADOR DEVER
ANOTAR TODAS AS INFORMAES QUE JULGAR NECESSRIAS, E, AO
FINAL DO MESMO, ELABORAR UM RELATRIO.



1.13. RELATRIO

No Relatrio dever constar:

a) O planejamento experimental

b) Dados gerais: (solo, cultura anterior, data da semeadura, datas das aplicaes
dos adubos, datas das irrigaes, condies climticas).

c) Tratos culturais: (nmero de cultivos, capinas, pulverizaes e polvilhamentos,
com as respectivas datas)

d) Dados das parcelas: (nmero da parcela, data da germinao, data da florao,
data da maturao, doenas e pragas que ocorreram,
stand, produo e outros dados relevantes)




26

f) Anlise de varincia e concluses: O pesquisador dever faze uma anlise
das concluses e dar a explicao da razo do sucesso ou fracasso do
experimento, dando sugestes com relao convenincia ou no da
continuao do experimento ou de sua alterao no(s) seguinte(s).



1.14. EXIGNCIAS DE UM BOM EXPERIMENTO

As exigncias de um bom experimento so:


a) Que no apresente erros sistemticos;
b) Que seja suficientemente preciso a ponto de permitir ao pesquisador retirar
concluses convincentes do experimento.
c) Que seja realizado em uma ampla variao de condies para permitir que as
concluses do experimento apresentem amplitude de validade.
d) Que o experimento seja simples na sua execuo e anlise.
e) Que permita ao pesquisador calcular a incerteza nas estimativas das
diferenas entre tratamentos.






























27

2. TESTES DE SIGNIFICNCIA E DE COMPARAES DE MDIAS

2.1. Introduo


Um dos
principais
objetivos
da
Estatstica

a
tomada
de
deciso


a respeito
da
populao

c
o
m

b
a
s
e


n
a

O
b
s
e
r
v
a

o

d
e

a
m
o
s
t
r
a
s



Ao tentarmos tomar deciso, conveniente a formulao de hipteses relativas
s populaes denominadas de hipteses estatsticas

Hipteses estatsticas so suposies acerca dos parmetros de uma ou mais
populaes, ou consideraes a respeito das distribuies de probabilidade das
populaes.

Freqentemente, formulamos uma estatstica com o objetivo de rejeit-la ou
invalid-la.


Ex.: Um experimento de competio de cultivares de alface

C
U
L
T

1


C
U
L
T

2


C
U
L
T

3




...
C
U
L
T

9


C
U
L
T
1
0



Hiptese da nulidade (H
0
)

H. Estatstica

Hiptese alternativa (H
1
)


H
0
: no h diferena entre as produes das cultivares testadas, ou que, as
cultivares apresentam efeitos semelhantes sobre a produo (
1
=
2
=
...
10
), ou a varincia entre as produes das cultivares comparadas nula
(
2
T
o = 0). .

H
1
: h diferena entre as produes das cultivares testadas, ou que, as cultivares
apresentam efeitos diferentes sobre a produo (
i
=
j
para pelo menos um
i

= j), ou varincias entre as produes das cultivares comparadas no nula
(
2
T
o = 0).
28


Os processos que nos permitem decidir se aceitamos ou rejeitamos uma
determinada hiptese estatstica, ou se a amostra observada difere
significativamente dos valores esperados so denominados de testes de hipteses
ou testes de significncia.


Porm, ao tomarmos a deciso de rejeitar ou aceitar uma hiptese, estamos
sujeitos a incorrer em um dos erros:


Erro do tipo I o erro que cometemos ao rejeitar uma hiptese verdadeira, que
deveria ser aceita.

Erro do tipo II o erro que cometemos ao aceitar uma hiptese falsa, que deveria
ser rejeitada.



Realidade
Deciso
_________________________________
Rejeio H
0
Aceitao H
0


H
0
Verdadeiro
Erro tipo I
(o)
Deciso correta
( = 1- o)

H
0
Falso
Deciso correta
(Poder: 1- |)
Erro tipo II
(|)


- Este dois tipos de erro esto associados de tal forma que, se diminumos a
probabilidade de ocorrncia de um deles, automaticamente, aumentamos a
probabilidade de ocorrncia do outro.

- Em Estatstica, de um modo geral, controlamos apenas o erro do tipo I, por
meio do nvel de significncia do teste, representado por e que consiste na
probabilidade mxima com que nos sujeitamos a correr o risco de cometer um erro
tipo I ao rejeitar uma determinada hiptese.

- Na prtica, comum (embora no seja obrigatrio) fixarmos o nvel de
significncia em 5% (o = 0,05) ou em 1% (o = 0,01).

- Se, por exemplo, for escolhido o nvel de 5% (o = 0,05), isso significa que
teremos 5 possibilidades em 100 de que rejeitemos H
0
quando ela deveria ser
aceita, ou seja, existe uma confiana de 95% de que tenhamos tomado uma
deciso correta.

- A confiana que temos de ter tomado uma deciso correta ao aceitar a hiptese
verdadeira denominada grau de confiana do teste e representada por 1- o,
expressa em percentagem.



29

Nvel de significncia (o)
Grau de confiana () = 1 o

Ex.: Tipos de adubos na produo de hortalias o = 5%

o = 0,05: existe 5% de probabilidade de estarmos errando ao rejeitar H
0
e da
diferena entre os efeitos dos adubos ser casual.

1 o = 0,95: existe 95% de probabilidade de que tomamos uma deciso correta
ao rejeitar H
0
, e da diferena entre os efeitos dos adubos no ser
casual, mas sim porque um adubo melhor que outro.



2.2. Teste F para a anlise de varincia


O Teste F, obtido por Snedecor, tem por finalidade comparar estimativas de
varincias.

Na Anova, as estimativas de varincias so dadas pelos quadrados mdios (Q.M.),
obtendo-se um para cada causa de variao. Ento para o DBC temos: Q.M.
Tratamentos, Q.M. Blocos e Q.M. Resduo. Ento:

Q.M. Tratamentos Q.M. Blocos
F
TRAT
= -------------------------- F
BLOCOS
= ---------------------
Q.M. Resduo Q.M. Resduo


Para tratamentos, as hipteses H
0
e H
1
podem ser representadas por:


H
0
:
2
T
o = 0 e H
1
=
2
T
o 0. Mas,

Q.M.Resduo estima a variao do acaso =
2
o ; e

Q.M. Tratamentos estima a variao do acaso mais a variao causada pelos

efeitos de tratamentos =
2
o + r
2
T
o , em que r o nmero de repeties dos
tratamentos.

Q.M. Tratamentos
2
+ r
2
T
o
Logo: F
TRAT
= -------------------------- = ---------------------
Q.M. Resduo
2





30


- Calculado o valor de F, buscamos nas tabelas da distribuio de F (geralmente
nos nveis de 5% e 1%) os valores crticos ou limites (F tabela), em funo do
nmero graus de liberdade de Tratamentos (ou Blocos, ... ) na
horizontal, e do nmero de graus de liberdade do Resduo na vertical.

- O valor critico de F obtido na tabela nos indica o valor mximo que a razo de
varincias (F calculado) poder assumir devido apenas a flutuaes amostrais.

- Comparando ento F calculado com F da tabela:

a) Se F calculado F tabela, o teste significativo no nvel testado (). Ento,
devemos rejeitar H
0
.

b) Se F calculado < F tabela, o teste no significativo no nvel testado. Ento,
no devemos rejeitar H
0
.



VEJA GRFICO ELEIDE






























31

2.2.1. Aplicao do teste F

Exemplo 1. Num experimento de competio de cultivares de cana-de-acar,
foram utilizados 5 tratamentos e 4 repeties, no delineamento em blocos
casualizados. Os blocos controlavam diferenas de fertilidade do solo entre terraos.
As cultivares de cana-de-acar (tratamentos) testadas foram: 1) Co 413
2) CB 40/19 3) CB 40/69 4) CB 41/70 5) CB 41/76.

Para a produo de cana-de-acar (varivel analisada), em t ha
-1
, foram obtidas as
seguintes somas de quadrados, para anlise de varincia:

S.Q. Tratamentos = 3.978,88
S.Q. Blocos = 1.266,05
S.Q. Total = 8.678,29


As hipteses que desejamos testar so:

a) Para Tratamentos:

H
0
: As cultivares de cana-de-acar comparadas no diferem quanto
produo de cana-de-acar (ou
2
T
o = 0).
.
H
1
: As cultivares de cana-de-acar comparadas apresentam diferena
quanto produo de cana-de-acar (ou
2
T
o = 0).

b) Para Blocos:

H
0
: As diferenas de fertilidade do solo entre os terraos (blocos) apresentam
efeitos semelhantes sobre a produo de cana-de-acar (ou
2
B
o = 0).
.
H
1
: As diferenas de fertilidade do solo entre os terraos (blocos) apresentam
efeitos diferentes sobre a produo de cana-de-acar (ou
2
B
o = 0).















32

Para testar estas hipteses, deve-se realizar a anlise de varincia que se
encontra no Quadro a seguir.


Quadro da anlise de varincia do experimento

CAUSA DE VARIAO G.L. S.Q. Q.M. F
Tratamentos 4 3.978,88 994,72 3,48
*

Blocos 3 1.266,05 442,02 1,48
ns

Resduo 12 3.433,36 286,11
Total 19 8.678,29

Valores de F da tabela:
- Tratamentos 4 x 12 g.l.: {5% = 3,26 1% = 5,41}
- Blocos 3 x 12 g.l.: {5% = 3,49 1% = 5,95}


Deciso:

a) Tratamentos: F calculado > F da tabela a 5% e menor que F da tabela a 1%. O
teste significativo no nvel de 5% de probabilidade.

Rejeita-se H
0
.

b) Blocos: F calculado < F da tabela a 5%. O teste no significativo no nvel de
5% de probabilidade.

Aceita-se H
0
.


Concluses:

a) Tratamentos: Que as cultivares de cana-de-acar comparadas (pelo menos duas
delas) possuem efeitos diferentes quanto produo de cana-de-
acar.

b) Blocos: As diferenas de fertilidade do solo entre os terraos (blocos) possuem
efeitos semelhantes (no influem) sobre a produo de cana-de-acar.












33




2.3. Contrastes

O teste F significativo, para mais que dois tratamentos, nos permitem, apenas, tirar
concluses muito gerais com relao ao comportamento dos tratamentos, indicando
que entre eles existem efeitos diferentes sobre a varivel analisada, nada nos
informando sobre quais os melhores (ou piores) tratamentos.

Para verificar quais os melhores (ou piores) tratamentos, uma das maneiras a
utilizao dos procedimentos para comparaes mltiplas ou testes de comparaes
de mdias dos tratamentos. Antes de adentrarmos nestes testes, precisamos
entender alguns conceitos.

Contraste (C) uma funo linear de totais de tratamentos ou de mdias da forma
C = c
1
y
1
+ c
2
y
2
+ ... + c
n
y
n
= . ) y c (
1
i i
=
n
i


2.3.1. Contraste de mdias - Y

Se o valor esperado ou mdia de y
i
E(y
i
) =
i
ento o valor esperado ou mdia de
C Y = c
1

1
+ c
2

2
+ ... + c
I

I
ser um contraste se, e s se: c
1
+ c
2
+ ... + c
I
= 0
ou
i
1
c

=
I
i
= 0, por exemplo: Y =
1
+
2
+
3
3
4
um contraste, pois tem-se:
c
1
= 1; c
2
= 1; e c
3
=1 e c
4
= - 3, logo, c1 + c2 + c3 + c4 = 1 + 1 + 1 + (-3) = 0.


2.3.2. Estimativa do contraste (
^
Y )

Num experimento, no se conhece as mdias verdadeiras dos tratamentos, de
forma que o verdadeiro valor do contraste (Y), no pode ser calculado. No entanto,
como se conhece as estimativas das mdias dos tratamentos (
i
m ), pode-se assim,
obter a estimativa do contraste (
^
Y ).
Uma estimativa para o contraste do exemplo acima dada por:
4 3 2 1
^
m 3 m m m + + = Y , com
i
1
c

=
I
i
= 0.









34



O contraste pode ser:

- Simples: quando envolve apenas duas mdias; e


2 1
^
1
m m = Y

- Mltiplo: quando mais de duas mdias esto envolvidas.


3 2 1
^
1
m 2 m m + = Y


2.3.3. Estimativa da varincia da estimativa do contraste -
^
V (
^
Y )

Sendo a estimativa de um contraste uma relao entre as mdias estimadas dos
tratamentos (
i
m ), ela possui uma varincia. Ento, num experimento, para um
contraste da forma genrica: Y = c
1

1
+ c
2

2
+ ... + c
I

I
cuja estimativa dada por:
^
Y = c
1
1
m + c
2
2
m + ... + c
I
I
m no qual as mdias dos tratamentos foram calculadas
com r repeties, temos:


^
V (
^
Y ) = (c
1
2
+ c
2
2
+ ... + c
I
2
)
r
2
s
, em que: s
2
= Q.M. Resduo.


2.3.4. Erro padro do contraste - s (
^
Y )

O erro padro do contraste a raiz quadrada positiva da estimativa da varincia da
estimativa do contraste, ou seja:


s(
^
Y ) = ) (
^ ^
Y V .










35



2.3.5. Covarincia entre dois contrastes

Consideremos as duas estimativas de contraste:


I I 2 2 1 1
^
1
m a ... m a m a + + + = Y

e

I I 2 2 1 1
^
2
m b ... m b m b + + + = Y


Nas quais, as mdias foram estimadas com r
1
, r
2
, ..., r
I
repeties, respectivamente.

A estimativa de covarincia entre essas duas estimativas de contrastes definida

por:


2
i
i i
1
2
I
I
I I 2
2
2
2 2 2
1
1
1 1
^
2
^
1
s
r
b a
s
r
b a
... s
r
b a
s
r
b a
) , CV(

=
= + + + =
I
i
Y Y

Freqentemente, temos s
1
2
= s
2
2
= ... = s
I
2
= s
2
;

2
I
I I
2
2 2
1
1 1
^
2
^
1
s )
r
b a
...
r
b a
r
b a
( ) , CV( + + + = Y Y

Nas anlises de varincia de delineamentos balanceados, todas as mdias possuem
o mesmo nmero de repeties, r, e, portanto:


) b a ... b a b a ( ) , CV(
I I 2 2 1 1
^
2
^
1
+ + + = Y Y
r
2
s
=
r
I
i
2
I I
1
s
b a

=
que o caso mais freqente.










36

2.3.6. Contrastes ortogonais

A ortogonalidade entre dois contrastes traduz uma independncia entre eles, isto ,
a variao de um completamente independente da variao do outro.

Dois contrastes so ortogonais quando a soma algbrica dos produtos dos
coeficientes das mdias correspondentes nula (para mdias calculadas com
mesmo nmero de repeties), ou seja, se a covarincia entre eles for nula. Assim,
a condio de ortogonalidade dada por:

2
I
I
I I 2
2
2
2 2 2
1
1
1 1
s
r
b a
... s
r
b a
s
r
b a
+ + + = 0, ou seja,
r
I
i
2
I I
1
s
b a

=
= 0
Se admitirmos a mesma varincia para todas as mdias, a condio de
ortogonalidade ser:

I I 2 2 1 1
b a ... b a b a + + + = 0, ou seja,
I I
1
b a

=
I
i
= 0 .
Consideremos os seguintes contrastes:

Y
1
= m
1
m
2
+ 0m
3


Y
2
= m
1
+ m
2
2m
3
. Assim, temos:

Y
1
1 -1 0
Y
2
1 1 -2
I I
3
1
b a

= i
=

1 + (-1) + (0) = 0

Portanto, Y
1
e Y
2
so ortogonais entre si.

Observaes:

1. Trs ou mais contrastes sero ortogonais entre si se eles forem ortogonais
dois a dois;
2. Do ponto de vista prtico, se dois ou mais contrastes so ortogonais entre si,
isso indica que as comparaes neles feitas so comparaes
independentes;
3. Num experimento qualquer, o nmero mximo de contrastes ortogonais que
podemos obter igual ao nmero de graus de liberdade de tratamentos
desse experimento.







37

A escolha de contrastes para um estudo no deve ser ditado por sua ortogonalidade
para apresentar uma bela tabela de anlise de varincia ordenada. Antes, os
contrastes devem ser construdos para responder questo especificas de pesquisa.
As hipteses de pesquisa e o delineamento de tratamentos devem ditar a
construo dos contrastes.


2.4. Taxas de erro para procedimentos de comparao de mdias

No contexto dos procedimentos de comparao de mdias, o erro do tipo I ocorreria
por julgar um par de mdias significantemente diferente quando na realidade as
mdias so semelhantes. O erro do tipo II ocorreria quando o par de mdias
realmente diferente, mas, no detectado como sendo diferente.

Para o erro tipo I, nos procedimentos de comparaes mltiplas, entre outras,
existem duas formas de medir este erro. A primeira refere-se avaliao da
probabilidade de se rejeitar uma hiptese verdadeira em todas possveis
combinaes dos nveis dos tratamentos tomados dois a dois, sendo conhecida por
taxa de erro tipo I por comparao (comparisonwise ou per-comparison error rate). A
segunda forma a medida do erro tipo I como a probabilidade de se realizar pelo
menos uma inferncia errada por experimento e conhecida por taxa de erro tipo I
por experimento (experimentwise error rate).

O terceiro tipo de erro ao se realizar uma inferncia, conhecido como erro tipo III,
refere-se probabilidade de classificar um nvel de tratamento como superior ao
outro, quando de fato o segundo nvel supera o primeiro. Esse tipo de erro, embora
quase nunca seja considerado, muito importante para os melhoristas, pois pode
alterar a classificao dos gentipos e, em conseqncia, recomendar uma
linhagem ou cultivar de pior desempenho. Deve-se ter sempre em mente que os
erros tipo I e II so inversamente correlacionados (quando um diminui o outro
aumenta) e que o experimentador tem controle apenas do erro tipo I, por meio da
fixao do nvel . O bom senso deve prevalecer luz das conseqncias da
tomada de decises erradas.

Para reduzir ambas taxas a valores baixos, geralmente necessita-se de tamanhos
de amostras muito grande (repeties). Assim, buscam-se procedimentos que dar
algum balano entre as taxas de erro tipo I e II, a no ser que um dos erros seja
mais importante do que o outro.

