Você está na página 1de 240

(

Univenidadtz de S. Paulo
Escola Superior de Agricultura "'luix dtz Oueirox"

(
(

(
(

CURSO

(
(

DE

EXPERIMENTAL

ESTATISTICA

139 Edio

(
(

por

Frederico Pimentel Gomes

(Engenheiro Agrnomo)

(
(

Proftzssor

Catedr.3tico

de

Matem.!tica e Estatstica

da
Escold Superior de Agricultura ''Luiz de Oueiroz"

(
(

1990

(
(

Piracicaba
Estado de Seio Paulo, Brasil

c
(
(

UVRARIA NOBEL S.A.


EDITORA- DISTRIBUIDORA

LQJA 1: R.DACONSOLA0,41CEP01:Jl1
LQJA 2: R. MAR1AANT0NlA, 1fll CEP01222
EDITORA: RUA DA BALSA, 1111 CEP 02910
FONES: tPABXI: 257-2144 elli79444 SP

(
(
(

PREFCIO DA llA. EniAO

(
(

(
(

(
(

A 1 ':- edio deste meu "Curso de Estatstica Experimental" veio a lume em 1960, h 25 anos, portanto. Nest.e
quarto de sculo, ele vem sendo constantemente atualizado e ampliado. Os 13 captulos da 1? edio, passaram a
16 na 3?, a 18 na 4q. e, agora, chegam a 21. Por
outro
lado, em todas as edies houve atualizaes, corrige~
das e acrscimos, tanto nos caotulos mais novos,
como
nos mais antigos, de tal sorte que o livro se vem manten
do sempre atual e dinmico.

(
(
(

(
(

(
(

(
(

(
(

(
(
(
(

Os trs novos captulos agora acrescentados tratam


da Analise da Varincia !1ultidimensional, das
Superfcies de Resposta e dos Mtodos No-Paramtricas. Embora
se trate de assuntos profundos e difceis, so eles apre
sentados de modo simples e intuitivo, de tal forma
que
ficam ao alcance dos leitores que j antes utilizavam os
captulos mais antigos. Para compLet-los, foram inclu
das novas tabelas, especialmente adaptadas, pois a Esta=tstica sem tabelas como uma espingarda sem
plvora:
no se pode usar . . Alem disso, a apresentao
grfica
f o i consideravelmente melhorada, o que facilitar a leitura desta nova edio.
Para terminar, renovo,ao Conselho Nacional de Pesquisas (hoje Conselho Nacional do Desenvolvimento Cient
fico e Tecnolgico), ao Instituto de Gentica da USP e
Fundao Rockefeller, os meus agradecimentos, pois sem
o auxlio deles este livro jamais teria sido
publicado
e, pois, jamais teria chegado a esta 11<;1 edio,
sinal
evidente da boa aceitao que tem tido, tanto no Brasil
como no Exterior.

(
(

c
(

Piracicaba, 07 de setembro de.l985


F. Pimentel Gomes.

r("
--

,...==.......,~
~'"~-'~'""
- """!"__......_,. ....
_,. ,)...,.~~':"..,; ...,...,..,.._,_,.,~~..o..:--!"-l~~.~:" ~~~''iNf"''" '";'':: ,.,,_..... .,,.., ''
iili
--- ~- -~:"'"'"-!~:::;:::.,:,.
-T

(
(

INDICE

(
(
(
(
(
(

Pgina

BRAS :00 t'ES/'10 AUfOR


\ . 1.

Curso de Estadstica Experimental, por F. Pimentel Gomes.


Editorial Hemisferio Sur, Buenos Aires - Verso em
Espanhol da 6~ edio brasileira, 1978.
Iniciao Estatstica, 6~ edio, por F. Pimentel Go
mes. Liv. Nobel, S. Paulo (esgotado), 1978.

(
(
(

,Iniciacin a la Estadstica Experimental, por F. Pimentel Gomes, Editorial Hemisferio Sur, Buenos AiresVerso em Espanhol da 6~ edio brasileira do livro
anterior, 1979.

(
(

(
(
(

(
(
(

Anlise Matemtica,
I.R. Nogueira.

2~

edio, por F. Pimentel Gomes


ESALQ, Piracicaba, 1980.

A Estatstica MOderna na Pesquisa Agropecuria, 3?

ed ipor F. Pimentel Gomes. Ass oc ia~o Brasileira


para Pesquisa da Potassa e do Fosfato (POTAFOS), Pi
racicaba, 1987.

~o,

Formao do Gado Canchim Pelo Cruzamento Charols - Zebu, 2? edi~o, por A. Teixeira Vianna, M. Santiago
e F. Pimentel Gomes. Liv. Nobel, S. Paulo, 1978 .

(
(

(
(

(
(

(--~~

Prefcio .
INTRODUO .. ' ...... ' .
1.1. A Variao do Acaso .. :
1. 2 . A Hdia e 0 Desvio Padrao .. ..
1. 3. Graus de Liberdade : .. ......
1. 4. Uma Frmula t1ais Pratica Para Cal~ular a Soma dos Quadrados ~os Desv~os
1.5. Erro Padro da Hdia ..:. ... .. ......
l.6. Coeficiente de Variaao
1. 7. Exerc c ios .... . ..... . -
1. 8. Bibliografia ..........

2. PRINCPIOS BSICOS DE EXPERDENTAO


l ....
2 .1. Unidade Experimental ou p ar:e a .. .: .
2.2. Princpios Bsicos de Expe:~~entaao
2.3. Ex:i.p,ncias do t1odelo ~atemat~co ....
2.4 Um Exemplo de Aplicaao do Hodelo Mat emtico ...... .. . . :
2. 5. Experimentao Intensiva e E xp enme~
rao Ex tensi va
2 . 6 . Bibliografia ... .. ... . .. ......... .

3. OS TESTES OU PROVAS DE SIGNIFICt~CIA . ...


3.1. Os Testes F e v
3.2. O Teste t . . . . . . .. ...
, 3.3. o Teste de Tukey ................ .. .
3.4. o Teste de Duncan
""3.5.

3. 6.
3.7.
3.8.
3.9.
3.10.

o
o

Teste de Scheff

Teste de Bonferroni
Propriedades dos Novos Testes
Interpolao Harmnica .......
Intervalos de Confiana .. .. .: : ..
Determinao do Nmero Necessar~o de

1
1

2
4

5
6.
7
7

8
9
9
9

12
14

15

16
18
18
20
24
26
29
30
31
32
34

36

3.1l.Bibliograt ia

3!:>

4. EXPERIMENTOS INTEIRAMENTE CASUALIZADOS ..


4.1. Generalidades .......

42
42

Rept't<-;L's

(
(

Pgina
4. 2. Um Exemplo .....
4.3. Um Exemplo com Parcela Perdida ...... .
4.4. Um Ensaio de Alimentao de Leitoas ..
4. 5. Bibliografia ........................
o

c
(

(
(

(
(

(
('

(
(

(
(

(
(
(

(
(
(
(
(

o.

,,., 5. EXPERIMENTOS EM BLOCOS CASUALIZADOS ...... .


5 .1. Generalidades .......................
5.2. Um Exemplo ...................... '.... .
5.3. Outro Exemplo .......... ~ ............ .
5.4. Um Exemplo com Parcela Perdida ...... .
5.5. O Caso de Duas Parcelas Perdidas ..... .
5.6. Outros Tipos de Ensaios em Blocos Casualizados .......................... .
5.7. O Caso de um Bloco ou Tratamento Perdi
do .................................. -:5.8. Exerccios .......................... .
5.9. Bibliografia ........................ .
6. EXPERIMENTOS EM QUADRADOS LATINOS ........ .
6 .l. Generalidades ....................... .
6.2. Um Exemplo .......................
6. 3. Outro Exemplo ....................... .
6.4. Um Exemplo com Parcela Perdida ...... .
6.5. Quadrados Latinos com Tratamentos, Linhas ou Colunas Perdidos ............ .
6.6. Exerccios ............ .............. .
6.7. Bibliografia ........................ .
o

7. EXPERIMENTOS FATORIAIS ................... .


7 .1. Generalidades ....................... .
7.2. Um Exemplo .......................... .
7. 3. Outro Exemplo ....................... .
7.4. Um Exemplo com Interao Significativa
7. 5. Confundimen to ....................... .
7.6. Um Ensaio Fatorial 3x3x3 com Duas Repe
ties .............................. :7.7. Um Ensaio Fatorial 3x3x3 com Uma S Re
petio ........................... :7.8. Um Ensaio Fatorial de 6x3x3 ......... .
7. 9. Exerccios .......................... .
?.lO. Bibliografia~ ..

Pgina

!+J

8. At'lLLSE DE (;!WPOS DE EXPERH1ENTOS ...... .


8.1. Generalidades ................
8. 2. Como Fazer a Anlise ....... : . . .
8. 3. Um Grupo de Ensaios de Batat~nha .
8.4. Outro Examplo ..................... .
8.5. Ainda Outro Exemplo ........... .
8.6. Outro Mtodo de Anlise ........... .
8. 7. O Mtodo de Cochran ........... .
8.8. Bibliografia ...................... .

5U
53
54
56
56
57
61
63
67

74
74
76
77
77

78
81
87

*~

94
94
96
96
97
102
104
107
111
116
120
123
123

FERIMENTOS EM FAIXAS ..............


9 .1. Generalidades ....
') .2. Um Exemplo ...
9. 3. Outro Exemplo
9. 4. Ainda Outro Exemplo .............. ..
9.5. Exoerimentos em Faixas .....
9.6. Um.Exemplo com Subparcela Perdida
9. 7. Bibliografia ........... .
o

151
151.
156
164
168
170
172
174

li

::it
~A

:.~

r~
tr

9l

E!

*lg, EXPERIMENTOS EM PARCELAS SUBDIVIDIDAS;

72

126
126
128
134
137
138
145
146
150

.c

lO. BLOCOS INCOMPLETOS EQUILIBRADO~ ......


10.1. Generalidades ...................
10.2. Anlise Intr ..lb1ocos de um Experme~
to do Tino III ..........
10. 3. Anlise Intrab1ocos de um Experime~
to do Tino I . . . . . . . . . . . . . . . . ..
10.4. Anlise Intrab1ocos de um Experime~
to do Tipo l i . . . . . . . . . . . . . . . . . . . .
10.5. Anlise com Recunerao da Inform<to Interblocos : .... :
10.6. Anlise de um Exper~mento de T~po
III com Recuperao da
Informaao
Interb1oeos .........
Tipos
10.7. Analise de Experimentos dos
I e II com Recuperao da Informaio Interhlocos ................
lO. 3. Decomposio dos Graus de Liberdade
para Tratamentos ................
10.9. Bibliografia ..................... .

175
175

11. RETICULADOS QUADRADOS .................. .


11.1. Generalidades .......... ..
11.2. Delineamentos Robustos ........... .

206
206
208

179
184
187
189
193
198

201
205

(
(

Pgina

(
11. 3. Anlise Intrablocos

11.4. Um Exemplo de Anlis~.~~~~b~~~~


11.5. ~alise com Recuperao da Inform~~
ao Interblocos ................
11.6. Um ~xemplo de Anlise com
Recuperaao da !nformao Inte~blocos ....
11.7. A Repetiao de um Delineamento Reticulado
11.8. O Retic~i~d~.Q~~d;~d~~~~~~~;~~~
menta Comum em Todos os Blocos .... ~
11.9. Bibliografia ......................

(
(

.(
(

(
(

(
(

(
(

(
(

(
(

(
(

(
(

(
(

(
(
(

12.

o uso DA REGRESSO NA ANLISE DA VARINCIA


12.1. Regresso Linear ..
12.2. Os Polinmios Ortog~~~i~:::::::::::
12. 3. A Regresso Polinomial Aplicada a Da
dos Sem Repetio . ; ............... ~
12.4. Os Coeficientes de Correlao e de
Determinao ...................... .
12.5. Bibliografia ...................... .
12.6. C?e!i~ientes para Interpolao de Po
llnomlos Ortogonais ............... ~

13. O USO DA LEI DE MITSCHERLICH NA ANLISE DE


EXPERIMENTOS DE ADUBAO ................ .
13.1. Generalidades
13.2. o Caso de Trs ~f~~i~
13.3. O Caso de Quatro Nvei~::::::::::::
13.4. O Caso de Cinco Nveis
13.5. Um Exemplo com um Grupod~E;;~~i~
mentos ............................ .
13.6. Bibliografia ...... ~ ............... .

.... .. .. ..

14. ENSAIOS COM ANIMAIS .......................


14.1. Generalidades ...................
14.2. Ensaios com Aves ................... .
14. 3. Ensaios Contnuos em Blocos Casualizados com Vacas Leiteiras .........
14.4. Ensaios Rotativos com Vacas Leiteiras ............................... .

14.5. Ensaios de Reverso ...............


14.6. Bibliografia ................

Pgina

208
212

15. O TESTE DE QUI-QUADRADO E SUAS


APLICAES ..........................
15 .1. Introduo ...................... .
15.2. Tabelas de Contingncia de 2xn .. .
15.3. Tabelas de Contingncia de 2x2 .. .
15.4. O Teste de Fisher .............. ..
15.5. Graus de Liberdade Individuais em
Tabelas de Contingncia ......... .
15.6. Outras Aplicaes do Teste de QuiQuadrado ........................ .
15.7. Bibliografia .................... .

217
220
224
225
226

227
22.7
229

16. ANLISE DE COVARINCIA ................ .


16 .1. Generalidades ................... .
16.2. Um Exemplo ...................... .
16.3. Outro Exemplo ................... .
16.4. Bibliografia .................... .

235
237
242

17. Al."l'LISE CONJUNTA DE EXPERH1ENTOS El1 BLOCOS AO ACASO COM ALGUNS TRATAr1ENTOS COMUNS .................................. .
17 .1. Generalidades ................... .
17.2. Esquema da Anlise da Varincia ..
1 7 . 3 . Um Exemp 1 o ...................... .
17.4. Um Exemplo Hais Complexo ........ .
17.5. Uma Dificuldade Que Pode Ocorrer
17.6. Exerccio ....................... .
17.7. Bibliografia .................... .

243
252
252
254
256
261
261
266
267
267
268
270
272

278
285

;:~

18. EXPERIMENTOS FATORIAIS COH TRATAMENTOS


ADICIONAIS ............................ .
18.1. Generalidades ................... .
18.2. Um Exemplo .....................
18.3. Bibliografia ....................
19. A ANLISE DA VARINCIA HULTIDI11ENSIONAL.
19 .1. Genera-lidades ..................
19.2. Um Ensaio Inteiramente Casualizado
19.3. Um Ensaio em Blocos Casualizados .
19.4. Noes de lgebra de Matrizes
19.5. Sistemas de Equaes Lineares ....

287
287
290
294
296
297
298
300

300
300
308

314

316
316
316
320
326
333
333
333

334

334
334
337

338
338

339
348
351
361

Pgina

(
(

19.6. Funo Discriminante ou Varivel Ca


nnica ......... .
19.7. O Teste de Roy .. :::::::::::::::::::
19.8. Bibliografia ........ ; ..........

(
(

(
(
(
(
(

(
(

(
(
(

(
(
(

(
(
(

(
(
(

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

20. SUPERFCIES DE RESPOSTA


20 .1. Int reduo .......................
20.2. Um Exemplo com um Fatorial de 3x3 .
20.3. Outros Delineamentos Apropriados par~ Superfcies de Resposta ........ .
20.4. B1bliografia .....................

364
372
373
374
374
375
379
381

21. TESTES NO-PAR.AME:TRICOS ..................


21.1. Introduo
21.2. O Teste do ~i~;i
21.3. Intervalos de Confi~~~~-~~~~-~~~;~~~
centagem_ ..........................
21.4. Comparaao de PorcentagensObservadas
21.5. O Teste de Kruskal-Wallis ......... .
21.6. Comparao de Mdias nos Ensaios Inteiramente Casualizados ........... .
21.7. O Teste de Friedman ............... .
21. 8. Bibliografia ...................... .

395
397
401

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

403

22. TABELAS

383
383
384
387
389
391

CURSO DE ESTATSTICA EXPERIMENTAL


1. INTRODUJlD
1.1. A VARIAO

00 ACASO

Seguindo o exemplo de R.A. Fisher, podemos definir


a Estatstica como a Matemtica aplicada aos dados de ob
servao. Mas tais dados so, em muitos casos, colhidos
atravs de trabalhos feitos propositalmente e em condies previamente especificadas: temos ento dados experimentais, obtidos de experimentos. O estudo dos experi
mentes, seu planejamento, execuo e anlise, que cons
titui o objeto da Estatstica Experimental.
O que dificulta o trabalho do experimentador e exige a anlise estatstica a presena, em todos os dados
obtidos, de efeitos de fatores no controlados (que podem ser controlveis ou no), pequenas diferenas de ,fer
tilidade do solo, variaes ligeiras no es"Paaiiiento, na
profundidade de semeadura, na constituio gentica dos
animais ou plantas, etc. t Esses efeitos, sempre presentes, no podem ser conhecidos individualmente e alteram,
pouco ou muito, os resultados obtidos ..;. Eles so indicados pela designao geral de variao do acaso ou variao aleatria. O efeito dessa variao do acaso tal
que pode alterar completamente os resultados
experimen
tais. Assim, ao comparar no campo duas variedades de ca
f, a pior das duas poder, por simples acaso, por
ter
sido favorecida por uma srie de pequenos fatores
no
controlados, exceder a melhor variedade. E ao comparar
experimentalmente a produo de leite obtida com duas ra
es basicamente equivalentes, com certeza quase absolu=
ta obteremos para uma delas resultado melhor do que para
a outra, por exemplo 12,5 kg por vaca num caso, 11,8 kg
noutro:. a diferena observada deve-se variao do acaso. Cabe ao experimentador, pois, verificar se as diferenas observadas num exp.eriment tm ou no tm valor,

r -"":'-t i ' - - . --

~
(
(
(
(

(
(

(
(
(

(
(
(

--------------=
---=
-- =
-----~----

. ;
..
,--.:_
- -----~===~"":!",_....,

~~F-~- Jl'Uo1t-~~.l'

I f

f~

; .;;~_.:..:.:w .;f._-

isto , ~e ~ao ou nao significativas. Uma Jifercna nao


-significativa se aceita como possivelmente devida ao aca
so, e e deixada de lado, ate que novos resultados venham
confirm-la ou neg-la. J um resultado significativo de
monstra que os e lementos ensaiados (variedades, raes-;
metodos de anlise qumica, etc.) " no so equivalentes,
do resultados que aceitamos como realmente diferentes.

1.2. A~IA

(
(
(
(
(

(
(

(
(

(
/-----------

o DESVIO PADRO

o seguinte problema, bem simples, e bem ilustratie nos permitir introduzir alguns conceitos fundamentais da Estatstica. Suponhamos, por exemplo, que desejamos determinar o peso mdio de uma cana de uma
certa
variedade no canavial de uma usina. Podemos comear por
tomar vrias canas, ao acaso, em diversos pontos da lavoura. Os pesos dessas canas so anotados, em quilogra=
mas, como a seguir:
VO

1,58

1' 71
1,50

'

. , , .. ,

-~- -

l:'i~.:\i! ji:'l'~
.t -~li!<+~i::i
JZ :.51.;,..;i\;!./l8.':jft~- - -

""t- -"' ~~ .-.

4 . a i<OL. ~ tfn~l"-5-,..'l''H;">": .. "'!'~"N.":fi "''-T'.--"'\."M:I;'o\<;

;"
f,;:.;:ll!
;

1,76
1,38

"- "

-.-":'C'"' .,," \. ' " .... ,,_.c._.,.,_,., ,,,-,- . :


... '
~==~===========:.;;,;o~~=-iiilljj""ii
' .~.-
~.""li!"''l'liil'l'i -"'""'
iii'""""
ii'i'..~~--~~
"i~"'i"'in"Oi.'""'i'...~."lG..-.- ~ - ~ ~~.. ,... ................~:>.-ii~<-*:;,;~--~,;;ii;;::'.; ,\:ii;~l;~
, :.l);'i:';':l;l-~i}?}~
.li ~iO;r~.,"~~i:;<:l:fi>ni::::i>:"':J:!""""'
: i:'l!:l; ; ':~:;[;:,-~
-[i~~-2!l11!2li:"J.>#;:,;

~ ;.< Pl~-" '~'1' -~.,.,.,...,~

1,32
1,51
1,55
1,54
1,67

A media aritmtica desses 10 dados e a soma dividida por 10, e d 1,55-2 kg. Has este resultado apenas estima o verdadeiro peso mdio de uma cana, desconhecido.
Tanto e assim que se repetirmos
o experimento e- pesar
mos outras 10 canas, quase com certeza obteremos resulta
do diferente: 1,720 kg, por exemplo.
A influncia dos fatores no controlados resumidos
sob o nome de acaso se poderia avaliar atravs da diferena, chamada desvio ou afastamento ou erro, entre
os
valores observados e a media verdadeira. Se esta, supos
ta conhecida, fosse, por exemplo, 1,50 kg, o de~vi
do
primeiro valor observado seria 1,58 - 1,50 :: 0,08.
Os desvios todos constam da tab(da seguinte,
para
os 10 pesos observados.
0,08
-0,18
0,26
0,01
-0,12
0,05
0,21
0,04
o,oo
0,17

Como vemos, os clesvi.os podem ser positivo~ ou negativos.


Conhecidos os desvios em relao verdadeira
media, po~emos calcular um nume:o positivo s c~amado des
vio padrao ou afastamento padrao, dado pela formula
s

_, ISQD"
-v

--N--

onde S Q D indica a sma dos quadrados dos desvios, e N


e o numero de observaes, isto , o numero de canas pesadas, no caso presente. Quanto maiores os desvios, em
valor absoluto, tanto maior ser o valor de s. Mas
o
desvio padro s apenas estima um valor exato desconhecido a (a a letras no alfabeto grego), que
obteramos
se repetssemos infinitas vezes as pesagens.
No caso presente temos:
S Q D "' (O , O8) 2 + (O, 2 6) 2 + + (O , 1 7) 2 "' O, 19 80

logo
s

= I o, 19 80 I 1 o =

o , 14 1

Poderamos ento dizer que a estimativa do p~so medio de uma cana 1!5 52 kg
e que o desvio padrao dos
valores observados e 0,141 kg .
Se este desvio fosse,
por exemplo, 1,41 em vez de 0,141, a variao entre
os
pesos das canas colhidas seria evidentemente muito maior.
E se o desvio padro fosse igual a zero, todos os desvios seriam nulos, e no haveria variao do acaso.
O
clculo do desvio padro permite, pois, estimar a variao no controlada, isto e, a variao do acaso ou aleatria ou casual.
Na ' prtica, porm, a mdia veradeira m nao e conhecida; temos apenas sua estimativa
= 1,552. Como calcular o desvio padro nestas cond~.es? Demonstra-se que
tal e possvel se calcularmos os desvios em relao e~
timativa da media, desde que se substitua na frmula .N
por N - 1. ass1m:

='ISQD
V----N-1

No caso que estamos estudando, os desvios em


ao estimativa da mdia so:

rela-

~--~'~.~1(10

(
(

0,028
0,208
-0,172
0,158
-0,052

-0,232
-0,042
-0,002
-0,012
0,118

Quando, porm, como acontece quase sempre, a mdia verda


deira m no conhecida e fazemos o clculo de s a partir de uma
estimativa
prova a teoria que
isto
equivale exatamente perda de um" das observaes. Assim, o clculo de s com. 10 observaes sem o conhecimento de m nos deu s = O, 138 e esta estimativa tem 10 - 1 =
= 9 graus de liberdade, pois o uso da estimativa da mdia,
em vez de seu valor exato, nos faz obter uma estimativa
de s menos precisa, alis de preciso equivalente que
teramos com 9 observaes, se conhecessemos a mdia ve~
dadeira m. No caso geral, com N observaes, se utilizarmos uma estimativa de m para calcular s, este
ter
N - 1 graus de liberdade.

m,

(
(

Agora obtemos:
SQD

(
(

logo

v-lo, 1 70960
9 .

s =,

(
(
(

(
(

(0,028) 2 + (0,208) 2 + + (0,118)2


0,170960,

10,018996 = 0,138 .

Para evitar a extrao da raiz quadrada, no


se usa a estimativa da varincia' s 2 = O 018996 ou
.
2
,
-'
XLmadamente, s = 0,0190, em Lugar do desvio padrao
= O, 138. A estimativa da varincia frequentemente se
ma tambm quadrado mdio.

raro
apr_o
s
cha-

1.4. UMA

(
(

(
(

(
(

(
(

(
(

(
(

(
(
(

1.3.

GRAUS

DE LIBERDADE

O leitor ter decerto reparado que no so


iguais
as duas estimativas de s obtidas na seo anterior. Masisto no deve causar admirao, pois as estimativas, no
sendo valores exatos, variam mesmo. De uma maneira geral, qu~nto maior o nmero de observaes, mais
precisas serao as estimativas, embora isto no obste que
em
um ou outro caso um experimento com menor nmero de dados d estimativas mais prximas dos valores verdadeiros
(geralmente desconhecidos) do que outro com dados
mais
abundantes.
Na seo anterior, quando admitimos como mdia verdadeira o valor m = 1,50, achamos s = O, 141. Este
valor, calculado com 10 desvios em relao mdia verdadeira, certamente menos digno de confiana do que se,
nas mesmas condies, tivssemos tomado 20 ou 30 observaes. O nmero N de ob,servaes em que se baseia o cl
culo de 8 quando se conhece a mdia verdadeira m
dapois, uma indicaao sobre a preciso da estimativa 8 ob~
tida, e constitui o seu nmero de graus de liberdade. As
sim, a estimativa s 0,141 tem 10 graus de
liberdade:-

PRATICA

PARA CALCULAR A

SoMA oos

Vimos acima que a soma dos quadrados dos


desvios
(S Q D), geralmente designada apenas por soma de quadrados, pode ser calculada desde que se obtenham o~ desvios
todos em relao mdia verdadeira ou em relaao sua
estimativa. Na prtica, porm, prefervel evitar
o
calculo dos desvios, pois trabalhoso e geralmente exige o uso de maior nmero de decimais do que o dos dados
orlglnais. Ora, demonstra-se com facilidade que, no caso de usarmos a estimativa da mdia, temos,

FRMULA MA1S

QuADRADOS DOS DESVIOS

onde L:x 2 indica a soma dos quadrados dos dados a serem


o
analisados, L:x e a soma desses mesmos dados e N e
seu numero.
No caso das pesagens de 10 canas, referido na seao
1.2, temos:
zx2 = (1,58)2 + (1,76) 2 + . + (1,67) 2 = 24,2580

Ex= 1,58 + 1,76 + . +

logo

,,

15,52,

S QD = 24,2580- (1/10).(15,52) 2
- 24,2580 - 24,087040
= 0,17~960 .
.

,... ,

1~67

I!

(
(

(
(

(
(

S QD

24,2580- 24,0870

0,1710
9

(
(

(
(
(

(
(

c. v.

0,138 .

;t
~

ERRO PADRO DA MDIA

Pesadas as 10 canas do canavial de uma usina, obtivemos os dados acima referidos na seo 1.2, e para elesca~culamos a estimativa da mdia m = 1,552 e o desvio pa
drao 0,138, este com 9 graus de liberdade. Se colhsse=mos vrias amostras de 10 canas teramos diversas estima
tivas para a mdia e poderamos calcular com elas
novo
desvio padro, que serLa o erro padro da mdia
s(m).
Mas h uma frmula simples que permite obter o erro padro da mdia s (m) sem ser preciso colher novas
amostras. Com efeito, demonstra-se que

<ffi>

v<ffi> =

vem.>

0,0190
10

s(m)

lo,oo19

(
(

(
(

, 138

1,552

1,552

e s

= 8,9% .

O coeficiente de variao d uma idia da precis-o


do experimento. Tendo em vista os coeficientes de
variao obtidos comumente nos ensaios agrcolas de campo,
podemos consider-los baixos, quando inferiores a 10%,
mdios, quando de 10 a 20%, altos, quando de 20 a
30%,
muito altos, quando superiores a 30%.

1. 7. ExERCCIOS

i
!e

(1.7.1)
Os pesos ao nascer de 12 bezerros machos da ra
a Charolesa so os seguintes, em quilogramas:

-m:

47
41
34
45

45

46
25
48

37
47
40
40

Calcular as estimativas da mdia e do desvio padro


desses dados. Calcular tambm o erro padr.o da mdia e
o coeficiente de variao~

.
No

caso
(1. 7.2)
Admitindo-se que seja de 20% o coeficiente de
variao relativo ao peso de cabeas de repolho, pergunta-s~ quantos repolhos devemos pesar para obter um
erro
padrao da media igual a 5% dela.
Resposta: E! suJicien te pesar 16 cabeas de repolho.

= 0,0019
=

fll

A o smbolo V indica estimativa da varincia.


vertente temos pois:

100

1.5.

No exemplo da seo 1.2. tnhamos


=0,138,logo o coeficiente de variao e:

Esta estimativa do desvio padro tem 9 graus de li- i_~


herdade.
;~

c. v.

0,0190

10,0190

CoEFICIENTE DE VARIAO

Chama-se coeficiente de variao (C.V.) o numero da


do pela frmula seguinte:

0,1710

1.5.

Obtemos, pois, o mesmo valor calculado anteriormen-

te por outro mtodo. O termo subtrativo (1/10) (15,52)/


recebe o nome de correo, e geralmente indicado com a
letra C. Em geral, porm, no h interesse em calcular
C com nmero de decimais maior~ que o de l:x 2 No caso aci
ma, pois, o valor de C deve ser aproximado para 24,0870-:- };
de sorte que obtemos:

0,044 .

Dizemos ento que a estimativa obtida para a media


e m = 1,552 0,044. O erro padro da mdia evidentemen
te d uma idia da preciso da estimativa para ela obti=
da. Por exemplo, uma estimativa
1,552 !... 0,500 teria evidentemente muito menor p.reciso do que a que demos acima, pois o seu erro padro maior.

m1 "'

..
.' 'IJ,,
,

(1.7.3)
Para determinar a produo mdia de um
canavial, demarcaram-se nele, em vrios pontos escolhidos ao
acaso, 10 pequenas reas de 100 m2 cada, cuja
produo
foi pesada. Os resultados obtidos, em kg por 100m2 ,
foram os seguin.tes:

850
810

840
920

720
780

900
740

780
800

2. PR1NC1PIOS BASICOS DE EXPERIMENTACAO

(
(

(
(
(

Calcular a produo mdia, em toneladas por hectare, e o erro padro dessa mdia. Sendo de 400 hectares
a rea de colheita da usina, qual a produo de
esperada, e qual o seu erro padro?
Resposta: A produo mdia nas 10 parcelas 81,4
2, O t/ha. A produo de cana esperada em 400 hectares se
r 400 x 81,4 = 32.560 toneladas,
com
erro
padr
400 x 2,0 = 800 toneladas.

(1.7.4).
Numa classe de 16 alunos foram dadas as
tes notas numa prova de Matemtica:

7,5
4,0
8,0
8,0

(
(

(
(
(
(

(
(
(

(
(

(
(
(
(

4,5
5,5
3,5
3,5

7,5
7,0
8,0
4,5

segui~

6,0
4,0
5,0
5,5

Calcular a media aritmtica, as estimativas da varincia e do desvio padro, e o coeficiente de variao.


Obter tambm o erro padro da mdia.

1.8.

BIBLIOGRAFIA

ANDERSON, R.L. e T.A. Bancroft, 1952. Statistical Theory


in Research. McGraw-Hill, Nova York.
BRIE'GER, F.G., 1955. Curso de Estatstica Analtica, I
Parte, E.S.A. "Luiz d.e Queiroz", Piracicaba.
DIXON, W.J. e F.J. Massey, 1957.
Introduction to Statistical Analysis, 2~ edio, McGraw-Hill, Nova York.
FEDERER, Walter T., 1955. Experimental Design. Macmillan, Nova York.
PIMENTEL GOMES, F., 1978. Iniciao Estatstica,
6~
edio. Livraria Nobel, So Paulo.
PIMENTEL GOMES, F., 1984. A Estatstica Moderna na Pesquisa Agropecuria. POTAFOS, Piracicaba.

2.1.

UNIDADE ExPERit'ENTAL OU PARCELA

Quando se realiza um experimento, preciso


escolher uma unidade para a experimentao, para a colheita
dos dados que devero refletir os efeitos dos tra'tamentos ensaiados. Por exempl_o, quando se estuda a alimenta
ao de vacas leiteiras, a unidade experimental pode ser
urna vaca, que receber urna das raes e cuja produo se
r pesada separadamente, ou ento um grupo de vacas, qe
sero consideradas em conjunto ..
No caso de experimentos de competio de variedades
de cana, por outro lado, a unidade experimental
poder
ser uma nica linha de cana de dez metros de comprimento
ou, corno usual, de 3 a 5 linhas vizinhas, desse tamanho, as quais so colhidas = pesadas em conjunto. Em ex
perimentos com caf, a unidade experimental pode ser um
grupo de 2 a 8 covas ou mesmo uma s.
A unidade experimental, no caso de experimentos com
vegetais tem recebido por vezes o nome de canteiro
ou
talho, mas a denominao de parcela, aplicvel
tambm
no caso de experimentao animal, parece prefervel.

2.2.

PRINCPIOS BSICOS DE ExPERIMENTAO

A experimentao moderna, embora multiforme, obedece a alguns princpios bsicos que so indispensveis
validez das concluses por ventura alcanadas. A
primeira delas e a necessidade imperiosa, indeclinvel
de
repetio. Se tivermos duas variedades de milho,
A e
B, plantadas em duas parcelas da mesma rea, prximas ou
no, o fato de A ter produzido mais do que B
pouco
significa~ pois muitas explicaes, alm do fator variedade, podem justificar os resultados obtidos. Por exemplo, a parcela em. que A foi semeada pode ter melhor so
lo ou dispor de mais gua. Poderemos, porm,
tentando
contornar a situao, semear diversas parcelas com cjt; e
diversas com B e considerar a produo m.dia de cada
variedade - e aqui intervm o princpio da
repetio.

(
(

(
(

(
(

(
(

(
(

(
(
(

(
(
(
(

(
(
(

(
(

(
(

(
(

10

11

Mas este princpio sozinho nau resolve tot.:.tllltcntt~ o problema, pois, se todas as parcelas com A estiverem agru
padas propositalmente num local e as com B noutro, a di=
ferena de fertilidade do solo ou de fartura de gua conti~uar a ser uma explicao possvel, uma hiptese razoavel. Torna-se necessria, pois, a interveno de um
~litro princpio, ~e introduo relativamente recente, que
e o da casualizaao ou aleatorizao. Admitimos, pois,
que temos 4 parcelas com a variedade A e 3 com a varieda
de B, e que a distribuio das variedades pelas parcelas tenha sido feita inteiramente ao acaso. Ento,
se
qualquer parcela com A produziu mais que qualquer parcela com B, o Calculo de Probabilidades nos indicaria
que a probabilidade de isso acontecer por acaso e
p

4! 3!

7!

1.2.3.4 X 1.2.3
1.2.3.4.5.6. 7.

35

e esta concluso e vlida i~dependentemente de qualquer


hiptese alm da casualizaao. Quer isto dizer que o re
sul~ad~ obti~o pode de fato provir de simples acaso, is=
to e, e posslvel que as duas variedades sejam realmente
equivalentes e que a diferena a favor da variedadeApro
venha de circunstncias fortuitas, como a maior fertili=
dade do solo das parcelas com ela semeadas. Mas a probabilidade de isso se dar por simples acaso apenas 1/35.
Logo h~ uma probabilidade de 34/35 de que o resultado ob
tido nao tenha sido casual, isto , de que se deva a um
fator sistemtico, que seria a melhor produtividade
da
variedade A.
Um outro princpio, de uso muito. frequente, mas nao
obrigatrio, o do controle local. Suponhamos que queremos ainda comparar as duas variedades A e B de milho.
Para melhorar a preciso da comparao plantaremos sempre A e B em duas parcelas to semelhantes quanto possvel, bem prximas, que constituiro um bloco. Os
blocos podero ser espalhados por toda a rea em estudo ou
podero ser agrupados. Poder haver ou no grande varia
o de fertilidade ou de outros fatores de um bloco par
outro, isto no importa. O que importa que
cada
bloco seja to uniforme quanto possvel. Em outras pal~
vras, a variao dentro dos blocos deve s.er a menor possvel, ao passo. que a variao entre blocos pode ser gran
de ou pequena, vontade. Este tipo de delineamento,que

talvez o mais importante e de uso mais generalizado,


conhecido por blocos ao acaso ou blocos
casualizados.
Quando no h controle local, mas apenas repetio e casualizao, temos o que se chama um experimento inteiramente ao acaso, ou inteiramente casualizado.
Num experimento inteiramente casualizado com 4 tratamentos, cada um repetido 5 vezes, por exemplo, teramos 4 - 1 = 3 graus de liberdade (G.L.) para tratamentos
e 5 x 4 - 1 = 19 graus de liberdade ao todo. A anli
se da varincia obedeceria seguinte decomposio para
os graus de liberdade:
Causa da variaao

G.L.

Tratamentos
Resduo ou Erro

16

Total

19

O numero de graus de liberdade para o resduo obtido por diferena: 19 - 3 = 16.


Suponhamos agora que os tratamentos sao
agrupados
em blocos, cada um encerrando todos os tratamentos. Temos ento 5 blocos, de onde se segue o esquema seguinte
para a anlise da varincia.
Causa de variao

G.L.

Blocos
Tratamentos
Resduo ou Erro

12

Total

19

4
3

O controle local pode ser levado mais longe, o

que
delineamentos os tratamentos so postos simultaneamente em
linhas e colunas. Cada linha inclui todos os tratamentos, e o mesmo acontece com cada coluna. Devemos
ter,
necessariamente, o nmero de linhas igual ao de
trata ...
mentos e tambm igual ao de colunas. Por exemp}o,
num
quadrado latino com 5 linhas e 5 colunas (5 x 5), temos
5 tratamentos e o esquema da anlise e
o
seguinte:

feito, por exemplo, nos quadrados latinos. Nestes

12

13

(
Causa de variao

(
(
(

(
(
(

(
(
(
(

(
(

(
(

(
(

G.L.

Linhas
Colunas
Tratamentos
Resduo

4
12

Total

24

a.

4
4

Que os diversos cicLtos sao aditivos, como se ve no


modelo matemtico adotado e no, por exemplo, multi
plicativos, como seria o caso num modelo
y ..

LJ

_
O controle local conduz sempre a uma diminuio do
numero de graus de liberdade para o resduo o que um
mal. Quando, porm, h uma diminuio grande da varincia residual, como em geral acontece, ganha-se em precisao. Isto levou os experimentadores a aumentar cada vez
m~is a aplicao do controle local, atravs da introduao dos delineamentos em parcelas subdivididas
("split
p 1 ot " , em I ng 1es ) , em blocos incompletos
equilibrados,
em reticulados ("lattices"), em blocos incompletos parcialmente equilibrados, etc. Em muitos casos
porem
o abuso do controle local, principalmente nestes delinea'
ment~s mais complexos, conduz 3: tamanha perda de
graus
d~ l1.berdade_e a tal compl~caao no~ clculos que o expe
r1.m~ntador nao raro chega a conclusao de que dever"a pre
fer1.velmente ter usado um delineamento mais simples. Is=
t~ particularmente importante quando o experimentador
nao tem facilidades de computao eletrnica, nem acess o
aos conhecimentos especializados de um matemtico- estatstico competente, que o acuda nos casos mais difceis.

Que os erros ou de~vio~ eij sao independentes,


onde resulta que nao sao correlacionados.

c.

Que os erros eij tm todos a mesma varincia 2 2

d.

Que os erros eij tm distribuio norm~.l.

(
(
(

(
(

(
(

(
(

ExiGNCIAS 00 ~DELO MATEMATICO

Toda analise da varincia de um experimento pressu


poe um modelo matemtico e a aceitao de algumas hip=
teses bsicas. Se tomarmos como exemplo um experimento
em blocos ao acaso, teremos como modelo matemtico

b. +e .. ,
l.J
L
J
l.J
onde Yij o valor observado relativo parcela que recebeu o tratamento i no bloco j; m a mdia geral;
ti
med~ o efeito_do trat~en~o_i; bj mede o ef=ito do blo
co J; e eij e a contrl.]:lul.ao do acaso, isto e, a parte
da variao devida a fatores no controlados. Na anlise admitimos as seguintes hipteses:

de

Estas hipteses parecem muito restritivas, mas nao


so tanto assim, pois em geral no h grande importncia
em que se verifiquem apenas aproximadamente. Por exemplo, os testes mais e~ uso (t e F ou v) no se
alteram
muito se a distribuiao for apenas aproximadamente normal, ou mesmo que a distribuio se afaste bastante
da
normalidade. A adi tividade tem importncia tal vez maior,
mas em geral se verifica. Quando, porem, isto no se da,
somos obrigados a fazer transformaes das
variveis,
aplicando, por exemplo, logaritmos. O uso de transformaes tambm permite, em geral, contornar as
dificuldades que surgem quando a distribuio dos erros eij se
afasta muito da normalidade. Se eles tm distribuio
binomial, por exemplo, usamos a transformao
z. .
l.J

2.3.

ti bJ e.
l.J

b.

(
(

=m

are sen

;y-:-:
l.J

que pode ser comodamente aplicada com o auxlio das tabe


las de SNEDECOR (1967), e se a distribuio de
Poisson, podemos usar a transformao

ry.:
l.J

z..

~J

ou ainda

y .. = m + t. +

z. .
~J

ly. . +
l.J

c. 50

que e prefervel quando se incluem nmeros inferiores


15.

14

15

2.4. UM

ExEMPLO DE APLICAO 00 rbDELO

r'1ArEfv1Anco

Num ensaio inteiramente casualizado o modelo materna


tico e

Yij

=m

ti + eij ,

qnde Yij e o valor observado relativo parcela j que re


cebeu o tratamento i, m e a mdia geral; ti mede o efei-=
to do tratamento i, e eij a contEibuio do acaso.
Facilita muito a boa compreensao do assunto considerar um exemplo terico no qual, conhecidos os_ termos
do segundo membro do modelo, obtemos as observaoes. Tomemo's, pois, o caso de um experimento bem simples,
inteiramente casualizado, com 3 tratamentos e duas repeties para cada um deles. Os tratamentos podem ser, por
exemplo, trs hbridos de milho. Tomemos m = 4200 kg/ha
como
mdia geral da produo e sejam os efeitos de tra
tamentos os seguintes:

(
(
(

(
(
(

(
(

t1

+600 kg/ha;

t2

= -500

kg/ha;

+600

500 - 100

o.

As mdias dos tratamentos m1.

ml
m2
m3

(
(

{
(
(

4200 + 600
5oo
4200
4200
100

eu = +70
e12 = -80

e21
e2 2

ii

4800 kg/ha ,
3700 kg/ha ,
4100 kg/ha .

+30
+60

e31
e32

(
(

Yll
Yl2
!

YLl

= 4216

3760
4060
4155

[4870 + 4720 + . + 4ls5]


kg/ha.

As mdias estimadas para tralamentos sao:


1
+ 4720]
4795 kg/ha
ml
2 [4870
1 [3730 + 3760]
3745 kg/ha
m2
7
1
m3
[ 4060 + .nss]
4 1.03 kg/ha

-100 kg/ha.

m + ti serao:

Os valores observados seriam entao:


4200 + 600 + 70
4200 + 600
80
4200
500 + 30

+ 60
100
40
100 + 55

Para obter os valores observados devemos,


porem,
introduzir erros ou desvios casuais. Tais erros
podem
ser obtidos de tabelas especiais, como a de DIXON e MASSEY (1957). Sejam os seguintes os erros obtidos, reiativos a uma distribuio normal com a = 60:

t3

suo

Na prtica. porm, no conhecemos os valores


dos
termos do segundo membro, isto , da mdia geral m, dos
efeitos de tratamentos ti, nem dos erros eij. pois
so
de no.s so conhecimento apenas os valores observados Yij .
Podemos, porm, estimar a media geral e os efeitos
de
tratamentos, e, pois, as mdias de tratamentos.
Quanto
aos erros individuais, no podemos nem sequer
estimlos, pois temos de nos conte~tar com uma estimativa s do
valor exato o do desvio padrao.
A estimativa da mdia geral seria:

~ usual tomar os efeitos de tratamentos de tal sorte que sua soma algbrica seja nula. ~ o que
ac0ntece
nesse caso, pois temos:

4200
4200
4200

4870
4720
3730

-40
+55

Por sua vez, o desvio padro, estimado por


mtodo
que veremos no captulo 3, nos d s = 73,5 kg / ha, com 3
graus de liberdade.

2.5.

ExPERIMENTAO INTENSIVA E ExPERIMENTAO ExTENSIVA

Feito um experimento em um .lugar, com todas as suas


parcelas agrupadas numa pequena rea, seu~ resultados a
rigor s so vlidos para a rea em questao e para o ~no
agrcola em que se colherem os dados. Tais
limitaoes
so muito graves e tiram a maior parte do valor das concluses obtidas. Para conseguir concluses mais gerais
pode-se comear por utilizar bloco~, completos ou
nO,
isto , cada um com todos ou s com alguns dos_tratamen tos, e distribuir esses blocos et tod a regiao para a
qual se procuram obter conclusoes. Se se tratar de uma
regio pequena (uma fazenda, por exemplo), 6 ou 7 blocos

(
(
(

(
(
(

(
(
(

(
(
(

(
(

(
(
(

(
(
(

(
(
(

16

17

p~>dl'ruo ser suficientes.

Se, ao contrrio,
l'stivermo s
interessados numa regio mais vasta (a faixa canavieira
paulista, por exemplo), ser prefervel fazer numerosos
experimentos distintos, relativamente simples, cada
um
vlido para uma pequena rea, pela qual se
distribuem
os blocos.
Fazer dois ou trs experimentos compactos e deles
tirar concluses para reas muitssimo maiores e perigoso, mesmo que eles se limitem a um determinado tipo
de
solo, pois a experincia nos mostra que reas relativamente prximas, de solos de mesmo tipo, no raro reagem
de maneira bem diferente.
No que se refere a experimentos com animais, especialmente quando supridos de raes suplementares, boas
aguadas e abrigos, a influncia do solo e do clima e mui
to menor, de sorte que as concluses obtidas sofrem menos limitaes de espao e de. tempo.
Por outro lado as condies de trabalho nas fazendas tm em geral caractersticas diferentes das que prevalecem nas estaes experimentais. Naquelas, as variedades ou linhagens cultivadas e os espaamentos podemser
distintos, a quantidade de sementes por hectare e
geralmente menor, os tratos culturais, o combate s pragas
e molstias so quase sempre menos cuidadosos, as adubaes e a defesa contra eroso costumam ser menos intensivas. Da decorre que resultados obtidos em ensaiosfei
tos em estaes experimentais frequentemente no so v=
lidos para as propriedades particulares da regio, como
tem demonstrado a experincia
de vrios pases.
Os experimentos-chave, de cunho nitidamente cientfico, concentrados nas estaes experimentais, so objeto da experimentao intensiva, que pesquisa novas possi
bilidades. J a experimentao extensiva encara os ex=
perimentos nas fazendas, nas condies da prtica, essen
ciais pa:! que se julgue adequadamente a aplicabilidade
e conven1encia econmica dos novos metodos indicados pela experimentao intensiva.

(
(
(

2,6,

BIBLIOGRAFIA

1\NDEHSON, R.L. e T.A. Bam:roft, 1952. Statistical Theory


in Research. ~1cCraw-lli 11, Nova York.

ARRUDA, H. Vaz de, 1959. Contribuiao para o Estudo da


Adubao Mineral do Milho nas Terras Roxas do Municpio de Ribeiro Preto (tese). Piracicaba ..
BARTLETT, M.-S., 1947. The Use of Transformatwns. Biometrics 3: 39-52.
CA11POS, H., 1984. Estatstica Aplicada Experimentao
com Cana-de-acar. FEALQ, Piracicaba.
COCHRAN, W.G. e ~ertrude M. Cox, 1957. Experimental Desigfi, 2~ edao. John Wiley, Nova York.
DIXON, W.J. e F.J. Massey, 19~7. Introduc~ion to
Statistical Analysis. 2~ ediao. MacGraw-Hlll. NovaYork.
FEDERER, Walter T., 1955. Experimental Desigo. Macroillan, Nova York.
FISHER, R.A., 1951. The Design of Experimenta, 69 edio. Hafner, Nova York.
HOPP, H. , 1954. A Guide 'to Extensive Testing on Farms,
4 partes. USDA, Washington.
QUENOUILLE, M. H., 1953.
The Design and Analysis
of
Experiment. Charles Griffin, Londres.
SILVEIRA NETO, S., O. Nakano, D. Barbin e N.A. Villa Nova, 1976. Manual de Ecologia dos Insetos,
captulo
6. Ed. Agronmica Ceres.
SNEDECOR, G.W. e W.G. Cochran, 1967. Statistical
Methods, 6~ edio. Iowa State College Press, Ames,
Iowa.
THONI, H., 1967. Transformations of Variables Used 1n
the Analysis of Experimental and Observational Data.
A Review. Iowa State Uni v. , Ames, Iowa.

. ---- - - - - - --

----

18
19

(
(

(
(
(

(
(

3. OS TESTES OU PROVAS DE SIGNIFICANCIA


3.1. Os TESTES F E u

teste bsico para a anlis e da varlan cia e o teste z de R.A. Fishe r, hoje geralm ente subst itudo
pelos
seus equiv alente s F de G.W. Snedeco~v 2 de A. Hald;
ou
u, de F.G. Brieg er, todos eles tendo em vista
compa rar
vari ncias ou os respe ctivos desvio s padr es. Se s 2
e s2
so as estim ativas das varin cias a compa rar, enth

(
F

(
(

(
(

(
(

(
(
(

logo

. Note- se que u e uma das forma s da letra grega


teta
mins cula.
Todas as tabela s de F public adas ate o momen to
f oram feitas supo~do sf > s 2 , de sorte que os valor
es de
F das tabela s sao sempr e maior es do que um. Para
o
v,
porem , existe m h muito s anos tabela s para v > l,
como
para v < 1. E agora ns public amos tambm tabela s
para
F< 1 (tabel as 3 e 4).
. Supon hamos , por exemp lo, a seguin te anlis e da var~ncia d~um experi mento com 4 tratam entos e 6
repet ioes.

Causa de varia ao

G.L.

(
(

Tratam entos
Resdu o

Total

S.Q.

Q.M.

3
20

32,64
28,80

10,88
1,44

23

61,44

Desvi o padro
3,30
1,20

(
(
(
(

Admit indo-s e a hipte se de nulida de, isto , supon


do-se que os tratam entos sejam todos equiv alente s,
o qua
drado mdio (Q.M.) para os tratam entos uma estim
ativa
da vari ncia cr 2 , da mesma forma que o quadra do mdio
referen te ao resdu o. Sendo estim ativas difere ntes do
mes-

= 7,56

As tabela s de F (de nmer os l e 2) do o valor 3,10


para o nvel de Si. de proba bilida de, e 4,94 para o
nvel
de 1%. Quer isto dizer que h uma proba bilida de de
95%
de obter , por simple s acaso , um valor de F igual ou
in.
ferior a 3 10 e ha proba bilida de de 5% de obter os
valo......f.'
'
'res de F super iores a 3,10. Analo gamen te, e- de 1%
a pro:babili dade de que o valor de F exceda 4,94 e de 99%
a
proba bilida de de que o F no_e~ceda 4,94. No c~so ~er~e
~
te o valor obtigo excede o l1m1te de 1% e se d1z s1gn1
f~
cativo ao nvel de 1%. Isto quer dizer que h uma proba
bilida de infer ior a li. de que o valor de F observ ado
tenha ocorri do por acaso.
Em vez do teste F pod8re mo9 usar o u:

3,30

1,20

2,75 .

Buscam os ag o ra na tabela doJS limite s unila t e rais de


u os valore s corres ponde ntes aos nv~is de 5% e 1%
de
proba bilida de e r efer entes a 3 e 20 graus de l iberda
de.
Esses valore s so:
l%

= 10,88
l, 4/~

5%

mo parm etro, elas_n ao d:veri am diflr ir a nao ser


por
acaso. Para compa ra-las e que usamo s o teste F.
Tera mos:

1,76
2,22

Como o valor obtido excede o limite de 1%


(2,22)
dizemo s que signif icativ o ao nvel de 1%.
Na analis e da vari ncia quase sempre espera mos que
todos os quadra d os mdio s obti9o s sejam iguais ou
superi~res ao que se obt~m do resdu o. Nestas condi
~es,
s
se justif ica o uso das tabela s de liroi.f.~~- -~-fl.}~~te_r:L
s de
u e de F. Quand o, porm , no sabemo s "a prior i" se
o de~
vio ' padro do numer ador maior ou menor que o do
denomi_
nadar ento devem os utiliz ar as tabela s de limite s
bila
terai~, de u ou de F. Estasitua~o . ,~ V..e:z~s .~cc;>rr_~
na
analis e de varin cia quand o. ao contr rio ~o . que _?_
e esp~
ra, o qudra do mdio (Q.M: } reTat iv_o_ a fratam ente>_f>
-~- . t:'l:e
nor do que o quadra do mdi resi:d uL Se ii exemp lo
aci-

;; ,

(
(
(
(

21

20

ma foss e 0,090 o quadrado


mos:

(
(

(
(

(
(

(
(
(

(
(
(
(

(
(

(
(
(

0,090
1,44

para tratamentos, t e rra-

0,062

5% ........... 0,071 ,
1% ........... o, 023 .
O valor de F obtido, sendo inferior ao limite
de
5%, mas superior ao de 1%, diz-se significativo ao nv e l
de 5%. Um fato como este, embora no deva ser esperado,
em geral, ocorre s vezes e, no raro,
sintoma de defeitos na anlise da varincia. Uma das explicaes possveis e a presena de erros -grosseiros no clculo
das
somas de quadrados ou dos nmeros de graus de liberdade.
Outra explicao bem comum e a de que o resduo
inclu a
alguma importante causa de variao que f oi controlada,
mas no foi isolada na anlise da varincia. A ex istncia de correlao que no tenha sido levada em conLa tam
bem e urna explicao dessa anomalia. Por exemplo, num ex
perimento em parcelas subdivididas geralmente as s u bp a r~
celas de cada parcela so positivamente correlaci onadas,
o que nos leva a isolar dois resduos distintos na anli
se da varincia (veja-se o captulo 9). Se na anli s e da
varincia os dois resduos forem postos juntos, os componentes a serem comparados com o quadrado mdio do r esduo (b) podero tornar-se significativamente inf e ri ores ao quadrado mdio residual, erroneamente estimad o .
s vezes, porem, nenhuma destas explicaes serve ,
mas isto no deve assustar ningum, porque, do pont o de
vista do Clculo de Probabilidades, o caso, embora pouc o
provvel, nao e impossvel, logo dever ocorrer uma vez
ou ou i: r a.

(
(
(
(
(

3.2. o TESTE

. o cons c ienciosa t e mos, porem, os seguintes: 1)


As
ca
comparaes feitas pelo teste t devem ser esco lh"d
1 as antes de serem examinado~ os dados;
Podem-se fazer. no
mximo tantas comparaoes quantos sao os graus de 11berdade para tratamentos, e os contrastes devem ser ortogonais. Mas o que devemos entende~ por contraste e ~
que
so contrastes ortogonais? Se m1 , mz, m3 e m4 sao
':s
verdadeiras mdias dos quatro tratai!lentos de um exper1niento,

22

e aconselhar-se-ia o uso dos limites bilaterais (tabelas


3 e 4), que so, no caso de F < l, com 3 e 20 graus
de
liberdade:

(
(

m~dio

t:

Outro teste clssico o testto> t, quto> podto> ser usado para comparar medias. Como requisitos para a sua apli_

Y1 = m1 - mz ,
Y2 = m1 + m2 + m3 - 3 m4 ,
so exemplos de contrastes. O que caracteriza um contra_s
te que se as mdias que nele ocorrem
forem
todas
iguais, o contraste dever ser nulo.
De fato,
com
m1 = mz = m3 = m4
M, temos:
Y1
M - M= O
Yz
M + M + M - 3M = O
Para que isto acontea, a soma algbrica dos coeficientes deve ser nula.
Consideremos agora os contrastes

mz + O.m 3
+ ffi2 - 2 ffi 3
Os coeficientes do primei ro contraste sao:
1

e os do segundo sao:

-1

-2
1
1
Se multiplicarmos o primeiro coeficiente de Y1 pelo
primeiro de Y 2 , e assim por diante, obteremos:
1

-1

e a soma destes nmeros zero. Dizemos ento que os con


trastes y 1 e Yz so ortogonais. Na anlise da var1ancia
os contrastes ortogonais so importantssimos. Do pon~o
de vista prtico, a ortoganalidade indica que a varia~o
de um contraste inteiramente independente da variaao
de outro qualquer que lhe seja or.togonal.
Num experimento com quatro medias, m1 , mz, m3, m4,
h trs graus de liberdade para tratamentos e
podemos,
'. ento, obter trs contrastes ortogonais, como os seguiu-

(
(

(
(

22

23
Y1
Y2
Y3

m1 - m2 ,
m1 + m2 - 2m3 ,
m1 + m2 + m3 - 3m 4
Mas os trs seguintes tambm serviriam:

Yf
Y2

Y~

(
(

(
(

cientes sao nu los. Se o numero de repetioes f o r se1s


ra todos os tratamentos, teremos:

e se 52 = 1,44, com 20 graus de liberdade, como na anali


se que vimos na seao 3.1, ento

Jm1

2m2 - m3 ,
m2
2m3 + m4 :
3ml + Sm2
m3 - 7m 4 .

Os valores ml, m2 , m3 , m4 , verdadeiras mdias dos


t:atamentos e~ es:udo, no so conhecidos. Conhecemos,po
:em,~suas e~t1mat1vas, geralmente indicadas por rol,
m2~
m?, m4, ass1m como uma estimativas do desvio padro reS1dual, que veremos adiante como .calcular. Queremos agora provar os contrastes Y1 , Y2 , Y3 . Como faz-lo?. Tomemos o contraste Y1 para comear. Devemos obter primeiro
uma estimativa para Y1 e outra para o seu erro
padro.
Temos:
m2

Se as estimativas das medias forem

26,0
24,8

(
(

(
(

= 26,0 - 24,8

yl

onde o primeiro t:atamento !em r 1 repeties, o segundo


r2, e assim por d1ante, entao a estimativa da varincia
da estimativa ? de Y
(3.3.1)
r2

(
(
(

+ .. +

rcn~

<?)

Para Y1 temos cl

= 1,

v C)
c 2 ... -1, e os outros

coefi-

1,20

{f-

0,693 .

Provemos agora o contraste pelo teste t. O que geralmente se procura verificar se esse contraste difere
de zero, o que se consegue da seguinte forma. Calcula
-se:
1,20
= 1,73 .
0,693
Com 20 graus de liberdade,---QI_) limites de t
(tabela
9) so: para o nvel de 5%, 2,09,)e para o de 1%, 2,84.
Como o valor de t obtido neln-sequer atinge o limite
de
5%, diz-se que no significativo e conclui-se que
o
contraste Y1 provavelmente no difere de zero, isto
e,
no rejeitamos a hiptese de nulidade, a hiptese de que
m1 e m2 sejam iguais. Note-se qve no fica provado
que
essas medias so iguais, mas apenas que no temos motivo
para afirmar que so diferentes, o que uma afirmativa
bem mais fraca.
Vejamos agora o caso do contraste Y2 . Temos

'1(?2)
s(?2)
t

2
onde s o quadrado mdio residual, e como a varincia
o quadrado do erro padro, este sera:
s

s (? 1)

?2

clml + c2m2 + + Cnffiu'

(
(

1,2 .

Qual sera seu erro padro?


Dado um contraste

22,8
24,0

ficar

p~

- + m2 - 2 m3
ml
26,0 + 24,8- 2 X 22,8
1
(
4
(-- + - + b) s2 = s2

6
1,20
s = 11,44
5,2 1,20

5,2

'

4,33

Este valor excede os limites de t para 5% e 1%, dados acima. Diremos, pois, que esse contraste difere significativamente de zero, o que equivale, neste caso,
a
dizer que a mdia dos dois primeiros tratamentos difere
da mdia do terceiro, pois

------.-:F __.,_

~;:;;;:;;;;;;;::;;:;:~~---~
. ~.. .~~
- .".~:"!iH~.

~-~.l

(
(

(
(

(
(
(
(

(
(

-~_,

_.......,.~:-~~~':-'!'?:'..'~~:~~-':~~::~tJ ~~:~.

24

25

Anal ogam ente testa remo s o cont raste Y


3
Feit a a esco lha dos cont raste s a testa r
ante s
de
exam inar os dado s, nada h a obje tar cont
ra o uso do tes
te t. Mas no lci to, por exem plo,
comp arar por esse
proc esso a maio r medi a com a meno r dela
s, ou as
duas
maio res com a meno r. Isto pode ser feito
, porem , pelo s
teste s de Tuke y, de Dunc an e de Sche ffe,
mais rece ntes ,
que passa mos a expo r.
Note -se que no caso part icul ar de um cont
raste entre duas medi as apen as, tal como yl = ml
- mz, temo s:
ml - mz
t

(
(

(
(
(
(

(
(

(
(

(
(

(
(

onde a prim eira medi a se supo e obti da


com rl repe ti es,
e a segu nda com rz. Mas o test e t
e realm ente mais geral, como vimo s acim a.

3.3. oTESTE DE TUKEY

3,96

:J_ _ _ _ _ _ _ _ _

do

Y = m1 - mu
,
cuja estim ativa exce der o valo r f:..= l, 94
sera sign ifica ti.

ao nve l de 5% de prob abili dade . Tal acon


tece com a
vo
- .
difer ena entr e a maio r e a menor das medi
as
ac h a d as,
pois ent o
y

mos:

= ml

m3

= 26,0 - 22,8 = 3,2 .

Se adota rmos o nve l de 1% de prob abili


dade ,
6 = 5,02

1,20

tere

= 2,46

e aque le mesm9 cont raste sera aind a sign


ifica tivo nest e
nve l.
_
No caso de serem dife rent es os nume ras
de
rep:t i-::
oes o teste de Tuke y pode ainda ser usad
o, mas enta o e
apen as apro xima do. Temos ness e caso
6 = q V(l/ 2 ) V (Y)

O teste de Tuke y, base ado na ampl itude


tota l estu dent izad a, ("stu dent ized rang e", em Ingl
s) pode ser utilizad o para comp arar todo e qual quer cont
raste entr edua s
medi as de trata men tos. No caso . que estam
os disc utin do,
em que h 4 trata men tos, exist em 6 cont
raste s dist into s
que podem ser estu dado s. O test e exat
o e de uso muit o
simp les quan do o nme ro de repe ti es
o mesmo para todos os trata men tos, o que admi tirem os de
inc io.
Comeamos por calc ular o valo r 6 = q s//;
, onde q
e o valo r da amp litud e tota l estu dent izad
a ao nve l
de
5% ou de 1% de prob abili dade ; s a estim
ativa do desv io
padr o resid ual, e r e o nme ro de repe
ti es, supo sto o
mesmo para todo s os trata men tos. No caso
vert ente temo s
n = 4 trata men tos, n' = 20 grau s de liber
dade para o re
sdu o, e o valo r q ao nve l de 5% de prob
abili dade
~
pois , 3,96 (ver tabe la 10).
Temos ent o

(
._{_

Enta o todo contra~te e ntre dua~ mGd ias,


istu e,

16

(
(

tipo

~ 20
16

.
Se, por exem plo,
tiv esse 6 repe tioe s e mz apenas 5, ent o fica ria, ao1 nve l de 5% de
prob abili dade :

A
w

--

_) ,

96v
' ~
2 (~
6

l
+5)( 1,44 )

= 2 ,03.

A dife ren a obse rv ada, Y = 3,2 cont inua


ser
ria a
si gnif icat iva.
_
.
o teste de Tuke y pode s er adap tado tam~em a~ JUlg ament o de cont raste s mais comp licad os, mas
nao cuida remo s
dist o , pois ent o o test e de Sche ffe pare
ce ser, em
geral, mais conv enie nte.
E: inte ress ante que, muit o raram ente ,
pode
acon te
cer que, embo ra o test e F no tenh a sido
s~gnificativona
anl ise da vari nci a, obte nha- se um ou
ma1 s
cont raste s
sign ifica tivo s pelo test e de :u~ey. Tal
ocor :e,
por
exem plo, no caso dado pela anal ise de . vari
~nc;a . e pela s
medi as segu intes , obt~as de um ensa iO
(flct~CiO) COm 4
trata men tos e 6 repe tio es.

1,94 .

_ _ _ _ _ __! __ _

, /

~--_____

::.

-~

(
(

26

)l:

27

Causa de . variaao

G.L.

S.Q.

Q.M.

Tratamentos
Resduo

3
20

54,24
120,00

18,08
6,00

3,01

Total

23

174,24

(
(

(
(

A temos F = 3,01, valor que apenas se aproxima do


correspondente ao nvel de 5% de probabilidade
(3,10).
Sendo as mdias

(
(

m2 =

26,0
24,2

23,8
m~ = 22,o

como obtemos ao nvel de 5%' s

/':,.

m{ -

t.

c
(

(
(

/6

3,96 '

oTESTE DE DUNCAN

DUNCAN (1955) introduziu um novo teste ou prova para comparao de medias, ao qual chegou depois de
uma
tentativa anterior. Sua aplicao bem mais trabalhosa do que a do teste de Tukey, mas se chega a resultados
mais detalhados e se discrimina com mais facilidade entre os tratamentos, isto , o teste de Duncan indica resultados significativos em casos em que o teste de Tukey
no permite obter significao estatstica. Tal como o
teste de Tukey, o de Duncan exige, para ser exato, que

(
(
(

(
(

(
(

l67O

verifica-se que ?
m~
4,0 excede esse limite e
, pois, significativo ao nvel de 5% pelo teste de Tukey. Por outro lado, pode ocorrer que o teste F
seja
significativo, sem que nenhuma das diferenas entre medias seja significativa pelo teste de Tukey.
Fatos semelhantes ocorrem com o teste de Duncan, da
do a seguir, que tambm no concorda inteiramente com o
teste F. Tais discordncias se devem aceitao de hipteses diferentes nas dedues tericas, e so, alis,
de pouca importncia pratica.

3.4.

3,96

f.

todos os tratamentos tenham o mesmo numero de repetioes .


Para o uso do teste necessitamos tabelas espec~a~s
(tabelas 12 e 13), uma para o nvel de 5% de probabilid~
d e, outra para o de 1%.
.
Voltando ao exemplo que estamos discut~ndo, comeacalcular uma amplitude total mnima significatimos por
"
~ )
("shortest significant range , em Ingles pelo teste
va
.
d s
de Duncan para o contraste entre a ma~or e a menor
a
medias:

rr

onde r e o nmero de repeties, s o desvio padro e z


tirado das tabelas, para o nmero de m~ias ordenadas
abrangidas pelo contraste em estudo e o numero de graus
de liberdade do resduo. Logo) ao nvel de 5% de probabilidade, temos:
D4

= 3,18

1,20

/6

(3,18) (0,49)

1,56 '

pois a comparao entre a maior e a menor das 4


mdias
abrange todas as mdids do ensaio. Para comparar a segunda colocada, logo abaixo da maior, com a menor de todas, teremos um contraste que abrange 3 mdias:
D3

= 3,10

1,20

(3,10) (0,49)

1,52

16

Este valor servir para testar tambm o


contraste
entre a m~ior mdia e a penltima por ordem de grandeza,
isto entre m1 e m4.
Finalmenie, para duas mdias consecutivas temos:
02

= 2,95

1,20

= 2,95

0,49 = 1,45 ,

16

e este resultado corresponde ao que nos daria o teste t.


As medias que no se podem distinguir por~este teste podem ser reunidas por uma barra, como se ve a
seguir.
m1

= 26,0

m2 = 24,8

----- ----- -=====----------------

m3 "' 22,8

'
(
(
(

(
(

(
(
(
(
(

(
(
(

c
(

(
(
(

(
(

(
(
(

(
,{

28
29

Sempre que houver uma barra unindo duas m~dias~elas


nao diferem significa tivamen te. Assim, m no signifi
1
cativame nte diferent e de m2, pois ml - m2 = 1,2 nao exce=de 1,45. Mas m1 significa tivamen te superior
a
m4 ,
pois m1 - m4 = 2,0, que excede D = 1,52.
3
Em vez de barras tambm usual e at mais prtico
usar letras, assim:
~1

m2
m4
m3

26,0
24,8
24,0
22,8

a
a
b
b

c
c

Quando a mesma letra aparece com as duas mdias, a


diferen a entre elas no signific ativa; quando no h
nenhuma letra comum s duas mdias, sabe-se que a diferena alcanou significa o estatst ica. No
diferem
significa tivamen te entre si, portanto , as mdias m4 em3,
pois a ambas as estimati vas m4 = 24,0 e ro = 22,8
cor3
responde a mesma letra b. Ao contrri o, signific ativa
a diferen a entre m1 e m4 , pois nenhuma letra comum s
duas estimati vas ro 1 = 26,0 e ro 4 = 24,0.
Tanto o mtodo das barras como o das letras h0je se
usam comument e tambm para resumir o resultad o da comparao de mdias de tratamen tos por outros critrio s, tais
como o teste de Tukey.
Note-se que, sempre que, num gru po de mdias,
a
maior no difere estatisti camente da menor, pelo
teste
de Duncan, no se admi~e diferen a signific ativa,
pelo
mesmo teste, entre mdias intermed irias. Por exemplo,
sendo s = 10,0, com 20 graus de liberdad e, r = 6, consideremos as mdias:
32,8
~1
32,6
m2
20,4
~3
20,1
m4
20,0
ms

inferior a 13 3. No entanto, temos m2 - m3 = 12,2, valor


que excede D2'= 12,0. Mas este resultad o n~o
vlid~,
ela regra acima, de sorte que podemos ace1tar como nao
~ignificativas, p:l~ teste de Duncan, todas as diferen as entre essas med1as.
Quando o nmero de mdias avultado (superio r alO,
por exemplo) a aplica o do teste de Duncan se torna mui
to trabalho sa.
No caso de serem diferent es os nmeros de
repeties dos tratamen tos, podemos usar uma generali zao semelhante que se fez para o teste de Tukey, tomando

D = z I (l/2)~(Y)

3.5.

oTESTE DE SCHEFF

O teste de Scheff s deve ser aplicado quando


o
teste F (ou u) tiver dado resultad o signific ativo. Se o
valor de F obtido no for signific ativo, nenhum_ contraste poder ser signific ativo, e, pois, a apl~caao do te~
te de Scheff no se justific a. Quando, porem, o
va l or
de F obtido signific ativo, pelo menos um dos contrastes entre tratamen tos ser signific ativo. Mas o contraste em questo pode ser muito c omplicad o ou sem int e resse
pratico. E pode ainda acontece r que nenhum dos contr a stes entre duas mdias apenas seja signific ativo.
O teste de Scheff de uso bem mais geral que
os
de Tukey e de Duncan e permite julgar qualquer contraste. Para isso calculam os

s = I (n-1)

A temos:

n5 =

13,3 ,
12,0 ,

D2 =
de sorti..! qui..! nao signific ativa a diferen a
cntre
a
mior e a menor das medias, pois rol - ros = 12,8, valor

(1) F

onde Y o contrast e em questo, n o nmero de tratamentos e F o valor da tabela ao nvel de 57. ou de 1%,
correspo ndente aos nmeros de graus de liberdad e
para
tratamen tos e para o resduo. Se as mdias de tratamen tos forem independ entes (no correlac ionadas) e

= c1m1 + c2m2 + + Cnffiu

ento teremos

., -c-:"'w=>ii'iiiiiiiiiiii""~~
-.~;:7.;E;_..;',z;;Rw~
-. ~
-.:ss""
.,..
,. .,..,..,......,."!""~!!!""'~...,,..,
__

4 ~-.~ ~""'! - ~
..,,,..

L.<. "''!r~'!''"~~~~~~ ......:~"'"!!'~_.~ ........,._..,~--::.-:::''-t'f'-'::~~~~-c:>c'"=~

(
(
r'

30

como j vimos , onde ri e o numero de repeti es do


tamen to i, logo

31

(
(

= ';

v(n-1)

tra-

c2
c2 )
2
n
---r;+ ... +-r- F.
n

No exemp lo que discut imos em 3.1


mos o contr aste

e 3.2, se

consi derar -

(
(

(
(
(

c
(
--(
(
(

(
(

teremo s

3(26,0 ) - 24,8 - 22,8- 24,0


e, ao nvel de 5%, F
3, 10, logo
S

l. 20 v3-'---=-9-~l---1~1--(6 + 6 + 6 + 6) 3,10

6,4 )

5,17 .

A estim ativa obtida (6,4) exced e o valor de


S calcu
lado, logo o contr aste ser signi ficati vo ao nvel
de
5%. Para o nvel de 1% ja no
signi ficati vo, pois entao obtem os

9~

1,20v 3(2.+ .!:.+. !:.+.! :.) 4


6,53 .
6
6
6
6
'
Note- se que um contr aste pode ser signi ficati vo quan

do julgad o pelo teste de t, sem o ser quando utiliz armos


o teste de Tukey , o de Dunca n ou o de Schef f. Isto
se
deve ao fato de que estes testes permit em testar
qualquer contr aste que intere sse, ao passo que o teste
t
s
se ~ode_apli~ar justif icada mente nas condi es expos
tas
atras , ~sto e, a contr astes previa mente escolh idos
or. e em numer o nao
togona~s
'
super ior ao dos graus de liber
dade para tratam entos . Entre tanto, pode- se tolera r
0 uso
do teste t para a!gun s c~ntrastes, mesmo no ortog onais
,
desde que o seu numer o nao exceda o nmero de graus
de
liberd ade para tratam entos .
.
=

(
(

(
(

3,6, 0 TESTE DE BoNFERRONI


O teste de Bonfe rroni um aperfe ioam ento do teste

t. Com efeito , recome ndamo s que s se apliqu e


o teste

a contr astes escolh idos previa mente , antes de serem


examinado s os dados , e que tais contr astes, em numero
no
mximo igual ao de graus de liberd ade para tratam entos
,
devem ser ortog onais .
Sabe- se, porm , que,me smo com essas restri es,
a
prova de t, aplica da a dois ou mais contra stes num mesmo
ensaio no e exata . Com efeito , no exemp lo discu tido
em
3.2, se foi de 5% o nvel de signif :icnc ia adotad o
para
cada um dos trs contr astes, a proba bilida de de que
um,
pelo menos , seja signi ficati vo, pot simple s acaso
,
,
aproxi madam ente, de 3 x 5 = 15%. No caso geral , se o
nvel de proba bilida de for a para cada contr aste, a proba
bilida de de que um pelo menos de n contr astes ortogo
nais
seja signi ficati vo de na.
Para conto rnar essa dificuldad e, o teste de Bonfe rroni indic a o uso, para
cada
contr aste, de um nvel de proba bilida de a' . = a/n,
ento. , l?ara o conju nto teremo s na' = a. Para facil itar
a
aplica ao do teste de Bonfe rroni, constr uram -se tabela
s
espec iais, como a tabela 21. Por exemp lo, com a = 5%
e
n = 3, o valor de t, para cana contr aste corres ponde
a
uma proba bilida de a' = 5/3 = 1,67 e, com 20 graus de
liberda de, vale t = 2,61. Este v a lor de t que seria
usado ao aplica r o teste a 3 contr astes ortogo nais relat
ivos aos dados das sees 3.1 e 3.2.

37
r

PROPR 1ED.ADES DOS

Novos

TESTES

Os testes de Tukey e de Dunca n tm fundam entos muitos semel hantes . O teste . de Dunca n , porm , menos
conserva dor, isto , da difere nas signi ficati vas com
mais
facili dade, porqu e o autor adotou o critr io seguin
te: To
mando o nvel de signif icnc ia de 5% de
p robab ilidad e
num contr aste que inclua duas mdia s ele exige uma
proba
bilida de de 95% (0,95) de que no aponte mos como signi
fi
c~tiva uma difere na realm ente nula; ja para o
caso de 3
media s, tal proba bilida de ser 0,9025 = (0,95) 2
ou
90,25% ; para 4 mdia s ela baixa para 0,8574 = (0~95)
3 ou
85,74% , e, em geral , para n media s, a proba bilida de
ser
(0,95 )n-l. J no teste de Tukey , mais exige nte,
temos
sempr e uma prob bilida de de 95% de no apont ar como
significa tiva uma difere na realm ente nula entre todas
as
mdia s de tratam entos . No de admir ar, pois, que,
com
n > 2 o teste de Dunca n d result ados signif icativ os
em

.. ..,

cas os e~ que isto no aco nte


ce com o tes te de Tuk ey:
que ent ao o tes te de Dun can
nos lev a a afir ma tiva s err adas com mai or fre qu nci a. O
mesmo aco nte ce, com
per igo .
mu ito ma ior, com o tes te t
apl ica do ind iscr imi nad am ent
e,
o que hoj e no se ace ita ma
is. O tes te de Dun can est abe
lec e, poi s, um mei o term o ent
re o rig or um tan to exc ess l
vo do tes te de Tuk ey e a fal
ta de rig or exa ger ada do tes
<
te t usa do sem as dev ida s cau
tela s.
J o tes te de Sch effe ain
da mai s rig oro so, des acon selh ve l par a a com para o
de dua s m dia s, mas pre sta
bon s ser vi os par a pro var con
tra ste s mai s
com plic ado s,
e par a isto
de uso ind ica do.

(
(

(
(

(
(

n2
n2

TIO

00

Nas tb uas de t, u, F, q e
z fun cio na bem a int erpol a o har m nic a, em que se
usa m as rec pr oca s dos nmer os de gra us de libe rda de
par a arm ar a reg ra de tr s.
Por exe mpl o, qua l ser o lim
ite de 1% de t cor res pon den te a 36 gra us de libe rda
de? A tab ela de t nos d:
par a 30 gra us de libe rda de
... ... ... .. 2,7 5 ,
par a 40 gra us de libe rda de
... ... ... .. 2,7 0
Armamos ent ao a seg uin te reg
ra de tr s:
1
1
1
30 - 40
2,7 5- 2,7 0
0,0 5 ,
120
1
1
1
30 - 36
y
180
'

(
(

(
(

(
(

(
(

log o

(
(

(
.(

0,0 3,

120
de ond e res ult a que o lim ite
bus cad o 2,7 5 - 0,0 3
2,7 2.
Pro cur emo s ago ra o val or de
u (un ilat era l)
par a
n 1 = 12 gra us de libe rda de,
n 2 = 200 , ao nv el de 1% de
pro bab ilid ade . A col una cor
res pon den te a n1 "" 12 exi ste
na tb ua e nel a tem os:
=

180 (0,0 5)
--- --- .1- --= 0,0 33 ::::

1
120

1
300

1
3QO

(O ,05 )
1

33

--

1,5 3
1,4 8

1,5 3 - l ,48

0,0 5 ,

'

0,0 2 .

120

INTERPOLAO HAAt-i>N I CA

00

= --

120 - 200

y ==

38

120

A reg ra de tre s e:

;
;

..

val or pro cur ado 1,5 3 - 0,0


2 = 1,5 1.
Se qui zerm os o val or de F par
~
n~ = 22, n2 =
200 ,
por exe mpl o, ser pre cis o obt
er prlm elro os val ore s p~ra
nl = 22 , n2 - 120 ' e par a n 1 = 22
n2 = "", par a dep ols ,
por mel o des tes , che gar ao num
ero ' bus cad o cor res pon d en t e
a n 1 "' 22, n 2 = 200 .
Nas tab ela s de F, de q e de
z a inte rpo la ao se faz
exa tam ente do mesmo modo:..
~ .
.
.
. . . .~ _
Emb ora a inte rpc la ao har m
lnc a seJ a a mal s lnd H:a
da e, em alg uns cas os, como .
o d~ lt imo exe mpl o, sej a
a
ni ca pos sv el, ger alm ent e f
uncl~na mals ou menos bem
a
inte rpo la ao
lin ear , seme 111an te a qu e se usa par a tb uas
de log arit mo s.
Par a 0 val or de t ao nv el
de 1% de p:o bab ilid ade ,
cor res pon den te a 36 gra us de
libe rda de, teri am os:
par a 30 gra us de libe rda de
... .. 2,7 5
par a 40 gra us de libe rda de
... .. 2, 70
Logo uma dif ere na d e lo gra
us d e libe rda de d uma
.
var ia o de 0,0 5. E obte mos
a reg ra de tre s:
10
0,0 5
6
y
log o
y

6(0 ,05 )
10

0,0 3 '

de ond e res ult a que o lim ite


bus cad o e 2, 75 - O,03
= 2,7 2, como ant erio rme nte
.

(
(

(
(

(
(

(
(

(
(

34

35

3,9, INTERVALOS DE CoNFIANCA


Consideremos uma estimativa
seja s (Y) seu erro padro com n'
o valor de t para este nmero de
nvel de 5% de probabilidade for
bilidade de 95% de que tenhamos

Y' -

< Y <

+ t

y
e
graus de liberdade. Se
graus de liberdade e ao
t 0 , ento h uma proba-

s(Y)

~=

0,577

(
(
(

(
(
(
(
(

t 0 s(Y')
Y' + t 0 s(Y')

1,20

26,0

fi=

2,09

o' 490

0,490

24,98

26,0 + 2,09 X 0,490


27,02
ml + t o s <lli 1 )
H, pois, uma probabilidade fiducial de 95% de que
a verdadeira media m1 esteja entre 24,98 e 27,02. De maneira anloga se obteria o intervalo de confiana
pai;a
nveis diferentes de probabilidade.
Nos casos em que se aplicam os testes de Tukey e de
Scheffe, intervalos de confiana baseados nesses testes
podem ser obtidos.
Por exemplo, para um contraste qualquer Y = rni - ~
os extremos do intervalo de confiana sero Y- q s
e
s
l1r
e Y + q -== Para Y = m1 - m3 no exemplo de 3.2
obte/r

26,0 - 22,8

0,692 .

so 20 os graus de liberdade do resduo logo,


nvel de 5%, temos t 0 = 2,09. E fica:
'

to s <lli 1 )

y
1,20

y - q

mos, pois, ao nvel de 5% de probabilidade,

= 26,0 - 22,8 = 3,2 ,

Y'

26,0 , s <ffi 1 )

ml
ml

s (Y)

isto e, em 95% dos casos o intervalo de confiana


(varivel) de extremos Y' - t 0 s(Y') e Y' + t s(Y') conter 0
verdadeiro valor docontraste. Quer diz~r que se repetir
mos muitas vezes o experimento, em 95% dos casos 0 inter
valo de extremos Y' - t 0 s(Y.) e Y' + t s(Y') conter 0 va=
lor verdadeiro Y do contraste. Podemgs exprimir isto em
out:as palavras dizendo que e de 95% a probabilidade fiduc1al de que o verdadeiro valor do
contraste esteja
dentro do intervalo de confi~na determinado num
certo
experimento.
Por exemplo, consideremos o contraste Y = m1 - m3 no
exemplo de 3.2. Temos ento

s (Y)

? de um contraste

No caso de termos, nao um contraste, mas apenas uma


mdia,Y = m1 , por exemplo, a frmula (3.2.1) pode ainda
ser aplicada e obtemos intervalos de confiana para a me
dia em questo. Temos:

ao

= 3,20- 1,45 = 1,75 ,


= 3,20 + 1,45 = 4,65 .

Dizemos, pois, que h uma probabilidade fiducial de


95% de que o valor exato Y do contraste entre os
dois
tratamentos esteja entre 1,75 e 4,65, querendo dizer com
isto que num grande nmero de experimentos
semelhantes
interv~los anlogos ~o de extremos 1,75 e 4,65 que
foi
determ~nado encerrarao o verdadeiro valor de y em 95% do
dos casos.
O conceito de intervalo de confiana
("confidence
interval", em Ingls) que a fica foi introduzido
por
J. Neyman, e veio substituir os limites ou intervalos fi
duci.ais de R.A. Fisher. Os dois conceitos conduzem
aos
mesmos resi.Iltados na maioria dos casos, mas os fundamentos lgicos so diferentes.

rr-

3,2 ,

3,2 - 3,96 ~

/6

rr

3,2 + 3,96 ~

r6

1,26 ,
5,14

Para o caso do teste de Scheff, os extremos do

~n

tervalo de confiana so:

Y- I

Y+

(n-l)~(Y) F ,

(n-l)~(Y') F .

Ainda no caso do exemplo de 3.2, o contraste


3m 1

m3 - m4
nos d Y' = 6,4 e os extremos do intercalo de confiana,
ao nvel de 1% de probabilidade, so
Y

6,4 -

(69

61

m2

1
1
+ 6) 1,44
6

4,94

-0 'l3 '

(
(

36

(
(

6,4 +

pois a tabela 2 nos d F

(
(

13

37
9
1
1
(- + - +
+ ..!_) 1,44
6
6
6
6

fJ (?)

9
6

4,94

12,93

4,94 e

1
1
+ _!_) 1,44
+
6
6
6

(- + -

Em experimentos agrcolas ou zootcnicos o nvel de


5% de probabilidad e parece ser mais indicado e
conveniente do que o de 1%.

0 btido de ensaios anteriores em condies anlogas._Al em


to , devemos fixar a diferena mnima d que devera ser
d ~s
sendo q
es tatisticamen te comprovada pelo ensaio. Entao,
.
amplitude total estudentizad a para o exper~mento a ser
;eto, e sendo F o valo: da tbua, ao nve~ a escolhido
de probabilidad e, com numero de_graus de l1be:d~de
nl
(do novo experimento) e n 2 , o numero de . repet1oes r
e
dado pela frmula:

(
(
(
(
(

c
(

(
(

(
(

(
(

(
(

(
(
(

(
(
(

3,10, DETERMINAO 00 Nt'J.1ERO NECESSRIO DE. REPETIES


Um dos problemas mais interessante s da experimentaao e a determinao previa do nmero necessrio de rep~
ties. Numerosas solues j foram propostas, mas
nenhuma e inteiramente satisfatria .
Na experimenta o agrcola ou zootecnica a exper~en
cia indica que dificilmente se conseguem resultados razoveis com ensaios que tenham menos de 20 parcelas. Este nmero deve ser tornado, pois, em geral, corno mnimo.
Assim sendo num experimento com 2 tratamento~, devemos ter pelo rn;nos 10 repeties, para que haja no rn~
nirno 20 parcelas ao todo.
Outra indicao til e a de que devemos t e r, em geral, pelo menos 10 graus de liberdade para o resduo.
Estas duas restries, embora muito teis na prtica, podem, porem, ser deixadas de lado em al~uns casos.
Tal ocorre nos experimentos de grande precisao
(al guns
ensaios fsicos ou qumicos, de laboratrio, por
exemplo) ou ento quando temos um grupo numeroso de experimentos, que sero estudados em conjunto, tendo em vista
unicamente resultados gerais. Neste caso, cada
experimento tem individualme nte pouco valor e, pois, podemos,
se necessrio, reduzir um pouco o nmero de repeties,
a fim de, com os recursos disponveis , poder aumentar o
nmero de ensaios.
Uma soluo rigorosa interessante e recente para o
problema pode ser obtida p~lo uso do teste de Tukey, da
maneira que vamos expor.
Em primeiro lugar devemos contar com uma estimativa
previa do desvio padro sz, com n2 graus de
liberdade,

Este nmero de repeties nos garantir uma probabi


lidade a de que o ensaio no venha comprovar a diferena
d, isto , uma probabilidad e l - a de que seja comprovada estatisticam ente, pelo teste de Tukey.
Como os valores de q e de F a serem usados no
segundo rnem~ro dependem de~ claro_que s se p?de obter
uma soluao por aproximaoes sucess~vas, a part~r de uma
tentativa inicial qualquer.
Vejamos um exemplo. Suponhamos que pl~nejarnos
um
experimento com 5 variedades de cana-de-auc ar ~ que t:mos, de ensaio anterior , urna estimativa do desv~o padrao
residua l s 2 = 7,4 t/ha, com n 2 = 60 graus de ll.berdade,
e consider emos que o novo experimento deva comErovar pelo teste de Tukey qualquer diferena de produao de
15
t/ha ou mais. Admitimos que o ensaio seja em blocos uasuali z ados e tomemos 5 repeties, corno tentativa
inicial. Neste caso, teremos 4 graus de liberdade para tra~
tamentos (variedades) e n 1 = 16 graus de liberdade para
0 resduo, logo, ao nvel de 5% de probabilidad : !tabe~a
nos d q = 4,34. Por sua vez o valor de F, tambem ao_n~
vel de 5%, com n 1 = 16 e n 2 = 60 graus de liberdade e F=
= 1,81. Teramos, pois:
r

(4,34)

(7,4)
(15)2

(1,81)

=8,3 repeties.

O numero de repeties conveniente estar entre


o
numero usado inicialmente (5) e o valor agora
obtido
(8,3). Log~ 5 repeties so insuficiente s.
Tentemos agora r = 7 repeties. Fica:

(
(

38

39
q =

4,17

(
(

F= 1,70,

logo

(4,17) 2 (7,4) 2 (1,70)


(15) 2

7,2 repeties

(
(

(
(

(
(

c
(
(

(
(

(
(

(
(
(

(
(

(
(
(

O nmero necessrio estaria entre 7 e 7 2


- pode. deixar de
' ser ntei
oes. Has, como tal numero nao
ro, deveremos tomar ou 7, nmero que pecar ligeiramen .
te por falta, ou 8, que pecar por excesso. Uma vez que '
usamos o valor de F corresponden te a 5% de probablida- .
de, com 7 repeties haver uma probabilidad e muito prxima de 95% de que uma diferena de produo, entre v a- .:
redades, de 15 t/ha, ser estatsticam ente
comprovada :
pelo experimento. Para este fim no raro se usa um n- :
vel de segurana mais baixo, a fim de obter nmero tambm mais b~ixo de repeties. Assim, por exemplo,
al-
guns estat1sticos recomendam usar F ao nvel de 25%
de
probabilidad e. Se assim prcedssemo s no exemplo
dado
acima chegaramos concluso de que 5 r;p~ties so ~~ ,
suficientes e 6 esto um pouco alm do m1n1mo
necessario. Caberia ao experimentad or, ento a deciso final
.. '
'
entre 5 e 6 repet1oes.
Uma soluo interessante se obtem tambm, por marcha anloga, quando conhecemos o coeficiente de
var1ao (C.V.) e a diferena mnima d, em porcentagem, a ser
comprovada. Temos ento;

Uma soluo prat1ca e rpida para a determinao do


nmero necessrio de rep:tes se pode obter pela frmu
la de Tukey, dada na seao 3.3, com pequena modificao~
Com efeito, a frmula
s

q 2 (c.v.) 2 F

d2

Seja, por exemplo, o caso de um coeficiente de variao, de ensaio anterior, C.V. = 15%, calculado com um
desvio padro que tinha n = 60 graus de liberdade.
Se
quizermos saber o nmero necessrio de repeties de um
experimento a ser feito, com 8 tratamentos e d = 25% tomando como ponto de partida 3 repeties acharemos:
(4,99) 2 (15) 2 (1,86)
r =
= 16,7 .
(25) 2

"7r

se dividida pela estimativa da mdia


por ioo, nos d:
(). X

100

(m)

multiplicada

~ x lOO
q

isto e,
d =

c.v.

--;r-

onde d a diferena mnima significativ a t. em porcent~


gero da media (m). Com esta frmula podemos calcular
a
diferena mnima significativ a (em porcentagem) pelo tes
te de Tukey para um nmero r repeties e tendo em
vista
um dado coeficiente de variao. Por exemplo, num
ensaio em blocos casualizados com 4 tratamentos e 6 repeti
oes, o resduo tem 15 graus de liberdade. O valor
de
q, para 4 medias e 15 G.L. para o resduo , pela tabela 10, q = 4,08. Se tivermos C-. V. = 10%, o valor de
d
sera:
d = 4,08

lO

16
Valores como este so apresentados na tabela 3.10.1. Ela
nos permite ter uma idia da preciso obtida para um da-do nmero de repeties. Seu exame nos mostra claramente que a maioria dos experimentos de campo tem prec1sao
insuficiente , de tal sorte que raramente se consegue,com
um s deles, comprovar diferena~ entre mdias de tratamentos menores do que o coeficiente de variao.

(
(
(

; .,_~

. .,

_.(

Trs repeties nao sao, pois, suficientes.


Novas
tentativas nos permitiro verificar que sero
necessarias, aproximadam ente, 11 repeties para conseguir apr~
ciso desejada.

3.11.

BIBLIOGRAFIA

BRIECER, F.G., 1946. Limites Unilaterais e Bilateraisna


Anlise Estatstica. Bragantia, 6: 479-545.

,_ :

~--, .3J:CSL

(
(

(
(

(
(

40
Tabe la 3.10 .1. Dife ren a mni ma sign
ific ativ a, em porc en
tage m, ao nve l de 5% de prob abil idad
e,pa
ra ensa ios em bloc os casu aliza dos com
di=
vers os coef icie ntes de vari ao .

(
(
(

N9 de N9 de
trat a
repe
rrent os ti es

COEFICIENTES DE VARIAO
5%

lO%

15%

20%

25%

30%

11,2% 22,5%
7,4% 14,8%
5, 9% . 11,8%
5,1% 10, li.
3,8%
7,5%

33,8 %
22,2%
17,7%
15,2%
11,3%

45,0%
29,7%
23,6%
20,2%
15,1%

56,3%
37,1%
29,5%
25,3%
18,8%

67,5%
44,5%
35,4%
30,4%
22,6%

11,0%
8,3%
7,0%
6,1%
4, 7%

22,1%
16' 7i.
13,9%
12,2%
9,4%

33,1%
25,0%
20,9%
18,4%
14,1%

44,2%
33,3%
27,8%
24,5%
18,9%

55,2%
41,6%
34,8%
30,6%
23,6%

66,2%
49,9%
41,8%
36,7%
23,3%

ll ,9%
9,3%
7,9%
7,0%
5,5%

23,9%
18,6%
15,8%
14,0%
10,9%

35,6%
27,9%
23,7%
21,0%
16,4%

47,7%
37,2%
31,6%
28,0%
21,9%

59,7%
46,5%
39,5%
35,0%
27,3%

71,2%
55,8%
47,5%
42,1%
32,8%

12,4%
9,9%
8,4%
7,5%

24,8%
19,7%
16,8%
15,0%

37,2%
29,5%
25,2 $
22,5%

49,7%
39,4%
33, 7i.
30,0%

6 2,1%

74,5%
59,1%
50,5%
44,9%

61,5%
40,4%
32,5%

82,0% 102,5% 123,0%


53,8% 67,2% 80,7%
43,3% 54,1% 64,9%

67,0% 89,3% 111,7% 134,0%


46, 2%. 61,7% 77,1% 92,5%

(
2
2

4
6

( '

2
2

lO
16

4
4
4
4
4

6
8

(
(

(
(

(
(
(

c
(

(
(

c
(

(
(

8
8
8
8
8

l2

lO
16
4
6
8

10
16
4
6

12
12
12

lO

25
25
25

20,5%

4
6

l3 ,4%

10,8%

41,0%
26,9%
21,6%

100
100

2
4

22,3%
15,4%

44,7%
30,8%

49,2%
42,1%
37,4%

41.
cANTATORE DE FRANK, Norma, 1980 . Man
ual de Esta dst ica
Apli cada . Edi tori al Hem isfer io Sur,
Buen os Aire s
CHEW, V., 1977 . Com paris ons Among Trea
tmen t Means in an
Ana lysis of Vari ance . USDA, Was hing ton.
coNAGIN, A., 1961 . Prin cpi os de Tcn
ica Exp erim enta l e
An lise Est ats tica de Exp erim ento s
(mim eogr afad o).
DAGNELIE, P., 1975 . Tho rie et Meth odes
Stat istiq ues , 2
volu mes. Pres ses Agro nom ique s de Gem
blou x, Blg ica.
DUNCAN, Davi d B., 1955 . Mul tip1e
Range and Hul tiple F
Test s. Biom etric s, 11: 1-42 .
FEDERER, Wal ter T., 1955 . Exp erim enta
l Desi gn. Macmi1lan, Nova York .
HALD, A., 1952 . Stat istic a1 Theo ry
with
Eng inee ring
App lica tion s. John Wile y, Nova York
.
HARTLEY, H.O ., 1955 . Some Rece nt Deve
lopm ents ~n Ana1y
s~s of Vari ance . Commrunications
of Pure and App lied
Mat hem atics , 8: 47-7 2.
KRAMER, Clyd e Youn g, 1956 . Exte nsio n
of Mu1 tiple Rang e
Test s to Group Heans with Uneq ual Num
bers of Rep1ic~
tion s. Biom etric s, 12: 307- 310.
KRAMER, Clyd e Youn g, 1957 . Exte nsio n
of Mu1 tip1e Range
Test to Crou p Corr elate d Adju sted Mean
s. Biom etric s,
13: 13-1 8.
PIMENTEL GOMES, F., 1954 . A Com para
o entr e Md ias de
Trat ame ntos na An lise da Var inc ia.
Anai s
E.S. A.
"Lui z de Que iroz " , l l : l-12 .
PI~lliNTEL GOMES, F., 1978 . Inic
ia o Esta tsti ca.
6~
edi o. Liv rari a Nob el. So Paul o.
PIMENTEL GOHES, F. , 19 54. A Deca dnc
ia do Test e t. Rev.
Agr icul tura , 29: 215- 218.
ROY, S.N. e R.C. Base , 1953 . Simu ltane
ous
Con ficen ce
Inte rval Esti mat ion. Ann. Math.. Sta
t., 24: 513- 536.
SCHEFF~, Henr y, 1953 .
A Method for Judg ing all
Contras ts in the Ana 1ysi s of Vari ance .
Biom etrik a, 40:
87-1 04.
SNEDECOR, Geor ge W. e W.G. Coch ran, 1967
thod s. 6{1 edi o. Iowa Stat e Coll ege . Sta tist ical Me
Pres s. Ames, Io-:
wa.

43

(
(
(

(
(
(

(
(
(
(

(
(

(
(

(
(

(
(
(

(
(
(

(
(

(
(
(

4~
4~1~

EXPERIMENTOS INTEIRAMENTE CASUALIZADOS


GENERALIDADES

Quando dispomos de um terreno bem uniforme, e tnutil estabelecer blocos, cujo nico resultado ser traz
diminuio no nmero de graus de liberdade para o res- '
duo. Em tais condies, o experimento inteiramente
lizado ser prefervel. O mesmo pode acontecer em
rimentos de laboratrio, onde as condies sejam sempr
muito uniformes, ou em pesquisas com animais, quando temos um rebanho muito homogneo. No caso de experimentos
em vasos, se a posio destes for mudada com frequncia,
ao acaso, tambm no se justifica a introduo de bloco
Cumpre notar, entretanto, que um terreno
aparentemente
uniforme pode ser bastante heterogneo. Alem disso, em- .
hora uniforme em relao a uma planta, pode revelar - s
com manchas de fertilidade diferente ao ser
cultivado
com outra planta. De sorte que, na ausencia de
es seguras sobre a uniformidade do terreno em relao
planta em estudo, e sempre prefervel introduzir
cos, que sero teis se aparecer heterogeneidade e pouco
ou nada prejudicaro se os blocos forem todos semelhantes. No caso de ensaios com animais, estes, embora homogneos, podem estar em baias com diferenas importantes
de iluminao, exposio ao calor ou aos ventos
frios,
etc., o que vem exigir a organizao de blocos.
Os experimentos inteiramente casualizados apresentam certas vantagens importantes em relao a experimentos de delineamentos mais complexo, tais como:
a) Qualquer nmero de repeties ou de t~atamentos pode
ser usado e o nmero de repeties pode variar de um
tratamento para outro sem que isto dificulte a anlise;
b) O nmero de graus de liberdade para o resduo
e o
maior possvel.
~

Apesar do referido acima no tem a, devemos, em geral, usar o mesmo nmero de repeties para todos os tra
tamentos. Entretanto, a morte de animais ou plantas, ou
outras causas que levem perda de p$rcelas, podem redu-

zir o n~mero de repeties de alguns dos tratamentos. Is


to, porem, nenhuma dificuldade trar no caso de
termos
um experimento inteiramente casualizado.
A principal desvantagem deste tipo de experimento e
_
que realmente conduz a estimativas bastante altas d
rincia residu~i, pois as variaes de toda ordem, aa~~m
das gue se atr1.buem a tratamentos, so tomadas como variaoes de acaso.

4 2 UM
I

ExEf'IPLO

Suponhamos um experimento (fictcio) de alimentao


de porcos, em que se usaram quatro raes (A B c
D)
cada uma fornecidaa cinco animais escolhidos'ao'ac~so.O~
aumentos de peso observados, em quilogramas, constam da
tabela seguinte.

RAES
A

35
19
31
15
30

40
35
46
41
33

39
27
20
29
45

27

28
30

130

195

160

llO

12
l3

Como temos A tratamentos, o nmero de graus de liberdade para tratamentos 4 - 1 = 3. Os 20 animais usados nos experimentos nos do 19 graus de liberdade para
o total. Logo, restam 16 para o resduo.
Quanto s diversas somas de quadrados, so obtidos
s sim:
35

+ 19

+ . + 40 2 + . + 302= 19.625

G =Ex= 35 + 19 + .. + 40 +

30

= 595

r=--~'-:..

(
(
(

(.
(
(
(

45

44

I
I
i

c
SQ Total

'

1,923,75,
1
(130 2 + 160 2 + 195 2 +
5

SQT

t.toz) - c

823 '75

SQ Resduo

L:x2 -

17 .701,25

20

com 3 graus de lil;>erdade (dos tratamentos~ e 16 (do resduo).


As tabelas de F (tabelas l e 2) dao os limites 3,24
para o nvel de 5%, e 5,29 para o de 1%. Loeo este resu!
tado significativo ao nvel de 5%; o que se indica por um
asterisco, asstm: 3,99*. A significncia ao nivel de l%
seria indicada por dois asteriscos.
o fato de ser significativo ao nvel de 5% o teste
F indica que h uma probabilidade superior a 95% de que
exista pelo menos um contraste entre tratamentos que difere de zero, que no nulo. Mas esse contraste
pode
ser muito complicado, sem nenhum interesse pratico.

19.625 - 17.701,25

595 ?

li
i

c2

As mdias dos tratamentos, m1, mz , m3, m4, n' o

1923,75- 823,75

SQT a Soma de Quadrados para Tratamentos.


Obt~das as somas de quadrados, os quadrados mdios
~ao calculados mediante sua divis~o pelos resp ect~vos numeros de graus de liberdade.

<9.M.)

(
(

Obtemos, pois, a seguinte analise de varincia.

Causa de
variao

(
(

G.L.

S.Q.

Q.M.

F_

Tratamentos
Resduo

3
16

823,75
1.100,00

274,58
68,75

3,99

Total

19

1. 923; 75

O desvio padro e:

0=

(
f

m3

160 .
-5- = 32,0

/68,75

8, 3

26,0

m2

Ii .

274' 58
68,75

J,99

39,0

m4 = 22,0

Se nos interessa a compara~o entre duas mdias de


tratamentos es colhidas entre as quatro de que dispomos,
um teste conveniente para julgar o contraste e ntre elas,
como j vimos, o de Tukey. Para usar este teste calculamo s
q

Ir

onde q e o valor de amplitude total estudentizada para o


nvel de 57. ou de 1% de probabilidade, s o desvio padr~o residual (8,3 no caso acima ) e r o nmero de repeties. Para usar este teste vantajoso que todos os
tr,:~.tamentos tenham o mesmo nmero r de repeties. Tabelas de q s~o reproduzidas no fim desta obra (tabelas lO
e 11). Com n = 4 tratamentos e n' = 16 graus de liberdade para o resduo, a t~bela de q para o nvel de 5% nos
da q = 4,05, logo
Jc..i\V...
/.:, = 4,05

O valor de F e:

130
5

/.:, =

(
(

ml

1100,00.

so

conhecidas: mas temos suas estimativas:

SQ Total - SQT

Para o contraste
a estimativa

8 3

;;;;
Y1

= 15,0
mz. - m4, por exemplo, obtemos
39,0- 22,0- 17,0

(
(

46

47

Esta estimativa excede este valor de 6 = 15,0, logo .


significativ a o nvel de 5%, isto , a segunda rao
difere significativa mente da quarta. Para comparar a segunda rao com a primeira usaramos o contraste
Y2
= m2 - m1 , para o qual temos :: estimativa ?2 = 39 ,O
- 26,0 = 13,0. Este valor nao excede o limite
6
15 ,O, logo no chega a ser significativ o ao nvel de 5%.
Por outro lado, este mtodo tambm nos permite calcular "intervalos de confiana" para os contrastes . Para
o primeiro (Yl = m2- m4), por exemplo, os extremos
do
intervalo de confiana so

(
(
(
(

(
(

17,0- 15,0
17,0 + 15,0

(
(
(
(

(
(
(

3,23 ~

g-

12,0

3,15 ~

11 '7 ,

3,00 ~

11 'l

;s-

D2

15

As medias, em ordem decrescente, sao:


39,o
32,o
1 = 26,0
m4
22,0

~~--------~~--------------

m2
m3

32,0
ab

26,0
b

22,0
h

Pa ra contras tes mai s c ompli c ados, qu e envolvam ma~s


de duas mdias; esses mtodos no so convenientes , mas
h o teste de Scheff, que indicado. Para o contraste
cn~

onde se e xi ge c1
lar :
S

c2 + . + c

O , o limite a calcu-

n - 1
s ,V/ --r-( 2 1:1 +. c 22 + . + cn2 ) F ,

onde n e o nume r o de tr a tame nto s, r e o nmero de r e peti


oes,
s o de svio pad ro c F tirado da tbu
de limites unilat e rais no nvel co.nveniente de probabili
dade, geralmente 5% ou 1%.
Por exemplo, suponhamos que queremo s comparar a segunda rao com a mdia da primeira e da quarta. O contraste que nos interessa ento

para o qual obtemos:


?3

39,0

2,0
32,0

isto , temos uma probabilidad e fiducial de 95% de


que
o verdadeiro valor de Y1 = m2 - m4, que desconhecido ,
esteja entr~ 2,0 e 32,0.
Para o segundo contraste (Y 2 = m2 - m1 ) os limites
do intervalo de confiana, calculados do mesmo modo, se
r~am
-2,0 e 28,0.
Para comparao de mdias atualmente muitos preferem o teste de Duncan. Os valores de z ao nvel de
5%
de probabilidad e (tabelas 12 e 13) so:
Para 4 mdias: 3,23 ,
Para 3 medias: 3,15 ,
Para 2 medias: 3,00
Logo temos:

=
=

A diferena entre a ma~or media (39,0) e a


menor
(22,0) 17,0, valor que excede D4 = 12,0, lugo significativa, pelo teste de Duncan, ao nvel de 5% de probabilidade. Tambm a diferena entre a maior (39,0) e
a
penltima (26,0), que 13,0, excede D3 = 11,7, logo
igualmente s~gnificativa ao nvel de 5%. Os
resultados
das compara oes podem ser resumidas pelo quadro seguinte.

= 8,3;

39,0 - (22,0 + 26,0) = 30,0 .

1<4

+ l + l)

3,24

28,3

Como temos ? 3 > S, o contraste Y3


signifi cativo
ao nvel de 5%. O intervalo de confiana para Y3
t:eria

.!1!'!'!:

"

(
(
(
(

(
(
(
(

(
(

48
por extremos 1,7 e 58,3, isto~. temos uma probabilid
fiducial de 95% de que o verdadeiro valor de Y3
estej
entre esses limites.
O mtodo de Scheff pode ser usado para qualquer
po de contraste e tambm se aplica quando o nmero de
peties no o mesmo para todos os tratamentos. Mas
mtodos de Tukey e de Duncan, no caso da comparao
duas mdias, do resultados melhores que o de Scheff
devem, pois, ser preferidos.
Sabemos que pelo menos um contraste entre as medi
difere significativamente de zero, se o teste F (ou
u
for significativo. Pode-se obter facilmente um contras
entre mdias que ser significativo (pelo teste de Sch
f) se o teste F (ou u) tiver dado resultado significa
vo. Esse contraste

Yo

(
(

(
(

(
(
(

(
(
(

(
(

(
(

trastes entre duas mdias apenas ou outros sugeridos pelos tratamentos, e no pelos valores de suas mdias, como esse Yo.
.
.
.
Quanto ao teste ~. p?der~a se: apl~cado a trs contrastes ortogpnais escolh~dos prev~arnente, por exemplo:
ml - rn2 '

yl

Yz

m1 + mz - m3 - m4

y3

Temos

rn3 - m4

'1

26,0 - 39,0 ~

= c1m1 + c2m2 + ... +c m) ,

n n

com ci = iii - ii, onde ii a media geral estimada do


perimento, e iii (i= 1, 2, .. , n) a estimativa da
dia do tratamento i. No exemplo em discusso ii = 595/2
= 29,75, logo esse contraste :

Yo = (26,0-29,75)rn 1 + (39,0-29,75)rn2 + (32,0-29,75)m


3
+ (22,0-29,75)rn4

s CY 1) = s
t

-13,0

5,25

= -

= 8 '3

13,0

0,6325

5,25 '

2,48 .

H 16 graus de liberdade para o resduo, l~go o limite de ~para 5% (tabela 9) 2,12, e para li. e
2,92.
Segue-se que o valor ~chado si~nificativo par~ 5~,
o
que indica que as raoes A e B dao resultados d1st1ntos,
por esse teste.
Obtemos analogamente:

49

-3,75 rn1 + 9,25 m2 + 2,25 m3- 7,75 m4 .


Ternos para ele:
-3,75 ii 1 + 9,25 rn 2 + 2,25 ~3- 7,75 m4 .
-3,75x26,0 + 9,25x39,0 + 2,2Sx32,0 - 7,75x22,0

'2

167,8 '

s(V 2 )

e, pela prova de Scheff, com s = /68,75 = 8,3, F =3,24,


ao nvel de 5% de probabilidade,
s 8,3 I <315> ro,75) 2 +(9,25) 2 +(2,25) 2+o,75) 2 J3,24
148,5
A estimativa de Yo (Vo = 167,8) supera o valor S
148,5 e , pois, significativa, ao nvel de 5% de probabilidade, corno se esperava. Mas esse contraste exces
sivamente complicado e, provavelmente, no tem nenhum
teresse. Os contrastes que mais interessam so
ou con-

in

32,0 - 22,0 = 10.0


=

= 5,25

l '90 '

e ainda:
11 ,o

7,42

1,48 .

Os dois ltimos valores de ~ achados no so significativos.

(
(

(
(

(
(

(
(

50

51

4.3. UM

ExEMPLO COM PARCELA PERDIDA

Cons~deremos os mesmos dados do exemplo


anterior, .
mas s~ponhamos que o primeiro animal do lote que recebeu
a raao A morreu, ou que por qualquer outro motivo a rao A foi fornecida a quatro animais apenas. Os dados
analisar sero, pois, os da tabela abaixo, cuja
da varincia dada a seguir.

RAES

(
(

19
31
15
30

40
35
46
41
33

39
27
20
29
45

27
12
28
30

95

195

160

llO

(
(

(
(

O quadrado de 95 ~ dividido por 4 porque 95 ~ soma


de 4 parcelas apenas. Os outros quadrados so divididos
por 5 porque cada um se refere a 5 parcelas.
Temos ainda:
SQ Resduo

4,08

Causa de var1aao

G.L.

S.Q.

Q.M.

895,99
998,75

298,66
66,58

Tratamento
Resduo

15~

4,49*'~

Ex2

LX

(
(

(
(
(
.(

15,0

.= 4 ' 08'v~(~
2 ~4 + l)
5

66,58

15,8 .

As mdias, em ordem decrP.scente, s ao:

j quando uma das mdias a comparar for a que tem so


repeties, utilizaremos:
/':,I

O nmero de graus de liberdade para o resduo e, co


mo no caso anterior, obtido por diferena: 18 - 3 = 15.
A seguir, completa-se a anlise da varincia seguin
do a mesma marcha vista anteriormente.
A comparao entre duas mdias quaisquer pode
ser
feita pelo teste de Tukey. Se ambas tiverem 5 repeties
e se adotarmos o nvel de 5% de probabilidade, usaremos ,
com s = I 66,58
8,2 :

13

SQ Total - SQT ':' 998,75 .

Temos neste caso:


192 + 31 2 + ... 402 + .. + 30 2

19 + 31 +
+ 40 +
2
560
19= 16.505,26 ,

SQ Total
SQT

...

+ 30

18.400,00

= 560 ,

195 2 + 160 2 +
--+
4
5

:::3
~1

m4

uo2

- c

895,99

39,0 a
32,0 a b
23,8 a b
22,(}
b

S diferi ro significativamente, pois, pelo


teste
de Tukey, ao nvel de 5% de probabilidade, a maior mdia
da menor.
J pelo teste de Duncan a comparao entre a maior
e a menor mdia, ambas com 5 repeties, ser testada,ao
nvel de 5% de probab ilidade, perante o valor:
D4 = 3

= Ex 2 - c = 1894,74

95 2

:::z

, 25 ~

rs

11 ' 9

ao passo que a comparaao entre a ma1or (39,0) e a pe-:' n~ tima (23 ,8), uma com 5 e outra com 4 repeties, ser a
testada por:

...,.....
r=
~~:;
,.~ ;
,_~ m;
.,._;;;;;;;::=-""M.,.
__;~
.. ~.===~--~7~~~~-- -.~--

--"'t~ ~"'ffl4.'"=""Joo ..,.:; :..,::_-""';~r~,. _.. .. !~:T:~~r..:.~ ..:. :eo>.-.. ~,,_,~~~

(
(

52

53

12,2 .

(
(

Por este teste , h, pois, difer ena sign ifica


tiva ao nlvel de 5% de prob abili dade entre essas medi
as. o resu ltado final das comp ara es pelo teste de Dunc
an est resumid o a segu ir, pela conve no j conh ecida
.

(
(
(
(
(

= ml

s =

(
(

(
(
(

(
(
(

(
(
(

(
(
(

+ mz + m3

- 3m 4

e obter emos , ao nive l de 5% de prob abili dade ,

22,0

Para comp arar, por exem plo, os trs trata ment os de


maio r medi a com o de meno r medi a, o teste de Sche ffe e
indic ado. Ele se aplic ar ao cont raste

(
(

23,8

32,0
ab

39,0
a

vr 3

8,2

ver funda~ent o em moti~os b.ol gicos estra nhos


aos resul
tados
1men to o teste te perfe 1t
~ d obt1d os no exper

'
amen teval1 o, e a conc
_ lusao indic ada
por ele deve
preva 1 ecer
sobre as que sao dadas por outro s teste s. Ali
s, 0 teste
de Dunc an ~eu, no caso em ques to, resul tado
conc ordan te
com forne c1do pelo teste t.

4.4. UM

~
_Daremos como exem plo um expe rimen to reali zado
pelos
tecn1 cos Manoe~ B~cke:, Luis Paul in Neto ,
Gera ldo
Leme
da Roch a e BenJa mln C1nt ra. Dois trata ment os
foram estu da~os (feno de alfaf a e feno de
quic uio), aplic ados a 8
le1to as Duro c Jerse y, bem homo gnea s. A 4
delas e
lh.
das po:: sorte io, foi forne cida a rao com
feno,
des~~
fa~
f a, e as 4 -tres tante s ~ a rao com feno de
quicu io.
Os
ganho s ~e peso no per1o do expe rimen tal (3
mese s) so dados aba1x o.

9
(~ + 1 + 1 + --)
3,29 = 40,3
4

Feno de a lfafa

Como

y = 23,8

+ 39,0 + 32,0 - 3(22 ,0)

= 25,2

8, 2

15,2

= 5,50

V};; + j

67,5
70,5
76,0
67,5

'

v-se que o cont raste no e sign ifica tivo


ao nive l
de
5%.
Se esco lhido de antem o, podem os testa r pelo
teste
t o cont raste entre os trata ment os
A e B, por exem plo.
Temos:
? =- ml + mz = -23,8 + 39,0 15,2 ,
s (Y)

ENsAIO DE ALINENTAo DE lEITo As

Feno de qui cuio

kg

65,0 kg
58,5 kcr
65,0
64,0 kp:

ke;

k;,

kg
kg

Hedia s 70,4 kg

63 'l kg

A anl ise da vari nca , que nao


- apres enta
des, cond uziu aos resul tado s segu intes .

difi~ulda

5, 50 ,
Causa de varia o

G.L.

S.Q.

Q.M.