As dificuldades com as comparaes mltiplas residem principalmente no
entendimento das taxas de erros associadas com o teste de hipteses mltiplas. Os
testes tm os riscos associados com decises para rejeitar ou no a hiptese. Para
qualquer contraste entre mdias o risco associado em declarar o contraste real
quando no , o risco do erro tipo I, enquanto que o risco de declarar o contraste
entre mdias populacionais ser igual a zero quando no , o do erro tipo II.

O nvel de significncia escolhido para testar a hiptese determina o risco do erro
tipo I. Tamanho de amostra, varincia e tamanho para as mdias da populao
verdadeira determina a taxa do erro do tipo II para uma dada taxa de erro tipo I.

38


Considere primeiro a probabilidade dos erros tipo I. Um simples teste para diferena
entre duas mdias de tratamentos o t de Student com a estatstica calculada
como:

t
o
(
(

=

r r
s
j i
y y
1

1



2
j i



O nvel de significncia ou probabilidade do erro tipo I para um simples teste uma
taxa de erro por comparao
c
. o risco que se corre por tomar uma simples
comparao.

H p(p -1)/2 comparaes duas a duas entre as p mdias de tratamentos. Por
exemplo, se h quatro tratamentos (A, B, C, D) h 4(3)/2=6 possveis pares; (A,B),
(A,C), (A,D), (B,C), (B,D) e (C,D). Se os seis pares de mdias so testados com a
estatstica t
o
da equao acima, h a possibilidade de cometer 0, 1, 2, 3, 4, 5, ou 6
erros do tipo I, se as seis mdias populacionais so todas semelhantes.

Com a possibilidade de at seis erros do tipo I para seis testes, pode-se usar outra
forma de erro tipo I baseado nos riscos acumulados associados com a famlia dos
testes sob considerao. A famlia o conjunto de comparaes duas a duas, para
exemplo, no pargrafo anterior. Os riscos acumulados associados com uma famlia
de comparaes a taxa de erro tipo I por experimento
e
. o risco de cometer pelo
menos um erro tipo I entre as famlias de comparaes no experimento.

A taxa de erro tipo I por experimento pode ser avaliada por uma famlia de testes
independentes. Contudo, todos os testes para duas mdias, usando a formul a do
teste t
o
no so independentes, desde que a varincia s
2
no denominador de cada
Estatstica to seja a mesma, e o numerador de cada teste contenha as mesmas
mdias como vrias das outras estatsticas t
o
.

2.4.1. Avaliando as taxas mximas de erro

Embora o conjunto de testes na famlia apenas descritos no seja independente, o
limite superior para o valor da taxa de erro tipo I por experimento pode ser avaliada
por assumir testes independentes. Suponha que as hipteses de nulidade sejam
verdadeiras para n testes independentes. A probabilidade de um erro tipo I para
qualquer teste simples
c
(taxa por comparao) com (1-
c
) a probabilidade de
uma deciso. A probabilidade de cometer x erros do tipo I dada pela distribuio
binomial:
P(x) =
x - n
c
x
c
) 1 (
x)! - (n x!
n!
o o para x = 0, 1, 2, ..., n erros do tipo I. A
probabilidade de cometer nenhum tipo de erro tipo I : P(x=0) = (1 -
c
)
n
.


A probabilidade de se cometer pelo menos um erro do tipo I (x = 1, 2, 3, ..., n)
39

P(x 1) = 1 P(x = 0) ou
e
= 1 (1 -
c
)
n
.

A probabilidade
e
o risco de se cometer pelo menos um erro do tipo I entre as n
independentes comparaes. o limite superior da taxa de erro do tipo I por
experimento para n testes entre um conjunto de mdias de tratamentos. A equao:

c
= 1 (1
e
)
1/n
expressa a taxa de erro tipo I por comparao como uma funo
da taxa de erro do tipo I por experimento.

A relao entre as duas taxas de erro do tipo I para alguns valores selecionados de
n apresentada na Tabela a seguir. Se cada um dos testes conduzido com uma
taxa de erro por comparao de
c
= 0,05 o risco de pelo menos um erro do tipo I
subir quando o nmero de testes aumenta. Quando n=1, o teste conduzido para
ambos os erros do tipo I que so idnticos como eles deviam ser desde que apenas
um erro do tipo I possa ser cometido. Quando n=5, a probabilidade de risco de pelo
menos um erro do tipo I entre as cinco decises tem subido a
e
= 0,226 e com n =
10 o risco sobe a probabilidade de 0,401 de cometer pelo menos um erro tipo I.

A ltima coluna da Tabela 1 dar uma indicao da taxa de erro do tipo I por
comparao requerida para manter uma taxa de erro do tipo I por experimento de
e

= 0,05. Por exemplo, quando cinco testes so conduzidos e se deseja manter o risco
de cometer pelo menos um erro do tipo I tanto baixo quanto 1 em 20 chances, a taxa
de erro por comparao para cada n = 5 testes deve ser
c
= 0,01 e para n = 10
testes deve ser
c
= 0,005.

Tabela 1. Relao entre
c
e
e
para n = 1, 2, 3, 4, 5,
6, 7, 8, 9,10, 15, 20 ou 25 testes independentes

N
e
quando
c
= 0,05
c
quando
e
= 0,05

1 0,0500 0,0500
2 0,0975 0,0253
3 0,1426 0,0169
4 0,1855 0,0127
5 0,2262 0,0102
6 0,2649 0,0085
7 0,3017 0,0073
8 0,3366 0,0064
9 0,3698 0,0057
10 0,4013 0,0051
15 0,5367 0,0034
20 0,6594 0,0026
25 0,7226 0,0020








40

Uma escolha apropriada da taxa de erro por comparao determina a taxa de erro
de famlia para um grupo de declaraes para assegurar simultaneamente os testes
de hipteses ou intervalos de confiana. Na equao
e
= 1 (1 -
c
)
n
evidencia-se o
relacionamento para os intervalos de confiana ou testes de hipteses
independentes. O relacionamento baseado na desigualdade de Bonferroni que
declara que a taxa de erro da famlia menor do que ou igual a soma das taxas de
erro de comparao individual. Quando n testes so conduzidos na mesma taxa de
erro por comparao
c
, a desigualdade de Bonferroni expressa o seguinte
relacionamento:
e
n
c
.

A igualdade do relacionamento mantm-se quando os testes so independentes. A
taxa de erro por comparao para a estatstica teste determinada por dividir a taxa
de erro mxima da famlia desejada pelo nmero de testes simultneos,
c

e
/n.
Por exemplo, com trs testes para um determinado experimento, uma taxa de erro
da famlia de
e
= 0,05 requer uma taxa de erro por comparao de
c
0,05/3 =
0,017.


2.5. Procedimentos para comparao de mdias

Quando o teste F na Anova no confirma diferenas significativas entre as mdias
dos tratamentos, o experimento simplesmente no fornece evidencia suficiente para
confirmar as diferenas entre os tratamentos. Assim, sem informao adicional, um
teste no significativo leva o pesquisador a uma concluso geral de que os valores
mdios so essencialmente semelhantes. De um ponto de vista prtico, nenhuma
inferncia adicional a respeito das mdias de tratamentos pode ser ordinariamente
feita.

Por outro lado, quando se observa um teste F da Anova significativo, se aceita a
hiptese de que existem diferenas significativas entre as mdias dos tratamentos,
porm, ela no indica onde se encontram as diferenas. Assim, para se obter essa
informao necessria alguma espcie de anlise ps-Anova. Segundo Neter &
Wasserman (1974) h algumas alternativas considerando a anlise para model os
fixos:

a) A decomposio da soma de quadrados de tratamentos para testes de
hipteses de interesse;
b) Comparao direta dos efeitos nveis dos fatores usando tcnicas de
estimao.











41

No primeiro caso, a decomposio da soma de quadrados de tratamento feita em
situaes em que os tratamentos possuam uma estrutura que possibilite a
realizao da partio das somas de quadrados. Isso muito comum no
melhoramento de plantas quando so utilizados delineamentos especiais, tais como
os cruzamentos diallicos. Essa partio efetuada tambm quando os tratamentos
envolvem nveis quantitativos e a sua decomposio realizada por meio de
regresso.

A segunda opo corresponde ao emprego de testes apropriados para as
comparaes das mdias dos tratamentos tomados par a par ou no caso de
comparaes por meio de contrastes pr-estabelecidos.

Uma das categorias dos procedimentos de comparao de mdias consiste de
testes de comparaes mltiplas (TCM) e de testes de amplitudes mltiplas (TAM).
Estes dois procedimentos so designados para julgar as significncias entre todas
as diferenas entre os pares de mdias. Os testes de comparaes mltiplas de
mdias usam um simples valor crtico enquanto que os testes de amplitudes
mltiplas usam dois ou mais valores crticos.

O teste t e o teste de Tukey so dois procedimentos de comparao mltipla usados
para comparar as mdias. O teste SNK e o de Duncan so dois procedimentos de
amplitudes mltiplas usados para comparar mdias.

Outra categoria de procedimentos de comparao de mdias usa apenas as
comparaes pareadas envolvendo um controle. Um dos testes pertencente a esta
categoria o teste de Dunnett.


2.5.1. Teste t de Student ou Diferena Mnima Significativa (DMS)


O teste t de Student serve para testar mdias de dois tratamentos ou mdias de
dois grupos de tratamentos (caso em que o contraste tem mais de duas mdias
envolvidas).

Para sua aplicao correta, devemos considerar os seguintes requisitos bsicos:

- Os contrastes a serem testados devem ser estabelecidos antes de obtidos os
dados experimentais (no devem ser feitas comparaes sugeridas pelos dados).
- Os contrastes a serem testados devem ser ortogonais entre si.
- As comparaes feitas devem ser no mximo, iguais ao nmero de gros de
liberdade de tratamentos.

- Quando aplicamos o teste t a um contraste qualquer, estamos interessados em
verificar se a estimativa do contraste difere ou no de zero (valor de H
0
se fosse
verdadeira).




42

Ento, testamos H
0
: Y = 0 vs H
1
: Y 0. A estatstica teste dada por:


) S(
0
t
^
^
Y
Y
=

- Embora no seja muito freqente, s vezes existe interesse em comparar a
estimativa do contraste com um valor arbitrrio. A estatstica teste dada por:


Em ambos os casos, o valor de t calculado deve ser comparado com os valores de t
tabelados, para verificar a significncia do teste.


O critrio do teste o seguinte:

a) Se
c
t t
t
, o teste significativo ao nvel de probabilidade considerado. Neste
caso, rejeita-se H
0
.

b) Se
c
t < t
t
, o teste no significativo ao nvel de probabilidade considerado.
Neste caso, aceita-se H
0
.


- O teste t quando aplicado a vrios contrastes de duas mdias em um mesmo
experimento, ele no exato, porque se o nvel de significncia for para cada
contraste a probabilidade (PC) de que um pelo menos de n contrastes ortogonais
seja significativo, de n. Ento:

PC = n o n nmero de contrastes
o = nvel de significncia

- Para qualquer conjunto de k mdias, o procedimento da DMS consiste de fazer
testes t ordinrios de todas as diferenas dos pares advindo de k(k-1)/2. As
diferenas pareadas so comparaes da forma
i
-
h
em um DIC. Para este
delineamento ento, a DMS testaria H
o
:
i
=
h
individualmente para todos os i
e h, com i h.

- A DMS de Fischer um procedimento que usado apenas quando o teste F da
Anova bsica aponta para diferenas significativas entre as mdias. Esta
insistncia fornece um melhor controle da taxa de erro. O termo DMS protegida
algumas vezes usado neste procedimento. Uma DMS desprotegida no
requer um teste da Anova de igualdade de mdias de tratamentos; isto , uma
DMS desprotegida seria usada se ou no o teste da Anova indicasse diferenas
significativas para tratamentos. Por isso, a DMS no recomendada quando ela for
desprotegida.



43


- Devido os testes t de todas as hipteses possveis em H
o
:
i
=
h
sejam
independentes, o usado para fornecer o valor crtico aplicvel a cada
comparao individual, no a coleo inteira de comparaes dentro de qualquer
um experimento.

- O procedimento da DMS tem uma taxa de erro por comparao
c
= sobre
todas as repeties dos experimentos. Para um simples experimento, um limite
superior para a taxa de erro composta dado por
p
= 1 (1 -
c
)
n
com n = k(k-
1)/2. Os valores da Tabela 1 indicam que a taxa de erro composta aumenta
rapidamente quando o nmero de testes aumenta.

- Para testar a H
o
:
i
=
h
contra H
1
:
i

h
, a DMS tem a seguinte forma:

DMS = t
v,
* s
d
,

onde t
v,
representa o valor tabelado do teste t, para um dado nmero de graus
de liberdade do resduo v e um nvel de probabilidade . O s
d
a raiz quadrada
da varincia da diferena entre duas mdias. No caso de um experimento em
que todos os tratamentos tem o mesmo nmero de repeties, s
d
dado por:

s
d
=
r
QMRes * 2
,

onde QMRes representa o quadrado mdio do resduo e r o nmero de
repeties.

Outra expresso mais conveniente para a equao da DMS acima dada por ter
os valores tabulares da distribuio t relacionados a outra coleo de valores
tabulares, chamada de valores de amplitude estudentizada, da seguinte
maneira:

t
v,
= q (2,
,v
)/ 2 , q (2,
,v
),

onde q (
2
,
,v
) o valor da amplitude estudentizada de ordem 2 (Tabela anexa),
o nvel de significncia e v o nmero de graus de liberdade. Assim, a DMS pode
ser reescrita da seguinte forma:


DMS = q (2,
,v
)/ 2 *
r
QMRes * 2


onde q (
2
,
,v
) o valor da amplitude estudentizada de ordem 2 (Tabela anexa),
a taxa de erro por comparao e v o nmero de graus de liberdade.





44




Se as mdias, sendo comparadas, apresentam nmero de repeties diferentes,
a frmula adequada dada por:

s
d
=
(
(

+
r r 2 1
1

1
QMRes ,

onde r
1
e r
2
representam estes nmeros de repeties.


2.5.2. Aplicao do teste t

Vamos utilizar os dados do exemplo do teste F, considerando-se que as mdias das
4 repeties de cada tratamento foram:


1
m = 100,2 t/ha

2
m = 137,2 t/ha

3
m = 139,7 t/ha s
2
= QMRes = 286,1137

4
m = 129,8 t/ha r = 4

5
m = 124,6 t/ha G.L.
Res
= 12


Supondo que se deseja testar o contraste:
5 4 3 2 1
^
m m m m m 4 = Y que
corresponde a verificar se a mdia da cultivar Co 413 difere da mdia das cultivares

CBs, temos as seguintes hipteses:

H
0
:
1
m =
4
m m m m
5 4 3 2
+ + +
vs H
1:

1
m
4
m m m m
5 4 3 2
+ + +

ou:

H
0
: Y = 0 vs H
1
: Y 0


^
Y = 4(100,2) 137,2 139,7 129,8 124,6

^
Y = - 130,5 t/ha


^
V (
^
Y ) = [4
2
+ (-1)
2
+ (-1)
2
+ (-1)
2
+ (-1)
2
]
4
286,1137
= 1430,55
s(
^
Y ) = 1430,55 = 37,8 t/ha.

45


) S(
0
t
^
^
c
Y
Y
= =
37,8
5 , 130
= - 3,45 **

t
t (12 g.l., = 0,05)
= 2,18.
t
t (12 g.l., = 0,01)
= 3,06.

Como
c
t > t
t
, conclumos que o contraste significativo ao nvel de 1% de
probabilidade. As hipteses, neste caso so: H
0
: Y = 0 vs H
1
: Y 0, ento
rejeitamos H
0
em favor de H
1
.


A mdia de produo da variedade Co (
1
m ) difere da mdia das cultivares do CB
(
4
m m m m
5 4 3 2
+ + +
).

Pelos resultados, verificamos que o grupo CB melhor que a variedade Co,
produzindo, em mdia, 32,6 t/ha a mais.

O clculo da DMS para comparao das mdias duas a duas :


DMS = t
,GLE
*
r
QMRes * 2
= 2,18 *
4
286,1137 * 2
= 2,18 * 11,96 = 26,1

DMS = q (2,
,v
)/ 2 *
r
QMRes * 2
= 3,08 / 2 *
4
286,1137 * 2
= 3,08* 11,96/ 2 = 26,1

CB 40/69
3
m = 139,7 a PC = n o = k(k-1)/2 * o = 5(5-1)/2 * 0,05 = 0,5
CB 40/19
2
m = 137,2 a
CB 41/70
4
m = 129,8 a s
2
= QMRes = 286,1137
CB 41/76
5
m = 124,6 ab r = 4
Co 413
1
m = 100,2 b G.L.
Res
= 12

Os tratamentos 3, 2, 4 e 5 devem ser considerados no diferentes entre si e os
tratamentos 3, 2 e 4 diferentes do tratamento 1. Esta informao foi obtida com
uma probabilidade de 0,5. Por isso, no se recomenda o uso do teste t para todos
os contrastes de mdias duas a duas em um experimento.








46


2.5.3. Teste de Tukey ( A) ou Mtodo da DHS (Diferena Honestamente
Significante)

- Serve para testar qualquer contraste entre duas mdias de tratamentos.
- O nmero de contrastes que podem ser testados consiste no nmero de
combinaes das duas mdias, duas a duas.
- O teste exato quando as duas mdias do contraste tm mesmo nmero de
repeties.
- considerado um dos testes mais conservadores para a comparao de mdias
por manter constante seu erro tipo I, no importando o nmero de mdias que
esto sendo testadas.
- Por ser um teste rigoroso, geralmente, aplicado apenas no nvel de 5% de
probabilidade.
- Atualmente, o teste de Tukey o teste mais utilizado para comparaes das
mdias de um experimento.
- Baseado na amplitude total estudentizada (q). Foi desenvolvido por J. W. Tukey.
Ele acreditava que o procedimento da DMS era bastante liberal e deveria ser
modificado por usar um valor de amplitude estudentizada de ordem k igual ao
nmero de mdias sendo comparadas, mais exatamente de ordem 2 que a DMS
usa. Basicamente isto implica que a DMS assume todos os pares de mdias so
adjacentes enquanto o procedimento de Tukey assume que cada par de mdia
ocorre no final da posio do arranjo ordenado. Esta pressuposio de extrema
ordenao demanda uma maior diferena crtica e leva a um procedimento mais
conservador do que a DMS. Por esta razo alguns pesquisadores tm rotulado o
mtodo de Tukey como Diferena Honestamente Significante ou mtodo da DHS.
- O valor da amplitude total estudentizada dado pela seguinte expresso:

q
I,v =
s
) Min( ) Max(

y y
i i



A Tabela (2A) em anexo apresenta os valores de q para diferentes valores de I
(nmero de tratamentos) e v (nmero de graus de liberdade do resduo), ao
nvel de 5% de probabilidade. Por exemplo, um experimento com I = 5, v = 12 e
= 0,05, o valor de q igual a 4,51. Isso indica que a chance de se obter, em
um outro experimento semelhante sob H
o
uma amplitude padronizada igual ou
superior a 4,51, de 5%.

- O mtodo de Tukey tem uma taxa de erro por experimento de tamanho , o valor
usado para obter o ponto da tabela. Assim, se = 0,05 usado na obteno do
valor da amplitude estudentizada, o pesquisador cometeria decises erradas em
5% dos experimentos (de um dado conjunto de pesquisa). Apresenta a seguinte
forma de clculo:


DHS ou
r
QMRes

q
v, k, o
= A = ) (
2
1

^
v, k,
q
D V
o
,

47


onde q
k,v,
o valor da amplitude total estudentizada de ordem k, o nmero de
mdias sendo comparadas; a taxa de erro por experimento do mtodo de
Tukey (Anexo) e v o nmero de graus de liberdade do resduo; QMRes o
quadrado mdio do resduo e r numero de repeties; ) (
^
D V a varincia do
contraste entre duas mdias. Em outras palavras, a DHS igual constante
multiplicada pela raiz quadrada da metade da varincia do contraste entre duas
mdias.

Para delineamentos desbalanceados, satisfatrio em muitas situaes tomar
como aproximao do teste o nmero mdio de repeties das mdias dos nveis
de tratamento. A melhor forma tomar a mdia harmnica do nmero de
repeties r
i
, por:

r
h
ri
1
1 1
1

=
=
t
i
t


O teste de Tukey tem por objetivo de controlar a taxa de erro por experimento
(experimentwise), sendo bastante conservador com relao taxa de erro por
comparao (comparisonwise). conveniente salientar que o teste de Tukey
serve para realizar todas as comparaes par a par que o pesquisador tiver
interesse, mesmo aquelas sugeridas pelos dados experimentais (data snooping).

Para a aplicao do teste de Tukey:

a) Calcular a diferena mnima significativa, representada por ( A);

b) Calcular as estimativas dos contrastes de duas mdias;

c) Comparar cada estimativa de contraste, em valor absoluto com a diferena
mnima significativa ( A);

d) Indicar a significncia do teste no valor da estimativa do contraste.


2.5.4. Aplicao do teste Tukey

Consideremos os dados do exemplo do teste F e do teste t de Student. Em
ordem decrescente (apenas para facilitar a aplicao do teste), as mdias dos
tratamentos so:

CB 40/69
3
m = 139,7 s
2
= QMRes = 286,1137
CB 40/19
2
m = 137,2 k = 5 tratamentos
CB 41/70
4
m = 129,8 r = 4
CB 41/76
5
m = 124,6 q = valor da tabela para 5 tratamentos e 12 GLRes
Co 413
1
m = 100,2 ao nvel = 5% = 4,51.
48



* Clculo da diferena mnima significativa:


r
QMRes

q
v, k, o
= A = 4,51*
4
286,1137
= 4,51* 8,46 = 38,1 t/ha


* Clculo das estimativas dos contrastes de duas mdias, comparao com o
valor absoluto da DHS e indicar a significncia do no valor das estimativas
dos 10 contrastes de duas mdias:

CB 40/69
3
m = 139,7 a
CB 40/19
2
m = 137,2 ab
CB 41/70
4
m = 129,8 ab
CB 41/76
5
m = 124,6 ab
Co 413
1
m = 100,2 b

O teste de Tukey s acusou diferena significativa entre as mdias
3
m e
1
m .
As demais mdias no diferiram entre si.


2.5.5. Teste de Duncan (D)

- menos rigoroso que o teste de Tukey, mas de aplicao mais trabalhosa. O
teste exige que as mdias sejam colocadas em ordem decrescente de valores e
todas as mdias possuam o mesmo nmero de repeties para ser exato.

- Em cada contraste s se pode comparar duas mdias, mas a diferena entre elas
podem abranger duas ou mais mdias.

- Normalmente, o teste aplicado no nvel de 5% de probabilidade, e a
significncia do teste representada ligando-se, por uma barra contnua, duas
mdias que no diferem.

- Duncan apresentou este teste para comparao de mdias adotando o principio
de mltiplas amplitudes, isto , existem tantos valores de diferena mnima
quantas forem as mdias menos 1, e estes valores so tanto maiores quanto
mais mdias estiverem envolvidas na comparao. Este critrio implica que, ao
se compararem duas mdias quaisquer, devem ser consideradas no apenas
aquelas mdias, mas tambm todas as demais que se situarem entre elas, isto ,
ao se comparar a primeira mdia com a quarta, deve-se considerar que a
comparao envolve quatro mdias, pois a segunda e a terceira mdias se
localizam entre elas.




49


- Tem as mesmas caractersticas que o teste de Tukey no que se refere s
pressuposies exigidas para sua aplicao. Ele usa como fundamento a
amplitude estudentizada. No entanto, como principal diferena do teste anterior,
para cada contraste, o nvel de significncia alterado em funo do nmero de
mdias (p) abrangidas pelo contraste efetuado. Por esta razo, somente os
contrastes entre mdias ordenadas so considerados neste teste.


- Se um contraste realizado entre a maior e menor mdia, o nmero de mdias
abrangidas p=n. Se o contraste realizado entre a maior e a segunda menor,
ou entre a segunda maior e a menor, ento p = n-1, e assim por diante. Dessa
forma, o nvel de significncia proposto por Duncan :


p
= 1 (1 )
p-1
(2 p n)

Para este nvel de significncia de Duncan, verifica-se que
p
, sendo que a
igualdade se verifica apenas para p=2. O nvel de significncia (
p
) proposto por
Duncan pretende fornecer uma proteo separada para cada comparao par a
par, ao nvel nominal de significncia , ou seja, o teste controla a taxa de erro
por comparao, mas no controla a taxa de erro por experimento.


- A forma do teste de Duncan (denominado de amplitude total mnima significativa)
(D
p
) :

D
p
= z
(p, v, p)
=

) (
2
1
^
D V = z
(p, v, p)

r
QMRes
,


onde z o valor da amplitude estudentizada e os outros termos j foram
especificados anteriormente. Tabelas apropriadas para o valor de z so
encontradas no Anexo (3A).


Para a aplicao do teste de Duncan, advindo de um experimento com p
tratamentos, cujas mdias foram todas calculadas com r repeties, tem-se:

a) Colocar as p mdias dos tratamentos em ordem decrescente;
b) Calcular a estimativa do contraste:
menor maior
^
m m =
p
Y (abrange p mdias);
c) Calcular o valor da amplitude total mnima significativa;
d) Comparar
^
p
Y com D
p
;
e) Repetir os b, c e d, at o ltimo contraste.

No caso de serem diferentes os nmeros de repeties dos tratamentos, podemos
usar procedimento semelhante ao do teste de Tukey.

50


2.5.6. Aplicao do teste Duncan

Consideremos os dados do mesmo exemplo paro teste de Tukey. Mdias de
tratamentos em ordem decrescente:


CB 40/69
3
m = 139,7 t/ha
CB 40/19
2
m = 137,2 t/ha
CB 41/70
4
m = 129,8 t/ha
CB 41/76
5
m = 124,6 t/ha
Co 413
1
m = 100,2 t/ha

a) Para o contraste que abrange 5 mdias:


1 3
^
1
m m = Y = 39,5 t/ha

D
5
= 3,36
4
286,1137
= 28,4 t/ha z
5
: 5 mdias x 12 GLRes = 3,36 (5%).
Como
^
1
Y > D
5
, conclui-se que
1 3
m m = .

b) Para o contraste que abrange 4 mdias:


5 3
^
2
m m = Y = 15,1 t/ha


1 2
^
3
m m = Y = 37,0 t/ha
D
4
= 3,33
4
286,1137
= 28,2 t/ha z
4
: 4 mdias x 12 GLRes = 3,33 (5%).
Como
^
2
Y < D
4
, conclui-se que
5 3
m = m . Neste caso, deve-se unir
3
m e
5
m por
uma barra contnua, ou colocar mesma letra, e nenhuma outra comparao deve ser
feita com duas mdias dentro dessa barra.

Como
^
3
Y > D
4,
conclui-se que
1 2
m m = .


c) Para o contraste que abrange 3 mdias:


1 4
^
4
m m = Y = 29,6 t/ha


51

D
3
= 3,23
4
286,1137
= 27,3 t/ha z
3
: 3 mdias x 12 GLRes = 3,23 (5%).
Como
^
4
Y > D
3
, conclui-se que
1 4
m m = .

d) Para o contraste que abrange 2 mdias:


1 5
^
5
m m = Y = 24,4 t/ha

D
2
= 3,08
4
286,1137
= 26,0 t/ha z
2
: 2 mdias x 12 GLRes = 3,08 (5%).
Como
^
5
Y < D
2
, conclui-se que
1 5
m m = . Neste caso, deve-se unir
5
m e
1
m por
uma barra continua.

Representao:


CB 40/69
3
m = 139,7 a
CB 40/19
2
m = 137,2 a
CB 41/70
4
m = 129,8 a
CB 41/76
5
m = 124,6 ab
Co 413
1
m = 100,2 b


* Mdias seguida de uma mesma letra no diferem pelo teste de Duncan
(P>0,05).

* Verificou-se que houve diferenas significativa entre as mdias:
3
m e
1
m ;

2
m e
1
m e
4
m e
1
m

* Pelo teste de Tukey, foi detectada diferena significativa, somente, entre as
mdias
3
m e
1
m .

* Verifica-se, dessa forma, que o teste de Duncan menos rigoroso que
o teste de Tukey, j que mostra como significativas diferenas que no
so significativas pelo teste de Tukey.









52


2.5.7. Teste de Student Newman Keuls ou SNK

- um teste aplicado da mesma forma que o teste de Duncan, com a diferena
que, ao calcularmos a amplitude mnima significativa do teste, D
p
, utilizamos os
valores da tabela de Tukey, em vez de utilizarmos os valores da tabela de
Duncan.
- um teste intermedirio entre o teste de Tukey (mais rigoroso) e o teste de
Duncan (menos rigoroso).
- Compara todo e qualquer contraste entre duas mdias.
- Baseado em mltiplas amplitudes (vrias amplitudes estudentizadas).
- Este teste controla a taxa de erro por comparao, mas no controla a taxa de
erro por experimento totalmente.
- A tcnica de aplicao do teste exige que as mdias estejam ordenadas e so
determinadas tantas DMS quantas so o nmero de mdias ordenadas
abrangidas pelo contraste em estudo.

- A DMS (W
p
) para o teste de SNK se as mdias forem estimadas com o mesmo
nmero de repeties, definida por:

W
p
=
r
QMRes

q
v, p, o
= ) (
2
1

^
v, p,
q
D V
o
,

A expresso semelhante do mtodo de Duncan. A diferena que o nvel de
significncia constante (); contudo, o nmero de mdias abrangidas (p)
varivel. Desse modo, a tabela da amplitude estudentizada (q) a mesma da
adotada para o teste de Tukey.

- Se as mdias forem estimadas com diferentes nmeros de repeties, a DMS
(W
p
) dada por:

W
p
= ) (
2
1

^ ^
v, p,
q
Y V
o
,

onde
^
Y =
i'. i.
m m , i i.
) (
^ ^
Y V =
^
V (
i'. i.
m m ) =
(
(

+
r r i i '
1

1
QMRes

Se
^
Y > W
p
ou
^
Y > W
p
o contraste significativo.

Observao: Quando num conjunto de mdias ordenadas a comparar, a maior
no difere significativamente da menor, pelo teste SNK, no se
admite diferena significativa entre mdias intermedirias.


53

No caso de serem diferentes os nmeros de repeties dos tratamentos, podemos
usar procedimento semelhante ao do teste de Tukey.


2.5.8. Aplicao do teste SNK

Vamos utilizar os dados do exemplo j visto para os testes anteriores.


CB 40/69
3
m = 139,7 t/ha
CB 40/19
2
m = 137,2 t/ha
CB 41/70
4
m = 129,8 t/ha
CB 41/76
5
m = 124,6 t/ha
Co 413
1
m = 100,2 t/ha



a) Para o contraste que abrange 5 mdias:


1 3
^
1
m m = Y = 39,5 t/ha

W
5
= 4,51
4
286,1137
= 38,1 t/ha q: 5 mdias x 12 GLRes = 4,52 (5%).
Como
^
1
Y > W
5
, conclui-se que
1 3
m m = .

b) Para o contraste que abrange 4 mdias:


5 3
^
2
m m = Y = 15,1 t/ha


1 2
^
3
m m = Y = 37,0 t/ha
W
4
= 4,20
4
286,1137
= 35,5 t/ha q
4
: 4 mdias x 12 GLRes = 4,20 (5%).
Como
^
2
Y < W
4
, conclui-se que
5 3
m = m . Neste caso, deve-se unir
3
m e
5
m por
uma barra contnua, ou colocar mesma letra, e nenhuma outra comparao deve ser
feita com duas mdias dentro dessa barra.

Como
^
3
Y > W
4,
conclui-se que
1 2
m m = .





54


c) Para o contraste que abrange 3 mdias:


1 4
^
4
m m = Y = 29,6 t/ha

W
3
= 3,77
4
286,1137
= 31,9 t/ha q: 3 mdias x 12 GLRes = 3,77 (5%).
Como
^
4
Y < W
3
, conclui-se que
1 4
m m = .

Neste caso, deve-se unir
4
m a
1
m por uma barra, e nenhuma outra
comparao deve ser feita com duas mdias dentro dessa barra.

Ento, no h mais nenhum contraste que possa ser testado.

O resultado final do teste de Student-Newman-Keuls, para o exemplo,
apresentado a seguir, no qual as mdias seguidas de uma mesma letra no diferem.


CB 40/69
3
m = 139,7 a
CB 40/19
2
m = 137,2 a
CB 41/70
4
m = 129,8 ab
CB 41/76
5
m = 124,6 ab
Co 413
1
m = 100,2 b


Verificamos pelo teste de Student-Newman-Keuls, que existem diferenas
significativas entre as mdias:
3
m e
1
m e
2
m e
1
m .
Pelo teste de Duncant, verificamos que houve diferena significativa entre as
mdias:
3
m e
1
m ; e
2
m e
1
m e entre
4
m e
1
m .
Pelo teste de Tukey, foi detectada diferena significativa, somente, entre as
mdias
3
m e
1
m .
Dessa forma, confirmamos que o teste de Student-Newman-Keuls um teste
intermedirio entre o teste de Tukey (mais rigoroso) e o teste de Duncan (menos
rigoroso).











55



2.5.9. Teste de Dunnett (d)


- Este teste utilizado quando as nicas comparaes que interessam ao
experimentador so aquelas entre um determinado tratamento padro
(geralmente o Controle ou Testemunha) e cada um dos demais tratamentos.


- Assim, um experimento com I tratamentos (um dos quais o tratamento padro)
permite a aplicao do teste a (I -1) comparaes. Dunnett introduziu um
procedimento teste para este propsito baseado em uma taxa de erro do tipo I
por experimento (
p
= ).

- A expresso do teste a seguinte:

d) = t
d
(I, o, v) * s
d
,


onde t
d
(p, o, v) representa o valor tabelado do teste (Anexos 5 e 6, unilateral
ou Anexos 7 e 8, bilateral) para I tratamentos (excludo o padro), nvel de
probabilidade o e nmero de graus de liberdade do resduo v. S
d
a raiz
quadrada da varincia da diferena entre duas mdias. No caso de um
experimento em que todos os tratamentos tm o mesmo nmero de repeties,
s
d
dada por:

s
d
=
r
QMRes * 2



Quando o nmero de repeties for diferente, ento o valor do erro padro da
diferena entre a mdia da testemunha com r
o
repeties e qualquer outro
tratamento com r repeties igual a:


sd=
1

1
QMRes
(
(

+
r r o
.










56


2.5.10. Aplicao do teste Dunnett



a) Calcular o valor do teste,dado por:

d = t
d
*
r
QMRes * 2



b) Calcular as estimativas dos contrastes:


controle 1
^
1
m m = Y


controle 2
^
2
m m = Y

...


controle 1) - (I
^
) 1 (
m m =
I
Y


c) Comparar cada estimativa de contraste, em valor absoluto, com d:


* Se
^
Y d, o teste significativo, indicando que a mdia do Controle difere
significativamente da mdia do tratamento com ele comparado.

* Se
^
Y < d, o teste no significativo, indicando que a mdia do Controle
no difere significativamente da mdia do tratamento com ele comparado.


d) Indicar a significncia do teste no valor da estimativa do contraste ) (
^
Y .









57



2.5.11. Exemplo de aplicao do teste Dunnett


Para o exemplo que estamos utilizando, vamos considerar a variedade Co
413 como tratamento Controle. Ento, devemos comparar sua mdia com
cada uma das mdias das demais variedades.


a) Clculo do valor de d:

t
d
da tabela, para 4 G.L. de tratamentos x 12 12 G.L.Res= 2,81 (5%).

d = t
d
*
r
QMRes * 2
= 2,81*
4
286,1137 * 2
= 33,6 t/ha
b) Clculo das estimativas dos contrastes:


1 2
^
1
m m = Y = 37,0 t/ha


1 3
^
2
m m = Y = 39,5 t/ha


1 4
^
3
m m = Y = 29,6
NS
t/ha


1 5
^
4
m m = Y = 24,4
NS
t/ha

Verificamos que, pelo teste de Dunnett (5%), a mdia da variedade 1
difere significativamente das mdias das variedades 2 e 3, mas no
significativamente das mdias das variedades 4 e 5.