Raes
Resd uo ou erro

1
6

105' 13

105 '13
12,90

9,70*

Tota l

182,5 0

2,76 .

Com 15 graus de liber dade , o limit e de t para


5%
2,13 e para 1% e de 2,95. Logo ,o cont raste
e si~nifica
tivo ao nve l de 5% pelo teste t, ao passo
que nao o era
pelo teste de Tuke y. Mas se a comp ara o tiver
sido escolhi da "a prio ri", antes de exam inar os dado
s, ou se ti

77,37

(
(

54

55

A significao do teste F, ao nvel de 5% de probaa


bilidade, indica que uma diferena entre medias como
em
que foi obtida ou maior, se poderia obter por acaso
menos de Si. dos casos. Em outras palavras, se concluirteremos
mos que o feno de alfafa realmente melhor,
uma
fazendo
mais de 95% de probabilidade de estarmos
afirmao correta.
duas
Num caso como este, em que comparamos apenas

trata
para
liberdade
de
grau
medias e temos' pois, um s
mentos, os testes F, t, de Tukey, de Scheffe e de Duncan
so todos exatamente equivalentes, de sorte que e intil
aplicar qualquer outro alem do teste F, j utilizado.
As medias obtidas so:
Feno de alfafa:
70,4 kg '
Feno de quicuio: 63,1 kg ,
cada uma delas com erro padro

(
(

(
(

(
(
(

(
(
(
(

JOHN, P.~.M., 1971. Stastical Design and Analysis

of
fxFerLments. Macmllan, Nova York.
KRAMER, Clyde Young, 1956. Extension of Multple R
T~sts to.Group.Means with Unequal Numbers of Repl~~!~
t~ons. B1ometr1cs 12: 307-310.
PIMEN~E~ GOMES, F., 1978. Iniciao Estatstica,
6~
ed~ao, Livraria Nobel, S. Paulo.
1967.
SNEDECOR, Geoarge W._e
Statist:ical
_ W.G. COCHRAN,
Methods, 6. ediao. Iowa State College Press,
Ames,
Iowa.

1,80 kg.

(
Note-se que este ensaio nao obedeceu s normas que
lO
demos atrs sobre os mnimos de 20 parcelas e de
graus de liberdade para o resduo. No entanto, conduziu
a resultado razovel, graas principalmente ao baixo coe
ficiente de variao (5,4%). Seria muito melhor, sem ne=
nhuma dvida, se contasse com os mnimos indicados, pois
ento seriam mais precisos os resultados. No entanto, o
poucos
experimento, embora do tipo mais simples e com
animais, atingiu plenamente o fim em mira.

(
(

(
(
(
(

(
(

4.5, BIBLIOGRAFIA

(
(
(

c
(
(
(
(

l'
I
I

Bilaterais
BRIEGER, F.G., 1946. Limites Unilaterais e
na Analise Estatstica. Bragantia 6: 479-545.
COCHRAN, William G. e GertrudeM. Cox, 1957. Experimental Designs, 2~ edio. John Wiley, Nova York.
F
DUNCAN, David B., 1955. Multiple Range and Multiple
Tests. Biometrics 11: l-42.
FEDERER, Walter T., 1955. Experimental Design. Hacmillan,
Nova York.

t.
l,..

,;

..

::;

_:;;:,..,_

- --~~

57

5 EXPERUfliTOS EM BLOCf.E rASUA.LIZAim

5,1.

(
(
(

(
(

(
(
(
(

(
(

(
(

(
(
(

(
(

(
(

(
(

l
I
\t
~

GENERALIDADES

Os blocos ao acaso ou blocos casuali zados


consti
tuem talvez o tipo mais importa nte de delinea mento.
control e local aqui represe ntado pelos blocos, cada
dos quais inclui todos os tratame ntos. Para que o
rimento seja eficien te, dever cada bloco ser to
me quanto possve l, mas os blocos podero diferir
tante uns dos outros. Por exemplo , se nos interes sa es
tudar a aduba o dos canavia is de uma usina de acar
colherem os para cada bloco um terreno bem uniform e,
poderem os espalha r os blocos por toda a proprie dade,
tendo, assim, conclus es validas para toda a rea culti '
vada, e no apenas para um determi nado local.
Nos experim entos zootcn icos cada bloco ser
tudo de animais de caracte rstica s semelha ntes.
exemplo , se estudarm os raes, para gado leiteir o, pod
mos pr no mesmo bloco animais de idades, po cas de par
o e produ es de leite semelh antes. E para termc s con-'
cluses gerais podemos pr num bloco as melhore s vdcas,
noutro as piores e noutros ainda vacas de produ o inter
medir ia.
Dentro de cada bloco os tratame ntos sao
s parcela s inteiram ente ao acaso. Num expe.rim ento
com
6 tratame ntos (varied ades A, B, C, D, E, F, por exemplo )
e 4 repeti es, poderam os ter o plano seguint e:
19 bloco: CADB FE
29 bloco: EBDA FC
39 bloco: A F B C E D
49 bloco: FEAB DC
Mas as parcela s, no campo, nao precisam estar
linha. Poderia m ficar num grupo compac to, como
usual
em terreno s planos, nos quais, em geral, no se sabe
que direo varia a fertilid ade. O 19 bloco
pois, ter a seguint e disposi o:

ou esta, se julgada conven iente:

al nao e a disposi o topogr fica, mas s1m


po ls 0 essenci
.
.
homogen e1dade dessas parcela s dentro do bloco. Nas
ena
. d
costas, onde a fertilid ade geralme nte decresc e segu1n
o
as linhas de maior declive , as parcela s de cada
bloco,
em geral, seguem uma mesma curva de nvel.

5'2' LM

ExEJVPLO

Num experim ento de competi o de varieda des de ba~a


tinha, feito pelo Eng9-Ag r9 Oscar A. Garay e~ Balc~rce,
Argenti na, em blocos c asualiz ados, as produo es obt1das ,
em t/ha, foram as seguint es.

Varieda des
Kennebe c
Huinkul
S. Rafaela
Buena Vista
B 25-50 E
B 1-52
B 116-51
B 72-53 A
Totais de
Blocos

Ex 2

19
bloco

29
bloco

9,2
21,1
22,6
15,4
12,7
20,0
23,1
18,0

13,4
27,0
29,9
11 ' 9
18,0
21,1
24,2
24,6

142,1

170,1

39
bloco

49
bloco

,o

26,4
24,2
10,1
18,2
20,0
26,4
24,0

9,2
25', 7
25,1
12, 3
17,1
28,0
16,3
24,6

160,3

158,3

11

Totais de
Varieda des
42 8 .:
. '
100,2
101,8
49,7
66,0
89,1
90,0
91,2
630,8

Temos agora:
(9,2) 2 + (21,1)~ 2 + .. + (13,4) 2 + + (24,6) 2
13.584, 36 '
LX= 9,2 + 21,1 + .. + 13,4 + ... + 24,6 =630,8 ,

.. nu r ...

. ..!'!'

58

(
(

(
(

(
(

tO dl' b\oCO !;, JL' SOrte que em geral . nem

I
lI

[ (42,8 )2 + (100 ,2)2 + .. (91,2 ) 2 J

SQB

I (142, 1) 2

+ . +

(158 ,3) 2]

Final ment e, a Soma de Quad rados para o Resd


uo

S.Q.

Q.M.

3
7
21

50,53
919 '72
179,4 6

16,84
131,3 9
8,55

31

1.149 , 7l

Bloco s
Trata ment os
Resd uo

'

: ::,

se-

50~53

Causa de varia ao G.L.

-c

= 179,4 6 .
Temo s, pois , a segu inte anal ise de vari ncia
.

_J;

1,97
15,3 7 ,.,.,

O nme ro de graus de liber dade para trata ment


os
e
8- l = 7, e para bloco s 4- 1 = 3. Como
ao todo temos
32 - 1 = 31 graus de liber dade , resta m 21
para o
resduo.
O valo r de F para bloco s e

(
(

c
(

(
{

I
I
'i

131,3 9

= 15,J7 **

16,84

para o nve l de 1% de prob abili dade , o valo


r da
tabe la
de limit es unila ter-a is de F (tabe la 2) com
7 e 21 graus
de liber dade 3,64 . Logo o valo r obtid o (15,3
7) s~g
nific ativo ao nve l de 1% de prob abili dade
, o que se indlca com dois aster isco s.
.
Note -se que o efeit o dos trata ment os intei
rament~
ipdep.e nden te de ser ou no sigm ficat ivo o
efeit o de blo
cos .
~-~~ Para comp arar as mdi as de trata
ment os entre s~ podemos usar o teste de Tuke y. Preci samo s proc
urar o valo r
de q (tabe las 10 e ll) com n = 8 trata ment
os e n'
21
_grau s de liber dade para o rE:sd uo. A tabe
la lO da q
= 4,77 para n = 8, n' = W = q ~ 4,68 para n = 8, n'
O valo r desej ado -pode ser obtid o por inter
pola o
harm nica , que se faz toman do por base as
recp rocas dos
l
de graus de l.ber dade . Ternos, pois , para x
= 20
1
o valo r q = 4,77 e para x
q = 4,68. Como
l

20
24
120
entao uma
var1a ao de l/120 nos deu uma dimin uio
de 4,77 - 4,68 = 0,09 no valo r de q. Por outro
lado:
l

20

21

420

logo, fazem os a regra de tris:


.l

1,97

0,09 ,

120

8,55
com 3 e 21 graus de liber dade . O resul tado
obtid o (1,97 )
no sign ifica tivo, pois no ating e o limit
e de 5% , de
prob abili dade (3,07 ). Raram ente inter essa
testa r o efei-

e prec iso calcu quad rado mdio e o valo r de F respe tivo.


o valor de F para trata ment os :

-c

50,53 .
r a:

8,55

SQR = 1.149 ,71 - 919, 72-

lar

919,7 2 '
e, sendo SQB a Soma de Quad rados para Bloco
s, temos ain- ;
da:

SQT

= 12.4: 34,65

~x2 - C = 1.149 ,71

SQ Tota l

~ ~--~~

59

"32

( 6JO 8) :'

420
y

(0,09 )

420

120

120
(0,09 ) 420

0,026 :: 0,03

(
(

(
(

(
(

60
Segue-se que o valor de q correspondente
(;'
mentes e 21 graus de liberdade para o resfduo
= 4,77- 0,03 = 4,74.
A interpolao linear, mais fcil mas menos
lhvel, neste caso d q = 4,75, valor pr~ticamente
ao obtido acima.
Temos, pois, para o nvel de 5%,

(
D.

(
(

(
(

(
(

(
(

(
(
(

4,74

2,92

;-;;-

6,92 ,

pois o desvio padro residual e s = 18,55 = 2,92.


As medias de tratamentos, em ordem decrescente,so.
1. S. Rafaela
25,5 t/ha
2. Huinkul
25,1 t/ha
3. B 72-53 A
22,8 t/ha
4. B 116-51
22,5 t/ha
S. B 1-52
22,3 t/ha
6. B 25-50 E
16,5 t/ha
7. Buena Vista
12,4 t/ha
8. Kennebec
10,7 t/ha
Qualquer diferena, entre duas dessas medias,
rior a 6,92, significativa ao nvel de 5%. Logo o
riedade S. Rafaela no difere significativamente das
tro que lhe seguem, mas supera todas as demais
des, de B 25-50 E em diante.
Se usssemos o teste de Duncan, terfamos, ao
de 5% de probabilidade:

(
(

Ds

22,8
a

22,5
a

22,3
a

16,5
b

12,4
bc

4,74,

D6 = 4,81,
Agora a diferena entre a media de produo da
riedade B 25-50 E e a da variedade Kennebec, igual
5,8 t/ha; se torna significativa de 5% de probabilidade
pois excede o valor D3 = 4,51.

3 m1 + 3 m2 - 2 m3 - 2 m4 - 2 ms ,
para o qual, se tomarmos o nfvel de 5% de probabilidade,
teremos:

s = 2,92 I (7/4)(9

9 + 4 + 4 + 4) 2,49

33,39 .

Como

= 3(25,5 + 25,1) -

2 (22,8 + 22,5 + 22,3) =16,6

5.3

10,7

H, pois, um grupo de variedades de alta


produo
(S. Rafaela, Huinkul, B 72-53 A, B 116-51, B 1-52), que
se destacam nitidamente das demais, do ponto de vista es
tatstco.
Para compara:: grupos de tratamentos, pode-se
usar
o tes~e de Scheffe~ de maneira inteiramente anloga
ao
que flzem~s.no capltulo anterior. Por exemplo, para comparar a med~a das duas variedades de maior produo (S.
Rafaela, Hulnkul) com a mdia das 3 seguintes (B
72-53
A, B 116-51, B 1-52), usarfamos o contraste

4,51 ,

e ainda
4,64,

3,09

(
=

25,1
a

25,5

vemos que este contraste no significativo ao


de 5% pelo teste de Scheff.

D4

ou

4,29 ,

O resultado final das comparaoes e dado a seguir:


16,5
12,4
25,5 25,1 22,8 22,5 22,3
10,7

D 2 = 2,94

61

nvel

UTRO ExEMPLO

Numa pesquisa sobre o efeito do leo de milho


no
te?r de colesterol do sangue, o medico Dr. Ben Hur
C.
PalVa obt:v~ os~dados da tabela 5.3.1, de 7 pacientes.
A anallse e feita tomando-se os pacientes como blo_cos. Os resultados obtidos so dados a seguir.

62

Tabela 5.3.1. Teor de coleste rol no sangue, em mg


100 g.

63
ia de pelo menos lO
mfnmo 20 parcela s e exignc
~

Antes da
dieta de
leo de
milho

Depois da
dieta de
leo
de
milho

Totais
de
blocos

pacient e
pacient e
pacient e
pacient e
pacient e
pacient e
pacient e

270
410
350
360
350
430
268

175
308
248
231
196
190
252

445
718
598
591
546
620
520

2438

1600

4038

(
(

'

19
29
39
49
59
69
79

Totais de
tratame ntos

.~

ll

I
I

(
(

\._

Analise da

(
(

(
(
(

Causa de
variaa-o
Blocos
Tratame ntos
Resduo

\'ar~anc~a

G.L.

S.Q.

Q.H.

6
1
6

22.000
50.160
13.863

50.160
2.311

21 70*''<
I

(
(

(
(
(

(
(

H, pois, efeito signifi cativo da dieta sobre


o
teor de coleste rol no sangue. As mdias so as seguint es:
Antes da dieta:
348,3 + 18,2 mg ,
Depois da dieta:
228,6
18,2 mg
A diferen a para menos ll9, 7 + . 2"5", 7 mg. O intervalo de confian a para esta diferen a, ao nfvel de
95%
de probab ilidade , tem extremo s 56,7 mg e 182,7 mg.
Note-se que, neste caso, no foram atendid as as recomenda es gerais dadas em 3.10, relativ as ao uso de no

graus
de liberda de para o res~duo. No entant~, uma vez que
~
resultad o foi signifi~ativo, _ a con.clus ao permane ce de pe,
semque _p.e_I1hl!ma. obj.eao .. possa .ser . levanta da _contra _ela._
5;:- porm, o resulta do no fosse signifi cativo, entao p~
deramo s admitir que tal fato decorre sse da escassa preciio do ensaio, o que poderia ser corrigi do pela incluso de mais alguns pacient es, isto , pelo aumento do n
mero de repeti es.

SNEDECOR e COCHRAN (1979) discute m longame nte casos


como este, de ensaio em blocos casuali zados com apenas
dois tratame ntos, frequen temente mencion ados na biblio grafia como "dados emparel hados". Parece- nos prefer vel,
,porm, aplicar -lhes o mtodo g:ral da anlise ~os
ensaios em blocos ao acaso. Convem observa r, porem,
que,
com dois tratame ntos por bloco a analise da varinc ia e
os testes t e F so perfeita mente validos mesmo que cada
tratame nto tenha uma varinc ia diferen te, o que contrariaria a hiptes e c da seo 2.3. Em ~utras
palavra s,
se antes da di e ta a varinc ia fosse a 2 , e depois da dieta a~,_o Quadra~o Mdio do Resd~~ e~Lmaria (uy+a~)/ ~
isto e, a
media das duas var~anc~as. O teste F api~
cado nesta seo conti.nu a valido e eorresp onderia exat~
mente a o teste t aplicad o ao contras te de
tratame ntos
Y = m1 - m2. S no seriam vlidos os erros
padre s
das mdias e.s timadas (18 ,2 mg), pois na verdade
seriam
diferen tes, para as duas medias, e no sabemos
quanto
valem, pois conhece mos apenas uma estimat iva (2311 mg 2 )
da mdia das duas estima tiv as
e ~. Has correto
o
erro padro da estimat iva do contras te entre as duas medias (25,7 mg), que o que mais interes sa.

5, 4. UM

ExEf'IPLO COM PARCELA PERDIDA

Suponha mos agora que no experim ento do exemplo 5.2


. tenha sido perdida a parcela com a varieda de
Kennebe c
no 19 bloco (9,2). A anlise pode ser feita ento median
te a estimat iva de um valor que substit uir o que deve=
ria ser obtido nessa parcela . Esta estimat iva de maneira
alguma represe nta o valor que seria obtido, pois ningum
pode saber qual fosse, mas ~apenas um artiffc io de clculo que conduz ao mesmo resultad o a que se
chega-

64

ria, por .proc esso s muit o mais com plex


os,
apen as os dado s real men te obti dos.
No caso de um expe rime nto em bloc os
ao acas o,
valo r de y que repr esen tar a parc ela
perd ida ser
rB +n T-G
y =

(
(
(

65

(
(
(
(

(
(
(
\

L
I

4(13 2,9) + 8(33 ,6) - 621, 6


3 )( 7

8,5 .

Este valo r i subs titu do no luga r do


dado
perd i
e a anl ise feit a como ante rior men
te, com a nic a
fere na de que se perd e um grau de
libe rdad e para o
sdu o. Obte mos, pois , a segu inte anl
ise da
-

132, 9)2

(8,5 -

onde B i o tota l das parc elas rest ante


s no bloc o em
figu ra a parc ela perd ida, r o nme
ro de bloc os, n
nume ro de trata men tos, T o tota l
do trata men to de
cela perd ida nos outr os bloc os e G
o tota l das
las disp onv eis. No caso pres ente temo
s
B
T = 33,6 , G = 621, 6, r = 4, n =
8, logo

u = 7

(r-- l)(n - 1)

nt< ublvm u<;


tJo caso 'tJr"~
~~~

logo a verd adei ra sorna de quad rado s para trata men tos seria 932 45- 96,4 7 = 835, 98 .
o q~adrado md io para trata men tos ser 835,
98/7
119, 43 e obte mos enfim

F =

119, 43

(
(

(
(
(
(

c
(

13,3 3**

Essa corr eao em gera l infl ui pouc o,


de sort e
q~e
muit as veze s se disp ensa . Por outr o
lado , como semp re re
duz o Quad rado Hdi o para Trat ame ntos
, se este j for p..;_
quen o, no sign ifica tiva men te ~aior
do qu~ o quadra~o_rn~
dio resi dua l, sabe -se de antem ao que
depo~s de corr~g~do
tambm no pode r supe r-lo sign if cati
vam ente
O test e t pode r ser usad o, com os cuid .
ados j v~s
tos ante riorm ente e aind a 'leva ndo- se
em cont a que ao com
para r a md ia do trata men to com par~
ela perd ida com outro trata men to qual quer o erro padr ao
da estim ativ a
da
dife ren a Y entr e essa s duas md ias

n
\

Caus a de vari aao

C. L.

S.Q.

Bloc os
Trat ame ntos
Res duo

3
7
20

53,3 1
932, 45
179, 15

Tota l

30

1.16 4,91

r(r- 1) (n-1 )

Q.H.

133 '21
8,96

8,96

(
(

= 96,4 7

Cumpre sali enta r, por m, que na lti


ma anl ise
quad rado mdi o rela tivo ao res duo
est corr etam ente e
tima do, mas o que corr espo nde a trata
men tos est lige i
rame nte exag erad o. Para corr ig- lo,
bast a sub trai r da so
ma dos quad rado s para trata men tos o
nme ro U dado
pel
form ula

n - l

(y -

send o, pois , um pouc o maio r que o erro


padr o
ren a entr e as med ias de dois trata men
tos sem
perd ida, que e
sC?)

da

dife parc ela

As nova s md ias de trata men tos sao as


mesmas dada s
ante s, com exce o apen as da refe rent
e vari edad e Kennebe c, cuja md ia ser agor a
fi)

33,6 + 8,5

10,5 t/ha .

4
Para com para ao dest a med ia com a da
vari edad e B 25
-50 E, por exem plo, como s = ~
= 2,99 , ter{a mos :

,S:...-iiliiiliiiiiem;;:i.=--=!~!"""',_~~......-

~.,......

.I

67

16,5- 10,5

2, 99 v'---42 +

2,60*

11

4, 77

7,13 '

[~ +
r

Logo, corno r

Teremos,

V 2[

v~.

8
+
4.3.7

];_ + --,-_:.n--,-

r (r-1) (n-1)

s2

(
(

(
(

Cov (mi , mu)


onde

O ,

Cov indica covarin cia. Assim, para um contrast e

Y = rn 6 + rn 7 - 2 rn 8 ,
no caso presente , ternos:

<ffi6) +

v Cm7)

v <ffi6 )

+ 4

(
(

79
42

8, s2

4 v cffi 8 )

v Cm8 )

s 2 =79
-

42

s2.

8,96, fica:
8,96

= 16,85

po~s,

/(n-1) ~ (Y) F
(2,49)

17,14

-;=- + r ( r-1) ( n-1) ]

quando urna das medias a comparar e a que teve


perda
urna parcela.
O teste de Duncan pode ser aplicado de maneira analega.
O teste de Scheff pode ser usado em qualquer caso,
levando- se em conta, porm, que, sendo ffi. a estimat i va
- .
~
da rned~a do tratamen to com parcela perdida
e IDu a
tiva da mdia de outro tratamen to qualquer ternos:

V(?)

7,79 ,

( 4 ' 77 ) s

. / 1

(4,77) (2,99)

4, n

4n
r(r-1) (n-1)

17(16,85 )
6'

para mdias em que no houve parcela perdida, e com

n
2 ~ sZ + 4 I 1 +
2
r
r(r-1) (n-1) I s
r

VC?)

8
4.3.7

com 20 graus de liberdad e.


O teste de Tukey pode ser usado ao nvel de 5%
probabil idade com

- - - - - - - - - - - - -- -- - - - - -

66

------

..

....

-'tl!'tl"'-')-~_.._.,..,,.,..,.~,~~-"".,......,.,..,........-,......._~~"'."'"J~"'"..:"",.,.;:":''-W..-:'~~'ot ..,~..~-;~-~,_~""'."'::. : ,~::..::~~ -~. '' '' "'""''"''"'

onde usamos o valor de F para o nvel de 5% de probabili: _


dade. Corno

? = 16,5

12,4- 2 (10,5)

= 7,9
o contrast e no signific ativo, pelo teste de Scheffe,
pois est a estimati va no s upera o valor de S obtido.
+

5.5. 0 CASO DE DUAS PARCELAS PERDIDAS


Quando h duas ou mai s parcelas perdidas num experimento em blocos casualiz ados, corno dever ser feita a
anlise?
O mtodo mais simples e eficient e parec e ser o seguinte, explicad o por meio do exemplo de 5.2, onde supomos perdidas urna parcela no primeiro bloco, com a variedade Kennebec (9,2), e outra no s egundo bloco, com a variedade Huinkul. Comeamos por substitu ir por incgnit as
os valores perdidos e procuram os realizar a anlise esta
tstica com os valores conhecid os e com essas
incgni::tas. Obtemos a tabela seguinte .

68

69

19
bloco

bloco

l3 ,4

21,1
22,6
15,4
12,7
20,0
23,1
18,0

ll ,o

y
29,9
ll, 9
18,0
21,1
24,2
24,6

26,4
24,2
10,1
18,2
20,0
26,4
24,0

9,2
25,7
25,1
12,3
17,1
28,0
16,3
24,6

132, 9+x

l43,l+y

160,3

158,3

Variedades

(
(

c
(

Kennebec
Huinkul
S. Rafael a
Buena Vista
B 25-50 E
B 1-52
B 116-51
B 72-53 A

Totais de
blocos

az
X

-- - -

29
bloco

39

49
bloco
1

594,6 + X + y

'
c = (594,6 +

SQ Total = L:x2

SQT

SQB

8 [ (132,9

Causa de variaao

G.L.

Blocos
Variedades
Resduo
Total

(
(
(

(
(

(
(

+ y)2

o,

de onde obtemos o sistema de equaes:


21
{

X + y
+ 21 y

=
=

205,8 ,
563,4 .

Da tiramos x = 8,5, y = 26,4. Com estes


valores
podemos levar a cabo a anlise da maneira usual, com os
resultados dados a seguir.
S.Q.

Q.M.

3
7
19

51,46
926,10
178,93

13 2 ,30
9,42

29

1.156,49

14,04**

SQR

- c

[ (33,6 + x)2 + (73,2 + y)2 + ... J

- 4 [ (33, 6

_c ,

+ x) 2 + (143,1 + y)2 + ... j _c ,

= SQ Total - SQT- SQB

o'

32

y- 4(73,2+y) - S(l43,l+y) + )2(594,6+x+y)

594,6+x+Y

Temos agora:
L:x2 = 12.770,72 + x2 + y2
L:x

l
~( 132 ,9+x) + )2(594,
6+x+y)

2 Cly

.loJ
6+x)
4
'

33,6+x
73,2+y
101,8
49,7
66,0
89,1
90,0
91,2

az

x -

12.770,72 + x2 + y2

+ x) 2 + (73,2 + y)2 +

] -

[ (132,9 + x)2 + (143 1 +y) 2 + ... ]+ (594,6 +


32
Na ltima igualdade s fazemos figurar os
termo
que encerram as variveis x e y, pois os demais no
ressam.
Agora
procuraremos determinar x e y de maneira
...
seJa m1.n1ma a Soma de Quadrados do Resduo (Z
to se consegue facilmente igualando a zero as
pardais dZ/Clx.
az/ay. Fica:

Note-se que as duas parcelas pe r didas a c arretam


a
perda de dois gr aus de liberdade no resduo.
A Soma de Quadrados para o Resduo fica corretamente estimada por este processo, mas a que corr esponde
a
tratamentos (variedades, neste caso) est
ligeiramente
exagerada. A sobrestimao resultante para o Quadrado Me
dio de Tratamentos geralmente desp'rezvel, mas,
num
trabalho rigoroso, poder ser corri gida, da maneira explicada a seguir.
Subs ti tuimos novamente por x e y os dados _ perdidos
e obtemos mais uma vez a soma dos quadrados para o resduo, agora, porm, sem levar em conta os tratamentos.
Fica:
Z = SQRC = x 2 + y 2 +
-~

[ (l32,9+x) 7 + (l43,l+y) 2 + ... j

..

.r-:~-1'!~~

70

7l

SQRC e o que se costuma chamar <I Soma d <~uadrados


para o Residuo, ou Erro, Condicion al, ist o ~. a sorna dos
quadrados para o resduo quando os tratament os so desprezados. A seguir igualamos a zero as derivadas
parciais az/ax e az/ay e resolvemos o si~tema de equa~e
obtido. Chegamos ass1m ao sistema:

(
(
(

x -

(132,9

y - - (143,1
8

SQRC

+ y)

=o '

= SQ Total- SQB = 977, 78 .

Mas SQRC inclui a Soma de Quadrados para Tratamentos, que agora pode ser obti~a por subtrao:

SQT

SQRC - SQR

977' 78

798,85

178,93

Este e o verdadeiro val o r da soma de quadrados


tratamento s. o quadrado medi a correspond ente e:

QMT

114' 12 '

logo

5. B 1-52
6. B 25-50 E
7. Buena Vista
8. Kennebec

114' 12

12,11** .

Note-se que este valor de F inferior ao obtido an


teriormen te, sem esta correao de que estamos tratando.
O mtodo que acaba de ser descrito bem geral e p~
de ser usado quando h trs ou mais parcelas
per9idas,
e ainda para delineame ntos mais complicado s do que os os
blocos casualizad os.
As medias de tratamento s sao as seguintes:

(
(
(
j
I

I
I

t/ha
t/ha
t/ha
t/ha
t/ha

Para os testes de comparao de medias necessitam os


saber calcular a estimativa da varincia de um
contras
te. Para isto h uma regra aproximad a de J. Taylor, ba=
seada no nmero efetivo de repetie s.
Considerem os o contraste Y = m - lllu entre as mdias dos tratamento s i eu e seja n 1 o nmero de tratamen
tos. Tomamos como igual a um o nmero efetivo de repeti=
oes do tratamento i para cada bloco em que i e u ocorram; esse nmero ser igual a (n-2)/(n-1 ) para c ada bloco
em que o tratamento i aparece, mas u no aparece; finalmente o nmero efetivo de repeti~es ser zero quando i
no aparece no bloco. Para o tratamento u se gue-se a me~
ma regra.
Por exemplo, para comparar a variedade 2 (Huinkul)
com a variedade 6 (B 25-50 E), temos para a
primeira
r1 = 3 repeties efetivas, e para a segunda r 2 = 3 +6 /7 =
= 27 / 7 repeties efetivas. Logo
16
27
Essa regra se aplica a qualquer caso de
perdidas, com boa aproxima o.
No caso do teste de Tukey, por exemplo,
para o nvel de 5% de probabilid ade:

9,42

22,')
22,3
16,5
12,4
10,5

798,85

O ,

de onde tiramos logo x = 19,0 e y = 20,4. Com estes


lores podemos agora calcular SQRC. Conse guimos:

x)

4. B 116-') l

l. S. Rafaela
2. Huinkul
3. B 72-53 A

25,5 t/ha
24,9 t/ha
12,8 t/ha

4,79

(9,42)
parcelas
teramos,

\t(Y)

o/2 ) (16/ 2 7) 9,42

8,00
Como

24,9

16,5

8,4 .
verifica-s e que o contraste em estudo e significat ivo.

72

5.6.

(
(
(

(
('

(
(
(

(
(

(
(

(
(
(

I
73

UTROS TIPOS DE ENSAIOS EM BLOCOS CAsUALIZADOS

O delineame nto que acabamos de estudar neste cap


tulo se denominar ia com mais propriedad e delineame nto em ,
blocos completos casualizad os, porque se fazem ensaios, ,
mais complexos , em que se organizam blocos, mas c~da
deles no inclui todos os tratamento s: temos entao
os
blocos incomplet os casualizad os, dos quais alguns tipos
so discutido s nos captulos 10 e 11. Por outro
lado, '.,
h casos, raros, em que cada bloco inclui todos os tratamentos duas ou mais vezes. Podemos ter, por exemplo,
experimen to com 3 tratamento s, blocos de 6 parcelas, c
duas repeties de cada tratamento em cada bloco. O de- ,
lineamento assim obtido tem a vantagem de, com o
nmero de parcelas, trazer maior nmero de graus
herdade para o resduo.
Um exemplo interessa nte, de ensaio em blocos casualizados com duas repeties por bloco, e dado por um ex- '
perimento do Eng9-Agr9 Duvilio Omet:o, com dois
tratamentos Caradura profunda e aradura superfici al), com
repetie s. Se o experimen to fosse em blocos
completos
casualzad os do tipo usual (com uma repetio poY bloco), o nmero de graus de liberdade do resduo seria ll.
Como, porem, se fizeram apenas 6 b locas, , c a da um
com
duas repetie s para cada tratamento , o esquema de anli
se da varincia passa a ser o seguinte.

numa ordem obtida por sorteio, como, por exemplo,


uma
daS segu i.ntes: AB Bfl, ABAB, AABB, e te.
A anlise segue normas inteiramen te anlogas as que
se usam para os blocos casualizad os, como veremos a seguir.
No ensaio acima referido, os dados de produo
de
milho, em kg por parcela de 200 m2 , foram os
indicados
abaixo.

Aradura
profunda
19
29
39
49
59
69

bl oco
bloco
bloco
bloco
bloco
bloco

5
1
17

SQT

Total

23

SQB

Ganhamos, pois, 6 graus

d~

liberdade para o

res~-

duo.

Designand o-se por A e B os dois tratament os,


cada
bloco incluir o A duas vezes e o B tambm duas
vezes,

(
(
(

25,3
24,1
19,7
26,0
30,0
24,1

l: x2 = 955,22

(149 ,2) 2

= 927,53

SQ Total= 955,22- 927,53

Blocos
Tratamento s
Resduo

6,8
5,9
4,7
5,6
6,4
4,5

24

G.L.

6,0
5,2
4,4
7,2
7,1
7,6

149,2 ,

l:x

Causa de variaao

7,0
6,2
6,0
6,8
8,8
5,8

Temos:

5,5
6,8
4,6
6,4
7,7
6,2

Totais
de
blocos

Aradura
normal

~2

27,69

[ ( 77 , 8) 2 + ( 71,4) 2 ]

i-t (25,3)

+ ... + (24,1) 2 ]

1, 70 '

-c= 13,92

Obtemos, pois, a anlise de varincia dada


a seguir, onde no foi significa-tivo o efeito de
tratamentos.

.sws ..

(
(

74
75

Causa de varia ao

-c. L.

Bloco s
Trata mento s
Resd uo

5
1
17

1,70
12,07

Total

23

27,69

(
(

S.Q.

Q.M.

l., 70

2,39

13,92

o, 71

(
(

(
(
(

(
(

(
(

5.7. O CAso

DE l)1

BLoco ou TRAr PMENTo Pm mo

Uma das vanta gens dos ensai os em bloco s


dos e que a perda total de um ou mais bloco s
mais tratam entos em nada dific ulta a anli se estat
stic a,
Se, por exem plo, no ensai o de 5.2, fosse perdi
do o
19
bloco , resta riam os outro s trs, e ter,a rnos, pois,
um en
saio em bloco s casua lizad os com 8 tratam entos
e 3 repe-
tie s. Analo game nte, perdi das todas as parce las
de
3
varie dades , por exemp lo, resta riam as demai s em
um
sa~o com 5 trat ament os e 4 repet ies
, em bloco s ao
so.

(
(
(
(

c
(
(
(
(
(
(
(
(

.(
.,

5,8.

ExERCCIOS

(5.8. 1) Numa horta temos 6 cante iros comp ridos,


ca
da um dos quais comp orta 5 parce las. Plane jar
detal hada=
mente um exper iment o, a ser feito nesse s cante
iros, com
5 tratam entos e 6 repet ies , nos segui ntes casos
:
a)
Inteir amen te casua lizad o; b) Em bloco s casua lizad
os.
(5.8.2 ) O mesmo exerc cio anter ior, supon do-se
que
temos s 4 tratam entos .
(5.8. 3) Uma fazen da disp e de terra s de dois
tipos
disti ntos, embor a semel hante s (de lomba da e de
enco sta).
o fazen deiro desej a fazer um exper iment o com 8 frmu las
de aduba~o e 6 repet ies . Para obter resul tados
bem
gerai s, que delin eame nto dever utiliz ar? Se
usou blocos casua lizad os, como ser prefe rvel , corno dever
dispor os bloco s? Note- se que convi r repet ir o ensai
o pelo .
menos em dois anos agrc olas.
(5.8.4 ) Anal isar os dados segui ntes, refer entes
a

produ o de c ana-p lanta dl um e nsaio de varie dades


de c a
na f e ito pela C o operat~a dos Usine iros do Oeste
do Est~
do de S~o Pau lo.

Varie dades
Co
Co
CB
CB
CB
CB
CB

413
419
41-76
36-24
40-19
41-70
41-6

Totai s de
bloco s

19
bloco

29
bloco

39
bloco

49
bloco

Totai s de
varie dades

88 '7
123 '9
115 ,4
122,2
137,5
111 '7
137,9

i09 '7
151,7
116,4
141 '6
126 '7
159 ,o
148,2

90,7
131 '9
152,7
165 '7
162,0
120,0
150,0

99,7
114,5
142,5
162,7
114,5
107,5
122,5

388,8
522,0
527 ,o
592,2
540,7
498,2
558,6

837,3

9 53,3

973,0

863,9

3627, 5

(5.8.5 ) Num ens a io de cornpeti~o de varie dades


de
mand ioca, m bloco s ao acaso , realiz ado pelo
Insti tuto
de Pesqu isas Agron mica s do Lest e (atua l Centr
o Nacio nal
de Pe squis a de rland o ca e Fruti cultu ra, da El:1BRA
PA) , em
Cruz das Almas , BA, as produ es foram as se guint
es, em
t/ha.
Vari edade s
Aipim bravo
Hi 1agro sa
Sutin ga
Salan g Preta
Ham~o

Escon dida

19 bloco
14,5
5 '7
5, 3
4,6
14 '8
8,2

29 bloco
15 ,8
5,9
7,7
7 '1
12,6
8,2

39 bloco

24,0
10,5
10,2
10,4
18,8
12,7

49 bloco
17~0

6,6
9,6
10,8
16,0
17 '5

Fazer a anlis <:' da v ar :i nci a L' a comparcu;ao da


s medi as. Obtt>r ntl' rvalo cle c onfia na para a difer
ena entr.e as varie dades Mam~o e Escon dida.

(
(

(
(

(
(

(
(

(
(

(
(
(
(

76

6. EXPERIMENTOS EM QUADRADOS LATINOS

5,9, BIBLIOGRAFIA
ANDERSON, R.L. e T.A. Brancroft, 1952.
Theory in Researc~. McGraw-Hill, Nova York . .
CALZADA BENZA, Jos, 1964. Mtodos Estadsticos para
Investigacin. Lima.
CARVALHO, M:J. Rodrigues, 1946. A Estatstica na
rimentao AgrcoTa. Liv. S da Costa, Lisboa.
COCHRAN, Wil1iam G. e Gertrude M. Cox, 1957. Ex:per1".me!nt:a1
Designs, 2';i edio. John Wi1ey, Nova York.
DAGNELIE, P., 1975. Thorie et Mthodes
Statistiques,
vol. 2. Presses Agronomiques de Gembloux.
FEDERER, Walter, T., 1955. Experimental Design.
lan, Nova York.
JOHN, P.W.M., 1971. Statistical Design and Analysis
Experiments. Macmi llan, Nova York.
.
KEMPTHORNE, O., 1952. The Design and Analysis of Ex:peri-
ments. John Wiley, Nova York.
MYERS, J.L., 1979. Fundamentais of Experimental Design,
3~ edio. Allyn and Bacon, Boston.

'6,1.

GENERALIDADES

Nos quadrados latinos os blocos sao organizados de


duas maneiras diferentes, uns constituindo as linhas, ou
tros as colunas.
Suponhamos, por exemplo, que queremos experimentar
5 raes (A, B, C, D, E) em 5 vacas e com 5 capins distintos usados para pastagens. Evidentemente aconselhvel um delineamento em que cada rao seja experimentada
em cada uma das vacas e com cada um dos capins. Um tal
delineamento, que um quadrado latino de 5 x 5, poder
ter o esquema seguinte.

Capim
Capim
Capim
Capim
Capim

Vaca l

Vaca 2

Vaca 3

E
A

E
A

D
A
E

Vaca 4

Vaca 5

D
E

(
(
(

Este tipo de delineamento tambm e usado para eliminar a heterogeneidade do solo em duas dire~es perpendiculares (linhas, numa direo, colunas, na outra)
e
te~os ento de levar em conta a localizao topogrfica
das parcelas, como se v no esquema seguinte de um quadrado latino de 6 x 6.

(
(

Coluna
l

(
(
(

(
(
(
.(

Linha
Linha
Linll.i
Linha
Linha
L~nha

l
2

3
4
5
6

B
D
A

Coluna
2

Coluna

Coluna

E
F

Coluna
5

Coluna
6

D
B

E
F

D
B
E
F

c
A

(
(

(
(
(

(
(

(
(
(
(

78

79

.1\ os tratamentos sao seu; (f.., 13, C, D, F, F), distribudos de tal forma que cada tratamento aparece uma
s vez em cada linha ou coluna.
Os quadrados latinos constituem um bom tipo de deli
neamento, mas sua flexibilidade muito menor do que a
dos blocos casualizados. Como o nmero de repeties deve ser igual ao nmero de tratamentos, em geral no se
usam quadrados latinos no caso de termos mais de 8 trata
rnentos, pois ento o nmero de repeties serla, nao raro, um tanto exagerado.
e
Por outro lado, os quadrados latinos de 3 x 3
4 x 4 encerram to poucas parcelas que s podem ser usa-.
dos se o experimento incluir vrios quadrados latinos.
Os quadrados latinos mais usados so os de 5 x 5 a
8 X 8.

remos:
,. 2

t. X

(
(
(

l.ogo
SQ Total= Ex 2 -C= 257.724
A Sorna dos Quadrados para as Linhas e:
SQ Linhas

6 2 IJ-.1
I

Num experimento de competio de variedades de cana-de-acar foram usadas cinco variedades (A, B, C, D,
produE) dispostas em um quadrado latino de 5 x 5. As
es de cana-planta, em kg por parcela, so dadas na tabela seguinte.

(
(

(
(

Totais
de
colunas

D432
C724
E439
B494
As1s

A518
E473
B384
D5oo
c660

B453
A524
css6
E313
D433

c533
~550
D297
A486
E394

E331
D400
A420
csor
B313

2322
2676
2146
2294
2325

2654

2540

2289

2310

1970

11763

~5 I <2654) 2

+ ... +

<1970) 2 J _ c

55.640 .
Para obter a S8ma de quadrados relativa a Tratamentos, c alculamos prirne.!'.ro os totais deles:

A - Co 290

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

B - Co 421 ....................... .... .


C - Co 419 ....................... .... .

Totais
de
linhas

(2322) 2 + (2676)2 + .. + (2325) ZJ - C

30.480 .

SQ Colunas

Ex8'1PLO

~I

E para as Colunas obtemos:

5.534.727'

25

i:x = 11763 ,

(11763)2

(
(

5.792.45t '

D - POJ 2878 ....................... .. .


E - CP 36-13 ....................... .. .

2463
2204
3024
2067
2005 .

Ternos, pols,
SQT

iI

(2463) 2 + ... + (2005) 2 ] -c= 137.488.

Podernos,ent~o,

que ~ dada a seguir.

completar a analise da varlancia,

"\ .

~-'"I .

80

81

Caus a de varia ao

G.L

Linha s
Colu nas
Trata ment os
Resd uo

4
4
4
12

30.48 0
55.64 0
137.4 88
34.11 6

Tota l

24

257.7 24

(
(

(
(

(
(

(
(

(
(
(
(

(
(
(
(

(
___f_

? =

2 m2

34.3 72
2.843

m4 - m5

onde

No

entan to

53,3

v-/_45

= 492,6 - 413_...!._4 = 2,35*

492,6 - 4}3,4

107, 5,

33,71

53,3~

ivo ao nve l de 57..


Uma comp ara o tambm s veze s inter essa nte
a de
cada trata ment o com a mdi a gera l.
Tal cont raste pode
ser julga do pelo teste de Sche ff. Facil ment
e se demo nstra que neste caso temos
S
IF s (n-1 )/n
onde n e o nme ro de trata ment os.
prese nte e para o nve l de 5% ,

_ 13,26

s - --

53,3
5

6 3 Ourno
I

caso

76 '7 5 .

ExENPLO

Num expe rimen to de aduba o de cana


Aleg re, com ferti lizan tes mine rais e adubo s da Usina Mont e
verd es, havi a
os trata ment os que const am da tabe la segu inte,
com os
respe ctivo s totai s de ac ar prov vel, em kg
por parc ela.
Sem
Crot alri a

210,8 .

Temo s, po1s , no

Como a mdia gera l 470,5 , logo se verif ica


que so a va
"rie dade Co 419 difer e dela.

<4 + 1 + l) 3,26

i o erro padr o da difer ena das duas medi as,


ambas com
5 repet ie s. O valo r de t
2,35 , obtid o acim a, sign i
ficat

para o qual tera mos

33,71

401,0 = 170,8 ,
logo o cont raste em ques tao nao i sig~ificat
ivo.
Se tivs semo s plane jado de antern ao comp arar
a
Co 290 com a POJ 2878 , por exem plo, poder amo
s
faz -lo
pelo teste t, assim :

onde q = 4,51 o valo r da tabe la lO para


n = 5
trata mento s e n' = 12 graus de liber dade para o
resd uo.
as medi as de trata ment os so, em ordem decr
esce nte:
c - Co 419
604,8
A - Co 290 ..... ..... .... 492,6
B - Co 421 . . . . . . . . . . . . . 440,8
D - POJ 2878 ..... ..... .. 413,4
E - CP 36-13 ...... ...... .. 401 ,o
" vemos que a Co 419 supe ra todas as outra s
varie dade s,
pois a difer ena entre a medi a dela e a
da
varie dacle
prxi rna Co 290, 112,2 , valo r que supe ra
o limit e 6.
== 107,5 .
O teste de Dunc an pode ser usado da mane ira
j co-
nhec ida.
A comp ara o entre a Co 290 e a mdi a das
duas ltimas varie dade s pode ria ser feita pelo teste
de Sche ff
cons idera ndo o cont raste

(
(

53,3

= 4,51

15

Y ==

Q.~.

.
Podemos agora busc ar comp arar entre si as
medi as de varie dade s pelo teste de Tuke y.
Corno
= h843
= 53,3 , para o nve l de 5% ternos

S.Q.

Com Calc rio


Sem Ca lcri o

431,7 8 (Tl)
412,2 3 (T4)

Com Crot alri a


Sem Adubo
Mine ral
490,1 5 (T 2 )
480, 74(T 5) .

Com Adubo
Mine ral
459,8 9 (T3)
482,3 3 (T 0 )

82

83

O delineamento utilizado foi um quadrado latino Je 6 .< 6.


Os valores obtidos para as parcelas constam da
tabela

i
'!

(
(

(
(

I
I

I!

co
I

Ter::os:
Lx 2 =

Ul

LX

2757,12 ,

"'
I
<d

211.158,6304

+-1

logo

SQ Linhas=

i[

~2560,1800

!CO

(453,47) 2 + .. + (459,66)2]- C= 146,6124,

(.)o

<d

.c

SQ Colunas
1
6

SQT

[453,22) 2 + .. + (479,29)2]- c

[ (413,78) 2 + .. + (482,33)2]

-c

"'
"'o

<d

303,5828 ,

Q)

.u
::

819,1283 .

......

~
.-l

..;]"

H
Q)

Causa de variaao

G.L.

Linhas
Colunas
Tratamentos
Resduo

5
5
5
20

Total

35

s .Q.
146,6124
303,5828
819,1283
1290,8565

r-1

:X:

Q.H.

r=

--
X

163,83
64,54

2,53

<U-.o
.-I
Q)

......

<ll

U"'

<U o

o..::

b.J.U
~

O valor de F obtido nao atinge o limite de 5%, que e de


2,71. Mas e preciso considerar que os graus de liberdade
para tratamentos podem e devem ser analisados com maior
detalhe, isolando-se o efeito de cada causa de variao,
como se segue.

Q)

UJ

A) Efeito do Calcrio

1375,30 (18 parce-

total geral: 2757,12 (36 parcelas)

.--l

"'H
co

<U ::l

.l

.-I

1381,82 (18 parce-

co

O"'
"' co
I

(
(

2560,1800

Total dos tratamentos com calc-rio:


las)
Total dos tratamentos sem calcrio:
las)

......
N

::l

(
(

lfl ('.; f'. r- L{')


~< CO l.f"\ lf'\

0\ N

Q)

......
l.f)
......

"'o

....... .-l

..;T..;T..;T..;T..;T..;T

;:l

l.f"\r-~r-.l.f)l.f)

...-~

0..

MOOr--l.f"\0'1

::
.....

<1)

SQ Total = 213.718,810 4- 211.158,6304

"'

(
(

Cll

.....
<d
<11<ll.C

<1)

213.718,8104

(.)o

6. 03. l.

I
\;:l

O"

8
Q)

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

(
(

84

85

SQ Calcrio= ~

com um so grau de liberdade.

contraste ent.re totais de tratamentos, a soma de quadrados correspondente e

(U8l,82) 2 + (1375,30) 2 1 -C

SQY =

(
(

B) Efeito da Crotalria (sem considerar adubao

neral)
Total dos tratamentos com Crotalria: 1913,11 (24 par c elas)
Total dos tratamentos sem Crotalria: 844,01 (12 parcelas)

(
(

SQ Crotalria

c
(

+ c2T2 + ... +c n Tn
e r1, r2,
rn sao os nmeros de rpetioes dos di versos tratamentos. Se o nmero de repeties for r
para
todos os tratamentos, teremos:
SQY
r Ccf +c~+ ... +c~)

703,6876 ,

Para o caso (A), temos, pois,

tambm com um grau de liberdade.

?1

(
(

onde

Total geral: 2757,12 (36 parcelas)


(l/24)(1913,11) 2 + (l/12)(844,01) 2 - c

(
(

431,78 + 490,15 + 459,89- 412,23- 480,74 - 482,33


6,52

C) Efeito do Adubo, dentro da Crotalria


Com Crotalria, cor.. Adubo:
Com Crotalria, sem Adubo:

942,22 (12 parcelas)


970,89 (12 parcelas)

Com Crotalria:

1913,11 (24 parcelas)

(6,52) 2

SQAd.d.Crot.

12

Yl
Y2

y3 =

(
(
(

(4

24

Tl + T2 + T3 -

T4 - Ts - T5

T2 + T3

- Ts + T5

ortogonais, que do, respectivamente, o efeito do Calcrio (A), o da Crotalria (B) e o do Adubo mineral dentro
da Crotalria (C).
Dada uma funo linear
y = clTl +

c2T2

.. +

cnTn,

1 + 4
=

l) 6

703,6876

28,67 ,

(28 67) 2

quadrados

= -2T 1 + T2 + T 3 - 2T 4 + T 5 + T5 ,
-

Y3

Outro processo para obter estas somas de


seria considerar os contrastes

(
(

(225,09) 2

= 34,2486

(1913,11)

1,1808 .

= 225,09 ,

?2
(942,22) 2 + (970,89) 2

Analogamente achamos:

y2

------==---------

34,2487 .

(I + 1 + 1 + 1) 6

A Soma de Quadrados para as Interaes pode ser obtida por subtrao:


SQI

= 819,1283-

(1~1808+703,6876+34,2487)

= 80,0112 ,

com dois .graus de lib~rdade. ~1as tambm podemos separar


estes do1s graus de l1berdade, considerando um grau
de
liber?ade pa~a a interao A x B e outro para A x c. Para a 1nteraao A x B teramos de considerar a funo linear

!I

(
(

86
87

(
(

Y4

= -2T 1

obtida multiplicand o-se ordenadamen te os coeficientes de .


Y 1 e Y 2 . Fica:

'i\

+ T2 + T 3 + 2T4 - T5 - T&

SQA

52,13 ,
37,7436 .

(4 + 1 + 1 + 4 + 1 + 1) 6

E para A

Ys

(
(

(
(
(
(
(

c
(

SQA

C obtemos analogamente :

= -

T2 + T3 + Ts - T6 ,
? 5 = -31,85

42,2676 .

Teramos, pois,a seguinte analise da varincia.


Causa de Vari(lo
Linhas
Colunas

G.L.

s .Q.

5
5

146,6124
303,5828

1
1

1 '1808
703,6876
34,2486
42,267 6
37,7350

Tratamentos
Resduo

(5)
20

(819,1196)
1290 '6 712

Total

35

2559,9800

Q.M.

6 4 UM
I

---------- ---------- ---------- ---------- ------- .


Calcrio (A)
Crotalria (B)
Adubo d.Crot.(C)
Interao A X B
Interao A X c

1
1

1,18
703,69
34,25
42,27
37,74

o ,018 .

l0,90 1<* X.
o; 531
o' 655
0,585

(
(

(
(

ExEf\'\PLO COM PARCELA PERDIDA

No exemplo discutido em 6.2, suponhamos que foi per


di da a parcela com tr3tament o A (v ariedade Co 290)
na
primei ra linha. Temos ento de estimar um val or
par a
substituir o que dev eria s e r obtid o . A frmula, e , neste
caso ,
y

= r(L

Vemos, pois, que o efeito da Crotalria f~i signi0:_ .


cativo ao nvel de 1%. Todos os demais componentes
sao '
sem significao .
A aplicao do teste F, no mesmo ensaio, a
cinco
contrastes distintos, como nesse caso, cada um
de les
corresponden te a um grau de liberdade para . tratamentos,
equivale exatamente ao uso do teste t para esses mesmos ,
contrastes, nos termos da prova de Bonferroni.
Nestas .

+ C + T) - 2 G

(r-1) (r-2)

' 64,53

(
(

conJi~es, se adotado o nvel de 5% de probabilidad e (ta


bela 1), para o ensaio todo, deveramos adotar para cada
contraste o nvel de 5/5 = 1,0%, o que nos levaria
a
usar a tabela 2. Nela encontramos, com 1 e 20 graus de
liberdade, F = 8,10, o que nos mostra que o efeito
da
Crotalaria (para o qual obtivemos F = 10,90) significa
tive ao nvel de 5%. Se adotssemos o nvel de 1%
para
o ensaio, teramos de buscar o limite de F (corresponde n
te a a = 0,2%) numa tabela especial, e obteramos F
= 12 ,61.
Alternativam ente, podemos manter o limite de probabilidade a, escolhido para o ensaio, e dizer que o nvel
corresponden te para cada um de n contrastes estudados "
n a . Com a = 5%, no caso em discusso, o nvel de probabilidade para cada contraste 5 x 5 = 25%, pois
temos
n = 5. J com a = 1%, no conjunto, o nvel de probabilidade para cada contraste seria de 5 x 1 = 5%.

onde r e o nmero de repeties, G o total geral


das
parcelas no perdidas, e L, C, T so, respectivam ente,to
tais da linha, da coluna e do tratamento em que
figura
a par cela perdida.
No caso presente temos:
y .=

5(1804+2022+ 1945) - 2
4

11245

530 .

Colocamos este valor no lugar do nmero que


deveria ter sido obtido na parcela perdida e realizamos
a
anlise da varincia da maneira usual. Obteremos
ento
os resultados da tabela seguinte.

I :Mt

{
(
(

88

89

Causa de variaao

G.L.

S.Q.

Q.M.

34.510
3.095

c - Co 419
A - Co
290
B - Co
421
D - POJ 2878
E - CP 36-13

(
(

(
(
(

Linhas
Colunas
Tratamentos
Resduo

4
4
4
ll

30.357
56.563
138.041
34.041

Total

23

259.002

Para comparar as mdias entre si, o teste t


pode
ser usado, com os cuidados j apontados
e tendo em vis
ta que o erro padro da diferena entre'a mdia do tratamento com uma parcela perdida e a mdia de outro tratatamento qualquer

(
(
(

(
(

Tal como no caso dos blocos ao acaso, este


conduz a um valor ligeiramente exagerado para o quadrado mdio correspondente a tratamentos. Embora o
valor
obtido seja, na maioria dos casos, perfeitamente satisfa
tor~o, se quizermos ser estritamente rigorosos
poderemos corrig-lo pela substrao, da soma de
quadrados,
de uma cor~eo

c
(
(

(
(

(
(
(

Ob-

25

O valor correto da Sorna de Quadrados para Tratamen.


tos sera, po~s,

= 137.165

de onde se segue que o valor correto do Quadrado


para Tratamentos 34.291 e o de F
34.291

sendo, pois, um pouco ma~or que o erro padro para a diferena entre as mdias de dois tratamentos sem parcela
perdida, dado por

/3.095

55,6.

Os testes de Tukey e de Duncan.podern ser usados da


maneira explicada no capitulo 3. Para o teste de Tukey,
por exemplo, ternos
=

/;=-

no caso de um contraste entre duas mdias de tratamentos


sem parcela perdida, e

876

F=

/2
1
r + '(-r----::-;1),..-('r---;:2')

IJ.

_!i (530 - 493) 2

138.041- 876

com

(!) 2 I 530 _ 5(1804 + 2022) - 11245 12


5
16

(~) 2 [ _ r (L + C) - G ] 2
r
y
(r - 1)2
'

onde as letras tm a mesma significao dada acima.


temos:

604,8
495,0
440,8
413,4
401 ,o

Hdio

t..'

= q

\1(?) = q s

55,6

4,58

3.095

JJ.'

serao

agora:

/cl/2)

(~

(r-l)(r-2))

para um contraste entre o tratamento com parcela perdida


e outro qualquer. No caso vertente temos, ao nvel
de
5% de probabilidade,

= 11,08**

As rndias, em ordem decrescente,

/(1/2)

4,58

,fi;
X

113 9
'
'

' v~~-2

;5 6 -

Logo a variedade
Co 421, pois temos

(3.
5

+ _ 1_)

4. 3

125,3 .

Co 419 supera significativamentea

+4'bd4JJ

~~

.JM,.

90

91

(
(

440,8

= 604,8

164 ,o

'

6.5 ,

valor que excede o limite~= 113,9. Por outro lado, a


Co 290 no difere significativa mente ao nvel de 5% da
Co 419, pois temos ento

y = 604,8- 495,0 = 109,8 ,

(
(

valor que nao atinge o limite 6'= 125,3 .

O teste de Scheffpode ser usado em qualquer caso,


levando-se em conta porm, que' sendo mi a
estimativa
da media do tratame~to com parcela perdida e
a estima
ti v a da media de outro tratamento qualquer' temos

(
(

mu

(
v (mi)

(
(

(
(

vC1)

(
(

(
L

vcm1 )

vCffi 2 )

'

v(m 5 )

1
1
1
. 4
(- + ---) s2 + - s 2 + 5
4.3
5
5
77 s2
6077 x
3.o95
3.972

60

vc- )

~r-2) ]

e que essas mdias no so correlaciona das. Como j v~


mos, no caso de um contraste Y =c1rn1 +c2rn2+
+cl,mn, t~
mos
- ) + c 2 p()
2
V('Y) = c 2 nv ( m
2 v rn 2 + . . . cn rnn
1
1
Por exemplo, seJa o c ontraste Y = m1 + m2 - 2rn 5
Temos:

(r-l)

(
(

\ogo, ao nvel de 5%, obtemos:


S =

yf (n-l)tf(f)F = ,/4(3972)3,3 6 = 231,0 .

vemos
Como Y = 495!.0 + 440,8 - 2 x 401,0 = 133,8,
de
que o contraste nao e significativ o ao nve 1 de 5%
probabilidad e.

QUADRAOOS lATI NOS COM TRATAMENTOS) LINHAS OU

CoLuNAS PERDI Dos

Casos . de anlise relativament e difcil ocorrem


em
quadrados latinos com tratamentos, linhas ou colunas pe.E_
didos.
Quando faltam duas ou mais linhas ou colunas,
ou
dois ou mais tratamentos, a anlise bastante difcil.
Detalhes a respeito so dados por YATES e HALE (1939).
O caso de um s tratamento perdido, que no raro,
mais simples, e ser discutido a seguir. Alias, tam
bem estudado por YATES (1936).
Tomaremos corno exemplo o quadrado latino da
seao
6.2, onde suporemos que foi perdido o tratamento A. Restam, pois, parcelas dispostas num quadrado latino incompleto, como a seguir, onde os asteriscos indicam as parcelas perdidas.
Totais
de
linhas
432 (D)
724 (C)
489(E)
494(B )

*
Totais
2139
de
colunas

458(B)

583 (C)

384(B)
500 (D)
660 (C)

SSO(B)

556 (C)
3l3(E )
438(D)

4 7 8 ( E)

2022

1765

297(D)

394 (E)
1824

33l(E)
400(D)

1804
2152
1726
1808
1810

1550

9300

50l(C )
3l8(B)

Verifica-se, portanto, que cada linha encerra todos


os tratamentos restantes (B, C, D, E), o mesmo aconteceu
do com cada coluna. As somas de quadrados de tratamen=
tos so, pois~ calculadas da maneira usual. No entanto
as parcelas restantes de cada linha no incluem todas as
colunas, e vice-vers, de sorte que para calcular a soma
de quadrados para linhas necessrio ajusta-las em relao s colunas; analogamente , no clculo da soma
de
quadrados para colunas h necessidade de um ajuste rela~
tivo aos efeitos de linhas. Em geral calculamos a soma
de quadrados de linhas sem ajuste e obtemos a soma
de
quadrados de colunas ajustadas para os efeitos de
li-

(
(

92

93

(
(

nhas. A soma de quadrados para o resduo se obtem,


tao, da maneira usual.
No caso vertente, temos:
SQ Total

(
(

(
(

(
(
(

SQT

Ex 2 - C
4.571.730- 4.324.500
247.230 .

SQ Colunas (aj.)

(
(

(
(

SQ Colunas (aj.)

(
(

(
(

c
(
(

(l/60) 435.870.856- (1/12)(9300) 2


57.014

Causa de variaao
Linhas
Colunas (aj.)
Tratamentos
Resduo
Total

G.L.

S.Q.

4
4
3
8

27.890
57.014
134.441
27.885

19

247.230

Q.M.

c - Co
419
B - Co
421
D - POJ 2878
E - CP 36-13

SQ Trat. (aj .) =

---,--=-1 ,_,..-~
n(n-l) (n-2)

12' 86**

1: f(n-l)T+C] 2

(n-1) (n-2)
onde T e o total de cada tratamento e C e o total da coluna em que esse tratamento foi perdido. A
estimativa
da varincia da estimativa de um contraste Y = mi
ffiu
entre duas medias de tratamentos d entao:
=

2(n-l)
n( n-2)

s 2.

As mdias de tratamentos, ajustados, se calculam p~


la frmula.:

m1
44.814
3.486

.... ..

604,8
440,8
413,4
401,0

Verifica-se, pois, que a variedade Co 419


significativamente todas as demais, e que
estas
na o
diferem significativamente entre si.
No caso de perda de uma linha, ser necessrio calcular a soma de quadrados de tratamentos ajustados para
colun~s, o ~ue se faz pela frmula seguinte, inteiramen
te analoga a usada acima:

~(?)

119,6

As medias de tratamentos sao:

A analise da varincia e, pois, a seguinte.

(
(

onde n e o nmero de linhas, c e o total de cada coluna


e L o total da linha correspondente parcela perdidanes
sa coluna. Para a l ?- coluna, por exemplo, temos c~..,2l39-;
e o valor de L correspondente e L = 1810, total da ~~ li
nha. Achamos, assim, o valor ajustado 4(2139) + 1810 ~
= 10366.
Para as outras colunas procedemos de maneira anloga. E obtemos:

E[ (n-l)C+L]

1
(n-1) (n-2)

(
(

n(n-1) (n-2)

13486

15

- C

Resta calcular a soma de quadrados de colunas (aju!


tadas), o que se faz pela frmula:

4,53

/::,.

(l/5) ( (2204) 2 + (3024) 2 + (2067) 2 + (2005) 2 ] -C


134.441 ,

SQ Linhas = (1/4) [ (1804) 2 + ... + (1810) 2 1


= 27.890 .

comparaoes entre tratamentos se fazem da maneira usual, sem dificuldade alguma. Por exemplo, para com
parar mdias de tratamentos pelo teste de Tukey, ao n~
vel de 5% de probabilidade, achamos:
As

n(n-2)

l (n-l)T +C - -1-

n-1

Ex]

No quadrado latino de 6.2, admitindo-se que


seja
perdida a ltima linha, teramos para o tratamento B,por
exemplo, T = 1886 e para a coluna correspondente
que
e a 5~, obtemos C
1652. Como Ex= 9438, fica:,
= Cl/15)(4 x 1886 + 1652- 94 8)
45s,a.

m2

- fi
~

94
(

95

As outras mdia s ajusta das se calcul am da


anlog a.

CANTATORE de _:RAN~, N., ~980 .. Manua l de Estad stica


Apli
cada. Edlto rtal Hernts ferto Sur, Bueno s Aires .
CARVA~O, M.~. Rod:i gues, 1946. A Estat stica
na Experlrnen taao Agrlc ola . Liv. S da Costa Lisbo a.
COCHRAN, Wi~liam G. e ?e~trude M. Cox, 195l.
Experi men
tal Deslg ns, 2? edtao . John Wiley , Nova York.
FEDERER, Walte r T., 1955. Exper iment al Desig n. Macmi
1lan, Nova York.
KEMPTHORNE, Oscar , 1952. The Desig n and Analy sis
of
Exper iment s. John Wi ley, Nova York.
SANCHES, Samue l F., 1978. Anli se Estat stica de um
Exp~rimento em Quadr ado Latino com Perda de Parce
las,
Ltnha , Coluna ou Tratam ento (Disse rtao de Mestr ado). Piraci caba.
SNEDECOR, Geor ge W. e W.C. Cochr an, 1967.
Stati stca l
Metho ds. 6? edio . Iowa State Colleg e Press, Arnes
,
Iowa.

(
(

6,6,

(6.6.1 ) Plane jar detalh adarne nte um experi mento em


drado latino de 5 x S.

(
(
(

(
(

(
(
(

ExERCCIOS

Suges to: Escre va ao acaso um quadra do latino


de
5 x 5 qualq uer, tal corno o que demos acima , e, por
sorteio, troque a ordem das linhas e depois a das colun
as. As
letras tambm sero atribu das aos tratam entos por
sorteio.
(6.6.2 ) Anali sar o experi mento de 6. 2 admit ind o que
se
perdeu a parce la da 1~ linha e da l~ colun a, cuja produ
o foi 432 kg.
(6.6.3) Nurn ensaio de alimen tao de sunos usou- se
um
quadra do latino de 4 x 4, com os result ados
segui ntes,
refere ntes aos ganho s de peso, em kg, ao fim de 25 2
dias.

(
(
(

qua-

Leiteg ada
Leiteg ada
Leiteg ada
Leiteg ada

1
2
3
4

1';1

2~

3~

colun a

L,~

coluna

coluna

c o luua

l08,6( B)
96,5(D )
94,9(A )
ll4,l( C)

10 8 ,9(C)
77,9 (A)
ll6,9( D)
ll8,7( B)

l02,0( D)
l00,2( C)
96,0(B )
97,6 (A)

93,0(A )
ll5,4( B)
l02,l( C)
117 ,6(D)

YATES, F. e R.W. Hale, 1939. The Analy sis of Latin


Squa
re when Two or More Rows, Co1urnns or Treatr nents are
Missin g. Jour. Royal Stat. Soe. Suppl . 6: 67-79 .
YATES,. F . , 193 6 . Incorn plete Latin Squar es. Jour.
Agr.
Sc1., 26: 301-31 5.

(
(

(
(

Os tratam entos. eram: A - Castra o aos


56 dias de
idade; B - Anima is inteir os; C - Castra o aos 7
dias
de idade; D- Castra o aos 21 dias. As colun as tinham
em mira contr olar a varia o de peso dos leite s dentro 1
de cada leiteg ada.
/
Anali sar os dados e compa rar as mdia s de tratam en
tos.
!1

(
(
(
(

,(

6,7,

BIBLIOGRAFIA

CALZADA BENZA, Jos, 1966.


Inves tigaci n . Lima.

Mtod os Estad stico s para la

'"I

:.]

. '.;::~ .

97
(

(
(

7. EXPERIMENTOS FATORIAIS

71
I

(
(

(
(
(

(
(
(

(
(
(

(
(

(
(
(
(

(
(

GENERAL! DADES

Na definio de F. Yates, experimentos


fatoriais
sao aqueles que incluem todas as combinaes de
conjuntos de tratamentos ou fatores. Por exemplo, podemos~ num experimento com novas linhagens de algodo, com
binar 4 linhagens com 3 espaamentos, obtendo um
fato=
rial de 4 x 3, onde temos todas as 12 combinaes possveis. Num experimento de adubao mineral podemos combinar 3 doses de nitrognio com 3 de fsforo e 3 de potssio, obtendo um fatorial de 3 x 3 x 3 ou 33, com 27 diferentes combinaes.
Os experimentos fatoriais geralmente so ma~s eficientes do que os experimentos simples com um s conjunto de tratamentos (por exemplo, s competio de cultivares, sem variao de espaamento, e, de outro lado, s'
espaaments,com um cultivar apenas) e permitem
tirar
concluses mais gerais. Se plantarmos os 4 cultivares no
vos (A, B, C, D) num mesmo espaamento E., s poderemos
concluir que A, por exemplo, o melhor ultivar se este
espaamento for usado. possvel, porem, que com um ou
tro espaamento E2 o cultivar B venha a superar
larga=
mente qualquer outro cultivar com qualquer outro
espaamento. Num experimento fatorial com cultivares e espaamentos simultaneamente esta possibilidade e pesquisada,
de sorte que as concluses tm maior generalidade.
No caso de experimento de adubao s com potssio,
por exemplo, e possvel que o solo no reaja simplesmente porque, alem do potssio, falta fsforo. Por outro la
do, se, como
costume, todas as parcelas receberem fs=
foro e nitrognio, ficaremos sem saber se h necessidade
destes elementos. J um experimento fatorial resolve inteiramente o problema, pois pesquisa todas as possibilidades.
O principal defeito dos experimentos fatoriais
e
que o nmero de tratamentos aumenta rapidamente. Ora, um
ensa~o fatorial, em blocos casualizados, com um
grande
numero de tratamentos, perde bastante sua eficincia, em
geral. Somos levados, pois, no raro, a usar blocos in-

completos e a adotar o sistema de confundimento


("t'onfounding"), de_onde resultam maiores complicaes no pla
nejamento e analise dos experimentos. Outra soluo 0
uso dos fatoriais fracionrios ou dos fatoriais incomple
tos, em que nao sao usadas todas as combinaes dos fato
res. No h dvida, porm, de que os experimentos fato=
ri ais so, em geral, mui to convenientes e de uso bastante comum.

7121 LM

~LO

A tabela 7.2.1
reproduz as produes, em
t/ha,
de parcelas de um experimento fatorial de adubao
de
23 , em blocos casualizados, em que os fatores so ~itro
gnio (N), fsforo (P) e potssio (K), cada um deles podendo estar ausente ou presente.
Como usual, (l) representa a testemunha, isto e,
a parcela sem adubo, N indi~a presena de nitrognio
e
ausncia dos demais elementos, e assim por diante.
A analise da varincia, no levando em conta o esquema fatorial, seria a segui1;1te.
Analise da varincia
Causa de variaao

G.L.

S.Q.

Q.M.

0,6464
0,1665

3,88**

Blocos
Tratamentos
Resduo

21

3 '20 11
4,5246
3,4955

Total

31

11,2212

No entanto, este resultado tem pouco interesse,pois


num experimento fatorial os efeitos dos diversos
fatores devem ser isolados e provados separadamente, como f a
remos a segui r.
O efeito do N ser dado pela comparao de todos os
tratamenJ:os com N com todos os demais, sem N, o que pod~
r ser indicado assim:

'<:"""" .

- ~-

(
(

(1)

-1

til

.....

(Jj

(Jj

M
C!)

.u "'O

E-<

oC)
o

.-1

..c

.-1

U")

lf'1

0'1

r-.-1

co

N
N

.....

.....

--r
--r

o
ao

N
N

C!)

E!

::><:
p..

"'O

U")

0'1

c
(
/
\

c
(
(

o
--r

<"")

"'

co

U")
<"")
~

<"")

!til
til

..c

::><:
p..

::J

"C)

(J)

"'O

::><:

.u

r--.

U")

0'1

til

r--

.....

lf'1

lf'1

E!

co

.-I

1-<

lf'1

::><:

C!)

p.
:><

p..

::J

(J)

p..

r--

(
(
(

fii'W;,;; r ,..

NK
+l

-1

..........,.__

99

"

PK
-1

NPK
+l

"' "'co- r-U")

lf'1

.....

0'1
0'1
~

U")

r--

co

.....

<"")

"'

.....

.ll"l
0'1

r-.

0'1

r-~

.....

o
o

0'1
.-<

('")

.-1

.....
~

U")

co

.....

..

_..-...

lf'1

.....

'--'

.-<

r--

(7 ,09) 2

o
t.J
o

o
o

o
o

.....

logo,

0'1

l1"l

--r

('")

l1"l

r--

o
o

C)

.....

.-<

.-I

.-I

..0

..0

..0

o-

<"')

+ ( -1) 2

Para o fsforo (P) teramos:


(l)

0'1

C)

o-

= 1,5709

-1

N
-1

+1

NP
+1

K
-1

NK
-1

PK
+l

NPK

+l

C)

.-<

( -1) 2 + (+1)2 + ( -l) 2 + (+1)2 + ( -1) 2 + ( + l) 2


+ ( + 1) 2 = 8

f(P)=-7,54-9,91+8,63+11 ,19-11,75-10,92+8,99+11 ,98


= 0,67 '
portanto
0,67
16

com um grau de liberdade, onde 4 o numero de


repeties e 8 a soma dos quadrados dos coeficientes do contraste:

"'co

- - ......- -

<"')

.-<

SQN

<"")

"'

0'1

--r

nitro-

U")

co

par c e-

.-<

"'"' "'"'
.....

onde 16 e o numero de parcelas em cada grupo: 16


las sem N e 16 com N.
A soma de quadrados referentes ao efeito do
genlo ser a:

o.-1

7 09

= 0,443 t/ha,

16

.....

:S J L

--

f(N)=-7,54+9,9l-8,63+l l,l9-ll,75+l0,92-8,99+11 ,98


7,09 ,

(J)

...,

isto , o efeito do nitrognio, medido pelo contraste

co

"'O

..

:~ ::! '!~:-: -:.:~.:

NP
+l

-l

0'1

C!)

N
+l

co

<"")

~
<1.1

co

()'>

-:-.--

. ser:

..c

~- ~

C1\

.-I

-----.. ' .

98

--

-- -

SQP ..

= O,042 t/ha ,

(0,67) 2

0,0140 .

100

(
(

(l)

(
(

(
(

l
i

i~

'

(
(

Efei to do
Efei to do
Efei to do
Inter ao
Inter ao
Inter ao
Inter ao

N
p

NP

K
N X p
N X K
p X K
N X p

+
+
+
+
X

+
+

PK

+
+

+
+

+
+

G.L.

1,570 9
0,014 0
1,268 0
0,502 5
0,239 8
0,517 7
o' 4118

1
1
1
1
1
1
1

(
(
(

(
(
(

Efei to do
Efei to do
Efeit o do
Inter ao
Inter ao
Inter ao
Inter ao

N
p

N
N

X
X

p
K
K
p

7,09
0,67
6,37
4,01
-2' 77
-4,07
3,63

Estim ativa
do efeit o
0,443
0,042
0,398
0,251
-0 '173
-0,25 4
-0,2 2 7

(
(

A anl ise comp leta da vari ncia sera , pois


, a
guin te.

Inter aao N

se-

K
K.
p X K.

G.L.

S.Q .

Q.M.

1
1
1
1
1
1
1

1,570 9
0,014 0
1,268 0
0,502 5
0,239 8
0,517 7
0,411 8

1,570 9
0,014 0
1,268 0
o,so2 5
o ,2398
0,517 7
o' 4118

(7)

o' 1665

(Trat amen tos)


Bloco s
Resd uo

3
21

(4,52 46)
3 '2011
3,495 5

Tota l

31

11 ,2~12

9,43 **
0,084
7,62 *
3,02
1,44
3' 11
2,47

Conc lui-s e, pois , que s sao sign ifica tivos


os efei
tos do nitro gen1 o e do pot ssio. O solo em
estud o
nO
. reagi u aduba o fosfa tada. As inter ae
s no so sign i
ficat ivas , o que gera ~ mente acon tece nos expe
rimen tos de
aduba o.
t impo rtant e salie ntar que:
Efeit o de N na prese n a de P
Q + lnter aao N x P
0,443 + 0,251
0,694 t/ha; _
Efe~to de N na aus ncia de P
N - Inter aao N x P
0,443 - 0,251
0,192 t/ha ,
e analo game nte para os outro s caso s. g claro
, porem , que
esses valo res pode riam ser obtid os diret amen
te, assim :
Efei to de N na prese na de P =
= (1/8) (NPK + NP -

PK - P)

(1/8) (11,9 8 + 11,19


O ,694 t/ha .

8,99 - 8,63)

Outro proce sso para obte r as somas de quad


rados , !s
veze s pref erve l, o segu inte. Para o caso
do nitro genio, por exem plo, somemos de um lado os totai
s de todos
os trata ment os sem esse elem ento. Obtem os:

(
(

(
.(

N
p

Intera~o

S.Q.

(N)

Intera~o N x p
Intera~o

Os sina is para as inter ae


s sao obtid as por
do prod uto dos sina is
meio
dos efeit os princ ipais
resp ecti
vos. Obtem os, pois , os
dados da tabe la segu inte.

Causa de varia ao

-.
Nitro gen1o

+
+
+

NK

varia ao
Fsfo ro (P)
pots sio (K)

'
(

101

Os ~feitos de N, de P e de K sao denom inado


s
tos prin cipa is .
No quad ro segu inte esto indic ados todos os
cont r
tes a estud ar, com - simb oliza ndo -1 e + indic
ando +l.

_c ;'',, , _--_.,..

i! -

c;;~\

_.,.,_2

102

103

Com nitrognio
Sem nitrognio

(
(

SQN = (l/16)[ (44,00) 2 + (36,91) 2 ] -C= 1,5709


Analogamente obteramos a soma de quadrados refe
te ao fsforo e ao potssio. Quanto s interaes, s
r1a mais difcil obt-las individualmente, mas poder
mos conseguir em conjunto uma soma de quadrados
teraes (SQI), por subtrao:

(
(

com 4 graus de liberdade. Nos experimentos de adubao '


em que as interaes raramente so significativas,
esquema de anlise seria satsfatrio, em geral, e teri
o resultado exposto a seguir.

(
(

Causa de variaao

G.L.

S.Q.

Q.M.

1,5709
0,0140
1,2680
1,6717

1,5709
0,0140
1,2680
0,4179

(4,5246)
3,2011
3,4955

0,1665

('
(

c
(
(

19
29
39
49

bloco
bloco
bloco
bloco

Nitrognio
Fsforo
Potssio
Interaes
(Tratamentos
Blocos
Resduo

1
1

1
4
(7)

3
21

9 ,4:.:
0,084
7,62
2,51

Totais
de
blocos

0,020
2,005
0,700
1,120

5 '150
4, 770
3,960
5,230

3,040
4,760
5,860
5,520

0,020
0,630
o' 110
o ,115

8,230
12,165
10,630
11,985

3,845

19,110

19,180

o ,875

43,010

SQI = SQT - SQN - SQP - SQK


= 1,6717 '

Tratamentos
~-------------------------------A
AV
(l)
v

E temos enfim:

(
(

44,00 ,
36,91

(
(

Seguindo a marcha usual obtemos a seguinte


da varincia.

Causa de variaao

G.L.

Blocos
Tratamentos
Resduo

3
3
9

2,4731
71,5373
5,5799

15

79,5903

Total

S . Q.

Q.M.

0,8244
23,8458
0,6200

anlise

l ,33
38,46 1<*

Faz-se mister, porm, levar em conta o esquema fatorial do experimento e decompor convenientemente os
3
graus de liberdade para tratamentos, o que ser feito a
seguir.

7, 3,

CMrRO ExEM'LO

(l)
V
AV
A
(3 ,845) (19, 110) (19, 180) (O ,875)

(
(

(
(
(

experimento
Consideremos os dados seguintes de um
fatoril em que os fatores eram adubao mineral compleforam
ta (A) e adubao com vinhaa (V). As parcelas
dispostas em blocos ao acaso.

v
A

+
+
+

+
+

S.Q.

2,900
33,570
-3,040

0,5256
70,4341
o ,5776

r.,~ii'iiiiiiiiiliiiii:ililij,'I;:-.'"""""..,..,.-""""""~---~-!!!-!'!'_=-E''

" ''"

'~-~,_...,_..,_..,.,.~.,~>c: ~'t ' "' :':: ~ .~:::O:!:.:'c1:C="-": :c'<O:.C:===~~

,Q

)(
(

104

105

(
(

(
(
(
(

(
(

Obtemos, pois, a anlise da varincia dada a


guir.

Tratamentos

AT

Totais
de
blocos

------------------------------(1)

Causa de variaao

G.L.

S.Q.

Q.M.

Adubo Mineral (A)


Vinhaa (V)
Interao (A x V)

l
l
l

0,5256
70,4341
o,5776

0,5256
70,4341
0,5776

(Tratamentos)
Blocos
Resduo

(3)

3
9

(71,5373)
2,4731
5,5799

Total

15

79,5903

0,848
113,60 **'
0,932

bloco
bloco
bloco
bloco

19
29
39
49

18,0
8,6
9,4
11,4

20,6
21 ,o
18,6
20,6

19,6
15,0
14,6
15,8

19,2
19,6
18,4
20,2

77,4
64,2
61,0
68,0

47,4

80,8

65,0

77,4

270,6

0,6200

(
(

A anlise da varincia, feita nos moldes


nos exemplos anteriores, a seguinte.

indicados

(
(

Conclui-se, pois, que s e significativo o


da vinhaa. Tambem aqui outra marcha poderia ter sido
guida no clculo da soma dos quadrados. Para o caso
adubo mineral, por exemplo, teramos:

Com adubo mineral ........ 22,955 ,


Sem adubo mineral ........ 20,055 ,

(
(

SQA = ~ [ (22,955) 2 + (20,055) 2 ] -C= 0,5256 .

(
E teramos ainda, analogamente,

=~((39,290) 2

+ (4,720) 2] - C

70,4341 .

SQV

A soma de quadrados referente a interao seria obtida por subtrao:

SQI = SQT - SQA- SQV = 0,5776 .

(
(

(
(

:' (
(

Causa de variaao

G.L.

S.Q.

Blocos

37,83

Adubo :t-'lineral (A)


Torta (T)
Interao A x T

1
1

131,11
12,61
27,57

(Tratamentos)
Resduo

(3)
9

(171,29)
37,68

Total

15

246 '80

ExEMPLO COM INTERAO SIGNIFICATIVA

Consideremos agora o seguinte experimento fatorial


de 2 x 2 em que os fatores eram adubo mineral (A) e torta dos filtros Oliver de usinas de acar (T).

131,11
12,61
27,57

31,29**
3,01
6,58*

4,19

A interao significativa indica que o comportamento de um fator depende das doses do outro. No caso verten!e, a ao da torta e influenciada pela presena
ou
ausencia
de
adubo
mineral.
Quanto
isto
acontece
a
an.
,
hs_e ~cima nao e a mais indicada, e deve ser modificada.
Poder1amos, com maior vantagem, adotar o seguinte esquema para os trs graus de liberdade de tratamentos.
.

7,4, l.M

Q. M.

106

107

G.L.

Adubo Mineral
Torta na Ausncia de Adubo Yineral
Torta na Presena de Adubo Mineral

(
(
(

SQA

l
1
1

O calculo pode ser feito como se segue.


(1)

I (158,2) 2

+ 012,4) 2 1

s .Q.

45,8

131,10

Com Torta, com Adubo Mineral


Sem Torta, com Adubo ~neral

17,6

38,72

SQ Torta na Presena Ad. Min.

-3,4

1,45

AT

65,0
47,4 '

=..!:. [ (65,0)2

+ (47,4)21

(65,0+47,4 )2
8

(
(
(

Adubo Mineral
Torta na Ausncia de
Adubo Mineral
Torta na Presena de
Adubo Mineral

o
o

(
(

4l [ ( 77 '4) 2

+ ( 80 , 8) 2]

38' 72

77,4 '
80,8

=
(77,4+80,8 ) 2
8

1,44 .

As pequenas diferenas observadas na ltima decimal


considerad a se devem s ~roximaes feitas no calculo.

Obtemos, pois, a seguinte analise da varincia .

131,11 ;

SQ Torta na Ausncia Ad. Min ...

-c=

Com Torta, sem Adubo Mineral


Sem Torta, sem Adubo Mineral

(
(

Causa de variaao

G.L.

S.Q.

Q.M.

Blocos

37,83

Adubo Mineral
Torta na Ausncia de
Adubo Mineral
Torta na Presena de
Adubo ~.ineral

131, lO

131, lO

31,29

38,72

38,72

9,24

1,45

1,45

0,346

(
(

c
(

(Tratamen tos)
Resduo

(l) ( 171,.27)

37,68

Total

15

246 '78

7.5.

4,19

(
(
(

(
(
_

Verifica-s e agora que o solo reagiu adubao com


torta , mas s na ausncia de adubao
mineral.
.

Outro modo de calcular as d1versas somas de quadrados seria o seguinte:


Com Adubo Mineral
Sem Adubo Mineral

158,2
il2,4

CoNFUNDittENTO

Se no exemplo de 7.2 repetirmos os tratamento s


em
blocos de quatro parcelas de tal sorte que no contraste
correspond ente interao N x P x K os tratamento s com
' sinal mais fiquem num bloco e os com sinal menos, nQYtro
bloco, o efeito da interao ficara confundido com o dos
blocos, isto , o contraste estima ao mesmo tempo a interao N x P x K e a diferena entre blocos, logo
nao
se pode avaliar bem nenhum desses efeitos. Corno a interao N x P x K j sabidamen te de interesse nulo ou ou
quase nulo, no h desvantage m nesse confundim ento, que,
por outro lado, traz a vantagem de reduzir a quatro parcelas o tamanho dos blocos. Assim, em cada repetio teremos dois blocos, um com os tratamento s N, P, K e NPK,
distribud os ao acaso, outro com os tratamento s (1), NP,
NK e PK, distribud os ao acaso dentro do bloco. A analise de varincia seria ento a seguinte.

f'"'"

a , ~-~l-

(
(

108

109

(
(

Causa de var.1a ao

Nitrog nio (N)


Fsf,or o (P)
Potss io (K)
Intera o N X p
Intera o N X K
Intera o p X K

(
(

(
(

c. L.

S.~.

1,5709
l
l

l
1

o ,o 140
1,2680
0,5025
o, 239 8
0,5177

(Tratam entos)
Blocos
Resdu o

(6)
7
18

(4,112 8)
3,6669
3,4415

Total

31

11,221 2

Q.M.
1,5709
0,0140
1,2680
0,5025
o, 239 8
0,5177

8,22

o ,073
6,63
2,63
1,25
2, 71

de varia o

Graus de liberd ade

*
*

o, 1912

- confun dida)
Intera o (parte nao

2
2
2

(Tratam entos)
Blocos
Resdu o

17
30

Total

53

(6)

(
(
(

(
(

(
(
(

(
(

(
(
(

(
(

(
(
(

(
(

'__[

A soma de Quadra dos para Blocos e calcul ada da


ne1ra usual
SQB = (1/4) [ (8,02) 2 + (8,99) 2 + ... +(11,6 4) 2 ]- C:=
onde 8,02 ~ o total do primei ro bloco, 8,99 o do
etc.
A Soma de Quadra dos para o Resdu o ~ obtida
trao .
Num experim ento fatori al de 3 x 3 com os fatore s N
e P, por exempl o, temos 2 graus de liberda de para N,
2
para P e 4 para a intera o N x P. Podemos confun dirdois
graus de liberda de desta intera o, usando blocos de
3
parcel as, da maneir a indica da abaixo :

39 bloco
29 bloco
19 bloco
20
10
00
02
12
11
21
01
22
O primei ro algaris mo refere -se ao nvel de N, o segundo, ao de P.
Se o en~aio tiver 6 repeti~es, o esqtiem a da ~nali-
se da varin cia ser o.segu inte.

Um caso mais import ante o do confun diment o em um


ensaio fatoEi al de 3 x 3 x 3, com N, P, K, por exempl o.
Uma repeti ao inclui , ento, 27 parcel as, o que seria ex
cessivo para um bloco s. Por isto, em regra, se prefere us~r o confun diment o de dois graus de liberda de da in
teraao ;ripla N x P x K. Com duas repeti~es, o esquema da analis e de varin cia seria o seguin te.

Causa de varia o
N

K
Intera o
Intera o
Intera o
Intera o

N
N

K
K

(Tratam entos)
Blocos
Resdu o
Total

Graus de
liberd ade

p x K (parte nao confun dida)

2
'2

4
4
4
6
(24)
5
24

53

..

~~i'"'-;-,--------=~,.,..,......,..~....,.~ a....,,U.~""~'"~~.::~.-,..,..._.,..~~-"'="'~''':"""'};~:.;~<'!;:;:;':" ';."::!''V,<:>- onJ'!'~"'"' -

: :::.,2::6;:-~1.:.:..-~~s: :~::.~!gY,ll!tf!:;{~3!fl.c1?2~::Yi-f:FlF~;"Vt~f~E!N~~~''-'11:':;:-;:f; . : ; .!>J;~;; ,

o;.;;;,, , ;;c"M!!

(
(

(
(
(

c
(

lll

110
Acontece, por~m, que a interaao N A P K j~ s~
pera que no ocorra, de sorte que poderamos at inc
no resduo os seus graus de liberdade, e ass1m
ele a contar com 30 graus de liberdade.
Por outro lado, em ensaios de pouca precisao, t
em mira a obteno de informaes gerais sobre uma
gio, pode-se fazer em cada local apenas uma
do experimento fatorial de 3 x 3 x 3 com N, P,
esquema de anlise seguinte.

Grupo

000
012
021
101
110
122
202
211
220

Graus de
liberdade

Causa de Variao

(
(

(
(
(
(
(

Interao
Interao
Interao
Interao

(
(

(
(
(
(

002
Oll
020
100
112
121
201
210
222

000
011
022
102
110
121
201
212
220

Grupo Y

001
012
020
100
111
122
202
210
221

002
010
021
101
112
120
200
211
222

p
N

K
P

(Tratamentos)
Blocos
Total

Grupo Z

19 bloco 29 bloco 39 bloco


x

- confundida)
K (parte nao

000
011
022
101
112
120
202
210
221

(24)
2

26

001
010
022
102
lll
120
200
212
221

19 bloco 29 bloco 39 bloco

Grupo X

19 bloco 29 bloco 39 bloco

Neste caso nao temos resduo propriamente, mas podemos usar como resduo a interao N x P x K, com
6
graus de liberdade.
O problema do confundimento, tendo em vista a distribuio dos tratamentos pelos blocos de maneira a
so
confundir com eles interaes de ordem elevada (de trs
ou mais fatores, em geral),~ bastante difcil, salvo em
casos particulares. No caso mais comum do experimento fa
torial de 3 x 3 x 3 com confundimento de dois graus
de
liberdade da interao tripla, h quatro modos distintos
de fazer o confundimento, designados por YATES (1937)por
W, X, Y e Z, como vemos a seguir.

001
012
020
102
110
121
200
2ll
222

19 bloco 29 bloco 39 bloco

002

000
012
021
102

010

021
100
111
122
201
212
220

111

120
201
210
222

001
010
022
100
112
121
202
211
220

002
Oll
020
101

110
122
200
212
221

Qualquer dos grupos pode ser usado, indiferentemente.

7.6. UM ENSAIO FATORIAL 3 3 3 COM.DuAS REPETIES


X

Tomamos como exemplo um experimento de adubao de


com N, P, K, feito por STRAUSS (1951), com confundimento de dois graus de liberdade da interao
tripla
N x P x K. Foi usado o confundimento correspondente
ao
c~na

,--..,

"""'

"""' ...-.,

.........

" """'

........, .--., ........, ....,_

~.

........, ~

""

.--.,~~-~~-~,--..,~..-.,~~""~~~

l'
j
j

tf.l

tf.l

.o

o
""'""'""'

.o

t;d

'"O '"O '"O

""'""'""'

,_..

No-"

0..00
n> ti

NHO

o.. c
O 'O
Cll o

......
o('l
o

l"t

n>

......

Cll

ro

so

~
~

'""'
......

.......

1.0
.......,

rt

ro

P-1

n>

'

-..JN

.Il~

O\ ti

P-1

o"Cil

ro
,_.

I-'~

(j\
Ul
'-J

'-J

........

'-J

"Ul

,.......
,1:::......

:c

n> ..

Cll

......

::l

......

......

1-'NN
I.OWN

..

~I.OW

():)
():)

'"O

..

o
o

"Ul0\0
"

N W N

():)
():)

'-J~(j\

..NU1W
.. ..

..

o
o

~0\.Jl

WNN
1.00\1-'
0\Ul():)

..-..JI-'N
" .

ro

P-1 H1

I-'

ro

... s

():)

1.0

0..

"Ul

(")

.......,

1.0

Ul

......

1-'WO
N '-J ,_...

"Ul

"~(j\Ul
"

......

www

():)

1.0

'"O
......

N W N

<Xli-'<Xl

......

-..J(j\():)

"():)

"N~N
" "

():)

1.0

..

......

>-'

():)

WWN
~~o

..0 0" \ N
..
N '-J N

ro

......

......

():)

1.0

rt ti

il

:l

rt

.'-J

P-1
Cll

-.....ro
::r' 'O
n> ro

'-J

Ul

'""'

.......

~
._,
N
........

I-'

www

(j\(j\~

I.OW():)

"~ "w ..'-J

1.0

......

'"O

CD

WNW
1-'():)1-'

..1.0 ..(j\ ..'-J

~WI.D

1.0

z
N

......

():)

"N

WW N

~ww

N ():) 0\
.. "
..-..J():)-..J

z
N

'O ..O
P-1 OI

.,P-1

oCll

ii

ro

li
":.3

Cll

"
('l

NS
'-J

Cll

(")

N
(j\

11

.......(j\

1.0

o
o

..

N
():)

N
(j\

():)1.0():)
'-J ~ '-J
0\0W

1.0

o
o

"WU1N
" "

():)1.0():)

O\

'-J ~ '-J
0\0W

1.0

....

o
"o

"W\JlN

I-'

11

o 1.0 (j\
():)l/1\Jl
t-'t-''-J

"

ro

Ul

c
,_.

....

. ~ l/1 ......

Tabela 7.6.1. Produo de cana-de-acar, em t/ha, de um experimento fatorial de adu-

baio.
la.
repetio

2a. Totais
la.
2a.
Tratarepe- P.ar.repe- repementos
tio ClalS
tio tio

2a.
Totais
la.
Trataparrepe- repemeu tos
c i ais
tio tio

37,0
42,6
68,4
33,5
45,7
49,7
36,2
47,4
59,0

29,3
37,0
64,4
28,6
61,3
52,8
35,2
55,4
56,2

66,3
79,6
132,8
62,1
107 ,o
102,5
7l ,4
102,8
115,2

419,5

420,2

839,7

Tratamentos
000
012
021
101
llO
122
202
211
200

w1 =

839,7

001
010
022
102
111
120
200
212
221

60,2
57,6
76,0
42,8
63,4
58,2
56,6
69,1
59,4

39,1
19,5
66,0
27,7
63,0
53,4
30,5
49,5
43,2

99,3
77 '1
142,0
70,5
126,4
111,6
87,1
118,6
102,6

543,~

391 '9

935,2

w2 = 935,2

002
Oll
020
100
112
121
201
210
222

Totais
pardais

28,3
66,6
66,8
32,6
63,4
71 '1
41,3
50,2
55,4

24,3
41,8
55,1
37,0
50,8
56,8
36,9
67,2
69,5

52,6
108,4
121,9
69,6
ll4,2
127,9
78;2
117,4
124,0

475,7

439,4

915,1

W3 = 915,1

,_.
,_.

. ....

-.-.--.._,..,.

~,
~iiiiiiii
iiiii----~~"""'"""'~~-

114

115

(
(
(

(
(

(
(

c
/

A Soma de Quadrados de Tratament os deveria ser:


( 1/2) ( (66 ,3) 2 + (79 ,6) 2 + .. +(124, 9) 21 ~ C

SQT

- 7.890, 72
mas
preciso da descontar a parte correspond ente
dois graus de liberdade confundido s com blocos. A
a descontar dada por:
(1/18) ( (839,7)2 + (935,2) 2 + (915,1) 2} -c
281,66 ,

logo
SQT

(Tratamen tos)
Blocos
Resduos

(1/6) ( (218,2) 2 + . + (342,7) 2 ] -C


= 6.363,21
(1/18) [ (880,0) 2 + (891,8) 2 + (918,2) 2 ] -C

SQN e p
SQN

42,51 ,

(1/18) [ (657,1) 2 + (951,5) 2 + (1081,4) 2 ]

SQP

(
(

(
(

(
(

(
(

(
(

(
(

-C

5.251,41 .

Logo
SQN

Nitrognio
Fsf oro
p 0 tassi9
Intera~o N x P
Intera~o N x K
Intera~o P x K
Interaao N x P x K
(parte no confundida )

G.L.

S.Q.

Q .M.

2
2
2
4
4
4

42,51
5.251,41
160,38
1.069,29
622,11
165,05

21,26
2.625,70
80,19
26 7,32
155,53
41,26

298,31

49,72

7.609,06 ,

Temos ainda:

7.890,72 - 281,66

com 24 graus de liberdade .

causa da variaao

6.363,21 - 42,51- 5.251,41

1.069,29 '

com 4 graus de liberdade .


De maneira anloga calculamos SQN x K e SQP x K. Fi
nalmente a soma de quadrados referente aos 6 graus _de
liberdad~ da interao N x P x K no confundido s obte~
se por subtrao da soma de quadrados de tratamento s(nao
confundid os): SQT = 7.609,06 .
Chega-se, pois, seginte analise da varincia .

Total

(24)(7.609 ,06)
5 1.628,33
24 1.498,34

0,341
42 ,06*"'
1,28
4,28*
2,49
0,661
0,796

62,43

53 10.735,73

Poderamo s, alias, adicionar ao resduo os 6 graus


de liberdade no confundido s da interao N x P x K
e
obter um resduo de maior preciso, com 30 graus de liberdade, s 2 = 59,89.
Isto alteraria ligeiramen te us valores de F,
mas,
neste caso, no haveria modifica o nas conclusoes
finais, que indicam e feito significat ivo para o fsforo e
para a interaio N x ~. Una consulta ao <;!uad~o em que t_t::
mos as produoes tota1s correspond entes as diversas combinaes de doses de N com doses de P nos re~ela logo a
razo dessa interao significat iva: em ausencia de N
o efeito do fsforo foi bem mais acentuado do que na sua
presena, fato inesperado para o qual conviria haver uma
explicao , que poderia ser dada por prejuzos causados
a germinao dos toletes pelo adubo nitrogenad o. vista
disto poderamo s refazer a analise no que serefere
a
efeitos de N e P, da maneira dada a seguir.

~~""'"'!!1'-..... ,

116

117

(
(

Causa de variaao

Nveis de p dentro
de No
Nveis de p dentro
de N1
Nveis de p dentro
deN 2

Resduo

Q.M.

S.Q.

G.L.

No

F
Ko
K1

2.854,47

1.427,24

2.262,03

1,131,02

18,88**

1.204,20

602,10

10 ,05**

30

1.796,65

59,89

Kz

136,5
168 ,o
155,9

165,8
148' l
160,7

463' 7
511,3
463,5

503,5

460,4

474,6

1438,5

Po

- as dadas a seguir, todas


As medias obtidas sao
erro padro de 3,2 t/ha.

NoPo 36,4 t/ha

NoP1 44,2 t/ha

N1Po 33,7 t/ha


NlPl 57,9 t./ha

NoP2 66,1 t/ha

NlP2 57,0 t/ha

Mais um passo frente poder ser dado considerando


-se os componentes linear e quadrtico em cada caso, da
maneira indicada no captulo 12.

com
Ko
K1

N2Po 39,5 t/ha

Kz

N2P 1 56,5 t/ha


N2P2 57,1 t/ha

7.7, UM ENsAIo FATORIAL 3

(
(
(

(
(

3 coM LIMA S REPETI c;o


repetio

SQ Total= 4.535,55,
SQ Blocos= (1/9) [ (419,5) 2 + (543,3) 2 + (475,7) 2 ]= 853,88 .

Organizamos, agora,os quadros seguintes, a semelhan


a
do
que fizemos no caso anterior.

No

(
(

Consideremos agora os dados da primeira


do experimento discutido em 7.6. Temos l:

Po
pl
p

Nl

N2

125,5
166,8
211 2

108,9
172,5
179 o

134,1
166,7
173 8

368,5
506,0
564 o

503,5

460,4

474,6

1438,5

N2

161,4
19 5 '2
146,9

Nl

pl

p2

126,2
135 ,o
107 ,3

153 ,5
177,4
175 ,1

184,0
198,9
181,1

463,7
511,3
463,5

368,5

506,0

564,0

1438,5

Temos, pois:

SQN

(1/9) [ (503,5) 7
107,20 ,

(460,4) 2

(467,6) 2 1

SQP

( 1/9) l (368,5) 2
2.240,39 ,

(506,0)

(564,0) 2 1

SQK

r c463, n 2
168,54 ,

(511,3) 2 + (463,5) 2 1 -

(l /9)

Alm disso, temos:

SQN e P
SQN

(1/3) ( (125,5)

2 +

(173,8) 2 1-C= 2.630,76

P = 2.630,76- 107,20- 2.240,39

283,17 .

Analogamente obtemos:
SQN
SQP

X
X

K = 464,65 '
K = 141,71 .

Finalmente, a soma de quadrados para os 6 graus de


liberdade da interao N x P x K no confundidos obtida por subtrao:

~~~---~,-.,._-.-.........,._..,..._..__,,......'iii'~~~~f-l'*'~!:.~~-'~""":;~~:,~'~""':~-.:~o.""'l'' ''- '- :;=_f~~-'<""1;:'T~~ p-.~. ~ ,

(
(

118

SQN /

119
p

853,88 + 107,20 +
+ 168,54 + 283,17
[
+ 141,71

4.535,55-

(
(
=

Po-

Chegamos, assim, seguinte analise da varincia, na


qual a interao tripla
tomada como resduo.

SQP"

Causa de variaao

Nitrognio (N)
Fsforo (P)
Potssio (K)
Interao N X p
Interao N X K
Interao p X K
Blocos
Interao N X p X K
- o confundida)
(parte na

Total

(
(
(

P2

368,5 - 2

506,0 + 564,0

- 79,5

276,01 .

P1

G.L.

S.Q.

Q.M.

2
2
2
4
4
4
2

107,20
2240,39168,54
283,17
464,65
141, 7l
853,88

53,60
1120 '20
84,27
70,79
116 '16
35,43

276,01

26

4535,55

(-79,5)2
6 X 9

117,04 .

Nas interaes duplas N x p N x K e p x K, a parte


q~e realmente interessa e a inte;ao entre componentes
1
1
1
1

l1ne ares : N

N1

1,17
24,35**
1,83
1,54
2,53
o, 770

x p , N

x K , p

x K 1 . Temas..

P1

logo,
SQN I

(-46,0)2
6 X 2

176,33 .

Analogamente obteremos:
SQN

46,00

K f = 7 '36 ,

SQPf

Kf

21,33 .

Chegamos, assim, seguinte analise da varincia, na


q~al os_graus de liberdade e a Soma de Quadrados do ReSlduo sao obtidos por subtrao.

(
(

(
(
(

(
(

No entanto, e mais conveniente, em geral, procurar


aumentar o nmero de graus de liberdade do resduo pela
incluso nele de parte dos graus de liberdade das interaes duplas. Para isto e aconselhvel distinguir
no
efeito de cada elemento, com dois graus de liberdade, um
para o componente linear, e outro para o componente quadrtico, maneira que ser explicada melhor no captulo
12. Por exemplo, no caso do fsforo, o componente linear
(P') seria dado pelo contraste:

368,5 + 564,0

(
(

(
(

c. L.

Nitrognio (N)
Fsf oro (P)
Potssio (K)
Interao N' X p1
Interao Nl X K I
Interao pf X K'
Blocos
Resduo

2
2
2
1
1
1
2
15

107,20
2.240,39
168 '54
176,33
7,36
21,33
853,88
960,52

Total

26

4.535,55

- Po + P2

(
(

Causa de variao

SQP'

(195,5) 2
2 X 9

195,5 ,

S.Q.

Q.M.

53,60
1.120,20
84,67
176,33
7,36
21,33
64,03

2.123,35 ,

e o componente quadrtico (P") pelo contraste

As medias para os 3 nveis de fsforo so:


Po 40,9 t/ha
PJ 56,2 t/ha
Pz 62;7 t/ha
todas com erro padro de 2,7 t/ha.

o, 837
l7,49>'d
1,32
2,75
o, 115
0,333

r=

..... . . .

~.

120

7.8. lJM ENsAio

(
(

c
(
(
(

(
(

121

FATORIAL DE 6

3x 3

<ll

-o

A determinao da acidez de mangas


em 3 meses do ano e em 3 anos agrcolas sucessivos,
os dados da tabela 7.8.1, cada um deles media de dete
naes em 3 frutos, reproduzidos de um trabalho de S
( 1960).
Aqui, no ternos repeties, mas podemos usar a
terao tripla como resduo.
Com a tabela seguinte obtemos dados para
as Somas de Quadrados de Variedades, de Meses
rao dupla Variedades x Meses.

.....

(})

Cll

o ,_.

U')

......

o
,_.

.....

co

0\

U')

<l)

......

Novembr o

Dez embr o

Janeiro

r-

Totais
variedades

-'1"

ft

ft

o..--4

M'-OCO
....-.

0\

ft

MNO

U')

U')

.......

--'

C')

co

M
,..._

......

co

co

-.o
o

:>

0\

<T 0\NLr\
N

<d

0\

<1l
'J

Variedades

<l)

.u . ....
E-<

(
(

<JJ
<l)

-o
<1l
-o

o coao
~

......

ft

U')

ft

r---

U')

ft

-.:r

ft

("'1

-.:r

co
-.o

-.::tN

ft

ft

ft

U')

ft

-.::t-'1"Lf")-.::t

U')

ft

ft

co

'-0 '-0 -.::t N

Lf")

0\

Lf"\

ft

0\

-'1" -'1" " ' Lr\

-'1"

......
-.o

co

o
("'1

(
(

(
(

(
(

Bourbon
Brasil
Extrema
Ma
Non Plus
Ultra
Oliveir a

69,3
108,7
126, 9
145,1
lll '8
100,1

19,1
12,6
19,5
21,0
27 , 9
21,4

14,0
12,6
15 , 8
14, 4
18,7
14, 4

10 ? ,4
133,9
162,2
180,5

0\

"'......

0\

C()

<l)

0\

15 8 ,4
135,9

Lr\

......

661, 9

121,5

89,9

(
(

873,3

(
(

.(
(
' .

(
(

SQ Variedades x Heses

......

,_.o
,Ll

:>

O
ft

0\
ft

.-1

"'

Lf")
~

r-

<T

ft

ft

ft

ft

-.oco o o
...... C") " ' " '

<T

r- o o r-

0\

<T NO\ r---

Lr\

C')

ft

C")

C")

C")

o
-.o
o
o

co

lf)

"'
.-1

ft

-.:r

-'1"
~

N
N
C()

o
C")

C()

......
r-

"'

C()
lf)

......

<l)

-.::t <T MN

r-

. ......

12.625,15- 417,18- 11.485,46


722,51 .

0\

0\

(l/3) [ (69,3) 2 + ... +(14,4) 2 ] 12.625,15

'-0 '-0 0\
~

......

LI")

SQ Variedades e Meses

-.o "' -.o -.o

,..._

......

SQ Variedades = (l/9) [ (102,4) 2 + ... + (135,9) 2] - C


= 417,18 ,
SQ Meses= (1/18) [ (661,9) 2 + (1 21,5) 2 + (89,9) 2 ] - C
11.485,46

0\

ft

co

<T

-.o "' -.o -.o

0\

Da ti ramos:

-.:r

ft

0\

0\

lf)

Temos ainda:

ft

'~ ~

<l)

ft

...:::t

r-

Totai s de
mes es

,_.o
,Ll

Lf")

(
(

co

0 \ 0 0\0\
\.0

M
ft

C()

-.:r

'-0 N
ft

ft

C() ,..._ ,..._

_ N MM-.::t

ft

-.o
M

o
o

ft

<T

til
<l)

-o
<d

-o
<lJ

,_.

ri

<d

:>

co
,Ll
,_.

.-+
.-l

<1l

s
<lJ

A<

Cll

.....
<lJ

).o :>
l-<!Cil
O"
-1-1 .-l
J.<:X:~0.-1.-<

til

;:l

<1l .u

~w

,_.Cll

til
;:l
.-+

:z;!:::lo

,..._
,..._

ft

N N

Ff;,emljju'iii'-'ii'il''lij.
-----"'ili~iii-;-iii;-"'!!;=o;;;p-"""'"""'..,...'""""...,.-_....,li,.,..,.l,'-"'~~::-e:.,
.. ,,,..,.,.,,_,..,.,..,~,~~:-w-::---:~,~-"-~'~:<>-~c.:->:rc.~--~ "=="'-""--'-......._::.;;.;ooiiio

(
(

122

123

De maneira anloga calculamos as outras somas


de '
quadrados necessrias, e obtemos a anlis e da varincia ,
seguinte.

c
G.L.

S.Q.

Q.M.

C. de variaao

417,18
11.485,46
15,26
722,51
88,26
24,58

83,44
5.742,73
7,63
72,25
8,83
6,14

Variedades (V)
5
2
Meses (M)
2
Anos (A)
Intera~o V x M 10
Interraao V x A 10
4
Interao M x A
Resduo (Intera
o V x M x A) 20

169,58

8,48

Total

53

12.922,83

(
(

(
(

9,84
6 77,21 **
0,900
8,52 **
1,04
o' 724

(
(
(

A interao significativa Variedades x Meses indica


que as variedades se comportam de modo distinto nos meses estudados. Com efeito, isto se verifica pelas ~idias
da tabela seguinte.

Variedades

Novembro

Dezembro

Janeiro

(
(
(
(

23,1
36,2
42,3
48,4
37,3
33,4

Bourbon
Brasil
Extrema
Ma
Non Plus Ultra
Oliveira

6,4
4,2
6,5
7 ,o
9,3
7,1

4,8
4,2
5,3
4,8
6,2
4,8

(
(
(
(

(
(

A diferena mnima significativa para mdias de variedades em um mesmo mes, pelo teste de Tukey, :
4,45

7,48 .

Verifica-se, pois, que s5 nomes de novembro h diferenas significativas de acidez; nesse ms a variedade
Ma, mais tardia, supera significativamente todas as de
mais, com exceo da Extrema.

7,9,

ExERcfCIOS

(7 .9.1) Num experimento fatorial de adubao


de
cafeeiro com N, P, K, de 2 x 2 x 2, feito por Y~LAVOLTA
e outros (1958), foram contados os galhos secos de 4 pis
de caf por parcela. Dos nmeros obtidos extraiu-se
a
raiz quadrada, com os resultados dados na tabela 7.9.1.
Analis-los estatisticamente e comprovar que o nitrognio e o potssio trouxeram diminuio significativa
no
nmero de galhos secos.
(7.9.2) Planeje detalhadamente um experimento com
3 variedades de caf, 3 espaamentos e 3 formas de aplicao dos adubos, com 2 repE:ties e com confundimentode
dois graus de liberdade da 'Lnterao tripla.

7.10.

BIBLIOGRAFIA

ANDERSON, R.L. e T.A. Bancroft, 1952. Statstical Theory


in Research. McCraw-Hi ll, Nova York.
CALZADA BENZA, Jos, 1966. Mtodos Estatsticos para la
Investigacin, Lima.
CCCHF.AN, W.C. e Gertrude .H. Cox, 1957. Experimental Designs, 2~ edio. John Wiley, Nova York.
JOHN, P.W.}1., 1971. Statistical Design and Analysis
of
Experiments. Macmillan, Nova York.
KE}~THOP~E, O., 1950. The Design and Analysis of Experiments. John viley, Nova York.
~~LAVOLTA, E.; F. Pimentel Gomes eT. Coury, 1958. Estudos sobre a Alimentaao Mineral do Cafeeiro (Co 66ea
~ab~ea L., Variedade Bourbon Vermelho). Piracicaba.
SI~~O, S., 1960. Estudos da Planta e do Fruto da Manguei
ra (Mang~6eha ~ndiea L.) (tese). Piracicaba.
SNEDECOR, G.W. e W.G. Cochran, 1967. Statistical Methods,
6~ edio. Iowa State College Press, Ames, Iowa.

--~-~~~~~~~~~-~~~~-~~-~~-~-~~~---

"''~~-~'--:'",. '- ""'-' ~

. ,... 1 'O,O '

"' o . ,; ~ . l

..,.,..:m"'_,. ___ , '""'--"'-.., '

. ~- , ... , ,..,,,. ,...._..

o , .,,. _.-.>."o."'"" "

"' ''' '

1-'

.,..N

Tabela 7.9.1. Razes quadradas dos nmeros de galhos secos de um experimento fatorial
3
de 2 , de adubao do cafeeiro.

Tratamentos
(1)

~
NP
NK

PK
NPK

Totais de
blocos

19
bloco

29
bloco

39
bloco

49
bloco

59
bloco

69
bloco

Totais de
tratamentos

10,20
5,39
8,54
8,83
8,43
2,24
6,63
4,36

7,55
7,62
12,45
6 '71
3,61
3 '16
6,24
2,00

7,62
4,69
7,28
3,74
5,00
1,00
3,87
l '73

10,54
3,32
8,37
3,00
4 ,58
1,00
3,32
2,65

8,00
5,48
8,00
9,43
8,00
3,87
9,17
2,65

4,58
4,24
6,08
3,87
4,80
2,24
3,16
0,00

48,49
30,74
50,72
35,58
34,42
13 '51
32,39
l3 '39

54,62

49,34

34,93

36,78

54;60

28,97

259,24

o-<

-o

1:::1 (/) t:=

rox~

;J

~c::

"i~~>cn

Ql < (/)
""' ~ "'1 Cll ..... ~
ro
>1

'"''
r.
::l .... ~

::l "'

1-' ,... . :-:1

ro..,.

El

1-'

i" Q)

Hl:l\011
::l l"'t w 111

OQCil-...J
1-'
~

rt H

ro

S
.., '

Cl. '""'

ro...o

""'
'-"
f't)
""Q
-

1-i
ro
l:J"
n ::l
"'
I'D ....

:TJ
'i ro
1'1>>~ x
Pl'it:::::l::l;3"0
..... ~ncrro
Pl Cll i"
1-' .... ~

()Q

t:=::lo..

c: ..,
r. .....
o 3
't

;J

~~(/)~~

PJQ.OilJOl
c:
1-' i"
Cll""'

>o

o 1:1 ~
ro
""'
........ lll:>
cn '< O
0..
o Cll
.... c
>-'1-'rt ro cr
,.., 111

..... n

>1

Q)

S n""

CllOOI'I>Jl)l

.....

1"11 ..

;J

r.

(1)

.-.o

>1

WI)J
(...:

(1)

111

O'

""

(').,..

rt Lo.: r.>

::X:

o . c:
loj

lll ....
11 lU
I 1-'

::l
Pl

::l

::l
Q)

..... (")
IUI!Il
O I

.....
N
1.11

(
(

(
(

(
(
(

(
(
(

(
(

(
(
(
(

(
(
(

(
(
(

(
(
(

c
(
(

(
_(

126

LO

8. ANALISE DE GRUPOS DE EXPERIMENTOS


8.1.

GENERALIDADES

Em muitos ramos da experimentao h uma influncia


decisiva do local ou da ocasio sobre os efeitos dos tra
tamentos. Tal ocorre, por exemplo, nos experimentos com
plantas, nas quais o solo e as condies climticas tm
influncia muito grande. J em experimentos com animais
a influncia do local e do clima
muito menor, especialmente quando se trata de gado que recebe raes contra
ladas e que dispe de abrigos convenientes.
As limitaes de espao e de tempo em um experimento podem ser, s vezes, parcialmente afastadas pelo julgamento do experimentador. Entretanto, s uma experimen
tao apropriada poder dar uma soluo definitiva aopr~
blema de generalizao dos r-esultados de um experimento.
Se quisermos, por exemplo, estudar a adubao do c~
feeiro no Estado de So Paulo, tendo em vista obter resultados gerais, deveremos comear por localizar experimentos em toda a rea cafeicultora do Estado. Deve essa rea ser repartida segundo os tipos ~e solo, segundo
o mtodo de cultivo (com ou sem irrigaao), a topografia, etc. A seguir so os experimentos distribudo~qua~
do possvel, ao acaso. Num caso como este os experime~
tos devem ser preferivelmente de delineamento simples,~
merosos e baratos, para que o custono sejaexcessivo. Se
o q~e nos interessa so resultados gerais, estes s poderao ser alcanados satisfatoriamente pe~a
multiplic~
o dos locais e dos anos de e~perimentaao. E,_para_f~
cilitar a analise e a combinaao dos dados num SO COnJU~
to, devem ter, preferivelmente, todos os experimentos,os
mesmos tratamentos e o mesmo tipo de delineamento.
Uma vez obtidos os dados, agrupamos os experimentos
segundo os critrios j adotados na repartio da
rea
a estudar. Poremos de um lado os que se referem a cult~
ras irrigadas e de outro as no irrigadas, pois de ante-.,
mao julgamos que esses dois grupos apresentam
diferen~
as to grandes que no podem ser considerados em
to. A seguir, podemos utilizar como critrio de
mento o tipo de solo. Teremo-s, pois, um grupo de

rimentos referentes a latossolo roxo, outro correspon.