2.5.10. Comparaes mltiplas com o melhor tratamento (CMMT) ou
procedimento de Hsu


Para um nmero de situaes experimentais, a tarefa primria do pesquisador
determinar o melhor tratamento. Primeiro, devemos considerar o caso onde o
melhor tratamento um tendo o maior valor. Por exemplo, um agrnomo pode
desejar determinar a melhor variedade em termos de produo, de um grupo
recente de variedades formada.



58


Em adio, o pesquisador pode querer saber se qualquer dos outros tratamentos
podia servir como substitutos para o melhor. Comparaes do melhor com cada
mdia de outro tratamento, so relevantes para fazer tais avaliaes. Geralmente,
h pouco ou nenhum interesse em quaisquer outras comparaes pareadas de
mdias de tratamentos. O objetivo selecionar o conjunto de tratamentos ou um
simples tratamento (se possvel) que fornea o resultado mais desejvel.

As comparaes mltiplas com o melhor tratamento (CMMT), procedimento
desenvolvido por Hsu, possibilita o pesquisador a selecionar tratamentos em um
subconjunto com uma probabilidade de seleo correta P(SC) = (1- ) de que o
melhor tratamento esteja includo no subconjunto.

Pode-se observar a similaridade do mtodo de Hsus com o mtodo de
comparaes de Dunnett envolvendo o controle. Na realidade, se o controle o
melhor tratamento, os dois procedimentos so equivalentes no sentido de que os
tratamentos no esto no mesmo subconjunto. Outra similaridade entre os mtodos
que os mesmos valores tabulares so usados em ambos os mtodos.

Para construir a coleo contendo o melhor tratamento, os seguintes passos devem
ser dados:

a) Calcule a mdia de cada tratamento e obtenha a maior mdia dos tratamentos

max(

j
y ) i = 1, 2, ..., t
j i

b) Obtenha a quantidade M


M = d
, k, v

1

1
QMRes
i
(
(

+
r r j


onde d
, k, v
o valor tabelado para comparaes unilaterais (Anexo ) para k= t -1,
nvel de significncia para P(SC) = 1- , v graus de liberdade para o quadrado
mdio do resduo QMRes = s
2
.

As regras do CMMT seleciona um tratamento no melhor subconjunto se


i
y > max(

j
y ) - M
j i




59





2.5.12. Teste de Scheff ou teste S


- Freqentemente utilizado para testar qualquer contraste entre mdias de
tratamentos. No entanto, como se trata de um teste muito rigoroso, normalmente,
ele mais utilizado para testar contrastes que apresentam mais de duas mdias,
isto , comparam mdias de grupos de tratamentos.

- Para a sua aplicao correta, exige apenas que o teste F da anlise de varincia
para Tratamentos seja significativo, pois quando o teste F significati vo, isso
indica que se deve ter, pelo menos, um contraste de mdias de tratamentos que
seja significativo. Isso no implica que o contraste significativo tenha que ser um
contraste entre duas mdias.

- Este teste fornece uma proteo para o erro por experimento para qualquer
nmero de contrastes, ou seja, a taxa de erro relativa por experimento.
Conseqentemente, o teste bastante conservador e geralmente usado para
contrastes no planejados ou contrastes sugeridos pelos dados.



2.5.13. Aplicao do teste de Scheff

Seja um contraste qualquer:


Y = c
1
m
1
+ c
2
m
2
+ ... + c
I
m
I


em que as mdias foram todas calculadas com r repeties.


a) Calcular a estimativa do contraste -
^
Y


I I 2 2 1 1
^
m c ... m c m c + + + = Y
b) Calcular a estimativa de varincia da estimativa do contraste - ) (
^ ^
Y V


^
V (
^
Y ) = (c
1
2
+ c
2
2
+ ... + c
I
2
)
r
QMRes


c) Calcular o valor do teste, S, por:


60

) ( 1) - (I S
^ ^
GLRes 1, - I , F
Y V
o
= ,


onde I = nmero de tratamentos do experimento; F
, I-1, GLRes
= valor
crtico tabelado no nvel de significncia desejado em funo do
nmero de graus de liberdade de tratamentos e do nmero
de graus de liberdade do resduo e ) (
^ ^
Y V = varincia do contraste.


d) Comparar a estimativa do contraste (em valor absoluto) com S:


* Se
^
Y S, o teste significativo, rejeita-se H
o
para Y, e conclui-se que
as mdias dos dois tratamentos (ou dos dois grupos) de Y diferem
significativamente.

* Se
^
Y < S, o teste no significativo, no rejeita-se H
o
para Y, e
conclui-se que as mdias dos dois tratamentos (ou dos dois grupos) de
Y no diferem significativamente.

e) Indicar a significncia do teste no valor da estimativa do contraste (
^
Y ).


2.5.14. Exemplo de aplicao do teste de Scheff


Vamos exemplificar o teste de Scheff, com os dois contrastes seguintes:

1 Y
1
= 4m
1
m
2
m
3
m
4
m
5
(Co vs CB)

2 Y
2
= m
3
m
1
(CB 40/69 vs Co 413)

1 Co vs CB


H
0
:
1
m =
4
mm m m m
5 4 3 2
+ + +
vs H
1:

1
m
4
m m m m
5 4 3 2
+ + +


ou H
0
: Y
1
= 0 vs H
1
: Y 0



^
1
Y =
5 4 3 2 1
m m m m m 4
61



^
1
Y = 4(100,2) 137,2 139,7 129,8 124,6

^
1
Y = - 130,5
NS
t/ha







^
V (
^
1
Y ) = [4
2
+ (-1)
2
+ (-1)
2
+ (-1)
2
+ (-1)
2
]
4
286,1137
= 1430,55


) ( 1) - (I S
^ ^
GLRes 1, - I , F
Y V
o
= = F da tabela 4 G.L. Trat. x 12 G.L.
Res = 3,26 (5%).

1430,55 x 3,26 x 1) - (5 S= = 136,6 t/ha.


Concluso:


Como
^
Y < S, o teste no significativo no nvel de 5% de probabilidade.
Rejeita-se H
o
. A mdia das variedades CB (
4
m m m m
5 4 3 2
+ + +
) no difere
da mdia da variedade Co (m
1
).

Verifica-se que este mesmo contraste foi significativo (no nvel de 1% de
probabilidade) pelo teste t de Student, mas no foi significativo no nvel de
5% de probabilidade para o teste de Scheff.


2 CB 40/69 vs Co 413


H
o
: m
3
m
1
vs H
1
: m
3
m
1


ou H
o
: Y
2
= 0 vs H
1
: Y
2
0



1 3
^
2
m m = Y = 139,7 100,2 = 39,5
NS
t/ha

62


^
V (
^
2
Y ) = [(1)
2
+ (-1)
2
]
4
286,1137
= 143,06
143,06 x 3,26 x 1) - (5 S= = 43,2 t/ha.




Concluso:


Como
^
Y < S, o teste no significativo no nvel de 5% de probabilidade.
Rejeita-se H
o
. A mdia da variedade CB 40/69 (
3
m ) no difere da mdia da
variedade Co (m
1
).

Verifica-se que este mesmo contraste foi significativo (no nvel de 5% de
probabilidade) pelo teste Tukey, teste de Duncan, teste de Student-Newman-
Keuls e teste de Dunnett, mas no foi significativo (no nvel de 5% de
probabilidade) pelo teste de Scheff.

Ainda, o valor de S (43,2 t/ha) serve para testar qualquer contraste entre
duas mdias, pelo teste de Scheff. Isso mostra que, neste experimento,
nenhum contraste entre duas mdias significativo pelo teste de Scheff
(a maior diferena entre elas de 39,5 t/ha), confirmando que o teste de
Scheff o mais rigoroso dos testes estudados.



2.5.15. Teste de Scott-Knott


- Este teste foi idealizado por Scott & Knott e sua base terica na anlise de
conglomerados, e sua significncia formulada sobre o teste do
2
.
- A grande vantagem em sua utilizao advm do fato de que nenhuma mdia
pode pertencer a mais de um agrupamento, como ocorre nos testes anteriores,
ou seja, o teste determina a constituio de grupos de mdias disjuntos, sempre
que haja sido encontrada significncia na aplicao do teste F na anlise de
varincia.
- No apresenta uma frmula bsica de obteno de um ou mais valores para
comparao das mdias, mas antes estabelece os grupos em funo da
variabilidade entre estes grupos de mdias.
- A sua aplicao, portanto, deve ser feita segundo as regras abaixo:

a) Ordene as k mdias em ordem decrescente;
b) Crie k-1 parties de grupos de mdias, da seguinte forma:

- Partio 1: grupo do tratamento 1 e o grupo formado pelos tratamentos 2, 3,
..., k,
63

- Partio 2: grupo dos tratamento 1 e 2 e o grupo dos tratamentos 3, 4, ..., k,
e assim sucessivamente at a
- Partio k-1: grupo formado por tratamentos 1, 2, ..., k-1 e o grupo do
tratamento k.
c) Calcule a soma de quadrado entre grupos de cada partio, usando a frmula:


k
) (
k
) 2 (
k
) 1 (
SQ
2
2
2
1
2
GT G G
grupos
+ = ,

onde G1, G2 e GT so respectivamente, os totais das mdias componentes do
grupo 1, grupo2 e soma total e k1, e k2 o nmero de tratamentos em cada
grupo na partio. O mximo valor de SQgrupos denominado de
2
o
.


d) Calcule:



v
v
o
+
+
=
k
)
r
QMRes
(

2
o
SQ
mdias
,


onde r o nmero de repeties de cada tratamento e o nmero de graus
de liberdade do resduo.

e) A partio de soma de quadrado mxima ser vlida se a estimativa for
significativa, sendo esta estatstica dada por:



o
|
t
t

2
o
2
o
) 2 ( 2
+

= ,


com tendo uma de
2
com w graus de liberdade, para w = k/( -2).


f) Se for significativo, aplicam-se as regras 2 at 5 dentro de cada grupo da
partio e assim sucessivamente, at que no seja mais possvel dividir as
mdias em grupos. Se for no significativo, no haver formao de grupos
de mdias.


Para os dados sendo utilizados at aqui com 5 tratamentos, possvel a
criao de 4 parties iniciais, a saber:

Partio 1: grupo 1 (trat 1) e grupo 2 (trats 2, 3, 4 e 5),
Partio 2: grupo 1 (trats 1 e 2) e grupo 2 (trats 3,4 e 5),
64

Partio 3: grupo 1 (trats 1, 2 e 3) e grupo 2 (trats 4 e 5),
Partio 4: grupo 1 (trats 1, 2, 3 e 4) e grupo 2 (trat 5).




Lembrando que as mdias dos tratamentos de 1 a 5 foram iguais a: 139,7;
137,2; 129,8; 124,6 e 100,2, respectivamente, tem-se para a partio 1 a
seguinte soma de quadrado:




5
(
4
(
1
(
SQ
631,5) 491,8)
139,7)
2 2
2
1
+ =
Partio
= 224,45



5
(
3
(
2
(
SQ
631,5) 354,6)
276,9)
2 2
2
2
+ =
Partio
= 492,08




5
(
2
(
3
(
SQ
631,5) 224,8)
406,7)
2 2
2
3
+ =
Partio
= 644,03





5
(
1
(
4
(
SQ
631,5) 100,2)
531,3)
2 2
2
4
+ =
Partio
= 851,51


Como a partio 1 possui a maior soma de quadrado entre grupos, a soma de
quadrados associada a essa partio ser o primeiro valor de
2
o
. Sendo
2
o

igual a 109,00, tem-se que a estatstica igual a 18,56, como calculado a
seguir, com aproximadamente 4 de liberdade, o que a torna significativa a 5%
de probabilidade, com a conseqente formao inicial de dois grupos mdias,
um formado pelos tratamentos 1, 2, 3 e 4 e o outro pelo tratamento 5.


SQMdias = (139,7
2
+137,2
2
+ 129,8
2
+ 124,6
2
+ 100,2
2
) (631,5)
2
/5

SQMdias = 994,72


W = k/( 2) = 5/( 2) = 4,38 4
65




v
v
o
+
+
=
k
)
r
QMRes
(

2
o
mdias
SQ
=
12 5
)
4
286,1137
( 12 72 , 994
+
+
= 109,00






Partio 4 -


o
|
t
t

2
o
2
o
*
) 2 ( 2
= =
00 , 109
51 , 851
*
) 2 ( 2 t
t
= 1,3760 x 7,812 = 10,75 *


o
|
t
t

2
o
2
o
*
) 2 ( 2
= =
00 , 109
03 , 644
*
) 2 ( 2 t
t
= 1,3760 x 5,9085 = 8,13 *


o
|
t
t

2
o
2
o
*
) 2 ( 2
= =
00 , 109
08 , 492
*
) 2 ( 2 t
t
= 1,3760 x 4,5145 = 6,21 *


o
|
t
t

2
o
2
o
*
) 2 ( 2
= =
00 , 109
45 , 224
*
) 2 ( 2 t
t
= 1,3760 x 2,0592 = 2,83 *


A cada um destes grupos aplicam-se, as regras b a e, o que resulta na
inexistncia de qualquer outra partio significativa. Estes resultados
podem ser resumidos assim:

CB 40/69
3
m = 139,7 a
CB 40/19
2
m = 137,2 a
CB 41/70
4
m = 129,8 a
CB 41/76
5
m = 124,6 a
Co 413
1
m = 100,2 b

Concluso: As variedades CBs se destacaram da Co 413.






66












Contrastes

Ortogonais
Previamente escolhidos t ou DMS,
Bonferroni


Sugeridos pelos dados Schefe, Tukey,
Duncan, SNK

Mais de 2 mdias Scheff



No ortogonais
Comparao s com a testemunha
Dunnett

2 mdias entre si Duncan, SNK, Tukey






























67



DELINEAMENTO INTEIRAMENTE CASUALIZADO - DIC

CARACTERSTICAS:

- Utiliza apenas os princpios da repetio e da casualizao.
- Os tratamentos so designados as parcelas de forma inteiramente casual, com
nmeros iguais ou diferentes de repetio por tratamento.
- Para instalao desses experimentos no campo, deve-se ter certeza da
homogeneidade das condies ambientais e do material experimental.
- As unidades experimentais so to homogneas quanto possvel, isto ,
nenhuma fonte de variao pode ser reconhecida entre elas sob qualquer
agrupamento ou armazenamento.
- Freqentemente utilizado em experimentos de laboratrio, nos ensaios com
vasos realizados dentro de casas-de-vegetao, viveiro, ripado, etc.



PLANO EXPERIMENTAL

- As parcelas que recebero cada um dos tratamentos so determinadas de forma
inteiramente casual, por meio de sorteio, para que cada unidade experimental
tenha a mesma probabilidade de receber qualquer um dos tratamentos
estudados, sem nenhuma restrio na casualizao.
- Considere um experimento com 4 tratamentos (A, B, C, D) e 5 repeties, que d
um total de 20 parcelas (nmero mnimo de parcelas exigido por ensaio).


A
1
A
3
D
2
B
1
D
4

ALOCADAS
ATRAVS DE
SORTEIO

B
2
B
4
A
4
B
5
C
4


C
2
D
1
A
5
C
1
C
5


D
5
C
3
D
3
B
3
A
2




INSTALAO DO EXPERIMENTO

- Definir o local onde o experimento ser conduzido (laboratrio, casa de
vegetao, ripado, viveiro, etc.).
- Identificar as parcelas experimentais com etiquetas, plaquetas, etc., seguindo o
croqui. As parcelas podem ser: vasos, caixas de madeira, placas de petri, etc.
- Distribuir as parcelas experimentais no local onde o experimento ser conduzido.
- Colocar as plantas e ou material correspondente ao seu respectivo tratamento
em cada parcela.

68


VANTAGENS

- Delineamento bastante flexvel (nmero de tratamentos e de repeties depende
apenas do nmero de parcelas disponveis);
- O nmero de repeties pode variar de um tratamento para outro, embora o ideal
seja que eles se apresentem igualmente repetidos;
- A anlise estatstica simples, mesmo quando o nmero de repeties por
tratamento varivel.
- O nmero de graus de liberdade para o resduo o maior possvel.


DESVANTAGENS

- Exige homogeneidade total das condies experimentais.
- Pode conduzir a uma estimativa de varincia residual bastante alta, uma vez que,
no se utilizando do princpio do controle local, todas as variaes, exceto as
devidas a tratamentos, so consideradas como variao do acaso.


MODELO MATEMTICO PARA O DIC



y
ij
=


+

i +

ij
;

i = 1,2, ..., t
j = 1,2, ..., r

y
ij
= Valor observado na parcela que recebeu o tratamento i na repetio j.
= Mdia geral ou da populao (ponto de referncia).

i
= Efeito do tratamento i aplicado na parcela.
c
ij
= Efeito dos fatores no controlados na parcela.

69




PRESSUPOSIES BSICAS PARA A VALIDADE DA ANOVA


1. Aditividade: efeitos dos fatores que ocorrem no modelo matemtico devem ser
aditivos (efeitos de tratamentos e ambientais so aditivos).
2. Independncia: os erros ou desvios c
ij
, devidos aos efeitos de fatores no
controlados, devem ser independentes. Isso implica que os efeitos de
tratamentos sejam independentes, que no haja correlao entre eles. Isso pode
no ocorrer quando os tratamentos so nveis crescentes de adubos, inseticidas,
fungicidas, herbicidas, etc., ocasio em que a anlise de varincia deve ser feita
estudando-se a regresso.
3. Homogeneidade (ou homocedasticidade) de varincias: os erros ou desvios
c
ij
, devidos aos efeitos de fatores no controlados, devem possuir uma varincia
comum o
2
. Isso significa que a variabilidade das repeties de um tratamento
deve ser semelhante dos outros tratamentos, isto , os tratamentos devem
possuir varincias homocedsticas.
4. Normalidade: os erros desvios c
ij
, devidos aos efeitos de fatores no
controlados, devem possuir uma distribuio normal de probabilidade. Isso
implica que os dados experimentais se ajustem a uma distribuio normal de
probabilidades.

Falha na obteno de uma ou mais destas pressuposies afeta tanto o
nvel de significncia como a sensibilidade do teste F na ANOVA. Assim,
qualquer sada de uma ou mais dessas pressuposies deve ser corrigida
antes que a ANOVA seja aplicada.