.
dente a aluvio, etc. Se necessrio, podemos 1r
ma1.s
longe e considerar se a terra
nova ou velha, se adubada ou no, e assim por diante.
Consideramos a seguir os quadrados mdios residuais
dos diversos experimentos. Para que os experimentos pos
sam ser reunidos sem mais dificuldade,- preciso que es=
ses quadrados mdios residuais no difiram muito
entre'
si, isto , que sejam relativamente homogneos. Para jul:_
gar essa homogeneidade tradicional o uso do teste
de
Barttlett. No entanto, de acordo com pesqtiisas de BOX
(1953),esse teste para comparao de estimativas de varincias to sensvel falta de normalidade que deve
ser abandonado.
Por outro lado, estudos de BOX (1954) indicam
que
se em todos os experimentos os tratamentos tiverem o mes
mo nmero de repeties e a relao entre as var1ancias
no for superior a 3, a anlise da varincia e os testes
correlatos podero ser aplicados sem prejuzos
srios.
r: importante, pois, aplicar aos quadrados .maios residuais um teste que nos permita concluir se se pode aceitar que a relao entre a maior varincia e a menor no
seja superior a 3. Para isto, combinando ensinamentos deDAGNELIE (1975) (pg. 52) com o teste de F mximo (PEARSON e HARTLEY, 1956) conclumos que se deve calcular

QHl
3QM2

onde QM1 o maior, e QM2 o menor dos k quadrados mdios


considerados. Se tivermos a F>'< .s_ 1, naoa h que temer,
evidentemente. Se, ao contrario obtivermos F* > 1, ser necessrio consultar a tabela 31 de PEARSON e
HARTLEY (19~6), de dupla entrada, relativa ao numero k de ex
perimentos, e ao nmero v de graus de liberdade de cada
quadrado mdio residual. A consulta a essa tabela
nos
mostra que, mesmo com 30 graus de liberdade para o resduo e k = 12 experimentos (valor mximo de k na tabela),
se tiverm<:>s
QMl

<m2

<

a prova nao ser signiticativa ao nvel de 5%.


O teste F bilateral (tabelas 3 e 4 deste livro), apli_
cado ao quociente

...
, -~,........,..
,M>--~---.---;:::----=-~--~- M'"''"~--~--C<'">-U'<' ,,.,,,.,,..,,_,...,,,,, ,,, ,,,,

f~~

128
129

(
(
(

(
(
(

(
(
(

(
(

(
(
(
(

(
(
(

(
(

(
(

e tendo em vista que.


com
k
experimentos,
fl/2)k (k-1) pares possveis de quadrados mdios
duais, leva a resultado semelhante.
Conclui-se, pois, que, no caso de grupos de
mentos similares, em que todos os tratamentos tenham
mesmo nmero de repeties, quase sempre se podera f
a analise conjunta sem dificuldade, se o quociente
o maior e o menor quadrado mdio residual for menor
que 7. Quando, porm, esse quociente for alm de 7,
vir considerar separadamente subgrupos de
com quadrados mdios residuais no muito
discrepantes.
Alternativamente, podemos fazer ajustes nos nmeros
graus de liberdade, de acordo com o mtodo proposto
COCHRAN (1954), que sera exemplificado na seo 8.7. Mas
na verdade esse mtodo no se tem revelado promissor quan
do as discrepncias so grandes entre os quadrados
-dios residuais.

8.2. CoMo FAZER

(
(
(

Experimento I

C. L.

s .Q.

Tratamentos
Resduo

4
15

1,45
7,45

Total

19

8,90

Q.M.

0,3625
0,4967

o. 730

Experimento II

N1PK1
N1PK 2

11,0
lO ,O

10,5
9,5

9,0
9,0

9,0
8,0

39,5
36,5

N2PK 1
N2PK 2

12 ,o
10,5

9,0
11,5

9,5
10,5

9,5
10,0

40,0
42,0

8,5

8,0

lO ,O

7,0

33,5

Testemunha

A ANALISE

Tomamos agora o que chamaremos de um grupo de 2Xperimentos, isto , uns tantos experimentos que consideramos comparveis, de acordo com os critrios indicados aci
ma. Se cada um deles tiver mais de uma repetio, fare=
mos a analise respectiva, separadamente. E a seguir realizaremos uma analise em conjunto, reunindo, porm, sex
perimentos de varincias residuais no muito diferentes~
Consideremos, corno exemplo, o caso de cinco experimen
tos de adubao de algodo, inteiramente
casualizados-;
com tratamentos: N1PK 1 , N1PK 2 , N2PK 1 , N1PK2 e testemunha,
onde N1 e N2 representam, respectivamente, uma e duas do
ses de nitrognio, P uma dose de fsforo, K1 e K~ ser!
ferem, respectivamente, a uma e duas doses de potassio.
Os dados e as analises individuais so expostos a seguir.

causa de var1aao

192,0
Causa de varaao

G. L.

Tratamentos
Resduo

15

12,05
16,72

Total

19

28,80

S.Q.

Q.M.

3,0125
L, 116 7

2.70

Experimento III

N1PK 1
N1PK;,

7,0
8,5

7 .o

6,5
8,0

5,5
5,5

26,5
29,0

7~5

N1PK1
N1PK2

4,2
3,6

2,4
2,2

2,8
1,8

3,2
3,2

12,6
10,.8

N2PK 1
N2PK2

9,0
9,0

6,0
9,5

6,0
8,0

5,5
7,0

26,5
33,5

N2PK1
NzPK 2

3,2
3,6

2,6
2,8

3,0
3,0

2,0
2,4

lO. 8

Testemunha

7,0

11,8

7,0

4,5

6,0

24,5

Testemunha

9 4

140,0

r~

~~~"'~-

(
(

130

131

Causa de variaao

G.L.

S.Q.

Q.M.

Tratamentos
Resduo

4
15

12,00
23,00

3,0000
1,5333

Total

19

35,00

(
(

1,96

2,2280 ; 1,5333 ; 1,1167 ; 0,4967 ; 0,0115 .


O quociente do maior quadrado mdio com o menor

daria

Experimento IV

(
N1PK1
N1PK 2

8,0
8,0

6,9
5,5

6,0
7,5

6,5
8,0

27,4
29,0

N2 PK 1
N2PK 2

7,0
9,0

4,7
6,5

5,5
5,5

9,0
7,0

26,2
28,0

Testemunha

3,5

3,0

3,9

7,0

17,4

(
(

128,0

F*

G.L.

S.Q.

Q.M.

4
15

22,04
33,42

5,5100
2,2280

2,47

Tratamentos
Resduo

Total

19

55,46

Causa de variaao

(
Experimento

(
(
(

N1PK 1
N1PK 2

1, 72
2,38

1,81
2,56

1,73
2,48

1,62
2,43

6,88
9,85

N2PK 1
n 2PK 2
Testemunha

2,52
2,78
1,48

2,88
3,01
1,62

2,76
2,83
1,58

2,54
2,79

10 '70
11,41
6,24

~,56

45,08

(
(

Causa de variaao

(
(
~

2 '2280

0,4967

G.L.

S.Q.

Q.M.

Tratamentos
Resduo

4
15

5,3829
o. 1722

1,3457
o,0115

Total

19

5,5551

---:::-2-'-'-:::2_2-:::8-::-0-::--:::-3 X 0,0115

64,58*i< '

= 4,49

<

7.

E se conclui que a reunio dos quatro primeiros experi


mentos correta.
Obtemos ento a seguinte anlise con=
junta.

Causa de variaao

valor que significativo ao nvel de 1% de probabilidade


pela tabela 31 de PEARSON e HARTLEY (1956). Por qualquer dos dois critrios, verifica-se, pois, q,ue no podemos estudar conjuntamente os cinco ensaios. Mas, se excluirmos o experimento v, cujo quadrado mdjo do resduo
e 0,0115, teremos

(
(

ct

193,74, valor que vai muito alm do limite de 7 que justificamos na seo 8.1. Alis, o teste de F mximo nos

(
(

Os quadrados m~dios residuais relativos a esses ensaios, todos com 15 graus de liberdade, so GSseguintes,
em ordem decrescente:

G.L.

S.Q.

Q.M.

121 , 1.':> *"'

475,40

158,47

31 '85

7,':)6

12

15 '69

1,30()

0,::173

Resduo

60

80,62

1,344

Total

79

603,56

Locais
. Tratamentos
Interao Locais
X Tratamentos

,09 *'''

117,02**

Quando o que interessa sao resultados gerais, o tes


te de tratamentos deve ser feito ~referivelmente em relao ao Quadrado Mdio da Interao Locais x Tratamentos:

F=

7 96

1,308

6 , 09** .

132

133

Por outro lado, o teste para in te raoes nos dar i. a:

(
(

1,308

Num caso como este, em que nao h nenhum indcio


significao das interaes, pode-se tambm testar o
drado Medio para Tratamentos em relao ao Quadrado
dio Residual:

(
(

(
(
(

(
(

(
(

(
(

7,96
1,344

(
(

o ,973

= 1,344

Teremos agora:

Neste caso, em geral se obtm maior precisao, pois


h maior nmero de graus de liberdade para o resduo. No
entanto, sempre que houver indicao da presena de
teraao, mesmo no significativa, este procedimento
deve ser seguido.
Podemos, como em casos anteriores, considerar individualmente graus de liberdade relativos a contrastes de
tratamentos, como fazemos a seguir.

Causa de varlaao

G. L.

s .Q.

Q.M.

26 'll

26' ll

Nl versus N2

1,00

1,00

0,765

Kl versus K2

2, lO

2,10

1,61

2,64

2,64

2,02

12

15,69

1,308

Interao Locais
X
Tratamentos

(
(
(

SQinter. Y1xLocais

19 ,96''<1<

G.L.

Test. versus Trat.


Adub. (Y 1)
Int. Yt

cr-

tica, podemos estimar cada contraste em cada local e pr~


va-lo separadamente. Por exemplo, o primeiro
contraste da anlise acima e:

Locais

S.Q.

Q.H.

26,11

26' 1l

11,02 ,.,

7,12

2,37

s(?l)

+[

(8,4) 2 + .. + (41,0) 2

=~

= 6,89.
t

?1 =

22,85 - o
6,89

(91,4)

I=

z 4 ~

189,86 '

22,85

= 3,32* .

(
(
(
(

'),

,1~.

Ao mesmo resultado chegaramos pelo teste t, como


se segue:

Alguns podero criticar nesta anlise que a Interaao Locais x Tratamentos pode no ser a mesma para todos

Para evitar esta

2=7
(8,4)2 + ...
+(41,0) 2 - (91,4)
x
x
20
4
20 16

O fator 20 no denominador provm da soma dos quadra


dos dos coeficientes do contraste considerado.
O fator
4 se explica per ter sido o clculo feito com totais de
4 parcelas. Explicao semE,lhante vale para o fator 16.
Obtemos a seguinte anlise de varincia.

os contrastes entre tratamentos.

Causa de varlaao

Test. versus
Trat .Adubados

Interao

8,4
24,5
17,5
41,0
91,4

5,92>'<* .

(
(

onde m5 a mdia .da testemunha.


As estimativas
desse
contraste nos guatro locais, calculadas com totais
de
tratamentos, sao:

Analogamente se testam os qutros contrastes.

(e. .

c~

'"'l"'t-.. t .. ~

t,

(
(

134

135

Causa de variaa o

G.L.

S.Q.

Q.H.

(
(

N1 versus Nz(Yz)
Intera o Y x Locais

1,00
3,25

1
3

1,00
1,08

Q)

(/}

o ,926

Cll "d
ri
Q)
ctl.-1

('")r-..('").-lao..jlf)~

)..l

14

Q)

<11

('")('")lf)~lf)lf)lf)('")

E-<

eausa de variaa o

K1 versus K2 (Y 3 )
Intera o Y x Locais

G.L.

S.Q.
2,10
4,32

Q.M.

2,10
1,44

1' 46

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

..;j"r')..j~lf)lf)..j..j

Causa de variaa o

G.L.

S.Q.

Q.M.

F
(/}

Intera o
Intera o
x Locais

Y2
Y2

x
x

Y3
Y3

2,64

2,64

1,01

o,3 37

7,83

ri

"d

\QJ

(JJ

w
(:!

aJ

o.

lf)

..;j"'-()~ao<.Doao~

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

'-OtJICO lf)..;tlf)lf )lf)


C""l(""l("" llf)lf)..jlf) C'l

ste ltimo mtodo


cessiva mente o numero de
de sorte que s pode ser
quando e grande o nmero

O
lf)

Q)

ri
H

NCOO"I..jr')<J\CO~

(
(

co

COVIMN N.-ICOO "I

r')

NMOO \aor--0\ N
......... *" ...........
0\CO..jN NO"INM
..;j"lf)O" \<J\0\I'(J \lf)

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

.-!CO..j.-<~r')lf)..j

00:>

COO.-!Qlf)O"Ir--~

"'

"'
w

"d

ri

(/}
Q)

"d

><:
r.Ll

tem a desvant agem de reduzir ex


graus de liberda de para testes:
usado sem muita
de sv antagem
de locais.

..;j"

0\

..;tQaoQ ..;tlf)C"" lN

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

CO CO N

I ' lf) '.0 0

00

lf"\r--0"10\0\COr--~

N'.DO\O Q.-I.-10 \

co

..;t~0000"\0"10-.;t

.......

.-1

8.3. lJM

Um exemplo bastant e interes sante e dado por um grupo de ensaios de competi o de varieda des de batatin ha,
realiza dos pelo Eng9-Ag r9 Oscar . Garay, da Estao Experimen tal de Balcarc e, Argent ina, instala dos em localidades da regio batatei ra da Provnc ia de Buenos Aires.
Cada um deles tinha 4 repeti es e 8 varieda des em blocos casuali zados. Os dados, em t/ha, e a anlise de varincia individ ual do 19 experim ento foram vistos na seo 5.2 deste livro. Para os demais ensaios
us
dados
eram semelha ntes. Damos na tabela 8.3.1 os totais devariedade s e os quadrad os mdios residua is para todos os
experim entos.

(
(

(
(

(
(
(
(

GRUPO DE ENSAIOS DE BATATINHA

O
N

COQ.-ilf)MN~~

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

.-llf"\Q ON.-Ir- -N
C""l'-ONN N.-1.-1-.; j"
~

......-l r-l

,.....-4

........!

OC""l'.D N.-1-jlf), ..._

ao

r-.00-.;tN .-IO"ICO r--

ao

...

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

..;j-..;t~OO~~'-O..;t

co

..j

.-4

co

"'

.-4
(].)

..0

<ll

E-<

(--*~'

(
136

137

(
(
(
(

A relaio entre o maior quadrado m~dio


residual
(8,55) e o menor (1,99) vai pouco alm de 4. Fssim sendo, podemos fazer uma anlise conjunta sem dificuldade.
Temos:
SQ Experimentos

(
(

SQ Var. e Exp.

(
(

(
(

(
(
(

(1/4) [ (47 ,0) 2 + ... +(53,2) 2 1- C


8.772,33.

8.772,33- 3.691,33- 3.276,19


1.804,55 .

G.L.

s .Q.

Experimentos (E)
Variedades (V)
Interao V x E
Resduo mdio

6
7
42
147

3.691,59
3.276,19
1.804,55

Q.M.

615,27
468,03
42,97
3,86

c
(
(
(

(
(
(
(

t/ha
t/ha
t/ha
t/ha
t/ha
t/ha
t/ha
t/ha

14,43
10,89
11,13

**

'~<*

'"'*

Os quadrados mdios para Experimentos e para Variedades so testados em relao Interao V x E;


esta,
por sua vez, se prova em relao ao resduo mdio.
Pela anlise de varnca se conclu que, embora ha
ja interao significativa Var.iedades x Experimentos, s
to , embora 0 comportamento relativo das variedades vi=
rie significativamente de uma localidade para outra, ha
efeitos gerais de variedades que se sobrepem a essas va
riaes, de sorte que se podem indicar algumas varieda~
des como de maior produo para toda a regio, e nao
nas de interesse local.

4 , 50

l/I

42,9 7
28

5,58 t/ha .

Por a se conclu que as 4 primeiras variedades super am s gni fi c a ti vamen te as 3 ltimas.


Os testes t, de Duncan e de Scheff se
aplicariam
da maneira j conhecida, pa,~a comparar mdias de varledades, sempre usando como resduo a Interao Varedades
x Experimentos.

84

(
(

o quadrado mdio residual a media ponderada dos


quadrados mdios residuais dos ensaios, neste caso equivalente media aritmtica respectiva, pois os pesos
a
serem usados (nmeros de graus de liberdade
respectivos) so todos iguais.
Obtemos, assim, a seguinte anlise da varincla.
Causa de varaao

21,8
20,3
19,8
19,4
19' 1
13,8
12,4
11,2

sao

A diferena mnima significativa, ao nvel de 5% de


probabilidade, pelo teste de Tukey, e:

logo
SQ Var. x Exp.

1. Huinkul
2. B 116-51
3. s. Rafael a
4. B 1-52
S. B 72-53 A
6. B 25-50 E
7. Buena \Tis ta
8. Kennebec

(1/32) [ (488,8) 2 + ... +(613,0) 2 ] -C


3.691,59 '

SQ Variedades= (1/28) [ (313,8) 2 + ... +(346,6) 2 ]


3. 276' 19 '

As mdias de variedades, em ordem decrescente,


dadas a seguir.

OUTRO ExEWLO

Um modo prtico e usual de anlise-conjunta de experimentos consiste em considerar as medias


referentes
a cada caso e analis-las corno se cada experimento fosse
uma repetio.
D~rnos na tabela 8.4.1, corno exemplo, as mdias
de
produao, em kg/ha, de urna variedade (V38) e de oito linhagens de rnamoneira em cinco localidades no ano agrco
la 1946/47, de acordo com dados de SOUSA' e CANECCHIO
F9 (1952) .
O maior quadrado mdio residual observado (88210)
menos de trs vezes maior do que o menor deles (29930),
lo?o os ex~erirnentos p~d~m ser ana~!sados em conjunto sem
ma1ores cu1dados. A anal1se da var1ancia, feita como para o aso de blocos ao acaso, dada a seguir.

138

139

Causa de var1aao

S.Q.

G. L.

Q.M.

.,......
<11

Locais
Tratamentos
Interao Trat.
x Locais

(
(

4
8

4.800.004
398.815

1. 200.00 J

49.852

41,00
1,70

0:::

.-INN.-1.-INNNN

Total

UJ

32

936.520

44

6.135.339

(<lJ
+J

.....<lJ
E-<

Verifica-se,- pois, que os tratamentos nao


entre si. Entretanto, como a variedade V 38 foi
mo testemunha, razovel isolar na analise o contraste
que compara esta variedade com as linhagens, co me fazemos a seguir.

(
(

(
(

c
(

c
(
(

(
(

(
(
(

......

--o

co

-'1"

..SNC:Or--.NNMO\,..._
..SNll"lillMMC:OO\ill
--o..S..Strlll"\ll"\illill-'1"
,.-.l

.-I .-I

.......... r-1 ........ ' .-4

....--. r-1

<11
<J

<J

::E!

NUi....--l("')f"'-..

r-

C"'J~N

MO\Lf"\..-<<.;:TO\M0\0\
C:Oll"\CO--or--.N N MO\
...-1.-1.---tr-IMNNNr-1

-'1"

o
o

......

......

o......

-'1"

l1"\
l1"\

,..._

,..._
tf)

N
co
co

<11

Causa de var1aao

G. L.

S.Q.

Di f. entre V 38 e
linhagens
Entre linhagens

11. 16 7
387.648

Tratamentos

398. 815

Q.H.

11.167
55.378

o, '3812
1,89

-' -

..c

--

<1!

00
.!G

Ei

-o

<lJ

.,s. .
o

-o
(::

<lJ

cO

(
(

t.r\

.--'

(
(

,..._
N
0\

29.266

(
(

MN..SOillC:OillC:OO
ill0\0\Nll"\r--.Ntrl..S
0\.--INO\C:0.--10-'1"0

s<11
o

.,...~

.O

L{')

.....;:t r- '-O

r--1

.-1

--o 0\NO\OMO\NN

-'1" l1"\COM..j'..j'Nilll1"\

.....

.-lr-ir-1.-lr-1.-lr-1..-1

p..

...o
<lJ
H

p..

illO\If\..SN c-< illM CO


c0.-10'.()f'.lf\ ..j' N'.()
.-< N O N N ..--lN N ,-<
r-1.-lr-1.-l.-1~..-1.-lr-1

<lJ

Tambm neste caso o resduo usado foi o


Hedio da Interao Tratamentos x Locais.

Quadrado

-o

0:::

-'1"
LI',

l1"\

M
.......

..j'

M
,..._

o.......

o,..._
......

0\
--o

M
0\
0\

.,...cO
-o

\<!)

8,5. AINDA UTRO ExEMPLO

l eU
<-i'
;:I

Veremos agora como reunir experimentos


realizados
em vrios anos e em diversos locais. Tomamos como exemplo dados sobre amendoim publicados por SOUSA e ABPJU1IDES (1952). Trata-se de mdias ajustadas de produo de
amendoim, em kg/ha, em trs estaes experimentais e em
trs anos agrcolas, como vemos a seguir.

-o

U)

(::

<lJ
bO
<11

..c

.,. .
(/)

p..

.,c. .

......

<lJ

COillCO.-INM o
co.-.illr--.r--cococo o
M -'1" ..-< .--1.-<COC:OCO .......

<lJ

:> . .l

l-1

......

-'1"

co

-o

<11

-o

<11

......
Q)
..a

.....,_.

E-<

:>

<11

Q)

<11

.....l .....l.....l....l.....l....l.....l

.,...
U)

cO

.....

E-<

cO
;:I

-o
.,...
(I)

<lJ

0:::

::z::
O"

'

140

141

Ano 41/42

Variedades

40
54
59
53

(
(

Roxo
Roxo
Cateto
Tatu

Totais de
tratamentos

Variedades

Campinas

Rib. Preto

Pindorama

1780
1450
1430
790

690
470
520
280

4400
4330
3440
3710

6870
6250
5390
4790

5450

1960

15880

23290

Campinas

Rib. Preto

40544953-

Roxo
Roxo
Cateto
Tatu

Total Geral

(
(

Ano 42/43

(
(

40
54
49
53

Roxo
Roxo
Cateto
Tatu

'

Pindorama

2610
2590
2710
1590

1570
1330
1500
1170

1850
2010
2240
1790

6030
5930
6450
4550

Campinas
Rib: Preto
Pindorama

24190
16380
30470

71040

Total Geral

71040

9500

5570

7890

22960

Causa de_variao
Tratamentos (T)
Locais (L)
Anos (A)
Interao T X L
Interao T X A
Interao L X A
Interao T X L

20220
19400
17430
13990

O esquema de anlise pode ser o seguinte, dado


COCHRAN e COX (1957) (pp. 565-567).

Variedades

Totais de
locais

Locais

Ano 49/50

por

G.L.
3
2
2
6

6
4
X

12

(
(
(

(
(

Variedades
40
54
49
53

Roxo
Roxo
Cateto
Tatu

Campinas

Rib. Preto

Pindorama

2570
2320
2130
2220

2650
1890
1570

2100
2160 .
15 70
870

9240

8850

6700

27~0

Primeiro calculamos:
7320
7220
5590
4660

SQ Total
173.938.800- 140.185.600
SQT =

24790

33.753.200'
[ (20220) 2+ ... + (13990)2] -C= 2.562.555

l
[ ( 24190) 2 + ... + (30470) 2 ) -C
SQL-- 12

(
(

1
SQA-- 12

[ (23290) 2 + ... +

(
(

SQ Anos e Loca1S

(24790) 2 ] - C

=i [

8.304.517
158.550

(5450)2+ .. +(6700)2] -

29.273.300

(
(

142

SQL

143
X

A= 29.273.300- 158.550- 8.304.517 = 20.810.233

(
(

(
(

SQ Trat. e Anos=~ [ (6870) 2 + ... +(4660) 2 ]- C= 3.369.467,


SQT

Para o clculo de SQT x L precisamos organizar uma


tabela com totais de cada tratamento em cada local, como
vemos a seguir, onde os nmeros entre parnteses indicam
quantos dados f oram somados.

(
(
(

Campinas

40
54
49
53

QMT + QMT X L
QMT X L + QMT

A= 3.369.467- 2.562.555 - 158.550 = 648.362

(
(

O teste para tratamentos sugerido por COCHRAN


COX (1957) para este caso consiste em tomar:

6960
6360
6270
4600

Roxo
Roxo
Cateto
Tatu

(3)

4910
4540
3910
3020

(3)
(3)
(3)

8350
8500
7250
6370

(3)
(3)
(3)
(3)

7' 13

( QMT + QJ11.T X L X A) 2
(QMT) 2
( QHT X L X A) 2
3
+
12

(3)
(3)
(3)
(3)

(854.185 + 93.355)2
(854.185)2 + _;_
(93.355)2
_ ____;__
3
12

Temos ainda:

3, 7 . '

SQ Trat. e Locais =

(
(

SQT

**.

Os nmeros de graus de liberdade para este testeso


calculados ass1m:

(
(

A
A

854.185 + 93.355
24.788 + 108.060

Pindorama

Rib. Preto

X
X

_! [ (6960) 2+ ... +(6370) 2] - C

L + QMT X A) 2
L)2
(QNT X A)2
6
+
6

( QJIIT
(QJIIT

11.015.800 '

11.015.800 - 2.562.555 - 8.304.517


148.728 .

(24.788 + 108.060)2
(24.788)2
(108.060)2

Obtemos, pois, a seguinte anlise da varincia.

(
(

Causa de variao

Tratamentos (T)
Locais (L)
Anos (A)
Interao T X L
Intera~~o T X A
Interaao L X A
Interao T X L

(
(

'

G.L.

2
2
6
6
4
12

2.562.555
8.304. 517
158.550
148.728
648.362
20.810.233
1.120. 255

35

33.753.200

Total

S.Q.

Q.M.

854.185
24.788
108.060
5.202.558
93.355

8,6 .

Os nmeros 3, 12 e 6 nas frmulas so os nmeros de


graus de liberdade dos quadrados mdios respectivos.
Conclui-se que o nosso F tem 3,7 e 8,6 graus de liberdade, aproximadamente. O valor de F correspondente,da
tabela, pode ser obtido por interpolao harmnica, que
nos d o valor 6,80 para o nvel de 1% de probabilidade,
ou ento simplesmente consideramos os nmeros
inteiros
mais prximos, que so 4 e 9 e que indicam o valor 6,42
para o mesmo nvel de probabi ldade. De qualquer
modo

(
(

144

que se proceda, verificar-se- que o F obtido (7,13)


significativo ao nvel de 17..
Num caso como este, porm, em que o Q::r.x L e menor
do que o QMT x L x A, ao passo que o contrar~o acontece
com o Q'I:IT x A, um procedimento razovel e muito mais sim
ples consiste em tomar como quadrado mdio residual par
comparao de tratamentos o que corresponde a QMT x A,is
to , 108.060. Obtemos ento:
-

(
(

(
(

145

= 7 90*
F = 854.185
108.060
,
,

(
(
(

com 3 e 6 graus de liberdade. O teste de Tukey, ao nvel


de 57., nos daria:

(
/::,. =

(
(
(

328,7

onde

40
54
49
53

(
'

(
(

(
(
(

-(
(

QMT

Verifica-se que o valor de F achado significativo


ao nvel de 57.. Uma estimativ~ para o desvio padro
s
que nos interessa na comparaao entre tratamentos seria:
QHT

L + QMT

160.000

QHT

108.060 - 93.355

418,0 '
com nmero de graus de liberdade
(174. 705) 2

224 7
2156
193 7
1554

kg/ha
kg/ha
kg/ha
kg/ha

(160.000)2
(108' 060) 2
(93.355)2
+
+
6
b
12

>

QMT

A '

poderamos tomar como quadrado media residual para o te!


te de tratamentos o correspondente a QMr x L.
Se, porm, tanto QMT x A como QMT x L
superarem
QMTxLxA, como proceder? Para o teste F usamos o mtodo
indicado por COCHRAN e COX (1957), aplicado acima,
que
continua vlido. Suponhamos, para dar um exemplo, que ti
vessemos QMT x L = 160.000 e que os demais quadrados m=
dios continuassem a ser os mesmos. Ficaria:
F

11,6 .

174.705

Roxo
Roxo
Cateto
Tatu

L > QMT

3.7 '

(93.355) 2
+
12

(160.000 + 108.060) 2
(160. 000) 2
(108.060) 2
+
6
6

Logo, as nicas diferenas significativas sao entre


as variedades 40 - Roxo e 54 - Roxo, e a variedade 53 Tatu.
Se ao contrrio, tivssemos

(
(

1108.060

93.355) 2

(854. 185) 2

As medias de tratamentos so:

(
(

53 7 ,o

19

328,7

4,90

(854.185

854.185 + 93.355
160.000 + 108.060

= 3,53 ,

4,4

Logo o teste de Tukey nos daria, ao nvel de 5%,

5,50

766,3 ,

e a diferena entre as mdias das variedades 40 - Roxo e


53 - Tatu, que e 693, no atingiria o limite de signifi
cncia, embora muito se aproxime dele.

86
I

UTRO t~TODO DE

ANAL I SE

O mtodo de anlise indicado em 8.5, j


bastante
complicado, torna-se de aplicao ainda mais difcilquan
do, como ocorre comumente, no temos experimentos
nos
mesmos locais em todos os anos agrcolas. Quando isto acontece, um procedimento razovel e mais simples consiste em tomar indiferentemente os experimentos, sem
distinguir se so de lugares diferentes ou de anos distin-

(
(

146

147

tos, e analis-los de maneira semelhante ao que vimos em


8.2. Se assim procedermos com os dados de 8.5, obteremos
a seguinte anlise.

Ul
(j)

Causa de variaao

G.L ..

S.Q.

Q.M.

(j)

<J

(j)

O "Cl 'M
,_,
H

3
8
24

2.562.555
29.273.300
1.917.345

Total

35

33.753.200

845.185

t:: M

Exige-se aqui, como nos casos anteriores, que


os
quadrados mdios residuais no sejammuito diferentes,is
to e, que o malor deles no supere sete vez es
o me~
nor.
Os testes de Tukey, de Duncan e de Scheffe
seriam
aplicados da maneira usual, tomado para quadrado medi o re
si dual o que corresponde a QMI' x E. Teramos, pois, ao
nvel de 5%,

/::,. =

3,90

282,6 - 36 7,4
.

/9

Logo a variedade 53 - Tatu teria produo inferior


a todas as demais, e estas no difeririam entre sl.

(
(

(
(

(
(

(
(

(
(

C1l

N
N

Ul

13 N
C1l -<r
u

-<r

79.889

-<r -<r o

C') 0\ -<r
0\ 0\ ,..._ Lr'l

Lr'l

:>

10 ,58**

M -<r
p..-.._

0000

\O

C1l

Tratamentos (T)
Experimentos (E)
Interao T X E

"Cl
C1l
"Cl

Cl)

o
o

0000
............ 0\ 0\
,..._ \O Lr'l Lr'l
NNN...-i

o
o

0\

Lr'l
0\

\O

......

Ul

C1l

c
'M

0\

-<r

p.. ...._

13 <X)
C1l -<r
u

(j)

J..<

""'

1::<:

......
,..._

r-I f""""'i r--i

0000

0\

'-Or-.OOLrl

Lr'l

-<r
N

o
,..._

0\

...-<0000(')

Lr'l
...._

-<r

0000
OMCJ\r--.

0\ ,..._

Lr'l

,.--; ,.--;

<X)
<X)

0\

o
o

r--<r
<X)

C1l

13

8.7

ofi:TODO DE CocHRAN

Quando os quadrados mdios residuais sao muito diferentes, o mais acertado, como j dissemos,
separar
os experimentos em subgrupos em que tal no acontea. Ou
tro mtodo, porem, que pode ser usado, o que
vamos
expor a seguir, adaptado de COCHRAN (1954), e que
con. siste em fazer um ajuste nos nmeros de graus de liberdade.
Consideremos, como exmplo, os dados da tabela 8. T.
e
ABRAMIDES
1, sobre o amendoim, adaptados de SOUSA
(1952).

(lj

o ...._

J..< Lr'l

0000

"Cl 0\

.--l.--lLr'I<X)
N N .--l

t:: -<r

o...or-.r-.

""'

Cl)

(j)

'1:1

ctt

'1:1
(j)

,_,

.-I

l1l

>

o
o
r--

o
o

0\

"'

Lr'l

......

o
o>< o><

(j)

;:l

<O C1l

!ZIZUE-<
I

1.

0-<1'0\M

-<r

Lr'l

-<r

Lr'l

ctt

(j)

;:l

"Cl
Cl)

C/l,M
<O

.-I

C1l
~

O
E-<

u
a

...-i

'1:1
'M ......._
Cl)('l.-1

~.3
~

O'

.. --

...

~- ~,~-~- ,,_.il'"~-~loO>o -~,~--.,--

.. 'r";,,~

~"!'"-''-~ '~"""""''l:'lf~l~~~, ~~..,_-.~: .": ~":":!-~ ~~.,.._ ........ ~i_~"'!'~~ -~- ~.;f \ ' '. , .. ~;- y: ... :~--~

148

149

c
(

Adrai tiremos que os experimentos sejam em blocos ao


a c aso, tendo, pois, 9 graus de liberdade para o resduo,
cada um deles.
Representemos por X os dados mdios da tabela anterJ.or e teremos:

(nr) Sendo s { o Quadrado I-tdio Residual em cada


, rimento, .com ni graus de liberdade, temos:

expe-

(
(

SQT

16

SQE

16
[ (6700) 2 + + (9500) 2 ] -C= 5.304.200 ,
.
16

SQT

16

(
(
(
(

.(

c
(

25,9

26 '

248.470
62118 ~ 62,12

10.978.400

18.004.800-10.978.400-5 . 304.200

103

21.415.870.900
5354
e

1.772.200 .

Quanto ao Quadrado Mdio Residual, o modo mais fdos


cil de obt-lo consiste em tomar a mdia ponderada
quadrados mdios residuais dos experimentos, embora possa tambm ser calculado da maneira usual, como em 8.2.
A anlise obtida dada a seguir.

106 .

(n - l)(e- 1) 2 vl2
nte=

2) v2 + vl2

(e

32 (62,12)2 106
5354 X 10 6 + (62,12) 2 10 6
3

7,14 ::: 7

(
(

(52.900 + ... + 106.900)2


(106.900)2
(52.900) 2
9
+ +
9

Esi
vl - - -

18.004.800 ,

_!i [ (9560) 2 + ... + (5400) 2 ]

69.464.800

259.854.400

C
Temos de multiplicar por 16 = 42 no clculo de
o
porque, "Como havia 4 repeties em cada experimento,
verdadeiro total geral seria 32240 x 4. Ajustamento anlogo se fez nos clculos restantes.
SQ Trat. e Exp.

n]_

(32.240)2 16
~--~~----64

c
c
(

EX= 32.240

69.464.800,

Causa de variao G.L.

S.Q.

Q.M.

Desvio
adro

Nas frmulas acima e o numero de experimentos e n

o nmero de tratamentos.

Te-:amos, pois, apenas 7 graus de liberdade para a


.
1nteraao T x E (em lugar de 9) e 26 para o resduo (em
3.08* 437,4 vez de 36). ~com esses nmeros ajustados de graus de li
191.356
F
249,2 herdade, que julgamos a significao dos valores de
62.118
obtidos. O teste de Tukey pode ser usado com n = 4 tra. tamentos, n 1 = 7 graus de liberdade para a interao. Ao
nvel de 5% obtemos:
Agora temos de ajustar os numeras de graus de
Resjluo
herdade para a Interao T x E (nte) e para o

Tratamentos (T)
Experimentos (E)
Interao T x E
Resduo

3 10.978.400
3 5.304.200
9 1. 722.200
36 2.236.248

3.659.41) 7

19,12*

\i-

(
(

151

!50

(
(

(
(
(

(
(

t:, =

4,68

511,8 .

EXPERIMENTOS EM

Como as medias so:


40544953-

Roxo .........
Roxo .........
Cateto .......
Tatu .........

2390
2335
1985
1350

verifica-se que a variedade 53 - Tatu inferior a todas


as outras, e que estas no diferem significativamente en
tre si.

(
(

8,8, BIBLIOGRAFIA

BOX, G.E.P., 1953. Non-Normality and Tests on Variances.


Bometrika, 40:318-335.
BOX, G.E.P., 1954. Some Theorems on
Quadratic
Forms
Applied in the Study of Analysis of Variance
Problems, I. Ann. Math. Stat. 25: 290-302.
COCHRAN, W.G. e Gertrude M. Cox, 1957, Experimental Designs, 2~ edio. John Wiley, Nova York.
COCHRAN, W.G., 1954. The Combination of Estimates
from
Different Experiments. Biometrics 10: 101-129.
DAGNELIE, P., 1975. Thorie et Mthodes Statistiques,vol.
2. Presses Agronomiques de Gernbloux, Blgica.
HOPP, Henry, 1954. A Guide to Extensive
Testing
on
Farms. U.S. Department of Agriculture, Washington.
PANSE, V.G. e P.V. ukhatme, 1959. Mtodos
Estadsticos
para Investigadores Agrcolas (traduo). Fundo
de
Cultura Econmica, Mxico.
PEARSON, E.S. e H.O. Hartley, 1956. Biometrika
Tables
for Statistician.s.
Cambridge Un. Press.
SOUSA, O. Ferreira de, e Eduardo Abramides, 1952. tEnsa1os de Variedades de Amendoim. Bragantia 12: 349358.
SOUSA, O. Ferreira de, e V. Canecchio F9., 1952. Melhoramento de Mamoneira, VII, Bragantia 12: 301-307.
YATES, F. e W. G. Gochran, 1938.
The Analysis o f Gr';)ups
of Experiments, Jour. Agr. Sei. 28: 556-580.

(
(

(
(
(

(
(

(
(
(

(
(

(
(

(
(

S. EXPERIMENTOS EM' PARCELAS SUBDIVIDIDAS;

FAIXAS

9,1, GENERALIDADES
Os experimentos em parcelas subdivididas so aconse
lhveis em alguns casos em que se pretendam estudar dois
tipos diferentes de tratamentos, como, por exemplo, variedades e espaamentos. Neste caso, cada parcela, semea
da com uma certa variedade, repartida em suoparcelas~
cada uma com um dos espaamentos a estudar. Nos verdadei
ros experimenl=os em parcelas subdivididas ("splt plot")
as subparcelas devem ser distribudas ao acaso dentro de
cada parcela. As parcelas, por sua vez, podem ser dispostas em qualquer tipo de delineamento, mas geralmente
se distribuem em blocos casualizados ou em quadrado latino.
Nos experimentos em parcelas subdivididas.
temos
dois resduos distintos: o Resduo (a), referente as par
celas, e o Resduo (b), correspondente as
subparcelas
dentro das parcelas.
Se no exemplo acima referido t1vessemos 5 variedades, 3 espaamentos e 4 repeties, com as parcelas dispostas em blocos casualizados, a anlise acompanharia o
esquema seguinte.
Causa de variaao
Blocos
Variedades (V)
Resduo (a)
(Parcelas)

G.L.

Q.M.

3
4

12

QMV
QMR(a)

(19)

Espaamentos (E)
Interao V x E
Resduo (b)

2
8
30

Subparcelas

59

QME
QMVxE
QMR("'b)

~.!~~-1~\>IOl __

153

152

(
(

Se tivermos 5 repetioes e as parcelas dispostas em


quadrado latino. o esquema de anlise ser:
Causa de van.aaa

G.L.

Q.M.

Linhas
Colunas
Variedades
Resduo (a)

4
4
4
12

QMR (a}

(Parcelas)

(24)

(
(

(
(

c
(

Espaamentos (E)
Interao V x E
Resduo (b)

2
8
40

Subparce las

74

QMV

QME
QMV

QMR (b)

(
(
(
(
(

(
(

(
(

(
(

(
(
(

(
(

Em qualquer caso, o Quadrado Mdio de

Consideram-se a analisam-se como experimentos


em
parcelas subdivididas os que se realiz~ nas me~mas parcelas e com os mesmos tratamentos em do~s ou ma~s
anos
sucessivos, desde que no haja mais de 3 ou 4 anos.
Um ponto relativamente complicado nos experimentos
em parcelas subdivididas o que se refere comparao
entre mdias de tratamentos pelos testes t, de Tukey, de
!)uncan ou de Scheff.
Para explicar de uma maneira bem geral esta
ques
to, imaginaremos um experimento em parcelas subdividi=
das com a tratamentos A aplicados s parcelas, dispostas
em r blocos casualizados, e b tratamentos B aplicados s
subparcelas. A anlise da varincia seguiria, ento,
o
seguinte esquema.

Variedades
Resduo (a), indicado por QMR (a), e os Quadrados
Mdos
de Espaamentos (QME) e da Interao V x E, em relao
a Q~ffi (b). Em geral, acontece que temos QMR (a) >QMR(b),
de sorte que os efeitos dos tratamentos ensaiados
nas
subparcelas (os espaamentos, no exemplo acima) so determinados com maior preciso do que os efeitos dos tratamentos testados nas parcelas (variedades). Esta diferena de preciso s vezes constitu um def~to deste ti
po de delineamento. mas tambm pode ser vantajosa.
Uma
desvantagem , porm, sem dvida, que a anlise estatstica . mais difcil do que nos blocos casualizados
ou
nos quadrados latinos e que algumas comparaes
entre
combinaes de tratamentos se tornam relativamente complicadas.
Em casos mais complexos, as subparcelas podem, por
sua vez, ser repartidas em subsubparcelas. Temos, ento,
trs resduos distintos: Resduo (a), referente a parcelas, Resduo (b), a subparcelas, e Resduo(c), correspon
dente .a subsubparcelas. E o processo de subdiviso pode
ser ievado mais alem, se for conveniente.
(Q~N) seria provado em relao ao Quadrado Mdio do

Causa de variaao

G.L.

Desvio padro

Blocos
Tratamentos A
Resduo (a)

r - 1
a - 1
n a = ( a-1) ( r-1)

(Parcelas)

1.ar - 1)

Tratamentos (B)
Intera o A X B
Resduo (b)

b - l
( a-1) (b-l)
nb = a ( b-1) ( r-1)

Subparce las

a b r - l

Consideraremos quatro c asos, que sao os


tantes.

ma~s

impor-

19 Caso - A comparaao entre tratamentos A feita


com o au~lio do desvio padro sa Por exemplo, para um
contraste Y == Ai - Au , onde Ai e 1lu so
medias de
tratamentos A, temos:

s (Y)

yq
. --

br

(
(

(
(
(

L54

155

com na graus de Liberdade.


Para os testes de Tukey e de Duncan temos,
tivamente,

('

respec-

z ---

(
(
(

onde q e z correspondem a a tratamentos e na graus de li


herdade e, finalmente, para um contraste

Y = clAl

(
(

J Caso
Suponhamos agora que queremos
comparar
dois ou mais tratamentos B num mesmo nvel de A, o
que
equivale, no exemplo dado acima, a comparar dois espaamentos para uma mesma variedade. Tambm aqui o desvio
padro sb que deve ser usado.
Para um contraste Y = (AjBi) - (AjBu)
temos:
-

-S"(y)

com nb graus de liberdade,

+ czA2 +

o teste de Scheff nos d

11

D=z

rr

rr.

lcom q (ou z) correspondente a b tratamentos e nb


/de liberdade.
E para um contraste

com F correspondente a (a

d e t ra t amen t os
2<] Caso - A comparaao entre me-d ~as
B se faz com o auxlio do desvio padro sb. Para um contraste Y
Bi- Bu, temos:

(
(

1) e na graus de liberdade.

(
(

c
(
(
(
(
(

(
(
(

+ ...

sCl)

Y = cl (AJ Bl) + c2 (AJ B2) + . + cb (AJ Bb)


teste de Scheff nos d

graus

onde F tem (b - 1) e nb graus de liberdade.


com nb graus de liberdade e

49 Caso Consideraremos agora o problema,


bem
mais complexo, de comparar duas mdias A em um mesmo n11
D = z
q
vel de B, o que vem a ser, no exemplo acima,
comparar
;a:;ar
duas variedades para um mesmo espaamento. O que complionde q (ou z)
o valor da tabela para b tratamentos e ca a solu~o do problema que neste caso interferem sinb graus de liberdade. E o teste de Scheff ser aplica- multaneamente os desvios padres sa e sb. Para um_ contraste Y = (AiBj) - (Au.Bj),
temos um erro padrao
do a um contraste.
sb

sb

clBl + caB2 + .. + cbBb

~~

s (Y)

(b-l)Vb + Va

tendo em vista o valor

/~
ar

br
2

(cl2 +

onde F se refere a (b - 1) e nb graus de liberdade.

as'

"2

r
-

onde Va = sa , Vb
sb. Qual sera, porem, o numero
de
graus de liberdade a usar no teste, isto , qual o numero n' de graus de liberdade de s(Y) ou de s'?
Sabe-se que devemos ter sempre

(
(

156

157

Um valor aproximado para n', usado com bons


proposto por SATTERTHWAITE (1946):

eo

........

1) Vb] 2

[ Va + (b

n'

resultados,

....
<1l

Q)

v2

(b

a
na

(.)

,_.

1)2Vt

<1l

o.
,_.
o
o.

nb

Temos entao

",_.

Q)

:>

s(Y)

<1l

com n' graus de liberdade e, no caso dos testes de Tukey


e de Duncan,

s'

s'

(
(
(

s1

(
(

(
(

::
<1l
O

......

1<1)
j.J

<1l

o
u
,....o

NN-.J:>NC'l-.J:>..::t-.J:)
~

ft

ft

ooco.--.0'1--r..::r-.o
0'1
,.....
-.J::>NOON0'-00 co
~

ft

ft

ft

ft

o
(V)

......

-.o .
N

ft

.--.N-..:;r.-<QC'/.-4.-4
00 lf'l 00 '-O. CV'l C'/ N CO

ft

-.o
..::r
..::r

<1)

n'

+ +

c~ )

O
N

c<1l
O

......

<lJ

c<1l

:>

..0
:l

"

<1l

<lJ

o
u
o
,....

..0

c<1l

().

,....

"o

......

1<11

,.....

#'>

..........

.. ..

..

0'1

-<:1"00-~

CV"'!NO

0'\ f'.Of'.f\M'-OCO

......

00 '-OOON-.::t 00'-0 ..;r


ft

......

NOO N O N ' - 0 0 N
n

ft

MO r-1
0'1 00 N 0\

......

ft

ft

f""'"-.

C"")

r--.

l.f')

r-..

000-<:t --r o
~

oco
..........

<1l
al
,_.

......

s::

Q)

4-J

<1l
,...

.g

<:.)

al

o. -o ........,

<1l o
S::!<1l

;:l

'O

;:l . . ~
CJ..-4~

~<1)
~u

~-

..::r

ft

......

-.o
-.o

<X)

ft

O.">l

ft

f'.

......

-.o
-<:!"

'-0-<:t"NOO..::tMlf"'\ co
00-.::tO'-OMMN (V)

......

f'.
lf"'\

ft

'-O..OOlf'IN-.::t..-4'-0
f'.li"'\O'>lf'IMMNO

u
,_.

lf"'\

-.o
-.::r

ON'-OOOON..::tO
....
....
....
....

:l

(/)

..::r

",_.o
~

Tomaremos como exemplo um experimento com 8 tratamentos (7 adubos verdes e milho) em blocos ao acaso, com
4 repeties, realizado em dois anos sucessivos nas mesmas parcelas. Os dados constam da tabela 9. 2 .1.

...

......

UM ExEMPLO

ft

()'> '

p.,

ft

,_.

ft

-.o

"

c<1l

Ul
<1)

'-O -.::r OO..::tONO

......

OONNQ'\..:;tNG'I co
OOlf"'\0'>-.::tNCV"'!...-< o

<1l

O
<"')

-.::r-.oo..::rco..::r-..oo

o
......
-.o

..0

..0

onde F e o valor correspondente a (a- 1) e n' graus de


liberdade.
Convem salientar que nos ensaios em parcelas subdivididas ha dois coeficientes de variao, um
referente
ao desvio padro sa, outro correspondente a sb.

9.2.

NCV'lC'/M'-ONCV'l

'-OOONCV"'!OC'IMN
COCO...-<OOlf"'\<'1'-00'\

o
u
,....o

~
ci
r

00
..!:<:

,_.

(/)

..0
O
-<!"

"

e q (ou z) e o valor da tabela para a tratamentos e


graus de liberdade.
O teste de Scheffe nos daria

(
(

.-1

onde

<1)

SI

z ---

o
u
,....o

Q)

(
(

::
<1l

j
<::n

.c

~....: <1l"l-(
Q ..-,~..-1

8""0
1-r.rJU 'i!

.
.-.NM"-'tlf"'\-.J:>r--..CO

ft

M
M
lf)

(
(

(
(

158

159

.Para fazer a anlise, comearemos por obter a


duo total de cada parcela nos dois anos. Os numeras
sim obtidos constam da tabela 9.2.2.
Indiquemos por X os totais das parcelas.
Fica:

rx2 =

686.381,68

4385 2 2
)
64

(
(

(
(
(

SQ Parcelas =

4385,2

SQT =

16

(
(

0\

(
(
(

(
(

o
o

u
O

-c= 851,43

(V') ......
..0

ft

ft

ft

ft

ft

ft

ft

'-OCV'lOCOO\"'--<trCOCV'lNf'-Nf'-Lf\0
'-OU"\COU"\r'"lNC"''CO

ft

'"l

co
C"l

-;r

CO--<t-;1"-;1"NN--<t-;1"
ft

ft

ft

ft

ft

ft

ft

CV'lU"\CON'-0"'--<l'N
"'CV'lO\U"\1'-r--COr--

ft

0\

......

li"\

000-;1"N-;1"CIJO

co

r-4

ft

r-1

ft

ft

t-I

ft

ft

......

ft

ft

if'I-'-;1"NV')U"\ NO
r--.;:tO(V')r--'-0 CIJO
.-1 ,...; N
......
N

li"\

r-

o,.....

+ ... + (807,8) 2] -C= 40.189,61 ,


N,...;

.D

O o
,.....
,.....

.D

+ (2465,6)2] - C = 4.658,07 ,

onde 1919,6 e 2465,6 sao os totais respectivos do primei_


ro e do segundo ano.
Para obter a Soma de Quadrados correspondentes In
terao Anos x Tratamentos, comeamos por organizar
um
dos
quadro com as produes dos tratamentos em cada um
anos do experimento (tabela 9.2.3).

. . co.

COC0--;1"0-..j'OQ..;r
ft

ft

ft

ft

ft

ft

ococn-;r"'co

..;t,.o

(V')

1'-NO\CV'lCO"' CIJCO

li"\

r-1

t-1

......

r--1

.-1

Com isto podemos terminar a primeira parte do qua dro da anlise da varincia dada abaixo.
Quanto segunda parte, os clculos so feitos como
se mostra a seguir.

= ~ 2 [ (1919,6)2

o
o

. .

ft

ft

ft

,...; .-1

li"\ 0\
.-1

r- N

crJ

N
N

,_.

(/)

0\

Q)

<1l

......

Q)

E-<

w
113
,...

E-<

<1l

~
~

<::3
P.<::J
cJ

Q)

p.""

r:ltC1l

'.0

..;r

.-<N

tl

o'"'

Q)

o
w

ft

0\ ...... '-0 NO\

w
N

ft

r- r- N

OC0'.0-;1"N'-OCIJO

U.

..0
<1l

--<r ......

icrl

u
O

..0

SQRes (a) = 42.722,42- 851,43- 49.189,61 = 1.681,38.

SQ Anos

o
o

(
(

'-00-;1"N0NOCO

- C= 42.722,42 .

[ (1196,4) 2 + ... + (1059,2) 2]

S1 [ (686,6) 2

"'

E-<

diviso por 2 no clculo da soma de quadrados para parcelas devida a termos duas subparcelas (isto e,
dois anos) em cada parcela.
Tendo em vista gue h 19 subparcelas em cada bloco
e 8 para cada tratamento, fica:
SQB

Q)

~
crJ .w
w ,_.
o
.w

""

(J)

= 300.468,42

686.381,68

.w

ri

EX

(/)

Q)

""'
:3

;:I

"""r::..s:!

;:1.-,~

() .ri ~

~Cll
.r:r..u

j
<::n

crJ~,.C::

crJ Q.. .,...., ~ ......

(Sc:.!O
1-CI)U

. . .. . . .
.-<NCV'l--;1"11'\'-01'-00

--<r

"'

0\
.-1
.-1

(
(

161

i60

(
Tabela 9.2.3. Totais

(
(

(
(
(

(
(

iI
I

I
I

I
I

l. Mucuna preta

Feijo de porco

CJtot. junc.e.a
Guandu

Teph. c.ancU..da
Soja

CJtot. gJtan;U_a.na
Milho

29 ano

Totais de
tratamentos

333,8
205,2
370,0
233,8
120,8
133,4
87,6
435,0

352,8
327,8
450,4
344,4
208,2
142,8
266,4
372,8

686,6
533,0
820,4
578,2
329,0
276,2
354,0
807,8

1919,6

2465,6

4385,2

(
(

J\.JJJi~l ' da

relativos a tabela 9.2.1.

19 ano

Tratamentos

2.
3.
4.
5.
6.
7.
8.

anua~s

causa ~e
variaao
Blocos
Tratamentos (T)
Resi:duo (a)

G.L.

S.Q.

3
7
21

851,43
40.189,61
1.681,38

T.

Total

1
7
24

4.658,07
5.048,64
919 '73

63

53.348,86

(333,8) 2 + ... +(435,0) 2+]

(
(

SQA

- C - SQA -

~QT

40.189,61

5.)48,64

(
I

Agora podemos completar a anlise de varincia que


e dada a seguir.

I
I
I

(
(
(

41 +(352,8)'2 + ... +(372,8) 2


49.896,32 -4.658,07

(
(

(
(
(
(
i~----------------~--~

Desvio
padro

5.741,37 75' 77
80,07 8,95

71,70**

4.658,07 68,25 121,88**


721 '23 26 '86 18,87**
38,22 6,18

Temos agora:

Q.M.

(31)(42.722, 42)

(Parcelas)
Anos (A)
Interaao A
Resduo (b)

var~anc~a

Como a Interao A X T
significativ a, este esquema de anlise deve ser modificado, pois isso indica que
os tratamentos se comportam de maneira diferente em relao aos anos. g prefervel, pois, estudar o efeito
dos
anos em cada tratamento sP.paradamen te. Temos ento:
SQ Anos dentro do Trat. 1

[(333,8)2

+ (352,8)2]

(686 ,6) 2

45' 13 '
e analogamente para os outros casos. Podemos ento organizar a tabela 9. 2. 4 para a anlise da varincia.
Em todos os casos em que foi significativ o o efeito
dos anos, houve aumento de produo no segundo ano, com
exceo apenas do caso do milho (tratamento 8), em que a
safra diminuiu. Essa discordncia de comportament o
que
tornou significativ a a Interao Anos x Tratamentos
na
outra analise. Contrastes entre as diversas combinaes
de tratamentos e anos podem ser testados pelos testes t,
de Tukey, de Duncan, de aonfer roni e de Scheffe, de acor
do com as normas gerais j vistas. Por exemplo, para
contraste entre duas medias de tratamentos nos dois anos,
o mtodo de Tukey nos d, para o nvel de 5% de probabilidade:

..

rr"'"!]i'"ii"--)-~J-----P--~----~---..,........,_ _.~t<"'~:(-.,.._""',.,.''''''~'~'!:'<'JMI'"""'i'!"',.-,,..,."~~,_.\~':Cn '.-",~"'P<:<::"::~":.: ':"",.,!-''''''.,~~r:>:"V'"1'

(
(

162

163

Tabela 9.2.4. Anli~e da var1anc1a

dados da

du~;

9. 2.1.

(
(

Causa de
variaao
~

Blocos
Tratamentos (T)
Resduo (a)

G.L.

S.Q.

Q.M.

3
7
21

851,43
40.189,61
1.681,38

5.741,37
80,07

(31)

(42. 722,42)

Vemos, po1s, que a CJW.tal~a juncea e o milho no


diferem entre si, e que ambos superam todos os outros
tratamentos, ao nvel de 5% de probabilidade, pelo teste
de Tukey.
A comparao entre essas mdias pelo teste de Duncan seria feita com as amplitudes mnimas significati seguintes:

71 '70**

3 35 8,95

De

(
(

(
(
(

(
(

(Parcelas)
Anos d.
Anos d.
Anos d.
Anos d.
Anos d.
Anos d.
Anos d.
Anos d.
Resduo

Trat.
Trat.
Trat.
Trat.
Trat.
Trat.
Trat.
Trat.
(b)

1
2
3
4
5
6
7
8

1
1
1
1
1
1
1
1
24

45,13
1. 878,85
808,02
1.529,05
954,85
11 ,os

3.996,18
483,61
919,73

4-:5' 13
1.878,85
808,02
1.529,05
954,85
11,05
3.996,18
483,61
38,32

1,18
49 ,03**
21 ,09**
39 ,90**
24 ,92**
0,288
104,28**
12 '62**

63

Total

53.348,86

(
4,74

(
(
(

(
(

(
(
(
(

(
I

8 95

/8

15 03

'

onde o valor de q (4,74) foi obtido por interpolao har


mnica, da maneira indicada no captulo 3. As mdias dos
tratamentos, em ordem decrescente, so:
C~o~ai~a

/8
e ainda, calculados analogamente,
D6

10,41,

D5

= 10,25 ,

D4 =

CJto~cti~ gJta..n;t,Lana .............


Teph!to~;a eandida ................

.
.

Soja . . . . . . . . . . . . . . . . . . . . . . , ...... .

44,25
41. lJ
34 ,53

9 '77

9,30

10,03 ,

li!
'li

Verifica-se, pois, que ainda neste caso aC~o~ai~a


junee_a e o milho no diferem entre si, e que ambos superam todos os outros tratamentos, ao nvel de 5% de probabilidade.
Se tivssemos mais de dois anos a considerar, a com
parao entre eles poderia ser feita pelos testes de
~
ou de Tukey ou de Scheff. Mas como s h dois anos,
a
nica comparao possvel j est julgada pelo teste
F
da anlise de varincia. A comparao entre as produes
de dois anos para um mesmo tratamento (39 caso em
9.1)
tambm j est feita pelo teste F, pelo mesmo motivo. Po
demos, porm, estudar, como exerccio, um contraste
do
tipo includo no 49 caso, por exemplo, comparar a produo do milho no 19 ano com a da CJto~ai~a junee_a tambm
no 19 ano. Temos:

juneea ................ . 102,55

Milho ......................... 100,98


85,83
Mucuna . . . . . . . . . . . . . . . . . . . . . . . . . . .
72,28
Guandu ......................
Feijo de porco .................. 66,63

8 95

= 10,53 ,

= 3,33

D7

10,60 '

rs

'

435,0 - 370,0

s (?)

n'

=--4=

!2

38,22
2

+
X

80,07

[ 80,07 + 38,22] 2
(80,07) 2
21

(38,22)2
+

24

16 25
'

5.44

38,2 :::: 38 '

tI

iI

li
i

r."". "'"

. .. ,.,.

r"\ - -

- - r-,

,.....

- - ,......._ ...........

" ' - ,

" ' ........., ,-..,

"

r"\ - -

.......,

r"'\ """ r"\ , , ,......., "' ,....., """ ,....., .........., .....__

"

1l

.. ,

;;- .- -c.-.-~ ~

...~,..

"'"'

LD
.\.N

ro P. t1

::l o

. c:

"'

!-'
(t>

p.
'O
Pl tu

(l)t-it-iP .<l
l "' n
ro ro
;.;- n tD.._. Cll t1ro
OQOil> P.S
ro o
'O
t-i
to

(D

()

o
>1 "'
P.'d "' ll>
C:II>::IO Q
tnc:r'l-iP >O
~ (D lll
1-i
o' o.('l 1-'
'dii>IP. l
lll o "'
,.Cl
1-i
nSroC :!ll
ro 1-'S lll ::l
..... ::;
p. lll\
ll> ro P.l-i ,.....
'i c:: lll 1-'
lll lll p. (/)
rn >--'000 ro
llll
ontn> -'P.
o c:: lll (D
o.SO" rt
!ll'd'di- 'C:
P.t-'lll ::lS
lll (D t1 o

c: "'

-o

~
;:o

~
~

"'

tJl

::;

tu

(D

p.

ro

::<

>-'(D"
ro
ll>
lll
>mlnli
~

CJl

.....
aro

x
lll
O" 'O
rot1SV 1::l
..... o lll ..
~
lll p.
o

c:

c::

\Do.()

tJl

~o
(/)

,.q

,.Cl

c(t>

o
::I

11

.s::-1~
+

>1

"'rt
(/)

(D

t'D\

.s: -1~!
I

(/)

1-'
(]Q

::l
.....
M\
.....
()

"'1-'
o

~
o
Cfl

11

11

w
"-./

"-./
~

ln

C1'

+:-

\0

-P-1'-'
,......,

.....

.s::-1~:

.....
+
+:..._,

11

.,...

,.....
,.....

'-'

p.

c:

c:r'n

()

Co 3X

2.
F 42.,.68

3.
CB 38-22

11

,......,

.....>

n
o
E!

1:10

'O
lll

rt tu 1-i
o
lll
o.
11
o ro1
P..lll
p.. 1-'
ro lll

a(DI

1:10
I

,-..

>

-...]

1:10

...._,

1-i

to

rt
ro ~
(/)
ro
rt
ro o

a
(/)

<'-
:4

ln

~~~

c:

ro

00

1-'
..........
(t>

N
N
N+

11

00

.....

o
o

..+:"-./

"-./

11

::l

'-'

C1'

tu

\0

(/)

ro

ro

(!)

Adubado

No
ad.ubad o

290,4
223,2
309,6
292,8
312,0

261,6
206,4
228,0
192 ,o
184,8

552 ,0
429,6
537,6
484 , 8
496,8

1428,0

1072,8

134,4
122,4
120,0
170,4
151,2

Totais de
parcel as

p..

o o

()Q

;:l
1-'
M\

>-1

c:

;.;ro

'<

1-'
()

ln

+:+:-

<
o
ll>
.o

::l

~--''
<
(D

tJl

!'

C1'
1......

lll
rt
1-'

ro

... ,

11

'!

Vl

'!

..\0
N

1
:1

\0

**

,.....

'O
lll
11
lll

p.
ro

,.....
~

....
<
ro
,.....

11
1-'

p..

lll

(D

.....

V1

/OQ

!-'

ro

::l

l!

rol

p.

(/)

P.::l

,.....

to

::;

Ct>

<
Pl

rt
P.!t>
Ct> Cll

1-i

o
t-i

p.

+:-

to

1-' o

(/)
(D

'k ~

,Cl

p..

c..,

"'..

11

+:-

tu rtN
ro

to

11

.....

rt(t)CJ'

llll
o

Vl::S

<

::;

ro ;:r 1-i
>--'
ro

N:4ro

Vl

C1'

(t>

~'
t>

11

...._,

ro1 k

'O
()
o
o 11

ro ln.

t-t~;:rP..

tu p n
o ~ .:;:l
c:
::; :4 lll

"'

o' llll

M\Qill

~s

,.....

P..Ct>

o ,.q

(/)

>

(D

<

'-'

,-..

CllP.P..
n lll 1-'
;:r'
lll

ro

Tabela 9. 3 . l . Produ o de cana, em kg por

l.

tu
~

P.OP>I ll
ro
I I

Varied ade

o n

at'D\ oE!

p.. Ct>

(t>

t1

'"dlllCJ
lll rt o
t1 1-':3

~1:.!::>'0

OIS ::I o
Wt'D
P..E!
(/) lll o

......

.....

p..

'O

()

1-'1

tJl

ro ro

1-'

..

1-'
M\

c:

()

'O N OQ ,Cl
t-i O C:: C:
o
o' tu "'
::l (t>
tu ::l P.::l
o' O
o
1-' ~
to
,.....
::l
1-' ~ o '
P,.(D
(t>
lll l Nl-i
P..O O E!
ro tn
1-'
lll rt
'O ::; ro
Ct> o

p..
(D

'O
li
o
o'

~
,....

,;:;:

parce~a.

No
adubad o

Totais de
parcel as

264,0
223,2
292,8
278,4
259,2

244,8
230,4
230,4
172' 8
206,4

508,8
453,(
523,2
451,2
465,6

2500,8

1317,6

1084,8

2402 '4

124,8
117,6
127, 2
196,8
144,0

259,2
240,0
247,2
36 7 '2
295,2

223,2
218,4
158,4
175,2
312,0

146,4
168,0
105,6
199,2
165,6

369,6
386,4
264,0
374,4
477,6

698,4

710,4

1408 ,8

1087,2

784,8

1872,0

l lp

144,0
153,6
105,6
175,2
165,6

168,0
120,0
98,4
199.2
177,6

312,0
273,6
204,0
283j2

Total do adubad o ...... . 5.275, 2


Total do no adubad o ... 4.356, 0

744,0

703,2

1447,2

Total Geral ...... ...... 9.631, 2

374,~

- ---~

Varieda de

Adubado

4.
Co 419

5.
CP 36-24

!,,
~~

-~

f
.~

lj

~
:~

~f

r~.

iJ

l
~

......

~~

ln

C1'

166

167

(
(

(
(

A distribuio dos tratamentos (variedades) e


das
produes de parcelas nas linhas e colunas do quadrado1a
tino consta da tabela 9.3.2.
Tabela 9.3.2. Distribuio dos tratamentos no
latino.

Tendo em vista que a Interao Variedades x Aduba significativa, podemos estudar o efeito da adubaem cada variedade separadamente, como se faz a
se-

quadrado
variao G. L.

477,6

465,6

295,2

283,2
3

496,8

367,2

484,8

451,2

374,4

374,4

523,2
4

204,0

264,0

537,6

247,2

273,6

429,6

240,0

453,6

386,4
5

552,0

259,2

369,6

312,0
3

508,8

1800,0

1752,0

1944,0

2193,6

2018,4

1941,6

2052,0
1776,0
1783,2
2001,6
9631,2

(
(
(
(

(
(

(
(
(
(

A anlise de varincia levada a cabo como no ex em


p1o anterior, com os resultados da tabela seguinte.
Causa de variaao G.L.
Linhas
Colunas
Variedades (V)
Resduo (a)

4
4
4
12

7.302,07
. ll. 832 '88
105.701,30
12.361,88

Q.M.

26.425,33
1.030,16

25,65**

16.898,57
2.615,79
910,71

18,56**
2,87*

(24) (137.198,13)

(Parcelas)
Aduba~ (A)

Interaao V
Resduo (b)

S.Q.

1
4
20

16.898,57
10.463,16
18.214,27

Ad. dentro de vl
Ad. dentro de v2
Ad. dentro de V3
Ad. dentro de V4
Ad. dentro de V5
Resduo (b)

49

182.774,13

20

Q.M.

12.616,70
14,40
166,46
5.419,58
9.144,58
18.214,27

12.616,70
14,40
166,46
5.419,58
9.144,58
910,71

l3 ,85 **
O,vlo

o' 183
5,95 *
10,04 **

Os clculos sao feitos como em 9.2.


Verifica-se, pois, que s trs das c~nco variedades
estudadas reagiram adubao.
As mdias de produo so dadas abaixo, em kg
por
parcela.
Variedades

Adubado

l. Co 3X
2. F 42-68
3. CB 38-22
4. Co 419
5. CB 36-24

No adubado

285,60
139,68
148,80
263,52
217,44

214,56
142,08
140,64
216,96
156,96

Se quisermos comparar a produo de duas variedades


adubadas (comparao de 49 caso) pelo teste de
Tukey,
cal cu larernos:
s' =

n'

Subparcelas

l
l
1
1
l

S.Q.

;I 910,71

+ 1030,16 = 31 15

[ 1030 ,16 + 910.711 2

(1030,16) 2
(910,71) 2
12
+
20

28,9

= 29,0

G.L.,

!j
li

ij

il

168

169

(
=

4,13

rs

57,57 .

Tabela 9.4.1. Brix de mangas de diversas variedade s.

O valor de 6 fo calculado para o nvel de 5%


probabilid ade.
Verifica- se, pois, que a Co 3X excede
mente todas as demais variedade s, quando adubada, com ei
ceo da Co 419. Esta por sua vez supera significativa~
mente a CB 38-22 e a F 42-68.
O mesmo valor de 6 nos permite comparar entre si as
variedade s na parte no adubada. Verifica-s e ento que a
Co 3X e Co 419 no diferem uma da outra, e que ambas superaram todas as demais.

(
(
(

c
(

Variedades
Cariota

Extrema

c
(

9.4.

Os dados que vamos analisar, adaptados de um traba5


lho de SIMO (1960), referem-se ao brix de frutos de
variedapor
ps
3
de
colhidos
,
mangueira
de
s
variedade
dos
de. De cada p se colheram 4 frutos, um de cada um
pontos cardeais. Este ensaio se pode considera r como em
e
parcelas subdividid as: cada parcela uma mangueira ,
corresponrvore,
cada
as subparcela s so as 4 faces de
dentes aos 4 pontos cardeais.
Os dados colhidos so Teproduzid os na tabela 9.4.1.
A analise segue marcha semelhante dos exemplos an
teriores, com os resultados que se indicam a seguir.

.(
(

(
(
(

(
(
(

(
(
(

(
/

Oliveira

AINDA lJfRO ExEMPLO

r'
ri

S.Q.

Q.M.

4
lO

29,55
15,71

7,39
1,57

(14)

(45,26)

ca usa de variaao

G.L.

Variedades (V)
Resduo (a)
(Parcelas)

Pontos Cardeais (P) 3


12
Interao V X p
30
Resduo (b)

20,60
20,12
51,60

59

137,58

Subparcela s

6,87
1,68
1,72

4,71*

3,99*

o,977

Bourbon

Imperial

Norte

Sul

Leste

Oeste

Total

18,0
17,5
17,8

17 '1
18,8
16,9

17,6
18,1
17,6

17,6
17,2
16,5

70,3
71,6
68,8

210,7

16,3
16,6
15,0

15,9
14,3
14,0

16,5
16,3
15,9

18,3
17,5
15,2

67,0
64 '7
60,1

191,~

16,0
19,5
16,3

16,2
14,9
16,4

l7 ,9
15,0
16,0

16,1
15,3
16,4

66,2
64,7
65,1

196,0

16,6
15,9
17,5

15,2
l3 '2
15,8

14,2
18,0
16,7

15,5
17,3
18,4

61,5
64,4
68,4

194,3

18,9
18,5
21,5

18,6
l3 '7
16,4

15,3
18,2
18,3

17,0
18,3
16,6

69,8
68,7
72,8

211,3

261,9

237,4

251 '2

253,2

i!
li

!I
i!

1. 004, l 1. 004' 1

de
H, pois, efeito significat ivo de Variedade s e
Pontos Cardeais, mas no para a Interao Variedades x Pou
tos Cardeais.
As mdias para variedade s, em ordem decrescent e,com
erro padro 0,36, so:
Imperial .......... ..... .
Carlota .... , .......... .
Oliveira .......... ... ~ ..
Bourbon .......... .......
Extrema .......... ...... .

17,61
17,56
16,33
16,19
15,98

A diferena mnima significa tiva, ao nvel de


pelo teste de Tukey, :

5%,

"
i(

r--"-~--

170

171

(
4 66 11,57

Para os 4 pontos cardeais, as mdias, em ordem


crescente, com erro padro 0,34, so as seguintes:

(
(
(

17,46
16,88
16' 77
15 '83
A diferena mnima significativa, ao nvel de 5% de
probabilidade, pelo mtodo de Tukey, e:
6. = 3 84

v'I;l2

m:

c. v.

11,57

100

16,735

(
(

= 1,31

A mdia ger~l do ensaio


16,735.
ciente de variaao para parcelas e:

c. v.

v'I;l2

100

= --=2....:-.:;-..~=----

16 '735

(
(
(
(
(

(
;:(
(

9.5,

7,49%

'

G.L.
4
2
8
3
12
6
24
59

Se o mesmo experimento fosse em parcelas subdivididas,e no em faixas, o esquema da anlise seria o segui~
te.

ExPER I fvENTOS EM FAIXAS

Causa de variaao
G.L.
Os experimentos em faixas se distinguem dos experiBlocos
4
mentos usuais em parcelas subdivididas porque neles
os
Tratamentos A
2
tratamentos no se distribuem inteiramente ao acaso nas
Resduo (a)
8
subparcelas, mas, pelo contrario, so dispostos de rnane!
Tratamentos B
3
ra a formar faixas, como mostra a figura a seguir.
Interao A X B
6
Temos a representado um bloco de um experimento em
Resduo (b)
36
faixas com trs tratamentos A (A 1 , A2 , A3 ) e quatro traTotal
59
tamentos B (B 1 , B2 , B 3 , B4 ) , Se tivermos cinco repeties, a analise da varincia acompanhara o esquema se_ _Esta anli~e, alem de mais simples, d maior preciguinte.
1sao as com:earaoes entre tratamentos B e no julgamento
:da Interaao A x B. Logo, os experimentos em faixas de:vem ser evitados, sempre que possvel.
casos,
po-

Ha

.(
:j

Logo o coefi

= 7,84% .

(
(

Causa de variaao
Blocos
Tratamentos A
Resduo (a)
Tratamentos B
Resduo (b)
lnteraao A X B
Resduo (c)
Total

ao passo que para subparcelas :

de-

Norte
Oeste
Leste ................ ..... .
Sul ................ ....... .

l, 6 8 ,

pois hi 12 subparcelas (frutos) para cada variedade.

-----~-~----'----------~-----

(
(

(
(
(

(
(
(

(
(
(

172

173

rem, em que razoes de ordem pritica nos levam a


adoti
los. Tal acontece, por exemplo em alguns experimentes de
poca de colheita, quando esta feita por meios mecnicos.
Convm, ento, que estejam numa s faixa todos
tratamentos a serem colhidos na mesma poca, afim de facilitar o trabalho das mquinas.

9,6, lJM

(
(
(
(

r P + b (Ai Bj) - Ai
(r-1) (b-1)

onde r e o numero de repet~es, h o n~mero de tratamentos B testados nas subparcelas (anos, neste caso), p
o total das subparcelas presentes na parcela onde
se
perdeu um dado, A o total de todos os dados relativos
ao tratamento atrbuido a essa parcela, e (A Bj)
o
total das ~ubparcelas com o~ trata~~;:tos Ai e Bj correspondentes a subparcela perd~da (feqao de porco e 19 ano,
no caso vertente). Temos no nosso exemplo:

= 4,

(Ai Bj)

(
(
(

c
(
(

= 2;

= 83 , 8 ,

56,6 + 52,4 + 52,2

A~

83,8 + 56,6 +

161,2

+ 52,2 + 83,2

489,0 ,

logo

83,8

2
X

161,2 - 489,0

56,2 .

Este valor obtido substitudo como se fosse a pr~


duo da subparcela perdida e todo o clculo feito como em 9.2, com o resultado dado a seguir.

.(
J
~----------------~------~

variaao

Blocos
Tratamentos (T)
Resduo (a)

G. L.

3
7
21

S.Q.

Q.M.

1.011,06
40.159,68
l.Sl.l,07

5.737,10
7l ,96

79, 73*>'<

4.452,22
699,88
37,56

118 '54>'<*
18,63>'o'c

(31) (42.681,81)

(Pare e las)

dl!

ExEWLO COM SUBPARCELA PERDIDA

Suponhamos agora que no experimento de 9.2 foi perdida a produo de feijo de porco no 19 bloco
(44,0),
isto , admitamos que h uma subparcela perdida. A anilse pode ser feita ento mediante o clculo de uma produo fctica a ser atribuida i subparcela perdida.
A
frmula a utilizar-se :

causa

Anos (A)
Interaao A
Resduo (b)
suoparcelas

7
23

4.452,22
4.899,16
863,92

62

52.897,11

1
X

N~te-se que se perde um erau de liberdade para o Re


sduo (b).
A modificao do esquena de anlise para atender ao
fato de ser significativ a a interao A x T, feita como em 9.2.
Na anlise acima o Quadrado Mdio para o Resduo (b)
fica corretamente estimado, mas todos os outros esto li
geiramente exagerados.
O erro cJmetido geralmente des
prezvel, mas, se se desejar, poder-se- usar o
mtodo
do resduo condic i on<cll e xp l iv a du em 5. 5 para obter os v a
lore~ exatos, ligeiramente inferiores.
Quando o que mais nos interessa a primeira parte
da anlise, isto , as compara~es entre tratamento:> A, po
demos, com maior rigor, considerar perdida toda a parce=
la em que se perdeu uma subparcela e calcular o valor a
ser utilizado na anlise pela frmula j dada para o caso de blocos casualizados :

y =

rB+nT-G .
(r-l)(n-1)

onde agora n o numero a de tratamentos A.

g claro que se as parcelas fossem dispostas em quadrado latino utilizaramo s a frmula corresponden te.
No caso presente obtemos Y = 155,2 e a anlise e
a seguinte.

174

(
(

(
(

Causa de variaao

c. L.

S.Q.

Blocos
Tratamentos
Resduo (a)

20

1.229,47
40.162,48
1.435,54

Parcelas

30

42.832,98

5.737,50
71,78

79,93**

(
(

Agora h perda de um grau de liberdade para o Res-


duo (a).
Na tabela
acima o valor de S Q T foi corrii~ido pelo mtodo descrito em 5.4.

(
(

9.7.

P..NDERSON, R. L., 1946. Missing-Plot Techniques.


Biometrics, 2: 41-47.
ANDERSON, R.L. e T.A. Bancroft, 1952. Statist~al Theory in Research. HcGraw-Hll, Nova York.
CALZADA BENZA, Jos, 1966. Mtodos Estadsticos para la
Investigacin, 2~ edio, Lima.
COCHRAN, \L C. e Gertrude M. Cox, 195 7. Experimental Designs, 2? edio. John Hi ley, Nova York.
FEDEPER. Walter, T., 1955. Experimental Design.
Macmillan, Nova York.
KEtWTHORNE, O., 1950. The Design and Analysis of Experiments. J ohn Wi ley, Nova York.
SATTERTHHAITE; F.E., 1946. An Approximate Distribution
of Est-imates of Variance Components, Biometrics, 2:

(
(

(
(

(
(

(
(

(
(

(
(

(
(

(
(

BIBLIOGRAFIA

ll0-114.
SH1O, Salim, 1960. Estudo da Planta do Fruto da Mangueira (tese). ESALQ, Piracicaba.

10. BLOCOS INCOMPLETOS EQUILIBRADOS


10.1.

GENERALIDADES

Quando o nmero de tratamentos muito grande ou o


material em estudo muito heterogneo ou, ainda,
quando
certas limitaes restringem excessivamente o tamanho dos
bloco~, h, por vezes, interesse em fazer blocos incompletos, isto , que no incluam todos os tratamentos. Por
exemplo, para comparar raes na alimentao dos porcos
conveniente tomar para blocos os leites de mesmo sexo
de cada leitegada, os quais dificilmente vo al~m de ~
ou 9.
Logo, se as raes [orem em nmero de 12, por ex.e~
plo, no poderemos fazer blocos completos.
Por
outro
lado, em experimentos com milho no raro temos
algumas
centenas de tipos (hbridos. por exemplo) para comparar.
Neste caso, nada nos impede de usar blocos completos, mas
eles ficariam to grandes que s em casos muito favorveis poderiam ser considerados uniformes.
Em qualquer dos casos acima referidos uma
soluo
consist: em usar delineamentos em blocos incompletos,dos
quais sao particularmente importantes os bl6cos incomple
tos equilibrados ("balanceei incomplete blocks"), que es=
tudaremos agora, os reticulados quadrados ("square lattices" ou "two-dimensional lattices"), que veremos no ca
ptulo seguinte,e os blocos casualizados com alguns tra=
tamentos comuns, que constam do captulo 17.
Os delineamentos em blocos incompletos equilibrados
se caracterizam pelo fato de que neles cada tratamento
aparece no mesmo bloco com cada um dos outros
tratamen
tos e sempre o mesmo nmero de vezes :\.
Consideremos, por exemplo, um experimento com v = 6
tratamentos, numerados de l a 6, em b = lO blocos de K = J
parcelas,
com a disposio seguinte.
1 L 5

2 .3 4

l L 6

2 .l 5

l 4

2 4 6

1 3 6

3 5 6

1 4 5

4 5 6

177

176

(
(

A um tratamento qualquer aparece 2 vezes no


bloco com cada um dos outros.
Por exemplo, o par
aparece nos blocos

H casos, ainda, em que os blocos pouem set


reuni
seguinte,
em que v= 5 tratamentos, A
1, b = 10 blocos de k =L
parcelas, e cada tratamento e repetido r = 4 vezes.
doS em grupos de repeties, como no exemplo

c
(

19 i?rupo
(repetioes I e II)

2 4 6

2 3 4

Neste caso temos, pois, = 2.


Al~m disso cada trat
to aparece em 5 blocos, logo o nmero de repeties
r

5.

A analise da varincia seguiria o esquema seguinte.

c. L.

Causa de variaao

(
(
(

(
(
(

l 2

l 4

3 4

2 3

2 5

3 5

Blocos
Tratamentos
Resduo

l 3

l 5

5
15

4 5

2 4

Total

29

O esquema da anlise da varincia seria entao o se-

(
(

29 grupo
(repeties III e IV)

H casos em que os blocos podem ser reunidos de modo a formar repeties e ento o esquema da anlis2
de
varlancia pode ser ligeiramente modificado. ~ o que con
tece, por exemplo, no delineamento seguinte, em que temos v = 6 tratamentos em b = 15 blocos de k = 2
parcelas, com = l e r = 5 repeties.
l~ rep.

2 ~ rep.

3~

rep.

4~

5~

rep.

rep.

guinte:
Causa de var1aao
Grupos
Blocos dentro dos grupos
Tratamentos
Resduo

G.L.
l
8
4
b

(
(

(
(

1 2

l 3

l 4

l 5

1 6

3 4

2 5

2 6

2 4

2 3

5 6

4 6

3 5

3 6

4 5

(
(
(

(
(
(

Total

19

Acompanhando COCliRAN e COX ( 1~57), consideraremos os


experimentos em blocos incompletos equi lioraaos como enquadrados em trs tipos distintos, j exemplificaaos acl
ma:

A analise da varincia seguiria entao o seguinte mo


delo.
Causa de variaao
Repet ioes
Blocos dentro das repeties
Tratamentos
Resduo
Total

G.L.
4
10
5
10

29

Tipo I - Experimentos em que os blocos possam ser agrup~


dos em repeties;
Tipo li- Experimentos em que os blocos possam ser dispo~
tos em grupos de repeties;
Tipoiii-Experimentos cujos blocos no possam ser agrupa
dos em repeties ou grupos de repeties.

~ . , , ....., ..,-!'""",.~~~~~.. ....,..~'"'!'~ 7'."" ~

.
... ~>-':~"'!'"~
~.uzd\"""'l' "~-~~>"'":'': ::.~:~_..~.~~~ " ..-,-., _.~~-''!~'iff: M~- -.,.., ..,_,.., ~ , ..

;- ,.,

-. . ,, .. .. ,_., ., _ ~,--~ :-.

(
(

17 8

COCllRAN e COX ( l 'J S 7) cons i<..! I.! ram ma Jo i s Li pus , 0


tipo IV, com v = b, e o tipo V, que so os pequenos expe
rimentos, com poucas parcelas. No estilo Je
e~posi~
adotado neste livro e desnecessria a consideraao
dos
tipos IV e V anteriormente referidos.
A analise dos experimentos em blocos incompletos e
bem mais difcil do que a dos experimentos que
vimos
atrs. Entretanto esta maior dificuldade de anilise, co
~o tam~em a maior perda de graus de liberdade no
reslduo, sao frequentemente compensados por uma r_:duo gra~
de no Quadrado Mdio Residual, de sorte que nao raro obtemos experimentos mais precisos.
H dois tipos bem distintos de analise dos experimentos em blocos incompletos:

(
(

c
(

(
(

a) Anlise intrab locas, em que so comparaoes entre


parcelas do mesmo bloco so usadas nas estimativas
de
efeito de tratamentos;

(
(

(
(

(
(
(
(

(
(

'r
.J

(
(
(

(
{
.(

c
(

1 quanto poss ve 1.
COCHRAN e COX (1':157) (captulo 11) <1ao uma
relao
dos principais delineamentos disponiveis em blocos incom
pletos equilibrados, com os detalhes necessirios para ~
seu uso.

10.2.

A anlise intrab locos pode ser usada para qualquer


experimento em blocos incompletos e se baseia_ em mtodos
estatsticos exatos. A anlise com recuperaao da infoE_
mao interblocos, por outro lado, permite aproveitar m~
lhor os dados, mas usa mtodos estatsticos apenas apr oximados e s deve ser usada para e x perimentos com nmero
de graus de liberdade relativamente grande para
blocos
e para o resduo.
Nos experimentos em blocos incompletos equilibrados
e muito importante a eficincia (E) dada pela frmula:

- ii

kr

,cU

tU %

Totais
de
blocos
35 (l)
30 ( 1)
28(1)
36 ( l)
29 (l)

1 0(2)

20(2)
16(2)
29 (3)
l':l (3)

27( J )
22 ( 4)

18(5)
30 ( 4 )
22( 5 )

Totais
de

blocos

':lO

:2)(1)

16 (4)

u (:))

6u

72
62
9)
70

26 (L)
27(2)

JU(J)

20(4)

29(3)

L7 (:;,)

84
bJ

:2':l(L)
27(3)

2'::l( 4 )

2 7 (5)

ti.)

2b(4)

2':1())

81

Os numeres entre parenteses indicam os tratamentos.

A Soma de Quadrados Total e a Soma de Quadrados para Blocos (n~o ajustados) se calculam da maneira usual:
l:x 2

c.

2 s2

m )
u
completos
blocos
de
caso
no

v (m.

kr

da
Temos sempre O < E 1. Sendo s 2 a estimativa
variincia residual, a estimativa da variincia da diferen
rratamentos
~~ en:tre as estimativas . das m0dias de dois
e
~

III

E =

v ( ii.

fiNAusE lNTRABLocos DElMtxPERirvENTO ro TIPO

Consideremos como exemplo o experimento cujos e1ados


figuram abaixo, no qual temos v = 5 tratamentos, = J,
k = 3 parcelas por bloco, r= b repeti~;es, b = lu rilocos.
Neste caso temos

b) Analise com recuperao da informao interblocos, onde as comparaes entre blocos so tambm aprovei
tadas na estimao dos feitos de tratamentos.

(
(

no c;JSO UI.! blucus LllCOIUp' LUS equiJiiJraJo::;. \1;:-se, po.Ls,


que, quanto menor o va Lu r J~: L, menor a precisao das estimativas. Por isso, e~ i g ualdaJe de outras condies,
devem-se escolher de preier~ncia delineamentos em blocos
incompletos equilibrados com o valor de ~ to prximo ae

21.167

(7o3) 2
30

SQTotal = L:x 2

t'

1
E

2 s2
r

s QB

(nao aj.)

i:x = 7!:U

20.436,30

C= 21.167- 20.43b,JU = 7JU,/U

1 (90) 2 + (72) 2 + .. +(o2) 2 1-C=412,7u.

.:

180

(
(

181

O que d maLs trabalho e se faz de mane1ra dife


te do que vimos ate aqui e o clculo da Soma de Q.tadr ..
dos para Tratamento s ajustados para os efeitos de
bl
cos. Primeiro devemos calcular os valores de T., totais
l
de tratamento s:

(
(
(
(

35 + 30 + 28 + 36 + 29 + 25
28 + 20 + 16 + 26 + 27 + 29

(
(

(
(
(
(

(
:~
\.,

i'

:.

l,

Q.
l

kT. - A ..
l

(
(

(
(
(

Q.

i rrr;~ L i v a ti ;r rrrt:: J i a g <..~r a 1 G

rn

7~3

26, 10

temos por fim:


32 7 77

2J,S7

e ass1m por diante.


la

Os clculos e xplicados actma estao resumidos natabe


abaixo.

Tratamento s

T 1

A.

Qi=kTi-Ai

183

2
3
4
5

146
161
151
142

449
476
504
47!5
44 ::

-38
-21
- 25
-16

lO O

7~3

A Son1a de

Podemos, por fim, calcular as medias ajustadas


tratamento s

1
v

t. = - - -

t.
1
b,b7
-2,.)3
-1, 4

-l, b 7
-1, 07

mi
32' 77
23, 5 7
L.4, / l)
2 4,4J
2 S ,lJ J

u,lJO

Estes valores Q. so de importnc ia fundament al na anali


se de experimen fos em blocos incompleto s. A partir de=
les calculamo s agora as estimativa s dos efeitos ajustados de tratamento s (t.) pela frmula

(
(

< s

26,10 + 6,67
26,10 - 2,53

Passamos a seguir ao calculo de

Curnu a

183
146

e assim por diante.


A seguir calculamo s as correoes para o efeito
blocos (Ai), cada uma delasdada rela soma dos totais
blocos em que aparece o tratamento i correspond ente. Por
exemplo, o tratamento 1 figura nos sei sprimeiros blocos. Te
mos, pois:
90 + 72 + 62 + 95 + 70 + 60
449
Al
=
90
+ 72 + 62 + 84 + 83 + 85
476
etc.
Az

c t c.

I
l
~

onde

m..l

m +

t.l

e a estimativa da md{a geral.

Ternos, pois:

=
Q2 =

Ql

X 183 - 449
3 x 146 - 476

l
-38

e assim por dinte, e ainda:


1
3

t2

1
= -----,-

100 "' 6,67 '


(-38) -2,53

de

S Q T

Q.Jadrados para Tratament o s (ajustados ) :

(aj . )

1
'l

' ( V

3~3x5

~: Q:i
[ ( 100) 2 + (38 ) 'L + +(16) 2 J

283,6':! .
A Soma Je Q.!adrados para o Resdu o se c.alcula
subtrao , como usualment e.
Obtmos, pois a seguinte analise da varincia .

por

(
182

183

Desvio
Q.M. padro

G.L.

S.Q.

Blocos (no ajustados)


Trat. (ajustados)
Resduo

9
4
16

412,70
283,69
34,31

Total

29

730,70

Causa .de variaao

(
(
(

45,86
70,92
2,14

? '"24,70- 23,57 = l,U,


F

dias, tomando-se:

v<~.l

q /(1/2)

v em.l

D = z /(1/2)

m
v

k
,\ v

v(?)

+ .. +

mu )

Por exemplo, para o C'.1traste

onde

...

e as outras frmulas no mudam.

y = cl ml + c2 m2 +

(10.2.1)

e o de Duncan com

1,22 .

temos

(
6.

U,b6 ,

Para contrastes mals complicados o clculo e


lhante. Com efeito, para um contraste

O teste de Tukey pode ser usado na comparaao de me

1,13
0,93

-ntu)

= 0,93,

8,42
1,46

(
(

s(Y) = /o,B6

V(Y)=V(~i

:.

2k

~i

l -~
I,.
i
:

-r

,\v

fica

No caso vertente temos:

2
3

vcffi.l - ffiu )

X
X

3
5

2,14

o, 86

'-' = .4 ,33 vI

0 86
= 2 , 84
2

logo

logo,ao nvel de 5%,fica:

s(Y)

>'2,57

- 1,60-,

e como

(
(
(

(
(

(
(

(
(

II'
l

Verifica-se, pois, que o tratamento l (cuja


mdia
ajustada 32,77) excede todos os demais, e que
estes
no diferem entre si.
O teste t
pode ser usado, com os cuidados usuais,
quer para contraste entre duas mdias de
tratamentos,
quer para contrastes mais complicados. Para o contraste

32,77- 23,57- 24,70

obtemos finalmente
t

17,27
1,60

lO ;79io'<

O teste de Sch~f[ pode ser usado com

por exemplo, temos:

17,27 ,

/(v -

l)

'l(Y)

se me-

(
(

1H4

185

Para o con trastL antL!rior ttramos, puts,

.:lU

de 51. :

-I 4

2, 57

3, 1

5, 56

Q)

Q)

'CJ

'CJ

(
(

(
(
:~.

Como a estimativa Y 17,27 excede esse Limite,


e,
mos que o referido contraste ~ significativo, isto
a media do tratamento 1 difere signifi ca tiv a mente da
dia dos tratamentos 2. e 3.
Note-se que a frmula para fJ(Y ) dada na se c ao 3.2
de
nao e vlida para blocos incompletos devido ao fato
neles serem as medias de tratamentos correlacionadas. No
caso especial dos blocos incompletos equilibr ados ela
sub s tituid a por (10.2 .1).

(
(

c
(

()

-j

C') N

._,

..... r--.
..... CX)
.....

ri

-;r

.....

r--.

()'>

._,

'.0
..-<

ri

p.

QJ

......-.........-.... ............
.-< N
' .._/

'-" '--"

M '.0 VI
<'l N

Q)

....-..

.-<

..._,

CO

C')

'.0

..... .....

963 '

c=

-;r

....-..

()

/ CO

c
(

+[
+[

S QRep. =

S QB

(132)

0\ CX)
..;r N N

C')

-;r

.....

,...-...

....-.. ....-..

S QBlocos dentro das Re petioes

525,34
422,87

102,47

r-l

o
co o
.w .....
o .o

(
(

()

.4

f)

-;r -;r M

M
C')

.-<

..--... ....--....
--co r--.
'.0 -;r

/CO
()'>

ri

..... .....

'-"' ....._- ....._....

'-....../

-;r co

r-

..... .....

.w
Q)

....-.. ....-..

r-< N

0:::

,..-...,
-;r '.0

..._,

'--"'

..._, .._..

V)
r-l

r-l

-;r

V)

C')

....-.. ....-.. ....-..


("'")
,......;
...._, '-"" ....._....

'-"'

co r- co

.~

CO

<'l
..........

V)

<'l N

Q)

.-<

.....-....
lf)

.....

Q)

"O

Q)
"C)

"O
Ul

U)

co

.....

0\

-;r

.4

C')

C')

o
tJ
co o
.w .....
o .o
o

()'>

.4

.w
<11
p.
<11

0:::

.....

cU
.w

.....o

-;r 0\ N
M

-;r

MN N

..0

E-<
,..-....,....-.

....-......-..

N-<T'.O co
.._..
........,..._,..._.,
co '.0 lf'ICO

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

...-.. ....-.. ....-.. ....-..


,..._
.-< M VI
.._,._ '--'

<'l

1'11

()'>

._,

.4

p.

Q)

c.::

VI

.....

........

-<r '.O

rJl

0\
.-<

....

o
._, r-lo
o ..0
U)

.4

<1l

CX)-;t

r--.

0\

MMN N

....-.. ....-.. ....-.. ....-..


lJ") Mf'-- co
'-"'-"'~.._..

M '.0 N .....
........... .....
.....

Q)

'11

.....

Ul

.4

1'11

Passamos agora ao clculo da Soma de Quadrados para


feito como no exemplo an
Tratamentos (ajustados), que
t er i or, por meio das frmulas:

lf)

..... .....

p.

(f)

(38) 2 + (31) 2 + ... +(29) 21 -C= 525,34

<'l~ <Xl

VI r--.
CX) "'"-.-/
"" ..._,.
'-"
....._....
co 0\ '.0 '.0

.....-....

966,84 '

+ (143) 2 + ... + (128) 2 1- C= 102,47,

,..-...,
-;r

Q)

<ll
<'l

S QTotal = 17.527- 16.560,16

E-<

r-l

0:::

....._,..._,....._....~

rJl

16.560,16 '

.....-...

U)

o
._,<11 .....o
o ..o
rJl

ri

QJ

LX

,..-....,

QJ
"C)
(f)

.w

17. 52 7

.....-...

<'l N

QJ

Q)

....

r--. -.o VI cO
....._, ..._,. ....._.,.
...._,
r--. -.o ..;r r--.

....-.. .....-.......-..

0:::

VI

p.

l:x 2

r")

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

Q)

ri

J\ ::l 01 N
M .:t M M

....-..

p.

0:::

Temos:

._,co .....o
o .o

Q)

()'>

tJ

ri

l<1l

'CJ

Consideremos como exemplo o experimento cu jos dados


fig u ram na pgina seguinte, no qual temos v = 3 trat amen7 repeties,
tos, = 1, k = 2 parce las por bl oco , r
b = 28, E = 55 %. Sendo um experim:nto do tip o I, cs blo
da
cos podem ser a grupad os em repeti oes, como cons ta
tal)ela 10.3 .1.

Ul

VI

......-... ...-..........-.. ....-..


-;r r--. '.0 CX)
..__., ..__., "-"" .._..

C')

ANALISE lNTRABLOCOS DE UM ExPERIMENTO DO TIPO

-;r

-;r C'l J\

()'>

]C1l

<1l

10.3.

f-<

(
(

rJl

rJl

o
C1l o
._, ..-<
o .o
rJl

ri

cU

-;r

leU

()'>

.4

.u

....-.. ....-......-..

....--...

CO V) f'-.'.()
...._, ...._,
.._......_,
lf'IM<'l'.O

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

Q)

p.
<11

...-... ....-.......-.. ...-...


rl('ol-;t'.Q
...__,...._, .._..
.._..

e<::

MO
N.--l

<
r--.

....

C')

.....

....-.....-.. ....-......-..
...._,

<'1 ."'"
<'l '-"
..... ...._,
-...._,
C")

r i VI C")

<'l

..... .....

co
N

.....

(
(
\

186

lb7

Q.

kT. -

t.1

m..1

m +

c
(

A.

Q.1

Os testes t, de Duncan e de Scheff5 podem ser


tos como no caso anterior. Temos:

'

t.1 '

S Q T ( aj . ) =

'i/(rn. - rn >

~V

(
(

(
(

Os resultados obtidos constam da tabela abaixo.


~

Tratamento

T1

A'1

Q.

tl

m1

1
2
3
4
5
6
7
8

161
164
115
102
99
103
108
111

273
284
236
228
220
224
22 7
234

49
44
-6
-24
--22
-18
-11
-12

6,125
5,500
-0 '750
-3,000
-2,750
-2,250
-1,375
-1,500

23,321
22,696
16,446
14,196
14,446
14,946
15,821
15,696

0,000

9631

2k

2x2
s 2 -l'Xi33,10

e,ao nivel de 5%i

l ,Y) ,

= q /r~-'0-(_m_i__-~-) = 4, 7 4

fei-

= 4, 18

Verifica-se, pois, que os tratamentos l e 2 nao diferem entre si e superam todos os demais.
Para um contraste
Y = 2m

- m - m - m + m
4

por exemplo, teramos, pela formula (lu.2.l):

vcf>

= - -- 1 X i)

J,l

6,20

logo, ao nvel de 5%, obtemos


l(v-l)'V(Y)F = ..;'-j xG,20 x 2,49

= lU, 40 .

('

(
(

Como Y = 5,125, verifica-se que o contraste em que~


tao nao e significativo.

Temos, pois:

S QT(aj.)

= p~x 8 [ (49) 2 + (44) 2 + ... +(12) 2 1= 376,38 .

Podemos agora completar a anlise da varincia, que


e dada a seguir.

c
(

(
(

_(
(

:c

Causa de variaao G.L.


Repeties
Blocos dentro das
repeties
Tratamentos (aj.)
Resduo
Total

S.Q.

102,47

21

422,87

7
21

376,38
65,12

55

966,84

Q.M.

Desvio
Padro

10.4. ANALISE lNTRABLOCOS DE UM ExPERIMENTO DO TIPO II


Consideremos como exemplo o experimento seguinte com
v= 7 tratamentos, = 1?. r= 6 repeties, b = 21 b.locos, no qual os blocos sao reunidos em grupos de duas re
peties
(tabela 10.4.1).
Temos:

53' 77
3, lO

7,33
1,76

17,35**

:x 2
S QTotal

= 375,300
=

:x = 124,0

366,09~

375,300 - C = 9,205 .

S QGrupos =

l (41,7) 2 + (40,~:J) 2 +(41,4)2]-C=O,U~4

189

188
Tabela 10.4.1. Daclos~deum experimt>nto Jo tipo 11.

Tola i s de
blocos

19 Grupo

3,5(1)
3,2(2)
3,5(3)
2,8(4)
3,0(5)
2,4(6)
3,1(7)

(
(
(

(
(

2 '6 (7)
2' 7 (l)

ToLais
blocos

29 Grupo

6,3
6,9
6,0
5,5
6,2
5,0
5,8

2' 8 (2)

3,7(3)
2,5(4)
2,7(5)
3,2(6)

3,8(1)
3,6(3)
2,3(5)
2,8(7)

4,0(3)
2,7(5)
3,0(7)
2,5(2)
2,8(4)

2,6(2)
2,3(4)
2,8(6)

Tt>mos ainda:

7,8
6,3
5,3
5,3
5,4
4,7
6,1

2,4(6)
3,3 (l)

41,7

40,9

Totai_s de
blocos

39 Grupo

(
(

3,0(1)
2,7(4)

2,2(4)

3,2(7)

3,3(3)
2,8(6)
2,9(2)
2,3(5)

3,9(3)
2,4(6)

5,2
6,1
7,1
5,7

3,4(7)

3, 4 ( 2)
2, 6(5)

5,5
5,6

.,1

1
-2-

S QB

[(6,3)2 +(6,9) 2 + ... + (5,6) 2 ] -c= 5,405

S QB dentro dos Grupos = 5,405 - 0,024

5,381

(
(
(

(
(

(
(
(
(
(
(

Tratamentos

T.

A~

1
2
3
4
5
6
7

19,6
17,4
22,0
15,3
15,6
16,0
18,1

36,8
35,6
39,8
32,9
34,4
33,9
34,6

2,4
-0,8
4,2
-2,3
-3,2
-1,9
1,6

124,0

248,0

0,0

1
x [ (2,4) L +(O,b) 2 + ... +(1,6) L I= 3,267 .
2 7

A anilise da variincia ~ dada a seguir.

Causa de variaao

G.L.

Desvio
padro

Q.M.

S.Q.

0,024

Blocos dentro dos


Grupos (no aj.)

18

5,381

Tratamentos ( aj . )

3 '26 7

0,5445

o' 73l::l

Resduo

15

0,533

0,0355

0,1~8

Total

41

9 '~:o 5

Grupos

10.5. JlNAusE coM REcuPERAo

4 l, 4

15,34*''<

Os testes t, de Tukey, de Duncan e de Scheff


aplicados exatamente r:omo nos casos anteriores.

6,2

3,3(1)

s QT(aJ. .)=

Qi

t~
0,343
-0' 114
0,600
-0,329
-0,457
-0,271
0,229

m~

3,295
2,838
3,552
2,623
2,495
2,681
3,181

sao

DA INFORMAo lNTERBLocos

Na anlise intrablocos, que j vimos, os efeitos de


blocos so considerados fixos e os contrastes entre eles
no so aproveitados na estimao dos efeitos de tratamentos. Surgiu, por~m, a id~ia de que contrastes entre
blocos tamb~m do inf armao sobre os efeitos de tratamentos. E se verificou que se os efeitos de blocos forem tomados como aleat~rios, o que ~ geralmente
possvel, essa informao pode ser combinada com a que ~ fornecida pelos contrastes de parcelas dentro
dos blocos
(utilizada na anlise intrablocos) para obteno de esti
mativas mais precisas dos efeitos de tratamentos.
O modelo matemtico admitido, no caso de experimento do tipo III, e:
y .. =rn+b. + t . +e ..
~J
J
1
lJ

onde me a m~dia geral, bj ~o efeito ao bloco,ti,

o do

------------- -------- - - - -- - -- -

190

tra t amen t o e eij uma varivel aleatria, que se


com distribuio normal de varincia a 2 ,

191

Define-se ento o valor

k T.

e com ele calculamos as novas estimativas t[ para


os
efeitos ajustados de tratamentos, e mj_ para suas medias
ajustadas, pelas formulas:

(
(

(
(

M~ = Qi + a A~
, ..-

~,

t. =
~

Mi
v + (r- ) a

~,

'

m.

t!

(
(

(
(

G '

as vezes mais conveniente.


O teste de significn cia para tratamentos ser~a fei
to por um teste de x2 :

__

~------~----

--rk lk

T. ~

G]

..2i__ -mr

T~

m + t!

ai

oi

e f

logo

(v-l)+r

Neste caso, pois, a anlise corresponde i que se f~


ria se nao houvesse blocos incompletos, isto , recamos
na anlise de um experimento em blocos ao acaso, quando
se trata de delineamento s do tipo I e na anlise de um
experimento inteiramente casualizado, quando o
delinea
mento do tipo III.
_.
Se, ao contrrio,
for muito grande em relao
a a2, a ser praticamente nulo. E para a
O, temos
Mi = Qi, de sorte que voltamos a anlise intrablocos.
Em geral, porm, a est e~tre zero e um, e
nenhum
daqueles dois casos ocorre.
claro que
>
O, logo devemos ter
< l. Na pr~
tica, porm, ao estimar a com o auxlio de Vb e Vr> pode
acontecer que tenhamos Vb < V r e en-to obtemos a > l. Por
exemplo, para experimentos do tipo III as estimativas de
o2
so, respectivam ente'

_;

-,
m.

Acontece, porem,
que, na prat~ca, nao
conh ecemos a 2
nem a 2 mas apenas estimativas dessas varincias.
Es1'
~
sas estimativas podem ser usadas no lugar dos
parametros mas tornam apenas aproximado o mtodo de anlise.
'As estimativas de a 2 e a 2 so obtidas a partir do
quadrado mdio para o resduo {vr = s 2 ) e do qua~rado m!
dio para blocos (ajustados) (Vb), que veremos ad~ante co
mo calcular. Pesquisas feitas tm demonstrado que esses quadrados mdios devem ter pelo mens 20 graus de li
herdade para que a aproximao obtida seja razovel.
Como

M~

Mi
v+r-

Mi
r(k-l ) +r

M~
v+(r-)a

t~

ka2[ (v + (r-)a]

'

~,

fi+ t.

a-v

Pode-se, porm, demonstrar que, nos blocos incompl~


tos equilibrados , (v -1) = r (k-l). Logo fica:

e ainda,

Tambm se pode usar a frmula

u,

v
~

Para

i.

k T.

G ,

onde G e o total geral, e

<_

A. + A.

Q~ + a Ai

M.

a2

vemos que se deve ter s empre O ' a


fica a = 1, logo

-2
01

b-1
bk-v

~,. iii'"''ii._,.,,..,.,----~-,.~;;;;:::;~~~~---~~-~ ~' ,~-,~~-~

-~-

c
(
(

!
I
i
1:

-a
b-1

(
(

(
(

(
(
(
(

=Vcffi~

(
(

(-------

'Av + (r-'A)

cl ml + c2 m2 + + c
tl + c2 t2 + .. + c

t'(Y)

ks 2

v
v

m
v
t

( c2 + c2 + .. + c2)
1
l
v

+ (r-) a

vr

l
[ V

+ {r - ;\)

IM?

/:,

e aproximadamente distribuda como um x2 com (v-l) graus


de liberdade.
Isto nos permite fazer um teste
do para a hiptese de nulidade de efeitos de
tratamentos.
Outro caminho, mais indicado, consiste em tomar co
mo uma nova Soma de Quadrados para Tratamentos
(ajusta~
dos) a expresso

1
S QT(aj .)* = - - - - -- - - k [ v + (r - ) ]

L:M?
1

com a qual calculamos o novo Quadrado Hedio para Tratamentos (ajustados).


O asterisco em SQT(aj.)* e em expres~es
anlogas tem por fim evitar confuso com expressoes correspon
dentes referentes anlise intrablocos, isto , sem recuperao da informao in~erblocos.
Temos:

Q MT(aj.)*

S QT ( aj . )
v-1

''<

e, finalmente,obtem os, aproximadamente,

Q MT (aj .)*

q)

'

'

= z

/(l/2)

V(Y)

/ (v-l) V(Y) F

10.6. ANALISE DE UM txPERIMENTO DE TIPO Ill COM


REcuPERAo DA INFORMAo lNTERBLocos
Tomaremos como exemplo dados de FRAGA Jr.
e COSTA
( 1950), reproduzidos abai xo , que se referem ao ngulo z
correspond en te porcentagem p de plantas sadias, segundo a formula
z

are sen

/ p/100 .

No experimento em questo temos b = v = 13, k =r =4,


1, e os valores de z obtidos constam
aa
talw L.1
10.6 .1, onde os tratamentos so indicados com nmeros, ~n
tre parnteses, de l a 13.
Agora, para recuperar a informao interblocos
a
primeira coisa a fazer
calcular a soma de quaaraoos p~
ra blocos (ajustados). Para isso primeiro calculamos a
Soma de Quadrados para Tratamentos (no ajustados).
=

52

Os testes t, de Tukey, de Duncan e de Scheff


ser aplicados da maneira indicada nas sees anteriore '
deste captulo, mas levando-se em conta que tl'mus agora

V(Y)

l/2)

SQT(no aj.)

2k

e ainda

(
(

at

(
(

of

Para Vb < Vr obtemos ento


< O, o que absurdo
e > 1, o que tambm e inadmissvel.
Neste caso,
geral, devemos tomar
= O e = 1.
Quando se. faz a recupe.rao da informa~o interblocos com o auxlio de estimativas oara o 2 e o, noh

te exato de significncia para tratamentos. No entanto '


,
a expressao

(
(

r')

k(b-l)Vb -

bk-v (Vb -v-r)

1~3

(bk - v) Vr

1 '
r

T~ - C
1

(217 ,2).2+ ... +(282 ,9) 2 1-

2382,37 .

(3593 ,9) 2
52

ar

A i,..

(,--.~",........,._

194
Tal::ela l0.6.l. Dados do experimento de FRACA JR. e
(1950).
Valores de z,ern graus

195

. Causa de varlaao G.L.

(
(

(
(
(

(
(
(

19
29
39
49
59
69
79
89
99
109

bloco
bloco
bloco
bloco
bloco
bloco
bloco
bloco
bloco
bloco
119 bloco
129 bloco
139 bloco

52' 7 (l)
71,6(2)
58,9(1)
75,0(3)
71,6(4)
56,8 (l)
75,0(2)
48, 8(1)
63,4(6)
71,6(3)
75,0(5)
63,4(4)
71,6(2)

79,5(2)
56,8(8)
75,0(7)
65,9(4)
75,0(8)
65,9(3)
65,9(3)
68,6(5)
90 ,O (lO)
63,4(7)
68,6(9)
61,1(5)
63,4(6)

63,4(4)
71 '6 (12)
7 5 ,o (11)
79,5(6)
71,6(9)
71,6(9)
65,9(5)
63 ,4( 6)
90,0(11)
61,1(8)

65,9(10)
65,9(13)
71, 6(12
79,5(12)
79,5(11)
65,9 (13)
90,0(11)
61, 1(8)
71,6(13)
58,9(10)
7 5 ,O (lO) 75,0(12)
50,8(7) 79 ,5(13)
61,1(7) 75,0(9)

Q. 11.

Desvio
adro

126,03
46,95

11,23
6, 85

S.Q.

Blocos (no aj .)
Tratamentos (aj.)
Resduo

12
12
27

1490,56
1512 '36
1267,56

Total

51

4270,48

SQB(aj.)

SQB(no aj.) + SQT(aj.)- SQT(no aj.)

1490,56 + 1512,36- 2382,37 = b20,5.':> .

e obtemos:
S QB(aj.)

Organizamos

3593,9
Podemos fazer logo a anlise intrablocos, da ~anei
ra explicada antes, com os resultados dados a seguir.

(
-

(
(

Tratamento

1
2
3
4
5
6
7
8
9
10

ll

12
13

(
(

(
(
(

(
(

T~
217 '2
297' 7
278,4
264,3
270,6
269 '7
250,3
254,0
286,8
289,8
334,5
297,7
282,9

A.

Qi

tl

1044,1
1095,3
1111,9
1113 '9
1087,1
112 7, 9
1061,4
1060,5
1122,6
1125,1
1190,0
1139,9
1095,9

-175,3
95,5
1,7
-56,7
-4,7
-49,1
-60,2
-44,5
-24,6
34,1
148,0
50,9
35,7

-13,48
7,35
o' 13
-4,36
-0,36
-3,78
-4,63
-3,42
1,89
2,62
11,38
3,92
2,75

agora a tabe 1a abaixo.

-l
m
55,63
76,46
69,24
64,75
68,75
65,33
64,48
65,69
71,00
71,73
80,49
73,00
71,86

Causa de variaao

0,00

0,01

G.L.

S.Q.

12
12

~.1'1.

Blocos ( aj . )
Tratamentos (no aj.)
Resduo

27

620,5)
2382,37
126 7,56

Total

51

4270,48

Temos, pois:
v(

-a

r-l)

Vr

k(b-1) vb -

(v-k) vr

13(4-l) 46,95
4(13-1) 51,71- (13-4) 46,95
0,889

M.
3593,9

2, .':>:2. *

A seguir, usamos a frmula:

(
(

kQ.~ + -a Ai- -a v

G
4
= Qi + 0,889 Ai - 0,889 :cf

= Q.~

+ 0,889 A~ - 983,070 .

3593,9

196

As estimativas dos efeitos ajustados dl! traLanwntos


tf. so dados pela frmula
ao

189, 5 J
46,95

4' 04 >'o'<

Por outro lado, poderamos ter calculado:

15,667

(
Finalmente, as medias ajustadas de tratamentos
sao obtidos assim:

~,

1.

Tratarnentos

Qi

A1.

a A.

M.

-175,3
9 5,5
1,7
-56,7
-4,7
-49,1
-60,2
-44,5
24,6
34,1
148,0
50,9
35,7

1044 ,l
1095,3
1111,9
1113 '9
1087,1
112 7 '9
1061,4
1060,5
1122,6
1125' l
1190,0
1139,9
1059,9

928,20
9 73' 72
988,48
990,26
966,43
1002 '70
943,58
942,78
997,99
1000,21
1057,91
1013,97
974,26

1.

1.

~,

t.

1.

l
,.,,~

(
''"'

~''1

lt

(
(

i;;.

i>

2
3
4
5
6
7
8
9

I'~

lO

'!'-

11
12

'';
r~

13

-230,17
86,15
7' 11
-49,51
-21,34
-29,47
-99,69
-84,78
39,52
51,24
222' 84
81,20
26 '89

-14,69
5,50
0,45
-3,16
-1,36
-1,88
-6,36
-5,41
2,52
3,27
14,22
5,18

-0,01

0,00

0,889]

l' 72

142)13,01

46,95 [ 13 + 3

~,

rn.

1.

[ V + (r-)

1.

02

69,11 + t!

m+ t.

rn!

48,44'~*

'

onde em lugar dos parmetros 0 2 e a, desconheciaos, usamos as estimativas s 2 = 46,95 e = 0,889. Mas o teste
F parece mais aconselhvel.
Ternos ainda, ao nvel de 5% de probabilidade:

C'2,75
63,70
71,63
72,38
83,33
74,29
70,83

2k

ver!r'>=
vcli!li')
1.
u
1.
u

v + (r-)

m!

Toda diferena entre duas m~dias ajustadas


superior a este valor~. pois, significativa ao uvel~ae 5%.
Um exame dos dados nos mostra, por exemplo, que
tratamento l ~ significativamente inferior aos tratamentos 1.,
10, 11 e 12.
J para um contraste

(
(

Ternos agora:

S QT ( aj.)

15,667

Q MT (aj.) * =

22 7 ,lO
12

v + (r-)

142.513,01

2274,10 '

k [ v + ( r- ) ]
l

teramos, de acordo com o que v1mos na seo lU. 5,

189,51 '

2
( C1

+ c22 + +

X 46,95
13 + (4- l) 0,889

71,92 .

. 6

:~ :.\ J: '~:"\.2:5;~~~~~::=~;~~f'~:':'-':O:~:: ;_;~;,~ -~~ ~;~::=.=.::::t'';i::.-~ :'_ i:~- - L~i::::.~~~

J 3IELICTE2 ~-~

(
(

c::: ~r-r ::_:_:, ~

.:;

-~

-=:=:......~- ""-" ""-"-- ........:..- .-;..::.: ::. .....__..._~


-- - - - ---.. ~

198

s(Y)

,r71,92

8,48,

logo

(
(

69,56 - 65,95

74,61

s QB( aj . )

13' 71 '

= 1,62 .

Como Y = 13, 71, o contraste em questo nao significativo. Seu intervalo de confiana, para o nvel
de
5%, seria de -29,17 a 56,59.