EFEITOS NO ADITIVOS


Uma sada comum da pressuposio da aditividade em experimentos agrcolas
uma onde os efeitos so multiplicativos em vez de aditivos. Dois fatores so
ditos ter efeitos multiplicativos se seus efeitos so aditivos apenas quando
expressos em termos percentuais.

Efeitos Aditivos Efeitos Multiplicativos
___________________________ _________________________________
Reps Reps Ef. Reps
_______ Ef. Reps _______ _________________
Trat I II (I II) Trat I II I II 100(I II)/II
__________________________________ __________________________________________
A 180 120 60 A 180 120 60 50
B 160 100 60 B 150 100 50 50
Ef. Trat (A B) 20 20 Ef. Trat (A B) 30 20
100(A B)/B 20 20
___________________________ _________________________________


70




NO INDEPENDNCIA DOS ERROS

comum em delineamento sistemtico, onde as unidades experimentais so
arranjadas sistematicamente ao invs de modo aleatrio. Isto assim, porque
o delineamento requer que certos pares de tratamentos sejam colocados em
parcelas adjacentes onde outros so sempre colocados a alguma distncia.


Croqui de um delineamento sistemtico com 6
tratamentos e 4 repeties


REP I
REP II
REP III
REP IV



A HETEROGENEIDADE DE VARIANCIA E NO NORMALIDADE

A heterogeneidade da varincia pode ser classificada em dois tipos:

1) Heterogeneidade regular: aquela geralmente associada com os dados cuja
distribuio no normal. A varincia est funcionalmente relacionada com a
mdia dos diversos tratamentos testados. Ex. dados de contagens, tais
como: o nmero de plantas infectadas por parcela ou nmero de leses por folha
(geralmente segue Poisson, com s
2
= m ). Outro exemplo a percentagem de
sobrevivncia de insetos ou percentagem de plantas infectadas com uma
doena. Tais dados descrevem a proporo de ocorrncias em que cada
ocorrncia pode apenas ser um dos possveis resultados (vivo ou morto, ou
infestado e no infestado). Geralmente segue binomial, com s
2
= m (1- m ).



2) Heterogeneidade irregular: aquela onde a varincia e a mdia no esto
funcionalmente relacionadas. Geralmente ocorre em experimentos onde, devido
natureza dos tratamentos testados, alguns tm erros (ou variabilidade) que so
substancialmente mais alto ou mais baixo do que os outros. Ex.: Experimentos
onde se testa a resposta do rendimento a tratamento qumico, tais como
fertilizantes, inseticidas ou herbicidas. A aplicao no uniforme de tratamentos
qumicos pode resultar em uma maior variabilidade nas parcelas tratadas do que
nas parcelas no tratadas (testemunhas).




A B C D E F
F A B C D E
E F A B C D
D E F A B C
71



Em ensaios de variedades onde vrios tipos de materiais melhorados esto
sendo comparado, o tamanho da varincia entre parcelas de uma dada
variedade depender do grau de homogeneidade gentica do material que est
sendo testado. A varincia da gerao F
2
, por exemplo, pode ser esperada mais
alta do que aquela da gerao F
1
. As varincias das variedades que so
altamente tolerante ou altamente suscetveis ao estresse que esto sendo
testadas, por exemplo, so esperadas ser menor do daquelas variedades com
grau moderado de tolerncia.

AS CORREES PARA HETEROGENEIDADE, NO NORMALIDADE E NO
ADITIVIDADE SO FREQUENTEMENTE POSSVEL POR MEIO DE
TRANSFORMAO DOS DADOS DE SUA FORMA ORIGINAL A DIFERENTE
FORMA.


SOLUO A HETEROGENEIDADE


Heterogeneidade Regular - Buscar uma transformao adequada.

Heterogeneidade Irregular - Eliminar tratamentos dos discrepantes. Se no for
possvel;
- Subdividi-los em grupos e test-los separadamente
atravs de resduos apropriado a cada grupo.


MEDIDAS PARA CORRIGIR A HETEROGENEIDADE DA VARINCIA


O sintoma mais comum dos dados experimentais que viola uma ou mais das
pressuposies da ANOVA a heterogeneidade de varincia. Duas so as
medidas usadas para corrigir a heterogeneidade da varincia.

1) aquela que trata do mtodo de transformao de dados para varincias
que esto funcionalmente relacionada a mdia. Um diagnstico correto do
tipo especfico de heterogeneidade de varincia presente nos dados deve ser
feito antes que uma medida corretiva apropriada possa ser selecionada.

Procedimentos:

a) Para cada tratamento, calcule a varincia e a mdia sobre as repeties (a
amplitude pode ser usada no lugar da varincia).
b) Faa um diagrama de disperso entre o valor mdio e a varincia (ou a
amplitude). O nmero de pontos no diagrama igual ao nmero de
tratamentos.



72


c) Visualmente examine o diagrama de disperso para identificar o padro
de relacionamento, talvez algum, entre a mdia e a varincia. A Figura a
seguir ilustra trs resultados possveis:

- Homogeneidade de varincia (a);
- Heterogeneidade de varincia quando a varincia funcionalmente
relacionada a mdia (b);
- Heterogeneidade de varincia quando no h relacionamento funcional
entre a varincia e a mdia (c).


FIGURA EGLEIDE


2) aquela trata do mtodo de subdividir os erros das varincias que no so
funcionalmente relacionada a mdia.

A heterogeneidade de varincia na qual nenhum relacionamento entre varincia
e a mdia existe, quase sempre devido a presena de um ou mais tratamentos
cujos erros associados so diferentes daqueles dos outros tratamentos. Estes
erros excepcionalmente altos e baixos so geralmente devido a duas principais
causas:

- Eles envolvem tratamentos que, por sua natureza, exibe varincias
grandes ou pequenas.
- Eles envolvem erros grosseiros; isto , alguns valores grandes ou
pequenos que podem ter sido registrado erroneamente em algumas
parcelas resultando em varincias do erro grandes dos tratamentos
envolvidos.

A partio do erro um procedimento comumente usado para manusear dados
que tem heterogeneidade de varincia que no so funcionalmente relacionada a
mdia.

A partio dos erros no deve ser usada, contudo, quando a heterogeneidade
devida a erros grosseiros. Em outras palavras, a partio do erro deve ser
aplicada apenas aps a presena de erros grosseiros ter sido completamente
examinada e eliminada.

Procedimento para detectar erros grosseiros e aplicar o mtodo de partio do
erro:

a) Identificar tratamentos que tenham diferenas extremamente grandes entre
observaes de diferentes repeties. Para cada um destes tratamentos,
identificar a parcela especifica cujo o valor grande diferente do resto (isto ,
parcelas com valores excepcionalmente grandes e pequenos).



73




b) Para parcela em questo, examinar os registros ou dirio dos dados para ver
se algumas observaes ou anotaes foram observadas pelo pesquisador
para explicar o valor extremo.

c) No croqui de campo, marcar as parcelas que tem valores extremos por colocar
um sinal + na parcela com valor excepcionalmente alto e um sinal nas
parcelas com valor excepcionalmente baixo. Examine a proximidade das
parcelas com sinais + e para localizar possveis causas que estejam
relacionadas a localizao da parcela na rea experimental.

d) Para as parcelas cujas causas dos valores extremos foram identificadas como
erros grosseiros, recuperar os valores corretos se possvel. Se a recuperao
no possvel, os dados suspeitos devem ser rejeitados e os dados
declarados perdidos. Para parcelas cujas causas de valores extremos no
podem ser determinadas, os dados suspeitos devem ser retidos.



TESTES PARA VERIFICAO DA HOMOCEDASTICIDADE DE VARIANCIAS


Teste de Fmax. de Hartley H
c
ou F
max
= S
2
max
/S
2
min.
Se H
c
for maior ou igual a H,
valor tabelado (H
C
> H(
g, r 1) o

) - rejeita-se hiptese homocedasticidade. Este teste


pode ser aplicado quando temos mais de duas varincias, mas os diferentes grupos
tm o mesmo nmero de indivduos. Alm deste teste, existem outros para
verificao da homocedasticidade, como: Teste de Levine, C de Cochran, de
Bartlett, de Brown Forsythe, de Obrien, etc.


PARA A HETEROGENEIDADE DA VARIANCIA, A TRANSFORMAO DE
DADOS APROPRIADA PARA SER USADA DEPENDE DO TIPO ESPECIFICO DE
RELACIONAMENTO ENTRE A VARIANCIA E A MDIA.


TIPOS DE TRANSFORMAES

Transformao raiz quadrada: y

- Apropriada para estabilizar as varincias das observaes da distribuio de
Poisson. Freqentemente usada para dados de contagens, onde a varincia
igual a mdia.

- Apropriada para dados consistindo de nmeros inteiros pequenos, dados de
contagem provenientes de:



74



Ex.: Nmero de ervas daninha por parcela, nmeros de colnias de bactrias
por lmina, nmero de insetos capturados em armadilha luminosa, nmero de
insetos por folha, nmero de bactrias em uma placa de Petri, nmero de
sementes germinadas por parcela, nmero de plantas infestadas, etc.


- Apropriada para dados provenientes de uma escala de notas tambm devem ser
transformados:

- Apropriada ocasionalmente para dados de percentagem oriundos de dados de
contagem. Se as percentagens estiverem entre 0 e 30% ou 70 e 100%, mas no
em ambas, a transformao raiz quadrada recomendada. As percentagens
entre 70% e 100%, devem ser de preferncia subtradas de 100, antes de se
fazer a transformao.

- A transformao raiz quadrada , ainda, indicada no caso de percentagens, fora
dos limites acima considerados, quando as observaes esto claramente numa
escala contnua.

- A transformao raiz quadrada Y = y ter uma varincia constante
y
2
= 0,25
para todos os valores
y
. Se a mdia pequena,
y
< 3, ento a transformao Y
= 3/8 y + superior a y para estabilizar as varincias.


Quando ocorrem zeros ou valores abaixo de 10, usar 1,0 y ou 0,5 y + + , em
lugar de y .



Transformao logartmica log y ou ln y

- Apropriada a dados onde existe uma proporcionalidade entre as mdias e os
desvios padres (ou amplitudes) dos diversos tratamentos, ou seja, todas as
amostras apresentam o mesmo coeficiente de variao.

- Apropriada tambm quando os efeitos principais so multiplicativos em vez de
aditivos. Nessa situao, tal transformao, alm de estabilizar as varincias
produz aditividade nos efeitos do modelo matemtico e tende a normalizar a
distribuio dos erros.

- Indicada para nmeros inteiros com grande amplitude de variao (por exemplo,
em estudo com nmero de microorganismos, cuja variao est entre 50 e
200.000).

Ex.: Nmero de insetos por parcela, nmero de ovos por planta ou por unidade
de rea, nmero de bactrias, esporos, de gro de plen, dados de adio de
75

vitaminas em animais,

Quando a amostragem possui dados iguais a zero ou muito prximos de zero.
Usa-se log (y + 1).

A base 10, por convenincia, no emprego da transformao logartmica a
mais usada; no entanto, pode-se empregar qualquer base.



Transformao angular ou arcoseno p = arc seno p

- Apropriada a dados em que a mdia proporcional a varincia, ou seja, oriundos
de uma distribuio binominal, como aqueles expressos em propores p = (y/n)
ou percentagens P=100(y/n). Existem tabelas apropriadas para essa
transformao, nas quais entramos diretamente com a percentagem (P) e
obtemos arc sen P/100 .

- A transformao angular usada para homogeneizar a varincia residual dos
dados de percentagem ou normalizar a distribuio binomial, especialmente
quando as percentagens observadas estiverem todas entre 0 e 30% ou entre 70
e 100%.

- Se as percentagens dos dados estiverem entre 30 e 70%, torna-se
desnecessria a transformao, e pode-se analisar diretamente os dados
originais. Se os dados extrapolam esta amplitude, usa-se ento a transformao.

- A transformao tambm desnecessria quando as porcentagens so
resultantes da diviso de valores observados nas parcelas por um valor
constante (valor representativo), como a mdia do tratamento testemunha ou
quando so representativas de concentrao, como teor de N na folha, pureza da
semente, teor de sacarose da cana-de-acar, teor de protena do trigo, etc.

- A transformao necessria em dados de percentagem provenientes de dados
discretos num total de casos, como, por exemplo, percentagem de germinao
(nmero de sementes germinadas/nmero total de sementes), percentagem de
plantas doentes (nmero de plantas doentes/nmero de plantas consideradas),
etc.

- A transformao angular no boa quando p = 0/n = 0 ou p = n/n=1. A
transformao melhorada por substituir 0/n por 1/4n e n/n por 1- 1/4n, antes
de transformar os dados, onde n o nmero total de unidades sob observao.
Anscombe (1948) props uma transformao ainda melhor: p = 0,5 n + arcsen
3/4 n
3/8 + y
+
.

76

- No apropriada a dados de percentagem que no so originados de dados de
contagem. Por exemplo, percentagem de protena em arroz, ndice de infeco,
percentagem de lucro, etc.



A anlise de varincia e outros mtodos associados a distribuio normal so
aplicados sobre os dados transformados. Quando a anlise completada, a
mdia aritmtica das contagens transformadas pode ser transformada de volta
para a escala original tornando-se uma mdia derivada, isto , para uma
transformao raiz quadrada ( y ), a mdia das contagens transformadas deve
ser elevada ao quadrado, para uma transformao log (y + 1), deve-se obter o
antilog da mdia transformada e subtrair 1.

De modo geral, as mdias derivadas so menores que as mdias das contagens
na escala original. Portanto, pequenos ajustes devem ser feitos sobre as mdias
derivadas.

ELLIOTT (1979) recomenda as seguintes correes:

1. Transformao raiz quadrada: A mdia dos dados transformados em raiz
quadrada deve ser elevada ao quadrado, e a seguir somada com a varincia
dos dados transformados Y = antilog [
_
y + 1,15 V(
_
y )].

2. Transformao logartmica: Devemos adicionar mdia da varivel
transformada 1,15 vezes a varincia da varivel transformada (Y = antilog [
_
y +
1,15 V(
_
y )], e a seguir obter o antilog da mdia derivada. O valor final
geralmente um bom estimador da mdia obtida diretamente das
contagens.

3. Para a transformao arco seno os valores transformados podem ser
transformados na escala original, usando-se a seguinte expresso: p = (sen p)
2

e multiplicando por 100 para express-lo em percentagem (P).














77



DISTRIBUIO NORMAL E TRANSFORMAES DE DADOS

Se existem chances iguais de um evento ocorrer na distribuio binomial (p=q=0,5)
e n aproxima-se de infinito, ento a srie de probabilidades dada por (p + q)
n

aproxima-se de uma curva simtrica em forma de sino. Esta a curva da distribuio
normal, que a distribuio associada com variveis contnuas, tais como,
medies, pesagens, etc.

A distribuio normal raramente aceitvel para estudar contagens, mas ela
importante por causa do grande nmero de mtodos estatsticos associados a ela,
tais como: teste t, anlise de varincia, anlise de regresso, coeficiente de
correlao, etc.

O uso destes mtodos envolve as condies:

eij ~ N (0,
2
)

1. Os dados devem seguir uma distribuio normal.

4. A varincia da amostra deve ser independente da mdia e constante nas vrias
amostras.

5. Os componentes da varincia devem ser aditivos.

6. Os erros devido aos efeitos dos fatores no controlados ou acaso devem ser
independentes.

A distribuio binomial positiva aproximadamente normal se o nmero de
unidades amostrais grande (n > 30) e a varincia da amostra no menor que 3.
(A varincia s
2
= npq. Portanto, a aproximao normal pode ser usada quando
0,4 p 0,6 para 10 n 30, ou quando 0,1 p 0,9 para n > 30, e no pode ser
usada quando n < 10).

A distribuio de Poisson muito assimtrica para baixos valores do parmetro
(estimado por m = s
2
), mas aproxima-se da normalidade quando cresce, e
aproximadamente normal quando maior do que 10.

A distribuio binomial negativa assimtrica para uma grande faixa de variao
da mdia quando k pequeno (isto k < 3), mas aproxima-se da normalidade quando
k aumenta e a mdia razoavelmente grande ( = 10 ou mais). Quanto k tende para
, a distribuio binomial negativa idntica distribuio de Poisson.

Como a mdia e a varincia tendem a crescer juntas em todas as trs
distribuies, a segunda condio de independncia entre a mdia e a varincia
nunca satisfeita. Portanto, alguns mtodos, incluindo o teste t, anlise de varincia,
anlise de regresso, etc. no podem ser aplicados sem o risco de erros
considerveis. Esta dificuldade pode ser superada, trocando cada contagem por
uma funo matemtica adequada das contagens.
78


As contagens so ento transformadas, e a transformao correta geralmente
normaliza a distribuio de freqncia das contagens, elimina a dependncia
entre a mdia e a varincia e assegura que os componentes da varincia sejam
aditivos (Para a anlise de varincia).

A ESCOLHA DA TRANSFORMAO CORRETA DEPENDE DA DISTRIBUIO
DE FREQUENCIAS DAS CONTAGENS ORIGINAIS.



RELAO DAS TRANSFORMAES MAIS USUAIS COM AS
DISTRIBUIES DE FREQUENCIA DOS DADOS


Distribuio Relao entre

s
2
e m
Transformao Adequada Condies
Especiais

Poisson


s
2
= m
y
Nenhum valor < 10

Emprica

s
2
= C
2
m

y


Poisson

s
2
= m

0,5 y +
Alguns valores < 10

Binomial
s
2
< m
s
2
= m (1- m )/n

Arco Seno Proporo
Propores
binomiais




Binomial Negativa

s
2
> m




s
2
> m

log (y + k/2)



Arc Seno Hiperb
0,750 - k
0,375 + y



2 < k < 5




k > 5

Desconhecida
Emprica

s
2
> m
s
2
= C
2
m
2


log (y)

Nenhum zero


Desconhecida

s
2
> m

log (y + 1)

Alguns zeros












79




Um mtodo bastante simples de se encontrar a transformao mais adequada
atravs da lei de potncia de Taylor.