Causa de variaao

Note-se que sem a recuperaao da informao interblocos teramos V(ii


mu) = 28,89 (em vez de 23,97)
e
para o contr-aste

Repeties
Blocos dentro das
Repetioes (aj . )
Tratamentos (no aj .)
Resduo

(
(
(
(

71,92

2,13

(
(

(
(
(
(
(
(

(
(
(

_.{
(

376,38 - 702,84

C. L.

Total
obteramos V('Y)
86,68 (em lugar de 71,92). A recuperao da informao interblocos trouxe, pois, uma certa
diminuio nas estimativas dessas varincias, o que mostra que as mdias so agora estimadas com maior
pre ciso. Este clculo no leva em conta, porm, o fato
de
que usamos uma estimativa em lugar de a, de sorte que
o ganho em prec1sao , na realidade, um pouco menor do
que o indicado acima.

ftNALI SE DE ExPER I t'ENTOS DOS TIPOS I E


REcuPERAO DA INFORMAo INTERBLOCOS

li

s QT (no aj.)

1
r
1

ET~ - C
1

-7-

702,84 ,

(963) 2
56

Q.M.

102,47

21

96,41

4,59 (Vb)

7
21

702,84
65,12

3,10 \Vr)

55

966,~4

-a

( r-1) v r
vb

- vr

4,59 - 3' lU

3 ' lO

O,b4U7

Temos, pois:

CCI-1

Tomaremos como exemplo os dados estudados na


lO. 3. Temos :

S.Q.

Para delineamentos em b l ocos i ncompleto s e qui l.itlra


dos do tipo I o c~lculo de se f az como se segue:

JD 7

aentro

Organizamos agora a tabl:' la abaixo.

42,88 .

S QT(no aj .)

onde S Q B indica a soma de quadrados para blocos


de repeties.

S QT(aj .)

96,41 '

Para o mesmo contraste o teste de Scheffe nos


ria, para o nvel de 5% de probabilidade,

= /12

S QB(no aj .)
422,87

13,71
8,48

(
(

M.

seao

Q.

+ a A.

- a k
v

Q. + 0,6407 A.
1
1
Q. + 0,6407 A.
1
1

o' 6 40 7 -8-

- 154,32

e ainda:

t!

M1
v + (r-) a

11,844

9b3

200

2lJl

fi! = ;n
~

f! .

Para experimentos de tipo II toda a marcha e igual,


com exceao apenas do clculo de , que agora feito p~
la frmula

Completamos, agora a tabela abaixo.

(
(

A~

273
284
236
228
220
224
227
234

(
(
(
(

(
(

= 17, 2o

+ t!

~I

~,

a A~

M.

174,99
182,04
151,28
146,15
141,02
143,58
145,51
149,99

69,67
71,72
-9,04
-32,17
-35,30
-28,74
-19.81
-16,33

5,88
6,05
-0,76
-2,72
-2,97
-2,43
-1,6 7
-1,38

0,00

0,00

1926

m.

t~

23,08
23,25
16,44
14,48
14,23
14,77
15,53
15,82

Temos ainda:

(
S QT ( aj.)

(
Q MT( aj.)

(
(

584.39
47

1<

83,48
3,10

584,39 '

83,48

26,93**

m.u >

t'u )=vem.~

2k
V + (r-\) 1l

'/(t! -

e, ao nvel de 5% de probabilidade,

(
(

c
(
(

0,207 ..

O resto da anlise fica a cargo do leitor.

DECorvu:'OSIO DOS GRAUS DE LIBERDADE PARA


TRATAMENTOS

onde g e o numero de grupos de repeties.


No exemplo da seo 10.4 achamos:

JD,8,

[ v(r-1)-k(g-l) I Vr
k(b-g) vb - (v-k) Vr

I:J.

= q

/i v

cill~

- i')
u

52

475~
2

= '

l ,046 ,

3,44

dif
Logo as medias dos tratamentos l e 2 no
significativamente entre si, e superam significativamente as medias de todos os outros tratamentos.
O teste de Scheff se aplica exatamente
cado nas se;es 10.5 e 10.6.

Tal como nos experimentos de delineamentos mais sim


ples antes discutidos, tambm nos experimentos em olocos
incompletos equilibrados os graus de liberdade para tratamentos podem ser subdivididos de acordo com a estrut~
ra do experimento. Isto particularmente importante,c~
mo j vimos, nos experimentos fatoriais.
o mtodo mais fcil para fazer isto e, provavelmente, o seguinte. As estimativas das medias ajus~adas (mi
ou fi!) so multiplicadas pelo nmero de repetioes r
e
~
.
os valores sao tratados corno se fossem tota1.s de tratamentos. As somas de quadrados so obtidas das maneiras
indicadas nos captulos anteriores, mas os resultados cal
culados so multiplicados por V no caso da anlise ~nv+(r-\)
kr
trablocos, e por
no caso da anlise com recukr
per ao da informao interb locos.
Outro mtodo, que outros consideraro
preferve},
consistiria em proceder da mesma forma com as estimativas ti~ evidente tambm que os prpri~s valores de iii ou ti p~
dem ser usados, sem multiplicaao por r~ mas esta multiplicao tem a vantagem, na nossa opiniao, de tornar mais
intuitivo o mtodo.
Consideremos, como primeiro exemplo, a anlise intrab locos do experimento da seo 10 . .3, que tomaremos co-

202

mo um fatorial 2 "2 x 2 com N,r,r.-. Comeamos por


calcular os valores de Ui = r mi, dados no quadro abaixo.

203

(
(

Tratamentos

1 (NPK)
2 (PK)
3 (P)
4 (l)
5 (N)
6 (NK)
7 (NP)
8 (K)

(
(
(

m.

u.1 = r mi

1.

23,321
22,696
16,446
14,196
14,446
14,946
15,821
15,696

(
(

(
(
(

163,25
158,8 7
115, 12
99,37
101,12
104,62
110,75
109,87

(483,23) 2

4
7

4
7

Obtemos,
0,22

479,74- 483,23

S QN

como

\v

kr

y-2

y;;:s

Causa de var1aao C.L.


Repeties
Blocos dentro
das repeties
Nitrognio (N)
Fsf oro (P)
Potssio (K)
Interao N X p
Interao N X K
Interao p X K
Interao NxPxK

S.Q.

102,47

21

422, ()7

0,13 .

Q.M.

Desvio
padro

o, l3

0,36
l3 ,44

1
1
1

0,03
69,03
2,53

l80,.JO
124,03
0,13
0,03
69,03
2,53

11,14
0,36
0,17
8,31
1,59

3,10

1,76

o, l3

(7)(376,38)
21
65,13

0,22

Total

55

0,22

o, l3

Como, porem. se trata de blocos incompletos

3,49 ,

180,50
124,03

Tratamentos (aj.)
Resduo

0,13

16559,35 - 16559, l3

po1s:

1
1
1

(962,97) 2
56

por

Para os efeitos de P e de K e para as


interaes,
fazemos com~ indicado no captulo 7 e, depois de feita a
multiplicaao por ~ = , obtemos os resultaoosda
tabela abaixo.
Kr
7

28
463661,7005
28

mu.ILip.licaclo

logo

Com nitrognio ................. 479,74 ,


Sem nitrognio .................. 483,23 .

(479,74) 2

8
7

Poderlamos tambm ter considerado o contraste


(1) - (P) - (K) (PK),
para o qual

Conservamos apenas duas decimais nos valores de Ui,


para facilitar o clculo e por ser desnecessria
maior
aproximaao. O total dos valores de Ui deveria ser 963.
A pequena diferena verificada se deve s
aprox1~aes
de decimais feitas nos clculos.
A Soma de Quadrados para o Nitrognio (N) obtida
como indicado no captulo 7. Podemos somar de um
lado
os valores de Ui referentes a tratamentos com N,
e do
outro os que correspondem a tratamentos sem N.
Obtemos:

S QN

sLr-

y = (N) + (NP) + (NK) + (NPK) -

962,97

Se se tratasse de um experimento simples, tal


em blocos ao acaso, por exemplo, teramos:

1
2

S QN =

kr

librados, estl! resultado dl!Vl!

966,84

0,042
58,23'""'
40,01 ~"''
o ,Li42
o, o lu
22,27>'<>'<
0,816

(
(

(
(

204

:LOS

Farc.emos agora a anlise do mesmo expPrimvnlo,


com recuperao da informao interblocos. ~ara i.sso
lizaremos as estimativas il obtidas na seao 10.7 e
cularemos U! = r m!.
~

(
(

causa de var1aao
~,

Tratamento

m.

U! = r ii!

(NPK)
(PK)
(P)

23,08
23,25
16,44
14,48
14,23
14,77
15,33
15' 82

161,56
162,75
115,08
101,36
99,61
103,39
108' 71
110,74

(
(
(
(

Do mesmo modo obtemos as outras somas de


que nos permitem completar a tabela seguinte.

1
2
3
4
5
6
7
8

(1)

(N)
(NK)
(NP)
(K)

Nitrognio (N)
Fsforo (P)
potssio (K)
Intera~o N x P
Intera~o N x K
Intera~o P x K
Interaao NxPxK
(Tratamentos)
Resduo

963,20

G.L.
1
1
1
l
l
1

S.Q.

Q.M.

Desvio
Padro

quadrados,

4,20
4,20
2 ,os
1,35
267,23 267,23 16,35 86 ,20*"<
195,23 195,23 13,07 62,98**
0,03
0,03
o ,010
o' 17
0,003
0,003 o' uss o,0010
115 '27 115,27 lO' 74 3 7, lb>'o'<.
1,76
1,76
1,33
0,568

( 7) ( 5 83 ' 72)
21
65,12

3' lO

l' 76

(
(
(

(
(

Tambm neste caso o total dos valores deU! (963,20)


nao coincid2 com o valor exato que deveria se~
~btido
(963), mas a pequena diferena observada devida s apr~
ximaes feitas no clculo.
As somas dos quadrados, depois de obtidos da maneira usual, so corrigidas mediante multiplicao por

/..v + (r-/..) a

Para o caso do nitrognio, por

kr

exemplo, temos:

Com nitrognio
Sem nitrognio

473,27
489,93

logo:

S QN =/..v+ (r-/..) a [ (473,27) 2 +(489,93) 2_ (963,20)2]

kr

11,844
2x7

(
(
(
(

4,20

4, 96 .

28

56

10.9. BIBLIOGRAFIA
ANDERSON, R.L. e T.A. Bancroft, 1952. StatsJcal Theory in Research.
HcGraw-Hi11, Nova York.
COCHRAJ.''I, W. e Gert rude H. Cox, 19 57. Experimental
Designs, 2'! edio. John Wiley, Nova York.
FEDEEER, Walter T., 1955. Experimental Design.
Macmil
lan, Nova York.
FRAGA JR., C.G. e A. S. Costa, 1950. Anlise de um Experimento para Combate de ViraCabea do
Tomateiro.
Bragantia, 10: 305-316.
KEMPTHORNE, Oscar, 1952. The Design and Analysis of Experimenta. John Wiley, Nova York.
MALHEIROS, E.B., 1982. Efeitos da Recuperao da Informao Interblocos na Interferncia Estatstica em
Ensaios em Blocos Incompletos Equilibrados
(tese).
-ESALQ, Piracicaba.
HONTGOHERY, D. C., 1984. Design and Analysis o f Experiments. John '.Viley, Nova York.

---.. . . .

..

(~'-~ ~---.1;'0~.: -WOI;~--~~~,----

(
(

::"'''-~"~~-~-'....--""""l1~""'"~~~~:,...~::-'"'"~'~'~""""""""'!'l' ~'

..

''1~':.-"'i'!~~r--:----:"! --:;!<' ~ -'-- ccJ!.-

I
I

206

L07

li. RETICULADOS QUADRADOS

(
(

11.1.

GENERALIDADES
Os delineamentos reticulados quadrados ("square lat

t~ces"), introduzido~ por YATES (1936), tm em mira espe

c~almente a competiao de cultivares numerosos de

c
(

!).
!'''

(
(
(

(
(

(
(
(

i,.',
~

i'

1
5
9
13

2
6
10
14

3
7
11
15

4
8
12
16

A segunda repetio seria entao

~c

1
2

(
(
(
(
(

plan~

tas anuais, como o milho, o trigo, o feijo, etc. No se


prestam para experimentos de adubao, nem para ensaios
fatoriais.
Os reticulados quadrados nos permitem dispor
um numero v = k 2 de_ cultivares em blocos de k parcelas.
Da decorre que o numero de tratamentos deve ser um quadrad~ perfeito, tal como 25, que
o quadrado de 5, 36,
que e o quadrado de 6, 49, 64, 100, 121, etc. Nos reticulados quadrados os tratamentos de um bloco em uma repetio se distribuem por todos os blocos de qualquer das
outras repeties. Por exemplo, num reticulado de 4 x4
a primeira repetio poderia ter os tratamentos
Jispo~
tos como a seguir, onde as linhas horizontais represen~
tam os blocos.

e a terceira

6
7
8

10
11
12

13
14
15
16

ll

16

5
8
7

12
9
10

15
14
13

2
3

Vemos a que os tratamentos do primeiro bloco


na
primeira repetio (1, 2, 3, 4) esto repartidos um para
cada bloco da segunda repetio e tambm da terceira. E
o mesmo acontece_com os tratamentos de qualquer bloco de
qualquer repetiao.
Repeties com esta propriedade cha
mam-se ortogonais.
Sendo usadas m repeties
ortogo=
nais, temos:
N

bk

mk2,

onde N o nmero total de parcelas. No caso de m = l


temos o reticulado quadrado simples ("simple lattice"),
tambm chamado duplo ("doub le lattice"), que e o de uso
mais comum; quando m = 3, temos o reticulado
quaclraJo
triplo ("triple lattice").
Quando k um nmero primo ou uma potncia de um n
mero primo,_pode-se ir at m = k+l repeties
ortogonais, e entao temos um reticulado quadrado equilibrado,
que um delineamento em blocos incompletos
equi lora
dos.
Isto possvel com k = 2, 3, 4, 5, 7, 9, ll, mas
impossvel para k = 6, por exemplo. Neste ltimo caso
podem-se fazer apenas o reticulado duplo e o triplo.
No caso geral, um reticulado com m repeties ortogonais pode ser repetido n vezes e obtemos:
v = k2 ,

b = m n k,

N = bk = m n k2.

Como no caso dos delineamentos em blocos incompletos equilibrados, tambm para os reticulados podemos fazer an~lise intrablocos ou analise com reuuperao da in
formaao interb locas.

Alm dos reticulados quadrados, que vamos estudar,


existem os cbicos ("cubic lattices") e os retangulares
(~rectangular lattic:s"), ~odos de menor importncia e que
nao esturaremos. Ha tambem os quadrados
reticulados
("lattice squares"), em que as parcelas se dispem
em
linhas e colunas, semelhana do que acontece
com os
quadrados latinos.

( ~ -

. ~~.,~
.
...- ,-,.,~~~-"~'1-'r."oo,;:... ,-._,._.;*-J i'':':.... ~.....
"f!'!: .o-.~~''-~~:' --- - -

""'~~~
- "~-~""''~,.~-......
.....,.~.--.--_,..,=->
-------.,_..,.,.......,.....,.,.--~..
.-~_

......

208

11. 2. DEu NEJV'vENTOS

209

RoBusTos

(
(
(
(

(
(

(
(
(
(
(

(
(

(
(
(

(
(
(
(

(
(

Seguindo a tendncia recente da Estatstica Exp


mental, podemos denominar robustos os delineamentos
sejam pouco afetados por perda de parcelas, de trataul'l:!n-
tos ou de blocos. Assim, os ensaios em blocos
(comp
tos) casualizados so robustos, pois a perda de um trata
mento ou de um bloco em nada altera as propriedades
delineamento e a perda de algum.s parcelas tambem
no
traz dificuldades grandesde anlise. J os delineamentos em blocos incompletos equilibrados no so robustos,
pois a perda de um tratamento ou de um bloco rompe toda
a simetria e todo o equilbrio do delineamento e acarreta srias dificuldades de anlise.
O mesmo acontece com
os reticulados quadrados, que no so delineamentos robustos. Neles, a perda de um tratamento ou de um bloco
rompe toda a complexa estrutura matemtica, e exige
a anlise da varincia seja feita por mtodos gerais com
plexos, em computador, e com dificuldades bem maiores_n
comparao de medias.
O mesmo ocorre, com maior razao,
com os reticulados cbicos e retangulares e com os quadrados reticulados, todos eles maus delineamentos,
de
uso cada vez mais restrito.
Os reticulados em geral so hoje geralmente substi
tudos pelos ensaios em blocos completos
casualizados
com alguns tratamentos comuns, que so flexveis, robustos e de anlise fcil (ver captulo 17).

do

11.3.

A soma de quadrados total, a soma de quadrados para


blocos dentro das repeties e a soma de quadrados para
repeties so calculadas da maneira usual, sem nenhuma
dificuldade. Temos, pois,

S QTotal =

S Q Blocos d.Rep. (no aj.) = (1/k) zB 2 -( l/k 2 ) zR 2 ,

(
(

(
(

Convencionemos representar por Sl(Qi) a soma dos v~


!ores Qi referentes a todos os k t~atamentos que ocorr~m
0 mesmo bloco da primeira repetiao em que aparece o ~
~esirno tratamento. Analogamente definimos S2(Qi), S3(Qi),
.. ' Sm(Qi)
conveniente tambm indicar
1, 2 , ... , m, j 1 "' 1 , 2 , ... , k, a sorna
dos os tratamentos que ocorrem no
j, de sorte que se o tratamento i
temos

zx -.c?
2

S QRep.

:;

(l/k2) ~R2

c,

onde B designa os totais de blocos e R os de repeties.


Passanos, a seguir, ao clculo da Soma de QJadrados para Tratamentos (ajustados). Para isto,
comea-

por sjj'(Q)' para J


dos valores Qi de
bloco j 1 da repetiao
aparece nesse
bloco,

ts-

No exemplo dado acima temos, pois:

e assim por diante, e ainda

AALISE INTRABLOCOS

(
(

mos por calcular os tota~s de tratamentos Ti, e as corre


es Ai,. somas dos tota~s ~os blocos onde aparece o tra
tamento 1. Calculamos depo~s:

S2(Qs)

S2(Qg) = S2(Q13) = Ql+Qs+l,!g+Ql3=Sn(t.l),

S2(Q5)

S2CQ1o) = S2(Q14) = Q1+Q5+Q1o+Q14

S22(Q),
e assim sucessivamente.
Podemos agora obter os ~feitos ajustados de
mentos t.'
dados pela formula:
~

t~ = _l_
mk

Q. +
~

trata-

l
m(m-l)k2

As medias ajustadas de tratamentos serao dadas, finalmente, pela formula

(
(

210

211

(
(

(
(

onde G

t.1

SQT(aj.)

l
k

L:

t.

2Vr

da

Causa de variaao

G.L.

S.Q.

Repeties

m-1

SQRep.

Blocos d.
repetioes

Tratamentos
(aj.)

Resduo

m(k-1) SQB.d.Rep.
(no aj.)
k 2 -l
SQT(aj.)
(k-1) (mk-k-1)

Total

mk 2 -l

SQR (por
subtra
ao

m
(m-1) k J '

1 + ---:-(m---::1')...,..(k:-+-::1')-

a~

Logo, para comparar dois tratamentos pelo


tomamos

(
(

.-

1 +

saciados).
Tambm se pode usar para todas as comparaes indis
tintamente uma estimativa mdia

Q.

Obtemos entao a seguinte tabela para a anlise


.
var1anc1a.

se nao ocorrem no mesmo bloco no experimento (segundos

A Soma de Quadrados para Tratamentos (ajustados)


dada pela formula:

(
(

mk 2

o total das produes de todas as parcelas.

(
(

m1

Q.M.

teste

.v-/2vr
(l~)
m
k

se forem primeiros associados, ou

Vt= SQT(aj .)

ll

kL-1

SQR
v
=---r (k-1) (mk-k-1)

(m-l)k

se forem segundos associados, ou ainda, usando a estimativa m~dia da variincia, podemos adotar, em qualquer caso

SQ Total

(
t

(
(

Para provar os contrastes entre tratamentos,


mos usar o teste F:
Ti'

(
(
(
{
(

(
(

~-- -

\ !m-

ll

(m-1) (k+ l)

Em todos os casos o numero de graus de


liberdade e
(mk-k-1).
A comparaao entre duas medias pelo teste de Tukey
ou de Duncan pode ser feita pelas formulas:
(k-1)

pode-

A comparaao entre pares de tratamentos, se planejada de antemo, pode ser feita pelo teste t, tendo
em
vista que temos
2 Vr
m

(l + _1_)
k

quando eles ocorrem no mesmo bloco (primeiros


dos), ou

associa-

Tomando-se uma estimativa media para a varincia do


contraste entre dois tratamentos, obtemos:
1:::.

= q /

Vr
m

[ 1 +

--,--::-:--,m-=--~(m-1) (k+l)

I.

213

212

Tabela 11.3.1. Produes de milho, em kg/parc:la,


ensalo fatorial 4 x 4, com J repetioes
nais.

O teste de ScllefJ:pode ser aplicado


trasteY, com

de

(
(

1
m

\7(?)

(m-l)k

l:

vr

c~ 1

l: f c c-
l

(1) 2,2
(2) 3 '1

( 3) 3,1
(4) 4,0

Usaremos como exemplo um reticulado quadrado triplo


de 4 x 4. Temos, pois, m = 3, k = 4. Os 16
tratamentos so hbridos de milho, cujas produes em kg por pa.::_
cela so dados na tabela 11.3.1.

(
(
(

(5) 2,3
(6) 2,8
(7) 2,9
( 8) 2,8

7,9
8,2
10,5

(15) 2,0 (16) 2,b

Totais de
blocos

(9) 2,7
(10) 2,6
( 11) 2,5
(12) 2,7

( 13) 1,4

ExEMPLO IE

fJNAusE lNTRABLOCOS

8,6
11,3
lJ > y
11 ,o

(14) 2,i:l
(15) 2,4
(1_6) 1,5

41 ,8
3~

11.4. LM

11 ,o

(3} 2,2 (4) 3,9


(7) 1,4 ( 8) 1,7
(11) 1,5 (12) 2,1

com i # i~ onde I' se refere apenas aos valores de i


e
de i' tais que os tratamentos corresponden tes sejam primeiros associados.

2,9
2,5
3,0
3,4

2'! Repetio

(2)
(6)
(10)
(14)

J7,b

.1

2
+
m(m-l)k

(1) 2,0
(5) 2,3
(9) 1,6
(13) 2,3

qml + czm2 + ... + Cvffiv

( -+

ti - tu

teremos

mi - ffiu

j sabemos como calcular V(Y) = V(mi - mu). Como fazer,


porem, para contrastes mais complicados? Se o contraste for

(
(

Totais de
blocos

H Repetio

No caso especial de

(1)
(2)
( 3)
( 4)

3,0
1,8
1,7
4,4

Totais ae
blocos

Repetio

(6) 2,9
(5) 1,9
( 8) 2,0
(7) 3,7

(11)
(12)
(9)
(10)

2,6
2,9
1,4
3,3

(16)
(15)
(14)
(13)

3,1
2,5
2,3

11,6

2,2

13 'b

Y,l
7,4
41,7

Temos agora:

LX

121,1 '

(121,1) 2
48

(
(~----------~--~-------

:x 2

= 328,81

S QTotal

= 328,81 - 305,53 "" 23,28 ,

SQRep. "'(1/16) [ (37,6) 2+(41,8) 2 +(41,7} 21-C"' 0,71,


305,53
S QB1ocos dentro das Repeties (no ajustados)

um

ortog~

(
(

214

(l/4) [ (ll,0) 2 + (7,9) 2 + .. + (13,6) 2 1- (l/16) [ (37,6) 2 + (41,8)2 + (41,7)21

314,86 - 306,24

(
(
(
(

(
(
(
(

(
(

ma~s

por diante.
rn =

8,62 .

A Soma de Qua!rados para Tratamentos (ajustados) d


trabalho. Comeamos por calcular:
7,2 ,

Tl

2,0 + 2,2 + 3,0

Al

11,0 + 8,6 + 11,6 = 31,2

Ql

T2

2,9 + 3,1 + 1,8

A2

11,0 + 11,3 + 9,1 = 31,4

Q2

7,2- 31,2

7. 8

7,8- 31,4 = -0,2

Para os outros casos o clculo semelhante


result.ados constam da tabela 11.3. 2.

os

0,4 + 2,0 - 0,4 - 0,3

1,7

(
(

(
(

e assim por diante, at obter

s 34 (Q)

13,6 - 0,4 + 2,5 - 9,1

6,6 .

Note-se que temos:

e assim por diante, de sorte que estes valores j


calculados.
Temos a seguir:
tl

(
(

(
(

o,31

2,21

2,52 + 0,18

2,70

t2

1
-r:z

:cf

Ql + ~ (9,7-12,5-8,2)
l

Trata-

fl (-0,31) (-2.,4)+(0,

-0,31

Q2 + ~ (9,7+9,1-0,2) = 0,18 ,

ficam

LS) (-0,2)+ ... +(-,Jb) (-3,.':>)]

= 9,48 .
o

quadro de anlise devarincia.

Tabela 11.3.2. Refere-se aos dados da tabela 11.3.1.


N9

9,7

(
(

2,52

Completemos, agora,
Depois calculamos Sll(Q), S12(Q), ... ,S14(Q), Szl(Q),
,S24(Q), S31 (Q), ... , S34(Q). Temos:
-2,4 - 0,2 - 1,3 + 13,6

= 2,52

SQT(aj .)=(J/k):tiQi

121,1
48

e analogamente para os outros casos.


Quanto Soma de Quadrados dos desvios para
mentos (ajustados), ternos:

-2,4

A1Gm disto

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

Tl

A.

Q.

7,2
7,8
7,0
12,3
6,5
8,2
8,0
6,5
5,7
8,9
6,6
7,7
5,9
8,5
6,9

31,2
31,4
29,3
35,6
25,6
30,8
32,4
26,3
24,2
33 ,1
30,7
28,3
32,7
29,2
30,5
33,1

-2,4
-0,2
-1,3
l3 ,6
0,4
2,0
-0,4
-0,3
-1,4
2,5
-4,3
2,5
-9,1
4,8
-2,9
-3,5

9,7
9,7
9,7
9,7
1,7
1,7
1,7
1,7
-0,7
-0,7
-0,7
-0,7
-10,7
-10,7
-10' 7
-10,7

-12,5
9' 1
-8,9
12,3
-12,5
9,1
-8,9
12,3
-12,5
9,1
-8,9
12,3
-12,5
9,1
-8,9
-12,3

-8,2
-0,2
l,!:l
6,b
-0,2
-0,2
6,b
1,8
1,8
6,6
-8,2
-0,2
6,6
1,0
-0,2

-o,2

2,44
3 .~.':>
-o ,Ob 2,44
o, 19 2, 7l
-0,04 2,48
0,14 2,66
-0,24 2,28
0,36 . 2 , 88
-0,54 1,98
0,33 2,8.:>
-0,93 1,59
0,4u 2,92
-0,45 2,07
-0,36 2,lb

121,1 484,4

0,0

0,0

0,0

0,0

u,oo 4U,32

7,~

SI (Q.)
Sz(Qi) s3 (Q.l
l

tl

.-o, 31
u,lo

ml

I 2,70
2 '21

-O,tl

1,43

-;r~- !!'. .!!li!".,_.-,.~---


..
.~.,-.. . . .., . Wi:<.......iF,"'-"'~-----......_,_,_~--~.;':'~-...... i--""".........""... ;~:h,-~.."':'!"~:~~'f''!:'f''~:-~ =~"lo':~~;~-;_~1;-'

(
(

216

217

(
G.L.

Causa de variaao

Repeties

o, 71

Blocos d.Rep.
(no aj.)

8,62

(
(

S.Q.

Tratamentos (aj.)

15

9,48

Resduo

21

4,47

Total

47

23,28

Pode-se tambm usar uma estimativa media para todos


casos, a qual ser~a:

o,6320
o,2128

2,97*

Temos:
F

(
(
(
(
(
(
(
(

r
(

(
(
(

(
(

(
(

s(Y)

/-~

s '4 7 / o' 2~2 8

2,97* '"

'VCY!)

valor que significativo ao nvel de 5% de probabilida


de.
Para um contraste Y = mi - ffiu entre duas
medias
de primeiros associados, temos:
X

O, Hl44 ,

{o )

(1 +

Tu-

l,b6 .

Um contraste como Y1= -ml - m3 + 2m4 pode ser testado pelo mtodo de Scheffe. Temos

0,6320
0,2128

0,2128
3

A diferena mnima significativa pelo teste de


key ao nvel de 5% nos daria

lo, 1844

s CY)

V(Y)

2,85-1,59
0,442

Q.M.

0,2128
3

1773

(1 + _1_)

0,1773 ,

0,2128 l

c-31-

l)
8

6 + _3_(-3)J

U,.)32Ll ,

24

pois temos:

6 '
[C, C.

(-1) (-1) + (-1) (2) + (-l) (2) = -3

0,421 .

Logo, ao nvel de 5% de probabilidade, temos:


A comparaao entre os tratamentos 10 e 13, por exem
plo, pelo teste t, nos d:
t

2' 88 - 1' 59

= 3,06**

0,421

0,2128
3

s(?) = 10,1951

/15

0,5320

2,18

4,17

A estimativa do contraste :

J para o ca~o de segundos associados, isto e,


tratamentos que nao ocorram no mesmo bloco, temos:
2

(l + ---z;:<4 ). =

Y1 = -2,21- 2,44

de

e ele no

3,95

3,25 '

, pois, signifivativo.

o' 1951

11.5.

0,442

Assim para a comparao entre os tratamentos


13, que so segundos associados, teramos:

12

ANALisE coM REcuPERAo DA lNFORMA.o lNTERBLocos

Neste caso, comeamQs por calcular a Soma dos


drados para os Tratamentos (no ajustados), que
por

Quadada

-~.:tL.

, '!>'~~~...........

218

219

SQT(no aj.) =

(
(

L:T~~ -

c '

A seguir calculamos:

e entao a Soma dos Quadrados para os Blocos

QMT (aj .)

(
(

SQB(aj.)=SQB(no aj.)+SQT(aj.)-SQT(no aj.).


F

Podemos, pois, calcular o quadrado mdio para


cos (ajustados):

blo~

SQB(aj.)
m(k-l)

-a

(m-l)Vr
mVb -Vr

Agora estimamos para cada tratamento:

Vr
2
com (k -l) e (k-l)(mk-k-1) graus de liberdade.

(
(

Podemos estimar tambm os novos efeitos


para tratamentos

-,
t.

(
(
(

(
(
(

(
(
(

2Vr
= --

ll

e para dois segundos associados:


l

+~

1-
m-l+

'
2Vr
v (m.f. - ffi) = - - l l +
m

'i'T

onde S1 (Mi) a soma dos valores de Mi referentes a todos os tratamentos que aparecem com o tratamento 1
no
mesmo bloco da primeira repetio, e S2 (Mi) , .. , Sm(Mi)
tm significado anlogo referente s outras
repeties
ortogonais.
Finalmente poderemos calcular as novas mdias ajustadas de tratamentos

_,
m~

_
~)

~<m!

ajustados

(
(

QMT(aj.)*
= ~--:~-'--'--

Todo o problema de recuperao da informao intrablocos gira em torno da estimativa que varia entre zer~ ~ um. C~m = O, nenhuma informao interblocos exis
t1r1a; com a = l, a nova anlise se torna idntica d~
b~ocos casualizados. Em geral, porm, o valor de esta entre esses dois. extremos e a nova anlise difere tan
to da anlise intrab locas como da anlise do reticulado
como se fosse em blocos casualizados.
Para dois tratamentos primeiros associados temos:

e podemos estimar:

SQT(aj.) 7'

k2 - 1
e enfim temos, aproximadamente,

e:

*=

Na presente anlise no h nenhum teste exato de si_g_


nificncia, mas se pode fazer um teste aproximado.
A soma de quadrados para tratamentos com novo ajustamento dada pela frmula
SQT(aj.) *

(l/k)

Et! M.
l

J.

(m-l)k

Pode-se tambm usar em qualquer caso uma


va mdia:
v(ffi! - m')
u

2Vr
m

[ l + ---;-~..;m:--~-

(m-1) (k+ l)

estimati-

j .

Com esses valores podemos aplicar tanto o teste t


como_os testes de Duncan e de Tukey, por frmulas anlogas as de 11.3.
Para um contraste

temos

"J(?) =V

c.!.

l
k(m-1)
2

--:,...---::-,..,.-

m(m-l)k

Ec.
l

220
(

(
(

com i ~i', onde ~' se refere aos valores de i


tais que os tratamentos correspondentes sejam
associados.
Pode-se ent~o aplicar o teste de
com

L2l

,.

t.

-r

11.6.

0,341 S1 (Mi) +

Urr1 ExEMPLo DE ANALisE coM REcuPERA(;:o DA

l NFORMA(;:O INTERBLOCOS

tl=

12

-,_
t2-

12

(-2,1H)+0,0071(11,22-l4,29-7,09)

(0,07)+0,0071(11,22+9,90-1,49)

(
(

Tomaremos como exemplo o mesmo reticulado triplo de


4 x 4 que vimos atrs. Nesse caso temos:
l

S QT(no aj .)

(7 ,2) 2 + (7 ,8) 2 + ... + (7 ,4) 2 ] -

12,03 ,

(
a

6,07 '

2 X 0,2128
0,674 - 0,2128

S QT(aj .)

-2,4 + 0,24
-0,2 + 0,24

l -
m-1 +

31,2- 7,27

31,4- 7,27

l - 0,24
2 + 0,24

-,

2,52 +

o' 15

2,b7

[(-0,25)(-2,lb)+(,l5)(0,07)+ ... +]
(-0,27)(-2,83)

logo

-2,18

0,6413
0,2128

9,62
15

0,6413

3,01* .

0,07 '
da
de

Para um contraste Y = m~ - m' entre ctuas medias de


primeiros associados, como o~ tra~amentos lO e 13,
por
exemplo, temos:
2

0,2121)

0,34 '

l
[1 + -

0,4256
temos

' 15 ,

9,62

e assim por diante.


Os valores todos de Mi constam
tabela 11.6.1. Sua soma deve dar zero, salvo erros
aproximao na ltima decimal.
Como

2,27

0,25

QHT(aj.)>'<

2,52

Temos, pois,

-0,2~

(1/k) I t~ H.

(
(

-,

= 0,24

121,1
4

Podemos a seguir calcular:

= 0,674

Finalmente:

ml

m2
etc.

8,62 + 9,48 - 12,03


6,08

e assim por diante.

(
SQB(aj.)

s 2 (tvli)+s 3 (Mi)

logo

4~

Mi +

l
12

/(v-1) ti(?) F

1~

-I

3
"" 0,1660

1
[1 + -4- 0,68]

0,674 - U,L12b
0,674

'"" .-----'.". .~

"\ 0

~ ' \ ~ /'""'\

" \ .--..., " ' """\ ' \

'

,. ,

'

'\

" ' .....,

.,

11t

Tabela ll . 6. l.

~G

aAc~

.A~

Q~

~,

m.

t.

S /Mi)

-2,4
-0,2
-1,3
13,6

7,49
7,54
7,03
8,54

0,22
0,27
-0, 24
1,27

-2,18
0,07
-1,54
14,87

11,22
11,22
11,22
11,22

-14, 29
9,90
-8,48
12,80

-7,09
-1,49
-1,12
9 ,63

-0,25
o, 15
- 0 ' 12
1,48

0,4
2,0
-0,4
-0,3

6, 1L!
7,39
7,78
6,31

-1,13
o, 12
0,51
-0,96

-0, 73
2,12

-14,29
9,90
-8,4 8
12 ,80

-1,49
-7,09
9,63
-1,12

-0,17
,:LO

2, 72

-1,26

-0,24
-() '24
-0,24
. -0,24

0,02
-0,03

2,.)4
2,4Y

-1,4
2,5
-4,3
2,5

5,81
7,94
7,37
6, 79

-1,46
0,67

-1,87
-1, 87
-1,87
-l, 87

-14,29
9,90
-8,4i:i
12,80

-1,12
9,63
-7,09
-1,49

-0,36
0,39
-0,47
0,24

2, 1b

-0,48

-2,86
3,17
-4,20
2,02

-9,1
4,8
-2,9
-3,5

7 ,85
7,01
7,32

0, 58
-0, 26
0,05
0,67

-8,52
4 ,54
- 2 , 85
-2,83

-9,66
- 9 ,66
-9, 66
-9,66

-14,2 9
9,90
-8,4 8
12' 80

. 9 '63
-1,12
-l '49
-7,09

-0,81
0,37
-U,3b
-0,2 7

9
lO
11

12
l3

14
15
16

7,9~

ou

r<>

'1
D>

ro

11

c:

::I
llll

,_.

lb

.....a

::I

.....
::I
.....
...,.,
(I)

"11

(]Q

lll
(I)

. ..

.f"t
(D

lll

l"t

1-'

I"

<

(I)

; ()

"'........ .
r.

lll
0..

.o
(')

o
3
o

"'......

"i

"'
llJ

\0

0..

(D

>-::

;:>;"
(D

'<

(I)

::I

1-'

'1
lll

"'

o
c.
(D

llJ

I
(I)

./>

(D

'J

"'o

r't

(f)

1-'

r't

ro

11

(D

1-'

::I

l"t
'"1

(D

(I)

'1
PJ
M

PJ

8(D
::I
rt

(f)

.....

c
ro

,_.
w
M

rt

'i

.s

!tl\

(f)

lll

"i

c
8

11

,_.

PJ

o-

(I)

rc
rt

......

PJ

.rt. . .

<

PJ

!DI

o.

1-'

"'

"'
PJ

>-i
tll

..c
c
tll
I f-"

tll

(f)
(f)

C>

ln

..0

.p.

(D

11

..r::-

'i
tll

(f)

ro
(]Q

1-'
~

co

o
11

.......
O'

::1

c.
o
(I)
o
......
r.

PJ

CL

(f,

t-n

......

r.

..tll

1-'

~~g
I-'

,_.
c

11

A>
(I)
(I)

"'
'i

O'
O'

C>

'i
Pl

Vl

"'"'

'1::1
(ll

11

2,35

:1
:t
:~

l
.i

':

2 '~:11

2,U)

2,76
l, 71
'L, b':!

2, l~
2, :b

"'

I~. . . .

ln
CC

1-'

li

r't

..0

~
c: '-"-

wo

(D

r'-.J

'<!

"'o.o

co

..

'1
!tl\

,_.
+

()

c
o
"d

>-i

sro

1-'

P.
tll

...,.,
OI
'"1

6/w
.c
-

ex,

(D
so oc.

cc/w

o
o.
.._

()

lll

c.
o

Ul

o(I)

(I)

11

tll
rt

.,_.

8(D

(I)

OI

1-'
~

1-'

.o

.r::-

11

\0
ln

**

'"1

(I)

(f)

O'

.r::-

Ul

o
c.
o
Cf)

lll

lll

11

\0
o,_.

(I)

..... .

(')

::I

r't

PJ

(D

OCJQ

c:rc

11
N

1-'Cil

'-"Cil

rT

&

00

1-'

......

(I)

'-"

11

c.
o

"'o

>-<>

(I)

(D

CC

.,_.c

(D

(D

'1

I-'

,_.
N

lll
'1
~

PJ

wo

Ul

,.....__

llJ
"i
tll

(I)

'U

'"1

(D

(I)

tll

(I)

"'

"'o

11

ro

1-'

..P> .ro

,.....

;>;-'

,.....__

>-<>
.._..

1-'(1)

>-3

1-'-

<>

"'

o.

11

o.
ro

<>
.--....

"',_.

"'o

s c.
!tl\!D

ro

(D

>-<>
.._..

r't

(I)

<
P>

(/;

(f)

rr

<>

,......_

ro

PJ

o
c:r

r't

CL

.,.....

"'

"'..

Sl

,_.
w

c
,_.

"'

C>

Nil-'

L,4u
4,uu

-0, 0 1

o"'

r't

rt

()

11
ln

()

(D

(D

C>

llJ

ro
Cf)

'1

2,27
'L,b7

- - ~-

(D

......

(')

lll

..
w

ro1

.o

()

('t)

-0,07

------

-- - - -

00

r<

- 0 , 07
-

---~

(]Q

o, 11

O, lO

0,0
~ - --

a
.+

~,

S (l:\ )
2

S 1 (Mi)

1
2
3
4
6
7

M.

CC

PJ

::I
rt

o
(f)

ro
(I)

......

rr
1-'
I

rt

r-.;
N

(
(

224

225

temos

0.2128 r c-j- +

o,498o

8 0,68) 6

2
:r,r

0,68 (1-2-2)]

logo

115

0,4980

2,18

4,04

Como a estimativa do contraste

Y = -2,27

- 2,40 + 2

ll.8. O REnculJ\DO QuADRAm coM

valor que nio alcana S


4,04, o contraste nao e significativo pelo teste de Scheff.

(
(

11.7, AREPETiO

DE UM DELINEAMENTO RETICULADO

(
(

(
(

(
(
(
(

(
(
(

Como j vimos em 11.1, torna-se necessrio, s vezes,repetir todo um delineamento reticulado. Se este ti
ver m repeties ortogonais e for usado n vezes no mesm"
experimento, teremos ao todo mn repeties.
A anlise se faz quase exatamente pelos mtodos j
indicados.
Temos:
1

t.l.

mnk

ml.

mnkz

Q.

l.

m(m-l)nk2

+ ~

[ Sl(Q.)+ ... +S (Q.)]

SQT (aj.)

ti

~Cffii - ~)

l.

mn

ffiu)

(1 + k)
mn
para os primeiros associados,
~
2Vr

vcffii -

l.

-n;- [ 1

m
+ (m-l)kl

(
(

c
"{
(

.c
. (

UM

TRATN-ENTo

CoMUM EM TOOOS OS BLOCOS

4,QQ = 3,33 ,

ser obtidos mediantL' substituiao, ILls tabtlas anteriores, de m por mn.


Devemos salientar que, no caso do mtodo presente,
0 valor de SQB(aj.) obtido do modo j indicado, quando
se repete todo o delineamento reticulado, e no por meio
de calculo dos componentes (a) e (b) como fazem COCHRAN
e COX (195 7) .

para segundos associados, e analogamente nos outros casos, inclusive no de recuperao da informao interblo
cos.
A anlise da varinca inteiramente anloga, mas
os nmeros de graus de liberdade so diferentes.
Podem

Por iniciativa do EngQ-Agr'? Glauco Pinto Vegas, o


Instituto Agronmico de Campinas introduziu a pratica ae
utilizar,nos experimentos de competio de variedades e
hbridos de milho, reticulados quadrados com k 2 tratamen
tos em blocos de (k+l) parcelas, recebendo a parcela adi
cional de cada Sloco uma variedade (ou hbrido) padro,
~
a mesma para todos os blocos, nao
inclu1.da
entre os
k2
tratamentos or1~1.nais. Fica cla:o, pois, que esse~ exp~
rimentos em ret1.culado quadrado 1.ncluem ao todo k + 1
cultivares, em blocos de (k+l) parcelas. Por
exemplo,
num reticulado de 3 2 , com duas repecies ortogonais, ha
ver1a lO cultivares: 1,2, ... ,9, A, sendo A o cultivar p~
dro, tomado como testemunha. Os blocos desse ensaio se
riam:
Bloco
Bloc-o
Bloco
Bloco
Bloco
Bloco

l:
2:

l
4

4:

7
1

5:

6:

3:

2
5
8
4
5
6

3
6
9

7
8
9

A
A
A
A
A
A

Esse delineamento, alem de dar maior preciso na co~


parao entre os k 2 cultivares originais, tem_ a vantagem
de incluir uma testemunha, de comportamento ja bem conh~
ciclo e com mais repeties (mk, em lugar de m).
A analise desse tipo de ensaio foi publicado por P.!_
MENTEL GOMES e VI~GAS (1978). Ele foi generalizado por
OLIVEIRA e BARBIN (1988) e por OLIVEIRA (1990).

226

('

11.9. BIBLIOGRAFIA

(
(
(

c
(
(

(
(

(
(
(

(
(
(

BOSE, R.C., 19
Least Squares Aspects of Analysis
Variance (mimeografado).
COCHRAN, William G. e Ger~rude M. Cox, 1957.
Experimen
tal Desighs, 2<:t ediao. John Wi1ey, Nova York.
KEMPTHORNE, Oscar, 1950. The Design and Analysis of Experiments. John Wiley, Nova York.
KRAMER, Clyde Young, 1957. Extertsion of Multiple Range
Tests to Group Correlate Adjusted Means. Biometrics
13: 13-18.
OLIVEIRA, A.C. e D.. Barbin, 1988. Experimentos em Reticulado Quadrado com Alguns Tratamentos Comuns Adicionados em Cada Bloco: Anlise Intrablocos. Pesq.Agropec. Bras. 23: 717-723.
OLIVEIRA, A.C., 1990. Experimentos em Reticulado Quadra
do com Alguns Tratamentos Comuns Adicionados em Cad
Bloco: Anlise com Recuperao da Informao
Interblocos. Pesq. Agropec. Bras. 25: 289-298.
PIMENTEL GOMES, F., 1954. Me todo Geral de Anlise para
Delineamento em Reticulados Quadrados.
Seminrios
de Estatstica (lO): 33-54.
PIMENTEL GOMES, F. e G.P. Viegas, 1978.
Experiments in
Square Lattices with a Common Treatments 1n
A1l
Blocks. Rev. Agricultura, 53: 34-43.

227

J2, O USO DA REGRESSO NA ANALISE DA VARINCIA


]2.1.

li:GRESSO LINEAR

A anlise da varincia tal como feita usualmente


pressupe a independncia dos diversos tratamentos utili
zados. Quando esta hiptese no se verifica, a anlise
da varincia deve refletir a dependncia entre os tratamentos, sob pena de no ser vlida. Assim acontece no ca
so em que os tratamentos so quantitativos (doses crescentes . de um fertilizante ou de um inseticida, ou datas
de semeadura, por exemplo) com mais de dois nveis, e s~
justifica a existncia de uma correspondncia funcional
(chamada equao de regresso) que ligue os valores dos
tratamentos (X) aos dados analisados (Y).
Consideremos, por exemplo, os seguintes dados (fie
tcios) onde se supel!l 5 tratamentos e 4 repeties, num
experimento inteiramente casualizado. Os. valores de X
so as doses de adubo usadas e os de T, os totais de pr~
duo de cada tratamento nas 4 repeties.

2,0

2,0

3,0

4,0

5,0

(
(

(
(

Uma anlise da varincia segundo o esquema


te, sem considerar a regresso, nos daria, para
= 16,60, o seguinte.

correnL;Y2

(
(
(
(
\

Causa de variaao

G. L.

S.Q.

Q.M.

Tratamentos
Resduo

4
15

1,70
2,10

o, 140

0,425

3,04

Total

19

3,80

(
(

(
(

O valor d~ F obtido no significativo. O fato de


no levarmos em conta a regresso nos levaria a esse re-

(
(
(

228

229

sultado em desacordo com a realidade e equipararia os


dos em apreo, onde evidente a influncia da adubao
aos seguintes, por exemplo, onde tal influncia no apa::
rece.

Finalmente, a soma de quadrados para os desvios


regresso pode ser obtida por subtrao:

SQD

1,70- 1,60

da

0,10

(
(

3,0

5,0

2,0

4,0

2,0

Temos, pois, a seguinte analise da varincia.

Causa de variaao

c
(

(
(

Vejamos como se pode fazer uma analise correta, que


leve em conta a regresso. Admitamos inicialmente
que
se trata de uma regresso linear: Y = a + b X. Ento as
estimativas dos parmetros b e a so obtidas pelas fr
nu las:
(L:X) (LY)
N

l:XY -

-a

zx2 -

y - 13 X

onde f e X sao as medias de X e de Y,


No caso vertente ~emos:

respec ti v a1.1ente.

(
(

L:XY

4 O, O,

40,0 -

(40) (16, O)
20

40

20

2,0

y-

(
(

16,0,

1,60

1,600

11 '42*"'

0,10

o, 033

o, 236

(Tr at amen tos)


Resduo

(4)
15

(1,70)
2' 10

0,140

Total

19

3,80

Regressao linear
Desvios da r egressao

zx2

120,

16

0,20 '

"40
0,8

-a
0,4

o,s - co, 20) 2 =o.,4


+

0,20 X .

(LX) ~LY) ] 2

SQS
zx 2 -

(l:X)2

(8, o) 2

40

1,60 .

0,4

(0,20)0

0,4 .

RTOG<l'JAI s

O meto do acima descrito aceitave l para o caso de


regresso linear, mas no convem para casos mais complicados, pois ento prefervel o mtodo dos
polinmios
ortogonais, cuja utilizao explicada a segui.r.

N
,- .

Com estes valores esperados e as medias observadas


de tratamentos (Yi) podemos calcular os desvios, quecons
tam da tabela 12.1.1. A soma algbrica destes desvios de
ve ser nula.

12 .2. Os Pou Nvl ws

A soma de quadrados para a regresso linear sera:


[ .XY

Agora, pois, verifica-se que significativa a regresso linear, ao mesmo tempo que os desvios da regre~
so no so significativos.
Com a equao de. regresso podemos calcular os valores esperados para os tratamentos, que indicaremos por
Yi. Por exemplo para X
O temos:

Y0
8,0

20

e a equaao de regressao e:

(
(

40,

(40} 2
120 20

(1 O)

= (4 )

logo

l: X

Q.M.

(l:X)2
N

S.Q.

G. L.

(
(

230

Tabela 12.1.1.

231

c teu lo dos desvios da regressao.


causa de variaao

(
(

(
(

Y.

?.

0,50
0,50
o, 7 5
1,00
1,25

0,40
0,60
0,80
1,00
1,20

0,10
-0,10
-0,05
0,00
0,05

4,00

4,00

0,00

1
2

3
4

(
(

Desvio = y. - i"f.~
1

(
(

(
(
(
(

(
(

Os dados da tabela 12.2 . 1, que se referem a um experimento de adubao de milho feit o pelos Eng9s- Agroos
Glauco Pinto Ve g as e Erik Smith, em blocos ao ac a s o , per
mite ex emplific a r a apli c ao da teoria. Os tratamentos
c onstaram de adubao com O, 25, 50 , 75 e 100 k g/ ha de
P 205.
Tabela 12.2.1. Produ o de milho, em
kg / parcel a ,
um experimento de adubao de milho.

(
(
(

25

50

75

100

7,15
9, 78
9,99
lO , 10

10 ,07
9,73
7 '92
9,48

9,55
8. 95
10,24
8,66

9,14
10, 17
9,75
9, 50

39,29
44,40
42,80
42,28

18,59

37,02

37,20

37,40

38,56

168 '77

(
(

'(
(
(

Q.M.

Blocos
T:(atamentos
Resduo

3
4
12

2,73
72,22
10,92

18,055
0,910

Total

19

85,87

19,84**

Podemos, porm, isolar cada um d o s quatro graus de


liberdade para tratamentos a fim de avaliar separadamente os efeitos de 19 grau ou linear, de 29 grau ou quadr~
tico, de 39 grau ou cbico, e de 49 grau.
Isto se torna
fcil quando as quantidades que determinam os
tratamen
tos so igualmente espaadas, o que acontece no caso pre
sente, em que as doses de P2 0s so O, 25 , 50, 75 e 100
kg/ha.
Em casos assim pode.n os utilizar tabela s par a o s
clculos. No caso pr e sente temos 5 nlveis de aduba o e
os
coef i cientes a sere m usados para o compo nente d e 19 gr au
so: - 2, - 1, O, +1, +2 como se v pela t a bel a 12 .6. Es cre v e remos estes nmeros ao lado d os t o tais dos trat amen
tos respe c tivos, assim:

Totais d e

tratamento s

18 '5 9
37,02
37,20
37 '40
38,56

(T)

Coefici e ntes ( C 1)

-2

-1

o
1
2

Agora multiplicamos cada total de tratamento


pelo
coeficiente respectivo e somamos os produtos.
Obtemos:

S.Q.

Totais de
bl oc os

3,38
5, 77
4,90
4,54

de

G. L.

EC] T
A anlise da varincia, nos moldes usuais, seria a se
gunte.

= -2

18,59- 1
+ 2

X
X

37,02 +o X 37,20 + 1
28,56
40,32

37,40 +

A soma dos quadrados para o componente linear


dada pela frnru la:

sera

232

233
A

SQL

Temos neste caso K1

(40,32) 2
4 X lQ

SQL

10, r= 4, logo:

40,64 .

Para o componente quadrtico o de 29 grau temos:


Totais de tratamentos (T)

Coeficientes (C 2 )

18,59
37,02
37,20
37,40
38,56

-2

-34,52
(-34,52) 2

SQQ

21,28

14

Analogamente obtemos as somas dos quadrados para o


componente cbico (SQC) e para o de 49 grau (SQ49):
71

18,59 + 2
+ l

o::c3
SQC
:C4 T

SQ4Q ""

X
X

18,59 - 4
+ 1

o:

c~ T)2
r K4

37,02 + o X 37,20 - 2
38,56
19,21 ,

37,40 +

(19,21) 2

T)z

r K 3
X

S.Q.

Q.H.

Regress~o

Regress~o

1
1

40,64
21,28
9,23
1,07

40,64
21,28
9, 23
1,07

(Tratamentos)
Blocos
Resduo

(4)
3
12

(72,22)
2,73
10,92

Total

19

85,87

Linear
Quadrtica
Regress~o Cbica
Regressao de 49 grau

44,66**
23 '38**
10, 14 *
1,18

0,910

Conclumos, pois, que s sao significativos os componentes de 19, de 29 e de 39 grau. Qual ser, por~m, a
equao de refresso?
Para obte-1~ ca lculamos os coeficientes correspondentes a todos os componentes, do linear ate o ltimo si
gnificativo, mesmo que nesse intervalo haja algum comp o=
nent e no significativo.
No caso pre sente t emos :

-1
2

C. L.

2
-1

:C T

vartancta e, po1s, a seguinte.

v a ri aao

onde r
o nmero de repeties e K
a soma dos quadr
dos dos coeficientes, cujo valor, alias, aparece na t
la 12.6, na penltima linha de cada quadrinho.

L:C3

~nalise d?

Bl

I:Cl T
r K1

40,32
4 X lO

B2

I:Cz T
r K2

-34,52
4 X lO

B3

I:C3 T
r K3

1,008 '
-0,616 '

19,21
X lO

0,480 .

9,23

10

A seguir calculamos a media (Y)


X

37,02 + 6 X 37,20 - 4
38,56 -17,33
(~17,33) 2

7Q

1,07

37,40 +

a media

y =

dos valores de y e

dos valores de X:
168,7
20

8,44

= -

250
-. - =- so .
5

A equaao de regressao e entao:

r.
~'"'

c
(

"~O'?i'''"'-!'\~O'<Il'"""""'"'~~c :":":!'f.;:,.~ ~ --~--~-!'f~F\~~~+;=<~~~'*"'_--.~~---em

r ;~~;:'t;_~.~;:.' ~ \-~ ,

T'":

234

235
y

-:- y

reteritla em favor da l~i de Hitscherlich, biologicamenAlis,


polinomi~s
sao
f~n~e~
pouco
apropnadas
a
repr!:sen7~
05
o de fenomenos b1olog1cos.
O que os re~omenda e p~1~
cpalmente a facilidade de seu uso, pois sao as funoes
mais simples.
No caso presente, embora seja significativo o campo
nente de 3Q grau, seria prefervel considerar um polin=
mio de 29 grau, de propriedades matemticas mais de acor
do com o fenmeno biolgico estudado.

~e mais ;abtvt:l_ede in~erpretao mais.objet~va.

(
(

onde P 1 , P 2 , P 3 indicam os polinmios dados na


12.6 e M1 , M2 , M3 so nmeros tambm constantes
belas. Temos, pois:

Y- 8,44 = 1,008

P1- 0,616 x Lx P 2 +

Mas

x,

pl

(
(

(
(

Pz
p3

x3

= x2 3 n2 20

n212
7

x2

S.

(
(
(

8,44 + 1,008x- 0,616(x2-2) + 0,400 (xL

A varivel auxiliar
X =

e dada
q

X =

X - 50
25

X
y = 9,6 7 2 - 0,352 ( - - 2) - 0,616(
25
X
2)3.
+ 0,400(2.5

(
(
(

X.

- 2

- 2)2 +

Esta equao nos d, por simplificao:

-+x)

X- X

e fica

por-

pela equao:

Fica

onde q a diferena entre dois nveis sucess1vos de


No nosso caso q = 25, logo:

;;:;,,''fi. li:GRESso PoLINOMIAL APLICADA A DAOOS

9,672 - 0,352x - 0,616x 2 + 0,400x3.

17
= x3 - - 5 - x,

pois o numero de nveis de adubao n


tanto:
Y

~ _.,

SH1 REPETI r;O

Em muitos casos de interesse cientifico nao h possibilidade de repeties para os dados a serem coletados. Tal ocorre, por exempi.o, no que se refere a dados
meteorolgicos de uma determinada localidade. Por outro
lado, mesmo quando possvel o uso de repeties, s vezes no foram feitas, de sorte que desejamos analisar os
dados sem a possibilidade de uma estimao exata do erro
experimental.
Isto se pode fazer, com justificao acel
tve 1' utilizando como resduo o quadrado medi o dos desvios da regresso.
_ .
Tomemos como exemplo dados de temperaturas max1mas
medias de julho de Piracicaba (SP), em graus
centgrados, de 15 anos de observaes, reproduzidos na
tabela
12.3.1. Ne1a inclumos os coeficientes correspondente's
aos componentes linear e quadrtico, que so os mais importantes.
Temos agora:

nz

= 9.328,64

= 373,6

'

c =

SQTotal = 9.328,64 - 9. 305' 13

4,712 + 0,276X- 0,00483X 2 + 0,0000256X 3


SQL

Embora a regressao polinomial nos preste bons servi


em
numerosos casos, em experimentos de adubao e l
~s
na o muito apropriada e deve, sempre que possvel, ser

l:Y

SQQ

9.305,13

= 23 '51

K1

(46,0) 2
280

7,557

(L:Cz Y)2
K2

(53,2) 2
37.128

o, 076

(L:Cl y)2

(
(
(

236

237

Tabela 12.3.1. Temperaturas mximas mdias em Praci


(SALATI, 195 7).

46,0
280

0,164 .