Diz: A varincia (
2
) de uma populao proporcional a uma potncia fracionria
da mdia aritmtica (), ou seja
2
= a
b
e portanto, log
2
= log a + b log onde, a
e b so parmetros populacionais.

O parmetro a depende principalmente do tamanho das unidades amostrais. O
parmetro b um ndice de disperso e varia continuamente de zero (0) no caso da
distribuio regular (
2
< ), a infinito () no caso de distribuies altamente
contagiosas (
2
> ). No caso da distribuio aleatria, temos a = 1 e b = 1. Obtida
uma estimativa de b, podemos encontrar facilmente a transformao mais adequada
para que os mtodos associados com a distribuio normal sejam utilizados.


A TRANSFORMAO APROPRIADA PODE SER OBTIDA POR: Y = y
p



onde, p = 1 b/2.

TABELA 1 - ANEXA



PROCEDIMENTOS PARA ENCONTRAR A TRANSFORMAO APROPRIADA


1. Obter as mdias e varincias para cada amostra.
2. Obter o logaritmo da mdia e logaritmo da varincia para cada amostra.
3. Estimar os parmetros a e b atravs de uma regresso linear de y = log (s
2
)
sobre x = log( m ), isto : log s
2
= log a + b logm , onde:


EGLEIDE


COM ESTA TCNICA, OS DADOS ORIGINAIS SO CONVERTIDOS EM NOVA
ESCALA RESULTANDO EM UM NOVO CONJUNTO QUE ESPERADO
SATISFAZER A CONDIO DE HOMOGENEIDADE DE VARIANCIA.

DEVIDO UMA ESCALA COMUM DE TRANSFORMAO SER APLICADA A
TODAS AS OBSERVAES, OS VALORES COMPARATIVOS ENTRE OS
TRATAMENTOS NO SO ALTERADOS E COMPARAES ENTRE ELES
PERMANECEM VLIDOS.



80




















































81


DELINEAMENTO EM BLOCOS CASUALIZADOS

- Sempre que no haja homogeneidade das condies experimentais devemos
utilizar o princpio do controle local.
- Esse delineamento leva em considerao os trs princpios bsicos da
experimentao: repetio, casualizao e controle local.

PRINCIPAIS CARACTERSTICAS DESTE DELINEAMENTO

1. As parcelas so distribudas em grupos ou blocos, o mais uniformes possveis.
2. O nmero de parcelas por bloco deve ser um mltiplo do nmero de tratamentos
(geralmente igual).
3. Os tratamentos so designados s parcelas de forma casual.


VANTAGENS DESSE DELINEAMENTO

- Controla as diferenas que ocorrem nas condies ambientais, de um bloco para
outro.
- Permite dentro de certos limites, utilizar qualquer nmero de tratamentos e de
blocos.
- Conduz a estimativas menos elevada do erro experimental.
- A anlise estatstica relativamente simples.

DESVANTAGENS

- Pela utilizao do princpio do controle local, h uma reduo no nmero de
graus de liberdade do resduo.
- A exigncia de homogeneidade das parcelas dentro de cada bloco limita o
nmero de tratamentos, que no pode ser muito elevado.

Bloco: um grupo de unidades experimentais que fornece efeitos homogneos em
uma varivel resposta.

Bloco completo: um grupo homogneo de unidades experimentais onde os t
tratamentos aparecem uma...

Bloco nem sempre sinnimo de repetio

E F B A
C B A C
A D B C
1 bloco e 1 repetio 1 bloco 2 repeties






82


PLANO EXPERIMENTAL

Bloco 1 B D C A E t = 5 tratamentos
r = 4 blocos
Casualizao feita por meio de sorteio
ou tabela de nmero aleatrio
2 B A E D C
3 C D E B A
4 D B A E C



G
r
a
d
i
e
n
t
e

d
e

f
e
r
t
i
l
i
d
a
d
e

A C D B E
Bloco I
C E A B D
BLOCOS
Bloco II
E A C D B
Bloco III

MODELO MATEMTICO DO DBC

ij
= + T
i
+
j
+ E
ij
; i = 1, 2, ..., t
j = 1, 2, ..., r

ij
= valor observado na parcela que recebeu o tratamento i no bloco j.
= mdia da populao.
T
i
= efeito devido ao tratamento i que foi aplicado na parcela.

j
= efeito devido ao bloco i em que se encontra a parcela.
E
ij
= efeito devido aos fatores no controlados na parcela.

HIPTESES BSICAS PARA ANOVA

1. Aditividade 3. Homocedasticidade
2. Independncia 4. Normalidade

TABELA PARA ANOVA DO DBC

Causa da variao G.L. SQ QM F
Blocos r - 1 SQB QMB QMB/QMR
Tratamentos t - 1 SQT QMT QMT/QMR
Resduo (r - 1) (t 1) SQR QMR
TOTAL rt - 1 SQT
0


Hipteses para o efeito de tratamento

H
0
:
1
=
2
= ... t ou todo T
i
= 0
H
1
: pelo menos duas (mdias) t diferem


83



Exemplo da Anova e interpretao dos resultados


DBC COM MAIS DE UMA REPETIO DE TRATAMENTO POR BLOCO

T
1
T
2

BLOCOS r
1
r
2
y
1
y
2

B
1
y
111
y
112
y
211
y
212

B
2
! ! ! !
B
3
! ! ! !
B
4
y
141
y
142
y
241
y
242


MODELO MATEMTICO

ijk
= + T
i
+
j
+ E
ijk
i = 1, 2, ..., t
j = 1, 2, ..., b
k = 1, 2, ..., r

Causa da variao G.L. SQ QM F
Blocos b - 1 SQB QMB F
B

Tratamentos t - 1 SQT QMT F
T

Erro experimental Sub SQE QME
TOTAL btr - 1 SQT
0


Delineamento em blocos casualizados balanceados com grupos de
tratamentos diferentes Group Balanced Block Design (GBBD)

- A caracterstica principal deste delineamento o grupamento de tratamentos
dentro de blocos homogneos baseado em caractersticas dos tratamentos.

- Tratamentos pertencentes ao mesmo grupo so sempre testados no mesmo
bloco.

- Tratamentos pertencentes ao mesmo grupo so comparados com um maior grau
de deciso do que aqueles pertencentes a grupos diferentes.

Este experimento comumente usado em ensaios de variedades, onde variedades
com caracteres morfolgicos similares so colocados no mesmo grupo. Dois dos
critrios mais comumente usados para grupar as variedades so:
- Altura de planta: evitar o efeito de competio
- Durao do crescimento: minimizar a competio e facilitar as operaes de
colheita.

Outro tipo de ensaio usando este delineamento aquele envolvendo controle
qumico de insetos na qual os tratamentos podem ser subdivididos em operaes de
pulverizao similares para facilitar a aplicao do inseticida no campo.
84

Ex.: Um ensaio envolvendo 45 variedades de arroz com trs repeties divididas em
3 grupos (comparao de crescimento; menos 105 dias, de 105 a 115, maiores que
115 dias).

CASUALIZAO E CROQUI DE CAMPO
7 8 1 4 14 38 39 43 44 33 2 1 13 5 15
12 3 13 10 9 C


31 42 36 32 45 A

11 4 3 14 7
6 11 2 5 15 40 34 35 41 37 9 12 10 6 8
21 20 27 18 22 1 11 9 4 6 31 33 35 38 44
16 25 17 24 30 A

12 10 7 15 13 C

36 34 37 42 41
26 19 28 29 23 3 2 8 5 14 34 43 32 45 40
41 31 32 44 43 17 27 22 25 28 16 25 23 20 17
36 37 40 35 38 B

26 13 21 19 20 B

22 19 30 28 21
33 39 42 45 34 16 23 24 30 29 18 24 26 29 27
Bloco I Bloco II Bloco III

MODELO MATEMTICO

ijk
= +
j
+ o
j
+ o
ij
+ T
k(j)
+ E
ijk
i = 1, 2, ..., r
j = 1, 2, ..., s
k = 1, 2, ..., t

j
= efeito do i-simo bloco.
o
j
= efeito do i-simo grupo.
o
ij
= componente do erro proveniente do i-simo bloco e i-simo grupo.
T
k(j)
= efeito do i-simo tratamento dentro do i-simo grupo.
E
ijk
= componente residual.

ESQUEMA DA ANOVA
Causa da variao G.L. SQ QM F
Bloco r - 1 SQB QMB
Grupo (G) s - 1 SQG QMG QMG/QMEG
Erro (A) (r 1) (s 1) SQE (a) QME(a)
Tratamento dentro G
1
(t/s) 1 SQTD . G
1
QMTDG
1
QMTG
1
/QMEG
(1)

Tratamento dentro G
2
(t/s) 1 SQTD . G
2
QMTDG
2

Tratamento dentro G
5
(t/s) 1 SQTD . G
5
QMTDG
5

Erro s (r 1) (t/s 1) SQE(b) QME
(1)

Total rt 1 SQT
0



DELINEAMENTO EM CLASSIFICAO HIERRQUICA OU DELINEAMENTO EM
SUB-AMOSTRA

algumas vezes necessrio amostrar subunidades das unidades experimentais
para adquirir os dados necessrios para um estudo de unidade observacional neste
caso uma sub-amostra tomada de uma unidade experimental maior.

As sub-amostras introduz uma outra fonte de variabilidade para as observaes em
adio aquelas entre tratamentos e entre unidades experimentais.
MTODOS QUMICOS

1 2 Feixes de
85

plantas de
algodo 1 2 3 1 2 3
y111 y121 y131 y211 y221 y231
y112 y122 y132 y212 y222 y232

Modelo linear para explicar r.s 2st observaes experimentais obtidas em um
experimento em sub-amostra delineado em DIC, tem a seguinte forma:

ijk
= + T
j
+ E
ij
+ o
ijk
; i = 1, 2, ..., j
j = 1, 2, ..., r
k = 1, 2, ..., s

i1k
= observao da k-sima sub-amostra na i-sima UE do i-simo tratamento.
= mdia populao.

T
1
= efeito de tratamento.

E
ij
= componente aleatrio explicando a variao em UE no mesmo tratamento.

o
ijk
= componente aleatrio explicando a variao dentro UE, entre sub-amostras da
mesma UE.

ANOVA PARA O DELINEAMENTO EM SUB-AMOSTRA EM DIC
Causa da variao G.L. SQ QM F
Tratamentos t - 1 SQT QMT F
T

Erro experimental t (r 1) SQE QME
Erro de amostragem tr (s 1) SQA QMA
TOTAL trs 1

Modelo matemtico para um experimento em DBC em n sub-amostra da UE :

ijk
= + T
j
+
j
+ E
ij
+ o
ijk
; i = 1, 2, ..., t
j = 1, 2, ..., r
k = 1, 2, ..., s


ANOVA PARA O DELINEAMENTO EM SUB-AMOSTRA EM DBC
Causa da variao G.L. SQ QM F
Blocos r - 1 SQB QMB F
B

Tratamentos t 1 SQT QMT F
T

Erro experimental (r 1) (t 1) SQE QME
Erro de amostragem rt (s 1) SQA QMA
TOTAL rts 1











86

DELINEAMENTO EM QUADRADOS LATINOS - DQL

Apesar de sua alta eficincia, constitui-se no delineamento estatstico menos
utilizado na pesquisa agronmica por ter menos flexibilidade.

Eles levam em considerao trs princpios bsicos: repetio, casualizao e
controle local.

Controle local: controla a heterogeneidade do ambiente de duas maneiras
diferentes.

Casualizao: os tratamentos so distribudos nos blocos de tal forma que cada um
aparea uma s vez em cada linha e em cada coluna.

1 2 3 4 5 1 2 3 4 5 3 1 4 5 2
1 A B C D E 4 D E A B C 4 A D B C E
2 B C D E A 5 E A B C D 5 B E C D A
3 C D E A B 2 B C D E A 2 D B E A C
4 D E A B C 1 A B C D E 1 C A D E B
5 E A B C D 3 C D E A B 3 E C A B D
Quadrado padro

Os quadrados latinos mais usados so de 5 x 5 a 8 x 8.
Os menores de 5 x 5 devem ser usados com mais de uma repetio e fazer a
anlise conjunta.
Os maiores de 8 x 8 torna-se difcil a execuo e anlise do ensaio.

VANTAGENS

1) Controla a heterogeneidade do ambiente em duas direes.
2) Conduz a estimativas menos elevadas do erro experimental.
3) Vrios delineamentos do mesmo tamanho podem ser combinados.

DESVANTAGENS

1) O nmero de linhas, colunas e tratamentos deve ser igual.
2) Delineamentos pequenos fornecem poucos G.L. para estimao da variao
residual.
3) Os quadrados latinos no so apropriados se os efeitos de linha, coluna e
tratamentos no so aditivos, ou seja, se eles interagem em qualquer
combinao.

MODELO MATEMTICO

ijk
= +
j
+ y
j
+ T
k
+ E
ijk
; i = 1, 2, ..., t
j = 1, 2, ..., t
k = 1, 2, ..., t

ijk
= observao da parcela que recebeu tratamento k, na linha i e na coluna j.
= mdia da populao.
87

j
= efeito da i-sima linha.
y
j
= efeito da j-sima coluna.
T
k
= efeito do k=simo tratamento.

ANOVA PARA O DELINEAMENTO EM QUADRADO LATINO

Causa da variao G.L. SQ QM F
Linhas t 1 SQL QML
Colunas t 1 SQC QMC
Tratamentos t 1 SQT QMT QMT/QMR
Resduos (t 1) (t 2) SQR QMR
TOTAL t
2
1 SQT
0


HIPTESES DE INTERESSE

H
0
: T
K
= 0 para todo k
H
1
: T
K
= 0 para algum k

SUBAMOSTRAGEM DO DQL

A anlise de um DQL com subamostras quase idntica aquele para um DBC com
subamostras. A nica diferena devido a incluso de um segundo fator de
bloqueamento no DQL.

MODELO MATEMTICO

ijkm
= +
j
+ y
j
+ T
k
+ E
ijk
+ o
ijkm
; i = 1, 2, ..., t
j = 1, 2, ..., t
k = 1, 2, ..., t
m = 1,2 ..., s

) N(0, i.i.d. so s '
) N(0, i.i.d. so s E'
2
E
2
E

Os Es e os so distribudos independentes um do outro.








ANOVA PARA DQL COM SUBAMOSTRAS

Causa da variao G.L. SQ QM F
Linhas t 1 SQL QML
Colunas t 1 SQC QMC
Tratamentos t 1 SQT QMT QMT/QMR
Resduos (t 1) (t 2) SQR QMR
88

Erro de amostragem t
2
(s 1) SQE QME
TOTAL st
2
1 SQT
0


DELINEAMENTO EM RETNGULO LATINO DRL

assumido que um dos fatores de bloqueamento aumentado, mas para manter as
caractersticas de equilbrio necessrio, este fator deve ser um mltiplo do nmero
de tratamentos.

Suponha que os blocos colunas sejam aumentados para dar um arranjamento
retangular de UE de tratamento t x mt.

Delineamento Retngulo Latino 3 x 6 com 3 tratamentos

A C C B B A
C B A C A B
B A B A C C

MODELO MATEMTICO

ijk
= +
j
+ y
j
+ T
k
+ E
ijk
+ o
ijk
; i = 1, 2, ..., t
j = 1, 2, ..., mt
k = 1, 2, ..., t

ANOVA PARA DQL COM SUBAMOSTRAS

Causa da variao G.L. SQ QM F
Linhas t 1 SQL QML
Colunas mt 1 SQC QMC
Tratamentos t 1 SQT QMT QMT/QMR
Resduos (mt 2) (t 2) SQR QMR
TOTAL mt
2
1 SQT
0


DELINEAMENTO EM QUADRADO LATINO REPETIDO (DQLR)

assumido que DQL padro repetido s vezes. Os mesmos t tratamentos so
usados em cada dos s quadrados. Assim os tratamentos so cruzados com os
quadrados de modo que a interao tratamento x quadrado possa existir.


MODELO MATEMTICO

gijk
= + o
g
+
gi
+ y
gj
+ T
k
+ (oT)
gk
+ E
gijk
; Para
g = 1, 2, ..., s
i = 1, 2, , t
j = 1, 2, ..., t
k = 1, 2, ..., t

89

gijk
= observao do quadrado g, na i-sima linha, j-sima coluna e k-simo
tratamento.
= media da populao.
o
g
= efeito do g-simo quadrado.

gi
= efeito da i-sima linha dentro g-simo quadrado.
y
gj
= efeito da j-sima coluna dentro g-simo quadrado.
T
k
= efeito do k-simo tratamento.
(oT)
gk
= efeito da interao entre g-simo quadrado e k-simo tratamento.
E
gijk
= componente residual.

Causa da variao G.L. SQ QM F
Quadrados (Q) s 1 SQQ QMQ
Linhas (quadrados) s(t 1) SQL QML
Colunas (quadrados) s(t 1) SQC QMC
Tratamentos (t 1) SQT QMT QMT/QMR
Q x T (s 1) (t 1) SQ (Q x T) QM (Q x T) QM (Q x T)/QMR
Resduos s(t 1) (t 2) SQR QMR
TOTAL st
2
1 SQT
0


DELINEAMENTO QUADRADO GREGO-LATINO (DQGL)

- O delineamento Quadrado Grego-Latino permite remover trs fontes de variao
do erro experimental.
- Neste delineamento as unidades experimentais so agrupadas em trs diferentes
maneiras. Estas so agrupadas pelas linhas, colunas e por classificao extra,
designado por letra grega.
- A designao deste agrupamento restrita, de tal modo que, cada letra grega
ocorre uma vez, e apenas uma vez, em cada linha e cada coluna.
- As letras gregas formam um quadrado latino com relao as linhas e colunas.
- Os tratamentos designados pelas letras latinas, so agora designadas as
unidades experimentais de tal maneira que cada tratamento ocorre uma vez, e
apenas uma vez, em cada linha, coluna e cada letra grega.
- Os tratamentos formam assim um quadrado latino diferente nas linhas e colunas,
ou que independente do quadrado formado pelas letras gregas (para maiores
detalhes sobre casualizao conste Cochran & Cox (1957) p. 146).

90

Quadrado Grego Latino 4 x 4 (bsico)

1 2 3 4
1 C A D B

| o o
2 D B C A

o o |
3 A C B D

o o |
4 B D A C

| o o

Vantagem:

2) Ele permite controlar a variabilidade para trs fontes de variao.

Desvantagens:

1) O nmero de UE's aumenta rapidamente quando o nmero de tratamento
aumenta.

2) O nmero de G.L. do erro pequeno se o nmero de tratamento pequeno.

3) Perda de dados complica extremamente a anlise estatstica.

4) Cancelamento nos trs agrupamentos raramente possvel.

Restries:

1) O DQGL tem sido construdo para todo nmero de tratamento.

2) Teoricamente, estes delineamentos so possveis para qualquer t desde que t
seja um nmero primo ou uma potencia de um nmero primo.

3) Do ponto de vista prtico, os limites so 5 s t s12, porque:

Se t = 3 GLE (erro) = 0

Se t = 4 GLE = 3 GLE muito pequeno

Se t = 12 GLE = 99 (144 UE's) } nmero UE's muito grande

Devido suas limitaes, o quadrado grego-latino tem sido raramente usado na
pesquisa.


MODELO MATEMTICO
91

ijk
l = + o
i
+ |
i
+
k
+ +l + E
ijk
l; Para
i = 1, 2, , t
j = 1, 2, ..., t
k = 1, 2, ..., t
l = 1, 2, t

ijk
l = observao na linha I e coluna j para a letra grega k e Latina l.
o
i
= efeito de i-sima linha.
|
i
= efeito de j-isima coluna.

k
= efeito da letra grega.
+l = efeito do tratamento letra Latina.

ESQUEMA DE ANOVA

Causa da variao G.L. SQ QM F
Linhas t 1 SQL QML
Colunas t 1 SQC QMC
Letras gregas t 1 SQLG QMLG
Tratamento (letra grega latina) t 1 SQT QMT QMT/QMR
Erro (t 3) (t 1) SQR QMR
TOTAL t
2
1 SQT
0


EXPERIMENTO EM FAIXAS

O experimento em faixa especialmente adequado para o experimento com dois
fatores em que a preciso desejada para medir o efeito da interao entre os dois
fatores mais alta do que para os efeitos principais de um dos fatores. Isto
realizado com o uso de trs tamanhos de parcelas.

1. Parcela com faixa vertical para o primeiro fator.
2. Parcela com faixa horizontal para o segundo fator.
3. Parcela interao para a interao entre os dois fatores

A parcela com faixa vertical e horizontal sempre perpendicular entre si.

No h nenhum relacionamento entre seus tamanhos.

A parcela interao a menor.

Os graus de precises associados com os efeitos principais de ambos os fatores so
sacrificados para aumentar a preciso do efeito da interao.

Este experimento tpico em ensaios de irrigao, aplicao de fungicidas, uso de
diferentes cortes em campineiras, pocas de colheitas, etc.

92

EXPERIMENTO EM PARCELAS SUB-DIVIDIDAS


N
1
N
2
N
3
N
3
N
2
N
1
N
3
N
1
N
2

V6 V4 V5
V5 V2 V2
V4 V6 V3
V3 V3 V4
V2 V1 V6
V1 V6 V6
BLOCO I BLOCO II BLOCO III

MODELO MATEMTICO

ijk
= +
i
+ o
i
+ o
ij
+ |
k
+ r
ik
+ (o|)
ik
+ E
ijk
; i = 1, 2, , r
j = 1, 2, ..., a
k = 1, 2, ..., b

PRESSUPOSIES DO MODELO

- os so i.i.d. N(0,
2

)
- ns so i.i.d. N(0,
2
n
)
- Es so i.i.d. N(0,
2
E
)

Os os, ns e Es so distribudos independentemente um do outro.

ESQUEMA PARA ANOVA

Causa da variao G.L. SQ QM F
Blocos r 1 SQB QMB
A (horizontal) a 1 SQA QMA QMA/QME(a)
Erro (a) (r 1) (a 1) SQE(a) QME(a)
B (vertical) b 1 SQB QMB QMB/QME(b)
Erro (b) (r 1) (b 1) SQA x B QMA x B QME(L)
A x B (a 1) (b 1) SQA x B QMA x B QMA X B/QME(a)
Erro (c) (r 1) (a 1) (b 1) SQE(c) QM' (c)
TOTAL rab 1 SQT
0


93

DESVIOS PADRES DAS DIFERENAS

Diferena entre Desvio padro
Duas mdias de A
2QME(a)/rb
Duas mdias de B
2QME(b)/ra
Duas mdias de A no
mesmo nvel de B
1)QME()/rb (b 2QME(a) +

Duas mdias de B no
mesmo nvel de A
a 1)QME(b)/r (a 2QME(a) +
Para duas mdias tendo
diferentes nveis tanto de A
como de B
ab b)QME(a)/r - a - (ab bQME(b) 2[aQME(a) + +


EXPERIMENTO EM PARCELAS SUBDIVIDIDAS
(SPLIT PLOT)

O experimento em parcelas subdivididas uma extenso do experimento em
parcelas subdivididas para acomodar um terceiro fator exclusivamente adequado
para experimento com 3 fatores, onde trs diferentes nveis de preciso so
desejados para os vrios efeitos.

Este experimento caracterizado por duas caractersticas importantes:

1. H 3 tamanhos de parcelas correspondendo aos trs fatores.
2. H 3 nveis de preciso, com a parcela recebendo o menor grau de preciso e a
sub-parcela recebendo o maior grau de preciso.

CROQUI CASUALIZAO

A
2
A
3
A
1

B
2
c
1
B
2
c
2
B
2
c
1
B
1
c
1
B
1
c
3
B
1
c
1
B
2
c
2
B
2
c
1
B
2
c
2

B
1
c
3
B
1
c
1
B
1
c
2
B
3
c
3
B
2
c
1
B
1
c
2
B
1
c
1
B
1
c
3
B
1
c
2

: : : . : . . .
. . . : . : : :




EXPERIMENTO EM PARCELAS SUBDIVIDIDAS
(SPLIT SPLIT PLOT)

Experimento em faixas com parcelas subdivididas uma extenso do experimento
em faixas na qual a parcela interseco subdivida para acomodar um terceiro
fator.

CARACTERSTICAS

94

1. H 4 tamanhos de parcelas a faixa horizontal, a faixa vertical, a parcela
interseco e a subparcela.
2. H 4 nveis de preciso com que os efeitos dos vrios fatores so medidos com o
nvel mais alto correspondendo ao fator subparcelas e suas interaes com
outros fatores.

A: 3 nveis de N B: 6 variedades C: 2 mtodos de plantio

N
1
N
2
N
3
N
3
N
2
N
1
N
3
N
1
N
2

V
6
P
2
P
1
P
2
V
4
P
2
P
2
P
1
V
5
P
2
P
2
P
2

P
1
P
2
P
1
P
1
P
2
P
1
P
1
P
1
P
2

V
5
P
2
P
1
P
1
V
2
P
1
P
2
P
2
V
2
P
1
P
2
P
2

P
1
P
2
P
2
P
2
P
1
P
2
P
2
P
1
P
1

V
3
P
1
P
2
P
2
V
6
P
2
P
2
P
2
V
3
P
1
P
2
P
2

P
2
P
1
P
1
P
2
P
1
P
1
P
2
P
2
P
1

V
2
P
1
P
2
P
1
V
3
P
1
P
2
P
2
V
4
P
1
P
1
P
2

P
2
P
1
P
2
P
2
P
2
P
1
P
2
P
1
P
2

V
4
P
2
P
1
P
2
V
1
P
2
P
2
P
1
V
6
P
1
P
2
P
1

P
1
P
2
P
1
P
2
P
1
P
2
P
2
P
2
P
1

V
1
P
1
P
2
P
2
V
5
P
1
P
2
P
2
V
1
P
2
P
1
P
2

P
2
P
1
P
2
P
2
P
1
P
2
P
2
P
1
P
1

REP. I REP. II REP. III

CASUALIZAO:

1. Faa a casualizao para o fator vertical e fator horizontal (variedades).
2. Divida cada parcela interseco em cada uma repetio em subparcelas e faa a
casualizao seguindo o mesmo esquema do experimento em parcelas
subdivididas.

MODELO MATEMTICO

ijkm
= +
i
+ o
i
+ o
ij
+ |
k
+ n
ik
+ (o|)
ik
+ u
ijk
+
m
+ (o)
jm
+ (|)
km
(o|)
jkm
+ E
ijkm
i = 1,
2, , |
j = 1, 2, ..., a
k = 1, 2, ..., b
m = 1, 2, ..., c

ESQUEMA DA ANOVA
Causa da variao G.L. SQ QM F
Blocos r 1 SQBl QMBL
A a 1 SQA QMA QMA/QME(a)
Erro (a) (r 1) (a 1) SQE(a) QME(a)
B b 1 SQB QMB QMB/QME(b)
Erro (b) (r 1) (b 1) SQA x B QMA x B
A x B (a 1) (b 1) SQE(b) QMA x B QMA X B/QME(a)
Erro (c) (r 1) (a 1) (b 1) SQE(c) QME(C)
C (c 1) SQC QMC QMC/QME(a)
A x C (a 1) (c 1) SQAC QMAC QMAC/QME(a)
B x C (b 1) (c 1) SQBC QMBC QMBC/QME(b)
A x B x CA x BC (a 1) (b 1) (c 1) SQABC QMABC QMABC/QME(c)
95

Erro (a) ab(r 1) (c 1) SQE(a) QME(a)
Parcelas rabc 1 SQT
0

MODELO MATEMTICO

ijkm
= +
i
+ o
i
+ o
ij
+ |
k
+ (o|)
ik
+ n
ijk
+
m(k)
+ (o)
jm(k)
+ E
ijkm

i = 1, 2, , r|
j = 1, 2, ..., a
k = 1, 2, ..., g
m = 1, 2, ..., b

ESQUEMA DA ANOVA
Causa da variao G.L. SQ QM F
Blocos r 1 SQBl QMBL
A a 1 SQA QMA QMA/QME(a)
Erro (a) (r 1) (a 1) SQE(a) QME(a)
B b 1 SQB QMB QMB/QME(b)
Erro (b) (r 1) (b 1) SQA x B QMA x B
A x B (a 1) (b 1) SQE(b) QMA x B QMA X B/QME(a)
Erro (c) (r 1) (a 1) (b 1) SQE(c) QME(C)
C (c 1) SQC QMC QMC/QME(a)
A x C (a 1) (c 1) SQAC QMAC QMAC/QME(a)
B x C (b 1) (c 1) SQBC QMBC QMBC/QME(b)
A x B x CA x BC (a 1) (b 1) (c 1) SQABC QMABC QMABC/QME(c)
Erro (a) ab(r 1) (c 1) SQE(a) QME(a)
Parcelas rabc 1 SQT
0


MODELO MATEMTICO

ijkm
= +
i
+ o
i
+ o
ij
+ |
k
+ (o|)
ik
+ n
ijk
+
m(k)
+ (o)
jm(k)
+ E
ijkm

i = 1, 2, , r
j = 1, 2, ..., a
k = 1, 2, ..., g
m = 1, 2, ..., b

ESQUEMA DA ANOVA
Causa da variao G.L. SQ QM F
Blocos r 1 SQBl QMBL
A a 1 SQA QMA QMA/QME(a)
Erro (a) (r 1) (a 1) SQE(a) QME(a)
Grupo (g) (g 1) SQG QMB(g)
A x G (a 1) (g 1) SQAG QMAG QMAG/QME(b)
Erro (b) a(g 1) (r 1) SQE(b) QME(b)
B WITHIN G
1
(b/g) 1 SQB(G
1
) QMB(G
1
) QMB(G1)/QME(g
1
)

B WITHIN G (b/g) 1 SQB(G
1
) QMB(G
1
)
A x B WITHIN G
1
(a 1) [(b/g) -1] SQA x B(G
1
) QMA x B (G
1
)
A x ( WITHIN G) (a 1) [(b/g) -1] SQA x B(G) QMA x B (G)
Erro (G) ag(r 1) [(b/g) -1] SQE(g) QME(g)
TOTAL Rab 1

EXPERIMENTO EM BLOCOS BALANCEADOS COM GRUPOS DE
TRATAMENTOS DIFERENTES EM PARCELA SUBDIVIDA

96

A caracterstica principal deste experimento o grupamento de tratamentos dentro
de blocos homogneos baseado em caractersticas do tratamento.
Tratamentos pertencentes ao mesmo grupo so sempre testados no mesmo bloco.
Tratamentos pertencentes ao mesmo grupo so comparados com um maior grau de
preciso do que aqueles pertencentes a grupos diferentes.
Este experimento comumente usado em ensaio de variedades onde variedades
com caracteres morfolgicos similares so colocados mesmo entre. Dois critrios
mais comumente usados para grupar as variedades so:
Altura de planta evitar o efeito de competio
Durao do crescimento minimizar a competio e facilitar as operaes de
colheita.
Outro tipo de ensaio usando este experimento aquele envolvendo controle qumico
de insetos na qual os tratamentos podem ser subdivididos em operaes de
pulverizao similares para facilitar a aplicao do inseticida no campo.
Ex: 45 variedades so criadas de acordo com seu perodo de crescimento: S
1

menos de 105 dias S
2
105 a 115 dias S
3
maior que 115 dias e so testadas
em duas quantidades de adubo (A
1
e A
2
).

CROQUI
REP. I REP. II REP. III
S
0
S
2
S
3
S
2
S
3
S
1
S
1
S
2
S
3

5 31 25
10 37 28
15 43 20
1 35 22
A
2
2 34 27 A
2
A
2

14 36 18
9 42 26
13 32 29
11 38 19
8 39 21
3 41 17
4 33 25
6 44 23
7 90 30
12 45 16





A
2
A
2
A
2









97






EXPERIMENTOS FATORIAIS

O tipo de experimento multifator mais comumente usado o experimento fatorial
so aqueles nos quais so estudados, ao mesmo tempo, os efeitos de dois ou mais
tipos de tratamentos ou fatores.

Cada subdiviso de um fator denominada de nvel do fator.

Os tratamentos nos experimentos fatoriais consistem de todas as combinaes
possveis entre os diversos fatores nos seus diferentes nveis.

Variedades (V
1
, V
2
, V
3
)
Adubaes (A
1
, A
2
, A
3
)
Ex.: Fatorial 3 x 3 x 2 pocas de plantio (E
1
, E
2
)


18 tratamentos

V
1
A
1
E
1
V
2
A
1
E
1
V
3
A
1
E
1

V
1
A
1
E
2
V
2
A
1
E
2
V
3
A
1
E
2

V
1
A
2
E
1
V
2
A
2
E
1
V
3
A
2
E
1

V
1
A
2
E
2
V
2
A
2
E
2
V
3
A
2
E
1

V
1
A
3
E
1
V
2
A
2
E
1
V
3
A
3
E
1

V
1
A
3
E
2
V
2
A
2
E
2
V
3
A
3
E
2


Consideramos um fatorial 2 x 2, com os fatores: Adubao (A
0
, A
1
) e Calcrio (C
0
,
C
1
). Os resultados de produo para os 4 tratamentos so:

C
0
C
1
Totais
A
0
14 23 37
A
1
32 53 85
Totais 46 76 122

Efeito simples de um fator uma medida da variao que ocorre com a
caracterstica em estudo (produo) corresponde as variaes nos nveis desse
fator, em cada um dos nveis do outro fator.

- Efeito simples de adubo na ausncia de calcrio
A.d.C
0
= A
1
C
0
A
0
C
0
= 32 14 = 18

- Efeito simples de adubo na presena de calcrio
A.d.C
1
= A
1
C
1
A
0
C
1
= 53 23 = 30

98

- Efeito simples de calcrio na ausncia de adubo
C.d.A
0
= A
0
C
1
A
0
C
0
= 23 14 = 9

- Efeito simples de calcrio na presena de adubo
C.d.A
1
= A
1
C
1
A
1
C
0
= 53 32 = 21

Efeito principal de um fator uma medida da variao que ocorre com a
caracterstica (produo) correspondendo as variaes nos nveis desse fator, em
mdia de todos os nveis do outro fator.

Efeito principal de A = 24
2
30 18
2
Ad.C Ad.C
1 0
=
+
=
+

Efeito principal de C = 15
2
21 9
2
Cd.A Cd.A
1 0
=
+
=
+


Efeito de interao A x C = 6
2
9 21
2
A . Cd - A . Cd
0 1
=

=

Interao


A
1
A
1
A
A
0
A
0
A
0
(a) (b) (c)
C
0
C
0
C
0
C
1
C
1
C
1


INSTALAO DO EXPERIMENTO

Os experimentos fatoriais podem ser instalados em qualquer dos delineamentos
experimentais j estudados. Devemos seguir a risca o que determina tal
delineamento, no que se refere a instalao.

ESQUEMA DA ANOVA PARA UM FATORIAL A x B
Causa da variao G.L. SQ QM F
Fator A (A) a 1 SQA QMA QMA/EMR
Fator B (B) B 1 SQB QMB QMB/QMR
Interao A x B (a 1) (b 1) SQA x B QMA x B
(Tratamentos) t 1 SQT QMT
Blocos r 1 SQB QMB
Resduo (t 1) (r 1) SQR QMR
TOTAL tr 1 SQT
0



99


MODELO MATEMTICO

ijk
= +
i +

j
+ |
k
+ (o|)
ik
+
ijk


i = 1, 2, , r
j = 1, 2, ..., a
k = 1, 2, ..., b

ijk
= observao que recebeu a combinao do j-simo nvel do fator A e k-simo
nvel do fator B no i-simo bloco;
= mdia geral;

i
= efeito do i-simo bloco;
= efeito do j-simo nvel do fator A;
|
k
= efeito k-simo nvel do fator B;
(o|)
ik
= efeito da interao resultante do j-simo nvel do fator A e k-simo nvel do
fator B;

ijk
= erro experimental.

HIPTESES PARA OS PARMETROS DOS TRATAMENTOS

) ... ( 0 ) ... ( 0 : H
Bk B2 B k
k
Aj A2 A j
j
0
1 1
= = = = = = = =
j
E (o|)
jk
= 0 e
k
E (o|)
jk
= 0

H
1
:
j
E o
j
= 0 e 0
k
k
= ,
j
E (o|)
jk
= 0 e
k
E (o|)
jk
= 0

VANTAGENS DOS EXPERIMENTOS FATORIAIS

a) Permitem estudar os efeitos simples e principais dos fatores e os efeitos das
interaes entre eles.
b) Melhor utilizao dos recursos dando maior eficincia.

DESVANTAGENS DOS EXPERIMENTOS FATORIAIS

a) Quando o nmero de fatores aumenta o tamanho do experimento torna-se
grande. Ex.: 6 x 4 x 2 com 2 repeties (1) blocos incompletos (2) uso da tcnica
de confundimento e (3) uso de fatoriais fracionrios.
b) A anlise estatstica mais trabalhosa que nos experimentos simpl es e a
interao dos resultados se torna mais difcil medida que aumentamos o
nmero de nveis e de fatores no experimento.

De acordo com a natureza dos fatores usados os experimentos fatoriais podem ser:

1. Qualitativos: cujos os nveis do fator so categorias . Ex.: cultivares, tipos de
poda, espaamentos, tipos de raas, tipos de fungicida.
2. Quantitativos: cujos os nveis de fator so medidas quantitativas. Ex.: Doses de
fertilizantes, nveis de herbicidas, temperaturas, populaes de plantas, etc.
100

3. Mistos: quando se usa os dois tipos de tratamentos. Ex.: Arranjamentos
espaciais e populaes de plantas.

Mtodos de anlise para fatoriais com:

1. Dois fatores qualitativos: contrastes planejados entre grupos de tratamentos,
seleo do melhor subconjunto de tratamentos, comparao de tratamentos ao
controle e procedimento de comparaes mltiplas.
2. Dois fatores quantitativos: curvas de respostas regressionais.
= |
0
+ |
1
x
1
+ |
2
2
1
x + |
3
x
2
+ |
4
2
2
x + |
5
x
1
x
2
+

3. Um fator quantitativo e outro qualitativo: se int e sign e efeitos principais
significativo. Procedimento de comparao de mdia para fator quantitativo, por
exemplo:
= |
0
+ |
1
x + |
2
x
2
+ |
2
x
2
+ ... + |
p
x
p
+

Usos dos experimentos fatoriais

1. Nos experimentos exploratrios onde o objetivo examinar um nmero grande
de fatores para determinar quais so importantes e quais no so.

2. Para estudar o relacionamento entre vrios fatores, em particular para determinar
a presena e magnitude das interaes.

3. Em experimentos delineados para levar recomendaes sobre uma maior
variedade de condies.

ANLISE E INTERPRETAO DE UM FATORIAL A x B

Desvios padres para uso de testes de mdia
Diferenas de duas Desvio padro K
- Mdias A
2QMR/rb
a
- Mdias B
2QMR/ra
b
- Mdias AB, no mesmo nvel de B
2QMR/r
a
- Mdias AB, no mesmo nvel de A
2QMR/r
b

Elemento fatorial do tipo A x B x C

MODELO MATEMTICO









101


ijkm
= + o
i
+ |
j
+
k
+ (o|)
ij
+ (|)
jk
+ (o)
ik
+ (o|)
ijk
+
ijkm


ESQUEMA DA ANOVA PARA FATORIAL A x B x C
Causa da variao G.L. SQ QM F
A a 1 SQA QMA QMA/QMR
B b 1 SQB QMB QMB/QMR
C c 1 SQC QMC QMC/QMR
A x C (a 1) (c 1) SQAC QMAC QMAC/QMR
A x B (a 1) (b 1) SQAB QMAB QMAB/QMR
B x C (b 1) (c 1) SQBC QMBC QMBC/QMR
A x B x C (a 1) (b 1) (c 1) SQABC QMABC QMABC/QMR
Tratamentos abc 1 SQT
Resduo abc(r 1) SQR QMR
TOTAL rabc 1 SQT
0


HIPTESES PARA OS PARMETROS DOS TRATAMENTOS

0 ... ) ( 0 ) ( 0 0 0 0; : H
, , , , ,
i
i
i
i
0
= E E = E = E = E = =
k j i
ik
k i
ij
j i j i
k
k
o o|

H
1
: o
1
= (algum i);
3
1
E = 0 (alg. 1)

k
E = 0 (alg. K); E(o| = alg. i.j) ... E(o|) = 0 (alg.
i,j,k)



DESVIOS PADRES DAS DIFERENAS ENTRE 2 MDIAS

Fator Desvio padres de diferena
A
2QMR/rbc
B
2QMR/rac
C
2QMR/rab
AB
2QMR/rc
AC
2QMR/rb
BC
2QMR/ra
ABC
2QMR/r

FATORIAIS COM TRATAMENTOS ADICIONAIS OU FATORIAIS AUMENTADOS

qualquer experimento tendo um fatorial completo de tratamento mais um ou mais
tratamentos adicionais.

Suponha que um experimento fatorial 3 x 2 + 2 foi conduzido na UOF A. Trs doses
de nitrogneo (20, 30 e 40 lbs) em combinao com duas doses de fsforos (5 e 10
lbs) mais dois tratamentos adicionais:
C
1
= tratamento padro VS fatorial 3 x 2
102

C
2
= Testemunha VS todos os outros, com trs repeties foram delineados para os
efeitos desses fatores na produo do algodo. Delineamento experimental di um
DBCC.

N DE TRATAMENTOS = 3 x 2 + 2 = 8

MODELO MATEMTICO

ijkl
= +
i
+ o
1
+ |
k
+ (o|)
ik
+
i
+ E
ijkl

i = 1, 2, , r
j = 1, 2, ..., a
k = 1, 2, ..., b
l = 1, 2 ..., p

ESQUEMA DA ANOVA PARA FATORIAL 3 x 2 + 2
Causa da variao G.L. SQ QM F
Blocos r 1 = 2 SQB QMB
Tratamentos (t 1) = (7)
- Nitrognio (N) a 1 = 2 SQN QMN QMN/QMR
- Fsforo (F) b 1 = 1 SQF QMF QMF/QMR
- N x f (a 1) (b 1) = 2 SQNF QMN x F QMN x F/QMR
- C
1
1 SQC1 QMC1 QMC1/QMR
- C
2
1 SQC2 QMC2 QMC2/QMR
Resduo (r 1) (ab 1) = 10 SQR QMR
TOTAL rab 1 = 19
EXPERIMENTO FATORIAIS COM SUBAMOSTRAS

Em muitos experimentos onde vrios fatores esto envolvidos, alguns podem ser
fatoriais ou cruzados com outros; alguns podem ser subamostrais dentro dos nveis
dos outros fatores. Quanto tanto os fatores cruzados e em subamostras aparecem
no mesmo experimento ele chamado experimento fatorial com subamostra.

MODELO MATEMTICO

ijkl
= + o
1
+ |
i
+
k(1)
+ (o|)
ij
+ (o)
ik(1)
+ E
ijkl

i = 1, 2, , a
j = 1, 2, ..., b
k = 1, 2, ..., c
l = 1, 2 ..., r

ESQUEMA PARA ANOVA DE FATORIAIS COM SUBAMOSTRAS

Causa da variao G.L. SQ QM F
A a 1 SQA QMA QMA/QMAC/B
B b 1 SQB QMB QMB/QMC/B
A x B (a 1) (b 1) SQA x B QMA x B QMA x B/QMAC/B
C/B b(c 1) SQC/B QMC/B QMC/B/QMR
AC/B B(a 1)(c 1) SQAC/B QMAC/B QMAC/B/QMR
Resduo abc(r 1) SQR QMR
TOTAL rabr 1
103


EXPERIMENTO COM FATORES EM SUBAMOSTRAS

quando cada nvel da hierarquia representa um fator, neste experimento h uma
hierarquia de observao com subamostras das unidades experimentais. Os
tratamentos representam os nveis mais altos e as subamostras representam os
nveis mais baixos da hierarquia.

1 4
1 7
1 2
2 5
2 8
3 6
3 9 5 11 4 10 6 12


MODELO MATEMTICO PARA 3 FATORES

ijk
= + o
1
+ |
I (i)
+
k(1)
i = 1, 2, , a
j = 1, 2, ..., b
k = 1, 2, ..., c
MODELO MATEMTICO PARA 4 FATORES

ijkm
= + o
1
+ |
j(i)
+
k(ib)
+ o
m(idm)

i = 1, 2, , a
j = 1, 2, ..., b
k = 1, 2, ..., c
m = 1, 2 ..., d

ESQUEMA PARA ANOVA

Causa da
variao
G.L. Causa da
variao
G.L. QM F
A a 1 A QMA QMA QMR/QMB(A)
B (A) a(b 1) B(A) QMB QMB(A) QMB(A)/QMC(B)
Resduo ou
C(B) (A)
ab(i 1) Resduo ou
D(C)(B)(A)
abc(c - 1) QMC(B)(A) QMC(B)(A)/QME
TOTAL a 1 TOTAL ac - 1

EXPERIMENTO EM SUBAMOSTRAS COM DIFERENTES NVEIS DE FATORES

um experimento que tem nmero diferentes de nveis de fatores que so
subamostras dentro dos outros fatores. Os nveis dos fator B subamostras dentro
do fator A pode variar de um nvel do fator A a outra de tal maneira que os graus
de liberdades para o QMA QMB/A sero mais ou menos iguais.

ESTRUTURAS

ESTGIOS
A
B:A
C:3
b
i
104













ESQUEMA PARA COM DIFERENTES NVEIS DE FATORES

Causa da
variao
G.L. SQ QM F
A (a 1) SQA QMA QMA/QMB(A)
B(A)
a b
i
n
1 i
E
=

SQB(A) QMB(A) QMB(A)/QMC(B)A
C(B)(A)
i
a
1 i
b - N
=
E
SQC(B)(A) QMC(B)(A)
TOTAL N 1 SQT
0



EXPERIMENTO EM PARCELAS SUBDIVIDIDAS

O experimento em parcelas sub-divididas ou Split-Plot prprio para experimentos
com 2 fatores (A e B), em que a resposta de um deles mais importante. Consiste
em colocar nas parcelas um fator (o menos importante) e subdividir esta parcela com
o outro fator.

Nestes experimentos as parcelas so divididas em pares iguais, denominados de
subparcelas, e podem ser distribudas em qualquer delineamento estatstico, sendo
mais utilizados os DICs e os DBCCs.

De acordo com a estruturao das subparcelas, podemos distinguir dois tipos de
experimentos em parcelas subdivididas:

a) Parcelas subdivididas no espao: quando em cada parcela h uma subdiviso
da sua rea em subreas. Constituindo cada uma delas, uma subparcelas. Ex.:
parcelas, cultivares de milho e sua rea subdivididas subreas, cada uma delas
com espaamentos diferentes.

b) Parcelas subdivididas no tempo: quando as parcelas no se subdividem, mas,
periodicamente, so tomados dados em cada uma delas, constituindo estas
tomadas as subparcelas. Ex.: nas parcelas diferentes cultivares de manga, e a
cada ano avaliar a produo de frutos sempre nas mesmas parcelas. Cada
constitui uma subparcela.

1
2 2 2 1 1
2 2,1 1 2 1
2 3 4 5
105

A principal caracterstica dos experimentos em parcelas subdivididas est na forma
como feita a casualizao dos dois grupos de tratamentos.

A casualizao feita em dois estgios:
Primeiro casualiza-se os nveis do fator A nas parcelas. Em seguida casualiza-se
os nveis do fato B nas subparcelas.

E
2
E
1
E
3




C
1


C
3


C
2


C
3


C
2


C
1


C
3


C
1


C
2

OU 3 CULTIVARES
3 ESPAAMENTOS

C
3
C
1
C
2




E2


E1


E
3


E
3


E
1


E
2


E
1


E
3


E
2



Em funo das casualizaes efetivadas neste experimento, tem-se dois resduos
distintos: Resduo (a) Base para comparaes dos nveis do fator nas
parcelas. Resduo (b) Base para comparaes dos nveis do fator nas
subparcelas.

O delineamento em parcelas subdividas desejvel nas seguintes situaes:
1) Ele pode ser usado quando os tratamentos associados aos nveis de um dos
fatores exigem maior quantidade de material na unidade experimental do que os
tratamentos do outro fator. Ex.: Mtodos de preparo do solo (parcelas
grandes). O outro fator, variedades (parcelas menores).

2) O delineamento pode ser usado quando um fator adicional incorporado num
experimento, para ampliar seu objetivo. Ex.: Principal objetivo: comparar os
efeitos de diversos fungicidas contra infeco por uma doena diversas
variedades so includas (para ampliar) para ver a resistncia da planta.
Variedades distribudas nas parcelas e os fungicidas nas subparcelas.

Largamente usado em ensaios envolvendo: adubao mineral e calagem;
irrigao e densidade de plantio; mtodos de ensaio e recursos audiovisuais; etc.

Devido ao tamanho da parcela e preciso de medidas dos efeitos no serem o
mesmo para os fatores, as seguintes diretrizes so sugeridas quando designar um
particular fator:

1. Grau de preciso: para um maior grau de preciso para o fator B do que o fator
A, aloque o fator B as subparcelas e o fator A a parcela.

2. Tamanho relativo dos efeitos principais: se o efeito principal de um fator (fator B)
esperado ser maior e mais fcil de detectar do que algum do outro fator (A). O
fator B deve ser designado as parcelas e o fator A subparcelas.

106

3. Prticas de manejo: as prticas cultivares por um fator pode ditar o uso de
parcelas grandes. Por convenincia prtica, tal fator deve ser designado as
parcelas. Experimento de manejo dgua e adubao.

VANTAGENS E DESVANTAGENS DESTE EXPERIMENTO

VANTAGENS:

1. Melhor utilizao dos recursos dando maior eficincia.

2. Permitem estudar os efeitos principais dos fatores ...

3. mais prtico de distribuir que o fatorial, o que os tornam muitas vezes prescrito
pelos pesquisadores.

DESVANTAGENS:

1. O nmero de tratamentos cresce rapidamente quando o nmero de nveis
aumenta, dificultando a instalao do experimento.

2. Menos eficiente, do ponto de vista estatstico, que os fatoriais pois possuem dois
resduos.

INSTALAO DOS EXPERIMENTOS

Consideramos um experimento para testar um fator A (Calcrio) em dois nveis (A
1
,
A
2
), distribudos em 4 blocos casualizados. Um segundo fator B (adubo) em 3 nveis
(B
1
, B
2
, B
3
) alocados as parcelas.

1 Bloco 2 Bloco 3 Bloco 4 Bloco
A
2
B
1
A
1
B
2
A
1
B
3
A
2
B
1

A
2
B
3
A
1
B
3
A
1
B
1
A
2
B
3

A
2
B
2
A
1
B
1
A
1
B
2
A
2
B
2

A
1
B
2
A
2
B
3
A
2
B
1
A
1
B
1

A
1
B
1
A
2
B
2
A
2
B
2
A
1
B
3

A
1
B
3
A
2
B
1
A
2
B
3
A
1
B
2


MODELO MATEMTICO

ijk
= +
i
+ o
ij
+ o
ij
+ |
k
+ (o|)
ik
+
ijk

i = 1, 2, , r
j = 1, 2, ..., a
k = 1, 2, ..., b

ijk
= parcela que recebeu j-simo de , k-simo de B na i-sima repetio.
= media da populao.

i
= efeito de i-sima repetio.
o
ij
= efeito de i-simo nvel do fator A.
o
ij
= Componente de erro da parcela.
107

|
k
= efeito k-simo nvel do fator B.
(o|)
ik
=efeito da interao do j-simo nvel do fator A e do k-simo nvel do fator B.

ijk
= componente de erro da subparcela.



ESQUEMA PARA ANOVA (DECOMPOSIO DO G.L.)

C. variao G.L. C. variao G.L. C. variao G.L.
DQL DBC DIC
Linhas a 1
Colunas a 1 Blocos r 1
A a 1 A a 1 A a 1
Erro (A) (a 1) (a 2) Erro (A) (a 1)(r 1) Erro (A) a(r 1)
Parcelas a
2
1 Parcelas ar 1 Parcelas ar 1
B b 1 B b 1 B b 1
A x B (a 1) (b 1) A x B (a 1)(b 1) A x B (a 1)(b 1)
Erro (B) a(a 1) (b 1) Erro (B) a(r 1)(b 1) Erro (B) a(r 1)(b 1)
Subparcelas a
2
b 1 Subparcelas arb 1 Subparcelas ar(b-1)

HIPTESES PARA TESTE DE TRATAMENTOS

H
0
: toda (o|)
jk
= 0 H
0
: todo o
j
= 0 H
0
: todo |
k
= 0

H
1
: algum (o|)
jk
= 0 H
1
: algum o
j
= 0 H
1
: algum |
k
= 0

Diferena entre Desvio padro
Duas mdias de A (a
1
a
2
) 2QMR(a)/rb
Duas mdias de B (b
1
b
2
) 2QMR(b)/ra
Duas mdias de B no mesmo
nvel de A (a
1
b
1
a
1
b
1
)
2QMR(b)/r
Duas mdias de A no mesmo
nvel de B (a
1
b
1
a
1
b
1
)
QMR(b)/rb 1) - b ( 2(QMR(a)+

ESQUEMA DA ANOVA

Causa da variao G.L. SQ QM F
Blocos r 1 SQBL QMBL
A a 1 SQA QMA QMA/QME(a)
B b 1 SQB QMB QMB/QMR(b)
A x B (a 1) (b 1) SQAB QMAB QMAB/QMr(a)
Resduo (a) (r 1)(ab 1) SQR(a) QMR(a)
Parcelas abr - 1 SQP
C (c 1) SQC QMC QMC/QMR(a)
A x C (a 1) (c 1) SQAC QMAC QMAC/QMR(b)
B x C (b 1) (c 1) SQBC QMBC QMBC/QMR(b)
A x B x C (a 1) (b 1) (c 1) SQABC QMABC QMABC/QMR(c)
Resduo (b)
((rabc-1)-(abr-1))-(c-
1)-((a-1)(c-1))-((a-
1)(b - 1)(c - 1))
SQR(b) QMR(b)
Subparcelas rabc 1 SQSP
108



MODELO MATEMTICO

ijkm
= +
i
+ o
i
+ |
k
+ (o|)
ik
+ o
ijk
+
m
+ (o)
jm
+ (|)
km
+ (o|)
jkm
+ E
ijkm