(
(

Anos(X)

Temperaturas(Y)

Coeficientes

1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954
1955

24,5
22,0
25,8
24,4
24,6
24,0
23 'o
26,1
25,7
25,5
24,5
25,5
25,0
27,3
25,7

-7
-6
-5
-4
-3
-2
-1

(
(

c
(

(
(
(
(

cl

A equao de regressao e, pois:


+91
+52
+19

24,907 + O,l64x .

- 8

Se considerarmos os anos numerados de l a 15, entao


teremos X = 8, logo:

-29
-44
-53
-56
-53
-:44
-29
- 8
+19
+52
+91

o
+l
+2
+3
+4
+5
+6
+7

Podemos, pois, fazer .a seguinte anlise da

.12.4.
.

varlan-

Cla:

Causa de varlaao

Regresso linear
Regresso quadrti~a
Desvios da regressao
(resduo)

(
(

(
(

Total

G. L.

S.Q.

Q.M.

l
l

7 '55 7
o, 076

7.557
0,076

12

15,877

1,323

14

23,510

= X- 8
l

e fica Y = 23,595 + 0,164 X


Esta equaao nos
mostra que a temperatura media mxima, no perodo em estudo, aumentou de forma aproximadamente linear, razo de
0,164 grau por ano.

y + Bl X

5, 71*
0,05 7 X

Os CoEFICIENTEs DE CoRRELAo E DE lETERMINAD

Quando temos duas variveis X e Y, das quais X fi


xado com grande exatido, a teoria da regresso, j exposta, aplicada sem restries e deve ser
preferida .
No entanto, em numerosos casos, X e Y esto sujeitos
a
... erros experimentais ponderveis. Nestas condies

mais indicado o uso do coeficiente de correlao linear


(p) como medida da dependncia entre as variveis. O coe
ficiente de correlao p tem sua estimativa indicada po~

P ou

p_or r, calculada pela frmu la:


I xY _ ____:.(I.:._X-7.):--'(.:.._IY_:.)_
N

(
(
..

(
(

S h, pois, indcio de regresso linear.


ciente respectivo e:

O coefi-

A raiz quadrada do denominador se torna sempre com


iinal positivo, de sorte que o sinal de r depender apenas do numerador, que pode ser positivo ou negativo.
O
valor de r est sempre no intervalo fechado I -1, +l] .
Tomaremos como exemplo os dados da tabela 12.4.1,0:!!_

238

239

de X
o teor de K trocvel do solo, em milieqttivalente
de terra fina seca na estufa, e Y o aumento de prod
o de cana, em t/ha, devido aplicao de ISO kg/ha
KzO, sob a forma de cloreto de potssio.

(
(

Segue-sl' que:

-8,0519

Tabela 12.4.1. Teor de K do solo e aumento de produo


de cana, em t/ha.

(
(

'

I
I

II

(
(

Teor de K

r
I'!:~~

0,109
o, 138
o, 206
0,153
o, 156
o, 240
0,270
0,126
0,608
0,199
o, 112
o, 138
o, 103
0,127
0,063

I"

2,748

I
~

(
(
(

t.

!~
I

i.

(
(

'I

~
h

,,~

(X)

Aumento de produo

31,8
24,5
11,8
18,8
17,3
11,0
12,2
20,6
10,8 .
5,3
29,3
8,0
35,8
19,6
21,4
27 8, 2

(
(

I:XY
I:X2

2,748
6288,64

L XY - _..::(I:~X.:....)~(2:=-:Y::..;.)_
N

42' 9143 -

=-8 ,0519 '

(
(

IN=1" ,

que corresponde ao teste t com N - 2 graus de liberdade.


No caso vertente temos:

-0,494

113 = -2,05

h-(0,494) 2

com 13 graus de liberdade, valor que muito se aproxima do limite de significncia ao nvel de 5% de probabilidade (2,16).
Alternativamente podemos fazer a transformao conhecida por z(r):

(1/2)1

1 + r
_ r
1

1,1513 log

1 + r

onde L indica o logartmo natural ou neperiano, e log in


dica logartmo decimal.
O valor z(r) obtido tem distri~
buio aproximadamente normal, com mdia zero e erro padro igual a l/IN -3.
No caso vertente, temos, pois,

42,9143
0,739042

(
(

z(r)

Temos agora:

Um problema a resolver o de provar o valor de r


obtido, a fim de verificar se difere de zero, valor que
deveria assumir,
teoricamente, na ausncia de correla~o, ~st~ , se o teor do potssio do solo no tivesse
influenc~a sobre o efeito da adubao potssica.
H vrios mtodos para isso. Um deles consiste em calcular:

..!

(Y)

-0,494

1(0,235608)(1128,96)

0,235608 ,
1128,96 .

278,2
z(r)

(2,748) (278,2)
15

1,1513 log

l - 0,494
l + 0,494

-0,5413

logo obtemos, como teste de significncia de r,


t

-,0,5413 -

-1,88 '

1//U
com infinitos graus de liberdade. Ora, o limite de
t
ao nvel de 5% de probabilidade , nessas
condies,
1,96, valor que auase atingido pelo t calculado (em va
lor absoluto).

240

A principal vantagem de transformao de z(r)


permite comparar dois coeficientes de correlao
quer.
Suponhamos, por exemplo, que queremos comparar
coeficiente de correlao achado anteriormente(r =-0,
N
15) com outro coeficiente r = -0,902, calculado
N
20 pares de dados. Temos:

(
(

241

A variincia da diferena entre esses valorei e:

-1,4829

l
+--

12

17

logo teremos:

-0,5413 + 1,4829

(
(

2,50 ,.,

10,1422

(
(

com infinitos graus de liberdade.


O valor de t
cede~ limite de 5% de probabilidade (1,96).
No caso vertente outro mtodo que se pode s <oQ;uir
o seguinte.
Primeiramente calculamos a soma de quadra-'
dos total para os valores de Y:

(
SQ Total

(
(
(

L:Y

SQL

= 275,17

c
(

(
(
f

SQRegresso
SQTotal

SQRegresso

7,560

0,076

O, 3248,

7,636 '
/0,3248

0,570

E assim chegamos a seguinte anlise de varlancla.


No caso de haver repetio, prefervel tomar:
Causa de variaao

G.L.

S.Q.

Q.M.

Regressao linear
Desvio da regressao

l
l3

275,17
853,79

275,17
65,68

Total

14

1128' 96

-8,0519.

O 0uadrado do coeficiente de correlao (r 2 ) recebe


o nome de coeficiente de determinao.
No caso de se usar regresso de grau superior ao pri
meiro, temos o coeficiente de correlao mltiplo, geral
mente indicado por R, ao qual corresponde tambm um coe=ficiente de determinao R 2 , que se calcula assim:

7,636
25,510

(
(

quando nao h repetioes.


Assim,
se considerarmos,
no
exemplo da seo 12.3, os componentes linear e quadrtico da regresso, teremos:

1128,96

A seguir calculamos a soma de quadrados para a regressao


linear (SQL) como foi visto em 12.1:

(-8,0519) 2
0,235608

(X) (L:Y)
N

0,2437

logo r = 10,2437 = 0,494.


O sinal correto , por~, negativo, pois deve coincidir com o sinal da expressao
ZXY -

0,1422 '

275,17
1128,96

SQL
SQTotal

= -0,5413

z(ri)
z(r 2 )

Os d;HJos Jes ta I. ti ma anal i se de varlancia nos permitem calcular o coeficiente de correlao por outro mtodo.
Com efeito, temos, no caso de dados sem repetiao.

O valor de F obtido no atinge o lmi te


dente ao nvel de 5% de probabilidade (4 ,67).

4,19

SQL
SQTratamentos

SQRegresso
SQTratamentos

Assim, no exemplo exposto em 12.2, teramos, se con


siderada a regresso at o terceiro grau:
SQ Regresso

7 l '15
72,22

40,64 + 21,28 + 9,23


0,9852 .

71,15 '

rc

~~~-_.._...,,..~~~,....,...,....,_..,......,.,
___r,,,l:Ot~
. . . ~oN>,~-~,,_,._...~-,, ,

(
(

(
(

t--. ----

242

243
2

(
(

~ bastante comum expr1m1r r


ou R 2 em
ltimo caso, por exemplo, teramos R =
interessante salientar tambm que,
num
mais geral, alguns definem tambm o coeficiente
minao do modelo usado na anlise da varincia
do:

= 1 -

5 - 1

--::-='---::----:--

5 - 3 - 1

0,9852)

(
(

(
'(
(

(
(
(
(

n = 5 nveis

29
grau

39
grau

19
grau

29
grau

39
grau

49
grau

-3
-1
+1
+3

+1
-1

-2
-1
+1
+2

+2
-l
-2
-1
+2

-1
+2

-1
+l

-1
+3
-3
+1

-2
+1

+1
-4
+6 .
-4
+l
70

20

20

lO

14

10

10/3

5/6

35/12

0,9408.

BIBLIOGRAFIA

DRAPER, N. e H. Smith, 1981. Appled Regresson Analyss, 2a. edio. John Wiley, Nova York.
HOFFMANN, R. e Snia Vieira, 1977.
Anlise de Regre!_
so. HUCITEC-EDUSP, so Paulo.
PIMENTEL GOMES, F., 1951. A Lei de Mitscherli c h e a Anlise da Varincia em Experincias de Adubao.
Anais
E.s.A.
''Luiz de Queiroz", 8: 355-368.
PIMENTEL GOMES, F. , 1984. A Estatstica Moderna na Pesquisa Agropecuria. POTAFOS, Piracicaba.
SALATI, E. , 19 57. Contribuio ao Estudo do Clima de Piracicaba (tese). ESALQ, Piracicaba.

6 nveis

n = 7

19

29

39

grau

gra1

-1
+5
-lO
+10

-3
-2
-1

+5

-1

+1
+1

-4

-5

+1
+2
+3

-3

-l
-l

+5

28

84

29
grau

grau

49
grau

59
grau

-5
-3
-l
+1
+3
+5

+5
-1
-4
-4
-1
+5

-5
+7
+4
-4
-7
+5

+l
-3
+2
+2
-3
+l

39

70

84

180

3/2

5/3

----.

28

nveis

t; rau

19
grau

n1ve1s

Um defeito do coeficiente de determinaao


que pode ser negativo, o que acontece quand o
R 2 < p/ (n-1).

12.5.

(+

+1
-2
+1

-1
+l

(1 -

n =

V(~ lS

19
29
grau . grau

19
grau

onde n nmero de tratamentos e p o nmero de


cientes de variveis na equao de regresso.
seo 12.2, se considerada a regresso at o terceiro
grau, teramos:

R2

J n1

n - 1
n - p - 1

RTOC-DNAI S

Por outro lado, muitos cientistas (especialmente os


economistas) usam o coeficiente de determinao ajustado
(R 2 ) dado pela frmula

ib. CoEFICIENTEs PARA lNTERPOLA(;:O CE PoLINMIOs

SQ Total - SQ Resduo
SQ Total

No

...... .,..,
__ ~.,'!"~.--'"'~'-'. ....... .--.'~..
...!-..
-E~
-_'!~::
----.

+1

252

7 I 12 21/10

-3

49
59
grau grau

+1

+3
-7
+1
+
+l
-7
+3

+5
-4
+1

154

84

-1

+4
-5

1/6 7 I 12 7/20

~~0-~~~~~~~-~~~~~~~~~~~~~~~~~0~~~11

l
l

I
~

.&:.&:-

8 nveis

9 niveis

19

29

39

49

59

19

grau

29

39

49

59

grau

grau

grau

grau

grau

grau

grau

grau

grau

-7
-5

+7
+1
-3
-5
-5

-7
+5
+7
+3
-3

-3

-7
-5

-3
-1

+1
+3
+5
+7

+1
+7

+7

+7
-13
-3
+9
+9
-3
-13
+7

...;7

+23
-17
-15
+ 15
+17

-23
+7

-4
-3
-2

+28
+7
-8
-17
-20
-17

-14
+7
+13
+9

+1
+2
+3
+4

+7
+28

+ 14

+14
-21
-11
+9
+18
+9
-11
-21
+14

-1

-8

o
-9
-13
-7

~i
\

-4

+ll
-4
-9

1
'f'

o
+9
+4
-11
+4

168

168

264

616

2184

60

2772

990

2002

468

\{

2/3

7/12

7/lO

5/6

7/12

3/20

. 59

n = 11 nveis

n = 10 nveis

19
grau

29

39

49

59

19

29

39

49

grau

grau

grau

grau

grau

grau

grau

grau

grau

-9
-7
-5
-3
-1
+1
+3
+5
+7
+9

+6
+2
-1
-3
-4
-4
-3
-1
+2
+6

-42
+ 14
+35
+31
+ 12

-6
+ 14
-1
-11
-6
+6
+11
+1
-14
+6

+15
+6
-1
-6
-9
-10
-9
-6

-30
+6
+22
+23
+14

+6
-6
-1
+4

-3
+6
+1
-4
-4

-31
-35
-14
+42

+18
-22
-17
+3
+18
+18
+3
-17
-22
+18

+6
+4
-1
-6
-6
+6

+4
+4
-1
-6
+3

330

132

8580

2860

286

156

l/2

5/3

5/12

1/12

1/40

-12

-5
-4
-3
-2

-1

+1
+2
+3
+4
+5

+6
+15

-14
-23
-22
-6
+30

780

110

858

4290

1/10

-1

5/6

-6

""
VI

r~

~~~~

~~~~

~~~~

~~~

~~~~~

~~~~

~~~~

~~~~

11

I
j

I
I

--~

IJ

.+:-(3\

n = 12 nveis

19

29
grau

39
grau

49
grau

59
grau

-33
+3
+21
+25
+19
+7

+1

-35

-7

+33
-27
-33
-13
+1 2
+28
+28

-33
+57
+21
-29

-1

+55
+25
+1
-17
-29
-35

+3

-29

-19

+12

-17
+1
+25
+55

-25
-21
-3
+33

-13
-33
-27
+33

grau

-11

-9
-7
-5

-3

+5
+7
+9
+11

, .,:::;_ ;'"_.,._, ..... ' ..:-':

n = 13 nveis

-44
-20
+20
+44
+29

-21
-57
+33

572

12012

5148

8008

15 9 1::

2/3

7/24

3/20

$' -;- '

., ____ _,.,

'--~ -'

19
grau

-6
-5

-4
:-3
-2
-1

29
grau

39
grau

49
grau

59
grau

+22
+11
+2
-5
-10
-13

-11

+99
-66
-96
-54
-11
+64
+84
+64

-22
+33

+6
+8
+7
+4

-14

+1

-13

~4

+2

-10
-5

+3
+4
+5
+6

+2
+11
+22

18 2

2002

+ 18
-ll

-26
-20

o
+2 0
+26

+11
-54

+ 11

-~6

-18

+11

-66
+99

-33
+2 2

572

68068

6188

-7

-8
-6

I
.I
i

'j
!

1
~

:i
-~

~~

~~

~~~~~~~~~~~

~~~~~~~-~~~~~~~

li
I

:i
~
i

j
.}

.:;..
CXl

1
= 16 nveis

19

29

39

49

59

grau

grau

grau

grau

grau

+ 1
+ 3
+ 5
+ 7
+ 9
+11
+13
+15

-21
-19
-15
- 9
- 1
+ 9
+21
+35

-63
-179
-265
-301
-267
-143
+91
+455

+189
+ 129
+23
-101
-201
-221
-':!1
+273

+45
+115
+U1
+77
-33
-143
-143
+143

1360

5712

1007760 470288

201552

10 /J

7/12

1110

n = 18 nveis

f
j

= 17 nveis

19

29

39

49

59

grau

grau

grau

grau

grau

-24
-23
-20
-15
- 8
+ l
+12
+25
+40

o
- 7
-13
-17
-18
-15
- 7
+ 7
+28

+36
+31
+ 17
-24
-39
-39
-13
+52

- 91
+lO.:.

7752

38 76

16796

100776

+ 1
+ 2
+' 3
+ 4
+ 5
+ 6
+ 7
+ 8
408

l/6

- 3

1112

i
J

+55
+88
+83
+36
-3 9

1
~

-10~

1120

n = 19 nives

19

29

39

49

59

19

29

39

49

59

grau

grau

grau

grau

grau

grau

grau

grau

grau

grau

+ 1
+ 3
+ 5
+ 7
+ 9
+11
+13
+15
+17

-40
-37
-31
-22
-10
+ 5
+23
+44
+68

- 8
-2 3
- 35
- 42
-42
-33
-13
+20
+68

+44
+33
+13
-12
-36
-51
- 47
-12
+68

+220
+58 3
+733
+588
+156
-429
-871
-6 76
+884

1
2
3
4
5
6
7
8
9

-30
-29
-26
-21
-14
- 5
+ 6
+1 9
+34
+51

-44
-83
-112
-126
-120
-89
-28
+68
+204

+396
+352
+227
+42
-168
-354
-453
-388
-68
+612

+44
+74
+7 9
+54
+ 3
-58
-98
-68
+102

570

13566

o
+
+
+
+
+
+
+
+
+

o
tt-

1
;~

.t
':!

t-~

~:1
-~
"t;

" li

;;.

...,{

t'f

1938
2

23256

23256

28424

312

113

1I 12

6953544
3 I lO

;~

213180 2288132
516

7 I 12

89148

~~

1140

~~
;;,

N
.:;..
\0

(
\

250

251

lf)

(
(

::l

H
00

<t

<t

_a-.

<t C') co 00 00 co -..!)


O<t .-< lf) -DCO.-l'.OC""\1-...
<t <t COC"lOr----.o-:ra-.o::>
.-< <'I <'1<'1---'INC""'---'M
I
I
I
+ + + + +

o
N
o

r--co

"".....

<t

".....
N

.-<
::l

<t

H
00

<toof1 o 0'.01.()0 0 0 0 ' \


O'><tCO of) MO.-<OO .-<
-..!)
of) of) (") .-< .-l<f\0\0 of)
(J'\
+ + + + I I I I I
+

CJ)

..--l

~..-;

O
(")

.-<
N

11

(")

N
r---

N
.....

--...
"'

of)

" ::l

Q)

:>

(")

H
00

<t M N \0 00'\CO N -<t LI'\


lf) o
<t \0 r--- <t 0'1 --'.-<o::>
I .-< .-< .-< ,.... .-< I
1.-<N
I
I
I
I
I
I +

o
(")

\0
N
(")

\0
--...
lf)

<t

O
N

::J

H
00

lf)

'f'f7

o r--- cO M N
.-< 00'\
.-<
I
I
I

,....

,-.,. NC""\0
(") co (") (J'\
+ +.-<.---<

+ +

<t

a-.

')

<"")

co
.-<
o
N

p3

x3

3n 2 - 7
20

p4

x4

3n 2 - 13
14

Ps

xs

5 (n 2 -7) x3
18

(
O
,....

::J

H
00

.-< N. (") <t

lf)

\0

"'

00 0\ o
.-<

+ + + + + + + + + +

r--r---

.-<

(
(
(

O
lf)

::J

~
,.__.

00

\0\0.-l .-<r-lr-...NN NCO


0'1 r--- <t lf)r-...CONO "'M
C"') o
<t (""'r---.-<NCO .--; a-.
+---'.-< .--; + I ,.... .-< .-< .--<
I
I
I +
+ + +

(
o

'

<t

::J

.....

::J

0"1 r--- lf) C").-liJ'>r---U") r--- 0\


0\ cO <t l1"'1a-.Mr---oo L() \0
I N <t lf) lf) lf) ,...., I Mm

(
(

_(
(

,.... ..... .....

...-;
CJ)

:>

h~

O
(")

~
,.__.

00

+ +

::J

N
-..._

N
.-<

r---

(")

C")

.....
co
co
N

<t

N
--...
lf)
(")

<t

.....

r<)

(")

----..
o

.--;

o
0"1

co

Q)

<t
O
N

::J

<1l
,.__.

(")
(")

00

(
(

co cO (") r--- r--- r--- N N N CO


r--- COcOON OM
co <t o
..... 0'1 lf) I \0 .--< <t .-< .-<m
I
I .-<
+ +
I
I
I
+
+

H
00

o
o
.--;

O
,....

::J
<1l
,.__.
00

.....

.....

..... r--MN N
I
I
I

M MO'> (') a-. r--.-<


N M Lf"l
I
I + + + +

lf) r--- 0"1 .--< ,....,


..... .-<

r--. 0"1
,....
..........
L()

+ + + + + + + + + +

\0
lf)

.....

L()

r--.....

\0
\0

(
(
_('

-r

:><:

De n = 14 n1ve1s em diante
reproduzi
Observaao
dos
coe f i c i entes a utilizar. Os coef
parte
mos somente
cient;s iniciais foram suprimidos . Podem ser obtidos dos
com troca de s1na1s no caque vem depois, por simetria.
_,
componentes
( 19, 39 e 59) e manuten
1mpar
de
grau
dos
so
ao_ de sinais nos casos de grau par (29 e 49). A compaque
raao com as tabelas completas mostra facilmente o
se deve fazer para completar os coeficientes em falta.
Os polinmios ortogonais do primeiro ao quinto grau
dados
a segui r.
sao
n L- -1
x2X
p2
pl
12

l::!

x2 +

3(n 2 -l(n 2 -9 )
560
l5n 4 - 230n 2
1008

+ 407
X

252

253

(
(

c
(

13. O USO DA LEI DE MITSCHERLICH NA ANLISE


r~ EXPERIMENTOS DE ADUBACAO

c o coeficiente de eficcia. Centenas de ensaios


de
campo com vrias lavouras permitem indicar como muito ra
zoveis as estimativas c = 0,0088 ha/kg para .o fsforo
~ 2 o 5 ) e a potassa (K20), e c = 0,0049 ha/kg para o
nitrognio (N). Para o caso do esterco, aceitvel o valor c = 0,018 ha/t.

(
(

13.1.

Em ensaios de adubao h motivos ponderveis


r a evitar, quanto possvel, o uso de polinmios como equa
o de regresso, dando preferncia regresso pela lei
de MITSCHERLICH (1930, 1954)

(
(

GENERALIDADES

y = A {l -

------

lO -c(x+b)l

(
(

ou a forma equivalente,

prefe~ida

pelos ingleses,

(
(

(
(

c
(
(

(
(
(
(
(

Na equaao de Mitscherlic:h, A a produo


m:'tXlma
terica possvel quando se aumenta indefinidamente a dose de um nutriente (o fsforo, por exemplo); c, chamado
coeficiente de eficcia,
um parmetro tpico do nutriente em questo, e b seria o teor desse nutriente contido no solo, em forma assimilvel pelas plantas.
praxe, em vrios pases em que vigora o
Sistema
Hetrico, exprimir, na equao de Hitscherlch, x e~ qui~
tais mtricos, de 100 kg cada, por hectare; c e entao expresso em hectares por quintal mtrico. Neste livro, p~
rem, exprimiremos, em geral, x em kg/ha e c em ha/kg.

Uma vantagem importante do uso da equaao de Hitscherlich


que ela permite determinao muito satisfatria da dose econmica (x*) de um nutriente (PI~lliNTEL GO
MES e ABREU, 1959), pela frmula:

(1/2) xu + (1/c) log

w u
t

Xu

onde u e o aumento de produo do produto agrcola obtido com a dose xu do nutriente, w o preo desse produto
agrcola, pago ao lavrador, t o preo do nutriente, e

~h

. -c (x+b)

Grfico da equaao de lhtscherllch y = A [ l-10


]
No eixo das abscissas so marcadas as doses do nutriente, que se sups ser o potssio (K), expresso em K20.
Quando se usa um valor de c de grande precisao, obtido de numerosos ensaios anteriores, torna-se fcil o
calculo de uma estimativa para a varincia V(x>'<). Temos
entao:
'\l(x*) = 2

82
<o. 434)L --c
2

r u

onde s o quadrado mdio do resduo e r e o numero de


repeties.
Com os valores indicados acima para c:, a frmula da
da para x* se transforma em:

f
(

( ~

255

254

(
(

x:l< = (l/2)x

(
(

(
(
(

c
(
(
(

c
(

(
(
(
(
(

(
(

x1<=(l/2)

+ 204 log

w u
t X

- :z
Yl - YOY2
(l/) log - - - - 2
. -

(y l - y o)

Por exemplo, no caso dos dados do ensaio discutido


em 7. 7' as medias correspondentes aos trs nveis de fs
foro eram:
P0

P2

40 ,9 t /h a ,
56,2 t/ha ,
62,7 t/ha

as
todas com erro padr~o de 2, 7 t/ha. A P 0 refere-se
parcelas sem adubaao fosfatada; P 1 corresponde a adubao com uma dose q = 60 kg/ha de fsforo (P20s) sob a
forma de superfosfato simples, e Pz indica as parcelas
com dose .Zq = 120 kg/ha de fsforo, aplicado de maneira
anloga.
Temos pois:

- (40, 9) (62, 7)
- (40,9 + 32,7)

(56,2) 2
2(56,2)

56,2 - 40,9
62,7 - 56,2

(1/60) log

(l / 0 '0062 ) log

=67,5t/ha

'

0,0062 ha/kg

67,5
67,5 - 40,9

65 k g/ha

- -

A equaao de regress ao e, portanto,

13.2. O CAso

DE

TRES

NVEIS

o caso mais simples e mais comum. Quando os


Este
nveis so igualmente espaados, a cada nutrien te co rres
pondem os nveis zero, 1 e 2, aos quais dele se aplica=
ramas doses de zero, q e 2q. Sendo YO y1 , Y2 as produes medias correspondentes , temos ento:

-z -

yl

2yl
~

(K 2 ),

YO Y2
(yo +

-=--- - Yo

para o nitrognio.
No~e-se que a dose econ~mica nao depende dos
os, mas da relao de preos w/t. Assim, s e, dLumao.opa
temp
ra outro, dobrar o ~reo do milho (wJ : ao mes~o
mudar
nao
t
w/
relaao
a
(t),
foro
o;;,;
f
dobrar o preo do
e a dose econmica obtida com os dados de um ensaio
ser alterada.
Para maior facilidade do uso da lei de Mitscher lich
devemos, tal como no cas~ dos polinmios ortogonais, ado
tar nveis de fertlizaao igualmente espaados.
Mitsde
lei
a
que
demonstram
prtica
a
A teoria e
cherlich tem aplicao satisfatria e til sempre que te
mos ensaios de grande preciso ou grupos de experimentos
numerosos. A aplicao se torna mposs ve 1 ou desaconselhvel no caso de experimentos de preciso e s cass a ou
estudo.
quando o solo reage muito mal ao nutriente em
GOMES e
PIMENTEL
de
frmula
a
condies
nestas
Mas mesmo
u t il izem
de uso indicado, desde que se
ABREU (1959)
va lor es de c que meream confiana, como os que foram da
dos acima.

(
(

(l/) log

t Xu

para os casos do fsforo (P 2 0 5 ) e do potissio

(
(

w u
+ 114 log - - - -

1:

(1/ q) log

yz)
Yl - Yo
Y2

- Yl

y = 67,5 [ l

10-0,0062 (x+65)]

t/ha

A produo max1ma teor1ca, que se poderia obter au-

seria de
mentando indefinidamente a dose de fsforo,
0,0062
c
seria
eficicia
de
67,5 t/ha. O coeficiente
ha/kg, valor um pouco baixo, pois se espera que estivesse em torno de 0,0088 ha/kg.
A dose econmica seria obtida pela frmula dada em
13.1. Considerando-se a dose maior de fsforo, teriamos
xu = 120 kg/ha, u = 62,7-40,9"' 21,8 t/ha. Tomemos a!:
da t = 14,00 cruzados por kg de P2 Os (o que corresponle a
e
Cz$ 2.800ti00 por tonelada de superfosfato simples),
e
w"" 2 40,00 cruzados por tonelada de cana, no campo

~(
(

256

257

(
(

e sem cortar.

(
(
(
(

(
(

X
X

24()
14

140 kg/ha de P O .
2 5

21,8
120

x* (1/2) 120 + (1/0,0062) log


=

A dose econmica seria, pois, de 140 kg/ha de


o que corresponde aproximadamente a 700 kg/ha de

fosfato simples.
Quando se trata
~
. de experimentos de pouca preciso ,
como esse, a est1mat1va de c merece pouca confiana
e
alias, o ajustamento da equao s vezes nem e
possvel:
No caso de trs nveis igualmente espaados a equao de
Mitscherlich so pode ser usada se tivermos simultaneamen
te
2yl -

Yo < Yl < Y2

<Y:o

yz)

A ltima ~ondiso_nos assegura que temos tambem necessariamente


Yo yz > O

yi -

13.3. O CAso a: QuATRO NVEIS

(
(

(
(

Tomaremos como exemplo um experimento de


adubao
de cana-de-acar (primeiro corte) feito por COURY e outros (1957). Trata-se de um ensaio com P e K, fatorial
de 4 x 4 em 4 blocos casualzados. A an~lse d2 variin
cia foi a seguinte:
Causa de variao

G.L.

S.Q.

(
(

(
(

Fsforo (P)
Potassa (K)
Interao P x K
(Tratamentos)
Blocos
Residuo

3
3
9
(15)

3
45

3.102,60
10.622,94
2.801,38
(16.531,92)
3.785,42
16.685,58

Q.M.
1.034,30*
3.540 98**
311,82

9J<l,d t

Tl
Tz
T3

1.221,2 t
1. 330' o t
1. 506.7 t

Para calcular a equao de regresso, comea-se por


obter uma estimativa de c, o que se consegue da maneira
s:guinte. Primeiro calculamos os acrscimos de
produao:
282,4 t/ha
391,2 t/ha
56 7, 9 t /h a

Agora devemos resolver por tentativa a equao

em

z:

onde J4z(z), J43(z) e J44(z) so


ca raz que interessa deve estar
esses polinmios esto tabulados
lores de z no intervalo f O, 1] o
resoluo da equao.
Comeamos por tentar z
O.
J42 (O)

-2.000

polinmios em z. A uni
ent re zero e um.
o ra,na tabela 14 para
vaque facilita muito
a
Temos ento:

, J43 (O) = 1,000 , J4 4 (O) = 1,000

Logo, obtemos:
R(O)

(282,4) (-2 ,000)+ (391,2) (1,000)+ (567 ,9) (1,000)


= 394,3 .

Para z
R(l)

1 conseguimos analogamente:

(282, 4) (-10,000)+ (391, 2) ( -10,000)+ (567, 9) ( 10. 000)


= -10,57

370,79

.(
(

To

> O .

Ko (sem potassa)
Kl (30 kg/ha de KzO)
Kz (60 kg/ha de KzO)
K3 (90 kg/ha de K2 0)

Obtemos entao:

Os subtotais correspondentes aos nveis de


potas~
sa, cada um referente a 16 parcelas, so os seguintes:

A mudana de sinal nos mostra que h realmente uma


raiz (pelo menos) entre zero e um. Pode-se tentar a seguir z "' 0,50. Inicialmente bastante tomar da tabela
14 os valores dos polinmios com apenas uma ou duas
decimais. Fica:

. -..., . .

r~~~"""~

,..,"'--~-

(
(
(

258

259

l\(0,50)

( 28 2' 4) ( -4, 9) + ( 3 9 l' 2) (-1 '4 ) + (56 7 ' 9) ( 4 ) u)


340,16 .

(
(

(
(

(
(

A ra1z est, pois, entre 0,50 e 1,00. Experimentemos


a seguir, z = 0,70 e obteremos R(0,70) = 67,88. Nova t
tatva pode ser feita, depois, com z = 0,75, eagora
do todas as decimais da tabela, pois j nos aproximamos
da raz. Obtemos R(0,75) = -97,77. A raz, est, pois
entre 0,70 e 0,75. Novas tentativas nos do a seguir: '
R(0,71)=7,02

0,01

-16,44 .

23, 46 ,
7,02 ,

onde 23,46

(
y

(
(

R(0,72)

Conclui-se, pois, que a raiz est localizada


0,71 e 0,72. Podemos aproxim-la um pouco mais por
terpolao linear:

(
(

7,02 + 16,44.

(0,01) (7 ,02)
23,40

Temos, pois, a raiz z


Agora calculamos:

log z

0,0030.

o, 7100

+ 0,0030

log 0,7130
30

A seguir obtemos pela frmula:

onde r e o numero de parcelas em To e P 4 (z)


=(1 -z)(3 + 4z + Jz2). Fica:
P4(0,7130) = 2,117 ,

(
=

938,8
16

--;-:~~1~:-:=-:--[
( 28 2' 4) (o. 12 91) +]
(16) (2,117) +(391,4) (1,3505)+
+(567,9)(2,2214)

(
(
r

-Yi

Desvio

58,7
76,3
83,1
94,2

59,2
74,5
85,4
93,2

-0,5
+1,8
-2,3
+1,0

0,25
3,24
5,29
1,00

0,0

9, 78

112,6 t/ha

(Desvio ) 2

0,00490 .

1
u 1 (l-z 2 -z3)+u 2 (l+z-z3)+]
+ ----:----,--.-r P 4 (z)
[
+ u 3 (l+z+z2)

Com esta equao calculamos os valores YO, Yl Y2 Y3


referentes produo de cada nvel de potassa de acordo
com a lei de ~tscherlch. Organizamos ento a
tabela
seguinte e calculamos os desvios Yi - Yi com i
O,
i,
2, 3 .

Temos agora:
SQ

112 , 6 [ 1 _ 10 -0,00490 (x+66)]

0,7130.

- e, pois,
A equaao

l_

Logo.

1
c

--- log

(
(

Finalmente:

Desvios da Regresso (K) = 16

9,78

156,48 ,

onde 16 o numero de parcelas para cada nvel de K.


A soma de quadrados para a regresso pela lei
Mitscherlich obtida por subtrao:
SQ

Reg.Mit.

(K) =

de

10.622,94 - 156,48 = 10.466,46 ,

com 2 graus de liberdade.


Para o fsforo, os subtotais referentes aos seus ni
veis eram:
Po (sem fsforo)
pl (40 kg/ha de P20s)
Pz (80 kg/ha de P20s)
p3 (120 kg/ha de PzOs)

1114,5 t
1186,5 t
T2 == 1411,5 t
T:; = 1284,2 t
To
Tl

ar

~~~

..'">u-..-.e._...,.,_. '-.
5

261

260

Os cilculos se fazem como no caso do potissio,


conduzem equao:

= 85 , 0

10 -0,00870 (x+83)]

o de regressao se adapta otimamente aos dados. o que se


manifesta pelo_resulta do significativ o da re gresso e pe
lo resultado nao-signific ativo dos desvios da regresso~
anilise da varincia.

(
(

(
(

(
(

(
(
(
(

(
(

(
(

Calculamos a seguir, como anteriorment e, a soma de .


quadrados para os desvios da regresso no caso do fsforo.
SQ Desvios da Regresso(P)

16

SQ Reg. Mt. (P)

3.102,60-1.0 44,80

G.L.

Regresso pela lei de


Mitscherlich para o P

Desvios da regressao

S.Q.

2.057,80

1.028,90

1.044,80

1.044,80

10.466,46

Desvios da regressao

156,48

(
(
(

- To'

(3)

(Potssio)
Interao p
Blocos
Resduo

(10.622,94)

9
3

2.801,38
3.875,42
16.685,58

45

To
= -- +
r

5
e ainda

(3 .102,60)

(3)

l
r P 5 (z)

=-

l og z
q

u 1 (l-z-z 3 ) + uz (l-z 3 ) +
[ + u3(l+z 2 -z 3 ) + u l l+ z2)

com

156,48

311,82
370,79

Verifica-se logo que a equao de regresso no foi


satisfatria para o fsforo, o que se deve, sem dvida,
reao pequena da lavoura em questo ~ aduba5o fosfat_!
da. J para o potssio, que teve efe1to notavel, a equ_!

(z)

13 =

5. 233 '23**

u4 = T4

Q.M.

Regresso pela lei de


Mtscherlich para o K

Este caso se resolve de maneira anloga do anterior, mas com u 1 = T 1 - T0 , u 2 = T 2 - To, u3 = T3 - T 0 ,

Obtemos, pois, a seguinte anlise da varincia.

Causa de variaao

NVEis

Resolvida esta equao com o auxlio da tabela 14 ,


obtemos uma raz z entre ze ro e um. A segui r calculamos:

CINCO

2.057,80.

esta com 2 graus de liberdade.

(Fsforo)

1044,80 ,

e ainda

65,30

13.4. O CAso oc

2(l-z)(2+ z+2z 2 ) ,

log

Com o advento dos computadores o ajustamento de equa


es de regresso mais complexas, como a lei de
Mits-=cherlich, foi muito facilitada. E a prpria teoria, estudada com o nome de "modelos no-Lin ea r es ", t e ve grande
desenvolvime nto (BARD, 1974). Atualmente h
programas
especiais de computador que estimam com relativa facilidade os parmetros da lei de ~tscherlich para qualquer
nmero de nveis, comdoses equidistante s ou no.

13.5.

UM EXEM'LO COM UM GRUPO 0:: ExPERit-ENTOS


PIMENTEL GOMES (1957) selecionou e analisou em con-

(
(
(

c
(
(

262

263

junto Jl:l ensaios fatoriais de 3 -" 3 " 3 l'Ofll i~, I' l' K
cana-de-acar, com dados de cana-planta c_ soca, obtidos
por STRAUSS (1951). _No que se refere ao fosforo, as medias dos ensaios estao reproduzidas na tabela 13.5.1. 0
nutriente foi aplicado nas .doses de zero, 60 e 120 kg/ha
de P2 5 , s na cana-planta.
Seguindo a marcha j descrita em 8.6 e 8.7, obtemos
para os dados de cana-planta a anlise seguinte.

Tabela IJ.S.l.

MZ~dias de prudu<;;lU

Co.na-ptnnta (t/hn)

(
(

Po

p,

P,

Causa de variaao

G.L.

Experimentos (E)
Nveis de fsforo (P)
Interao E X p
Resduo

37
2
74 (52)
570 (378)

Q.M.

826,47-ld<
5974,08"~<>'<

83 ,38-1<-1<
lO ,80

(
(

(
(
(

(
(

(
(
(

l' l

P,

56,6

77,2
96,6
96,4
sr;' 9

20,4
23,1

56,3
98,7
86,4
54,8
32.3

43,
32,8
32,1
43,6
27.5

71,6
6 7,2
49.5
48, l
57.3

57,5

34.9
24. o
28,0

43,6
1,6 '9
35,5

!,~"\,')

15,7
50,2
87,0
88, J
42 ,o

45.2
61,3
97,2

47.3
53,1

28,11

31,8
21,2
25.3
31 ,5
37.)

Causa de variaao
Experimentos (E)
Nveis de fsforo (P)
Interao E X p
Resduo

G.L.

37
2

74 (55)
570 (37 8)

Q.M.

666 '01 >'<>'<


1495,75**
37 ,07*>'<
10,23

As produes medias sao dadas a seguir, l~Om o


pectvo erro padro.

n,9

74,8
62,7
55,6

mJio
tc~idual

30,8
40,2
10,6

70,6
56,1
47 ,o
67,5
97,4

56~~

(
(

Quadrado

P,

66,4
65 ,o
187,5
3 ,4
135. 7

60,2
40,9
29,0
61,0
84,1

13,~

Os numeras entre parnteses indicam quantos sao os


graus de liberdade depois do ajuste feito pelo me~odo de
Cochran. O quadrado mdio para o resduo igual m
dia aritmtica dos quadrados mdios residuGis, dividid
por 9, pois cada media relativa a um nve 1 de p em cada
experimento foi calculada com 9 parcelas.
Os quadrados medias relativos a nveis de fsforo e
a experimentos so testados em relao Interao E xp;
esta, por sua vez, provada relativamente ao Resduo.
Clculo anlogo e feito para as socas, com os resul
tados seguintes.

(
(

nu.!tlio

residual

Soca (t/hn)

Quadrado

(
(

de Jl:l ensaios de adu-

bao de cana-de-acar.

46,3

31,9
50,8
11,0
35.3
51,6

. 35,5
57,4
16.8
39,0
56.3

22,6
85 ,o
63,2
121, ,4
170,5

64,4
254,6
88,6
85,9
41,0

10,5
16,7
43,5
64,7
2' ,1

23,2
26,3
51,7
68,1
34,7

41,1
37,1
50,6
63,5
38,0

!,9,0

71,1
10 3,6
51,6

58,5
108,5
106.7
5] '9
52,5

65.9
35.7
3~ 3,5
112,2
120,::>

23 ,a
23,2
1,7
9,3
13,3

30,8
41 .t~
26.9
12,6
21, '1

30,4
53.9
42,2
19,1
40,1

40,2
21.5
12!,,8
1 ') ,4
50,8

71 ''
71,3

6 7,8
140,8
125,4

46,3
7,9
42,1
61,4
t,s ,4

59,9
2 7. 2

16 7 ,I

59,6
63,6

6) t4
34.8
42,3
60,0
73,4

S6,6
23,6
57,Y

I t< ),0
R2 ,9
0SJ,L,
64,1
1 3,9

72 ,ti

105,1
511.)

:)l ,5

'~2

,7

411,6

65 ,O

49 "
45,5

45,9

5),]

108,8

40' 1

4 3 ,!1

1,6,2
15.)

53.2
JS, 1
23,!.

57,7

52,1
18.9
SL,,l

35.2
26,5

'26,8
1 '9

49,0
28.3

3 7 ,7.
130,6
65,0

40,0
51,6

50,0
36,9
6B,t,

53,7
51,5
49,7
33,3
68,7

4C, 8
37,7

v,,t,

so,a

26 ,o

(2,2
1.17 ,o
12 9,0

cI,s

5) ,8
50,5
60,2
46,2
74,6

71.5
58, (j

80,7

60,6

18. Q
28,9
Jj I 9
35. o
6.',' s
16 ,I
44,6
28,8
53,8
30, l

29.8
57. 7
33,0
58,2
t.J, 7

35.9
51,4
30.9
62,5
49,3

120,.">
llS,S

33,2

12,2

35,3
20,0
13,0

33 ,I
22.7
20,6

:>t.8,2
lH\2

61
'
.')0, 2

)] ,6

21, , 5
1,4, 9
55,2
40,2
32.3

v., n

JS, O

56.4
63,0
57,8
50,7

6S,2
57' ~i
66,6

93.8
63,1
13 l ,4
27 ,J
56,6

45,3
30,0
30,0

49,7
38,8

4 7,4
1,8. 8
39,5

123.2
2 30,6
98,6

52,7

S:J, 8

IG,S

2 "/8,2

102,5

H, 7
71,,1

92,8
51,7
57,7

11t,l

(
(
(

264

265
Soca (t/hct)

Cana-planta (t/ha)
Po

pl

p2

39,90 + 1,48
58,34 + 1,48
63,84 + 1,48

31,78.!. 0,99
39,91 + 0,99
44,23 I o, 99

Calculamos, como em 13.2, as estimativas dos


tros e obtemos:

Para a cana-planta: y

66 , 2 [ 1 _ 10 -0,00876(x+46)J

Para a soca:

4 9 , 1 [ l-lO -0,00464 (x+98) l

vaLor qtw nos twrmilv L'sLmar <lm intervalo dL'

38
38
38

(
(

(
(

(
(
(

(
(
(

(
(

(
(

h= '/ = 0,00464/0,00876 = 0,53 =53%

= '

60+(1/0,00876) log

(
(
(
(

z::C 2 r

(23,94) (240)
(120) (14)

121,0 kg/ha de P20s

Corno a media geral

'!/(x*)

0,434
2
-<o oo876 )

'

37,07
(38)(23,94) 2

8,36

11,97 '

y=

-2,157 .
54,03, o polinmio obtido :

Y + B l Ml P l + B2 M2 P 2

5 L_i , 3 + 11 , 9 7

<

X -

2 , 15 7

'<

3 ( X2

+) ,

A substituio deste valor na

equa-

o obtida nos d, em t/ha:


y =

39,90 + o,4l52x- o,00180X 2 .

A X indica as doses de fsforo (P20s), emkg/ha. Com


w = C7.$ 240,00 por tonelada de cana e t = Cz$ 14,00 por
kg de fsforo, a dose econmica :

x+

Note-se que esta frmula j leva em conta, ate


to ponto, o efeito residual do fertilizante.
Temos ainda:

1. 516' 20
2.216,92
2. 425' 92

-491,72
38 X 6

com x = (X-60)/60.

(
(

39,90
58,34
63,84

e, analogamente,

cruzaA dose econmica de fsforo, com t = 14,00


dos por kg de p 2 o5 e w = 240,00 cruzados por
tonelada
de cana, no campo e sem cortar, ser:
x*

909' 72
38 X 2

Se o adubo tivesse sido aplicado tarnbrn na soca, em


dose igual da cana-planta, teriamos:
fi:

(-l) (1516,20)+(0) (2216,92)+(1) (2425, 92)


909,72

(
Note-se que tivemos para a cana-planta = 0,00876,
ao passo que para a soca estimamos ' = 0,00464. A comparao entre essas duas estimativas do coeficiente
de
eficcia relativas a duas colheitas de um mesmo ensaio,
nas mesmas parcelas, nos permite estimar o efeito residual do adubo. No caso presente, em que o fertilizante
foi aplicado s na primeira safra, o efeito residnal
e
dado por

<:onfiana

para x"', de extremos xi< - t s (x"'), x* + t s (xi').


Como
s(x*) = 18,36 = 2,89, e t = 2,00, ao nvel de 5% de probabilidade, os extremos do intervalo de confiana para x>'<
sao 115,2 e 126,8 kg/ha.
Urna dose econmica poderia ser estimada tambm atra
vs de regresso polinomial de segundo grau. Temos, pelo
metodo exposto na seo 12.2:

a1 -

- 22

/w

onde 1 e o coeficiente de X, e 2 o coeficiente de


Temos, pois, no presente exe111plo:
0,4152 - 14/240
-2(-o,oois)

x2 .

f"- -

. -- .

~-:~!"':'~ ~ .,...~Ye'_,,_,,,l(t" ~!l"""> .. .._.~,">


... ~--.,.,._,, _, ..,,."l!":'t'\' ._,. :'!'l"-~'lfl'oi~"' -'Jt~l-~~-'"'.':~ ~~-"'~";'t:. """" C'" ~ ~~-,,..~ :. ~:~!<~.:~ ~~< ''''

. ~ ' '

267

266

Eslc valor e IIICI\0[ do C[Ul' () uuliJu pL I;J !vi Ul' Mi


c llerlich, o que geralmente ocorre. Pude-se achar t
para estanova dose econmica (x+) um intervalo d e conf
ana (PIMENTEL GOMES e COMES, 1982).

(
(
(

13.6.

(
(

(
(
(
(

(
(
(
(
(

(
(
(

(
(

(
(

l
j

'

(
(

l.
l
d.

l
l

ENSAIOS COM ANIMAIS


14.1.

BIBLIOGRAFIA

BARD, Y., 1974.


Nonlinear Parameter Estimation. Acade
mie Press. Nova York.
COURY, T. e outros, 1957. A Diagnose Foliar na Cana-de~
Acar. I. So Paulo.
HODNETT, G.E., 1956. The Responses of Sucar-Cane
Fertilizers. Empire J. Exp. Agr. 24: 1-19.
MITSCHERLICH, E.A., 1930. Die Bestirnmung des DUngerbe~
dnrfnisses des Bodens. Paul Parey, Berlim.
MITSCHERLICH, E.A., 1954. Bodenkunde, 7a. edio. Paul
Parey, Berlim.
PIMENTEL GOMES, F. e E. Malavolta, 1949. Aspectos Mate~
maticos e Estatsticos da Lei de }tscherlich.Anais
K.S.A. "Luiz de Queiroz", 6: 193-229.
PU1ENTEL GOMES, F. e Izaias R. Nogueira, 1951.
'lqbelas
de Polinmios para Interpolao da Equao de ~lits
cherlich. Anais E.S.A. "Luiz de Queiroz", 7: 57-fJ7.
PIMENTEL GOMES, F., 1953. The Use of 1-tscherli cll's Regression Law in the Analysis of Experiment s
with
Fertilizers. Biometrics, 9: 498-516.
PIMENTEL GOMES, F., 1957. Anlise Conjunta de 38 Experi
mentos de Adubao de Cana-de-Acar. Rev.
Agr-:
32: 113-126.
PIMENTEL GOMES, F. e C.P. Abreu, 1959. Sobre uma Formula para o Calculo da Dose mais Econmica de Adubo.
~ais E.S.A. "Luiz de Queiroz" 16: 191-198.
Pl}fENTEL GOMES, F., 1961. On a Formula for the Estimaton of the Optimum Dressing o f a Fertilize r. Biometrics, 17: 492-494.
PIMENTEL GOMES, F. e Marli B. Gomes, 1982.
A
Problem Related to Confidence Intervals l ) [
of Maximum or M.nimum of Setond Degree
RL) ~I"l.'S s
Equations. Anais 10~ Conferncia Internacional
Biometria. EMBRAPA, Braslia.
STRAUSS, E., 1951.- Experimentos de Adubao na Zona
veira de Pernambuco. Anais da Terceira Reunio
sileira de Cincia do Solo, 19 Tomo: 336-443.

GENERALIDAIES

Embora os princpios de experimentao sejam os mes


mos para todos os campos de aplicao, h detalhes espe::cficos que distinguem, at certo ponto, experimentos in
dustriais, ensaios com bovinos leiteiros ou de corte, tra
balhos experimentais com aves, etc. No campo da Z oote~
nia, os ensaios com vacas leiteiras s o dos mais comple
xos, por se tratar de animai s de grande valor, relativa-=mente pouco numerosos e muit o heterogneos. Difi cilmente pode um experimentador conseguir 20 ou 30 vacas leiteiras de mesma raa ou mesma c ruza, de produes e idades semelhantes e de paries em datas prximas. A heterogeneidad e do material e x p~rimental nos obriga a usar
restri es numerosas, que complicam os ensaios, para per
mitir que t enham maior pr ec iso. No extremo oposto en::contramos os pin tos , '2 aves em gera l, animais pequenos,
de baixo pr eo , que se pod e m obter com facilidade em gru
pos h omogn eos de dezenas e at~ de ce ntenas de ca be as .Tais carac t ersticas permitem o uso de delineament os experimentai s mais simples e nos levam, em geral, a p~r v
rios animai s em cada parcela. Ta mb~m os sunos, que oc~
pam uma posio intermediria entre esses dois extremo s~
geralmente permitem o uso de delin eamentos relativament e
simples.
No caso de animais pequenos, c omo aves e porcos, nao
raro as maiore s causas de e rro residem no ambiente
em
que vive m, se do lado oeste ou l es te dos edif c ios,
se
nos andares superiores ou inferiores das baterias de pin
tos, se sujeitos ou no a ventos frios ou ao calor
da
tarde. Estas causas de variao sao consideradas, pois,
na organizao dos blocos.
H experimentos em que um nwsmo animal pode ser usa
do mais de uma vez, constituindo um bloco, com duas
ou
mais parcelas. Por exemplo, num ensaio sobre a conserva
o da carne, um mesmo msculo dos quartos traze i ros po::de Sl'r a parcela, um do quarto esquerdo, outro do direito.

r~~-"~~~n--,~:~~-.,....._,.,._,,.,.,..,,,,. ' '""'~"""'"''"''''.''"''"-"''"'""'''~'"~''"e'.'""'~'""'"'""','"

(
(

(
(
(

(
(
(

(
(

(
(

(
(
(
(

(
(

(
(

(
(

(
(

c
(
(
(

268

269

No qllL' sv nIL'Cc a exr)L'rillll'lll.os Jv ai illll'llL:~<;.Iu, LUCAS (1958) classifica os ensaios em: L Contnuo::;, 2. Al
ternativos. Nos ensaios contnuos, cada animal
recebe
o mesmo tratamento, ate o fim do experimento.
Nos alter
nativos, o tratamento muda, de tal sorte que a cada ani:mal correspondem virias parcelas (perodos) com diferentes tratamentos, que mudam de um perodo para outro. Os
ensaios alternativos so especificas para o estudo experimental de vacas leiteiras, mas podem tambem ser aplica
dos a galinhas poedeiras e, eventual e raramente, a outros casos.

14.2. ENsAIOS

C0'1

AVEs

Discutiremos aqui especialmente os experimentos de


alimentao de pintos, que podem servir de
orientao
para outros casos.
Como se trata de animais baratos e bem homogneos,
em geral cada parcela se compe de uns 10 a 15 pintos,s
vezes 50 ou 60, todos de mesma idade e, se possivel, de
mesmo sexo.
Cada parcela e considerada como um to:io, de
sorte que no interessa o peso individual de cada
ave,
mas apenas o peso total da parcela. As pesagens em geral se fazem semanalmente, mas s interessa realmente o
peso final do perodo em estudo.
No fim do ensaio geralmente se verifica que algumas
aves morreram ou foram acentuadamente prejudicadas
por
doenas ou acidentes.
Se a mortalidade ou perda de pintos for mais ou menos normal, de no mais de 10%, digamos, os pesos totais das parcelas, para as aves
sobreviventes, so considerados,no ensaio, sem nenhum
ajuste: as diferenas d~ numeras de aves entram como variaes do acaso e podem ser, em parte, compensados
pelo
maior desenvolvimento dos animais restantes. Se, porem,
houver mortalidade excessiva, a primeira coisa a
fazer
se ri verificar se no se deve aos proprios
tratamentos
(rao txica ou insuficiente, por exemplo) caso em que
nenhum ajuste se recomenda. Esta verificao se faz ana
lisando os nmeros de aves perdidas ou de aves sobrevi=
ventes, em geral depois de transformados pela
extrao
da raiz quadrada.
Se no houver efeito dos Lcatnn~ntos
nesta anlise, os dados de peso podero ser
ajustados,
por meio de uma anlise de covarincia.

No caso de nao ter havido inicialmente a separac,;ao


dos sexos, podemos ter no fim propores muito diferentes de aves dos dois sexos nas parcelas.
Uma
anlise
com os dados assim obtidos
perfeitamente correta, pois
se trata de diferenas produzidas pelo acaso. Mas
um
certo ganho de preciso poder ser conseguido, no
caso
de aves em que as diferen-as sexuais de crescimento
j
se manifestem, por uma anilise de covarincia.
Tomaremos como exemplo um ensaio de TORllliS e PH:LHTEL
G0}1ES (l959) em que se usaram 4 raes
(sem. sorgo, e com
10%, 20% e 30% de sorgo) com duas.repeties para pintos
machos e outras duas para pintos fmeas, com um delineamento inteiramente casualizado.
Cada parcela tinha inicialmente 13 aves, mas algumas morreram, de sorte
que,
na pesagem final, com 4 semanas de idade, algumas parce~
las contavam com 12 animais apenas, como indicam os numeros entre parnteses do quadro seguinte, onde
aparecem os pesos totais das parcelas, em decagramas.

Sem
Com
Com
Com

sorgo
lO% de sorgo
20% de sorgo
30% de sorgo

MACHOS

Ff:MEAS

Repetio
l-1
2?

Repetio
l~
2?

548 (13)
689(13)
543(13)
514(13)

512(13)
646 (13)
611 (13)
537(13)

399 (12)
503(13)
475(13)
398(13)

388 (12)
508 (12)
437(12)
448 (13)

O ensaio e evidentemente fatorial, com os fator~~s~


xos e Raes.
A anlise, dada a seguir, mostra que, embora
haja
efeito de Sexos, no h Interao Raes x Sexos, de sor
te que as posies relativas das Raes so independeu=
tes dos Sexos.
Causa de variao
Raes (R)
Sexos ()
Interaao R
Resduo

G. L.
3
1
3

S.Q.

Q.M.

38.001 12.667
68.121 68. 111
634
1. 903
6.194
774

18,36**
88,01**
0,819

r .
.,~.,.-~~~-

:'1..1~--""-,!"'~~~.-;-

>~:"""-~'C'<~\'.':"~"F""""~:"""'~~j_~.>;-;.c:-'? ~:--:-f..-."'!'':.'~' "~~~f'~"~,-,_,<_r:t1:!:~--'''J"""'-'.:.'.'_:'Ifte '

(
(
(

(
(
(

270

271

Os nGmeros de animais sobreviventes por parcela


foram considerados na anlise.
Verifica-se que o Quadrado Media da Interao
Raes X Sexos
uma boa estimativa da varincia residual.
Podemos, pois, juntar os 3 graus de liberdade da interao aos 8 do resduo anterior e obter, assim, 11 graus
de liberdade para o novo resduo, como se v a seguir.

mesma raao. No primeiro bloco ficaram as 4 vacas


de
maior produo, no segundo as 4 seguintes e no terceiro
bloco as 4 de menor produo.
As produes de leite das vacas, em kg, no perodo
experimental, de 8 semanas, que se estendeu de 20 de outubro a 15 de dezembro de 1959, constam da tabela segui~
te.

(
(

Causa de variaao

G.L.

S.Q.

Q.M.

F
Tratamentos

(
(

Raes
Sexos
Resduo

3
1
11

38.001
68. 121
8.097

12.667
68. 121
736

17 ,21**

(
(

Se utilizssemos os pesos individuais das aves, obteramos um Resduo (b), pois cada pinto representa uma
subparcela. No caso presente o quadrado mdio desse Resduo (b) foi igual a 628, valor bastante prximo do qu~
drado mdio residual acima obtido, o que mostra que, em
experimentos anlogos, este Resduo (b) pode ser
usado
para estimar o erro experimental.
As doses crescentes de sorgo sugerem o estudo
de
uma curva de regresso, o que fica a cargo do leitor.

(
(
(

(
(

(
(
(

c
(
(
(

29
bloco

39
bloco

Totais de
tratamentos

96,56**

19
bloco

Testemunha

431,4

485,2

(309,8)

1226,4

Com lg dirias de
case1na iodada

687,5

5o0,4

443,0

1690,9

Com l~g dirias de


case1na odada

679,2

563 '3

430' 5

1673,0

Com 29g airas de


case1na iodada

569' 7

502,5

462,4

1534,6

2367,8

2111,4

1645' 7

6124,9

Totais de blocos

o dado ent:re parnteses refere-se a uma parcela peE_


- 5.4.
di da, estimada pelo mtodo indicado na seao
.
A anlise de v ar1 anela -e dada a seguir.
.~

14.3.

ENSAIOS lNTNL()S EM BLOCOS CAsUALIZAOOS


COM VACAS lEITEIRAS

O ensaio que vamos dar como exemplo, realizado pelo


Departamento de Produo Animal da Secretaria de Agricul
tura paulista, teve em mira estudar a influncia da ca=
sena iodada na nutrio devacas leiteiras. Consideraramse 4 tratamentos e fizeram-se 3 repeties, em blocos
sualizados. Cada bloco tinha, pois, 4 parcelas,
parcela constituda por uma vaca. As vacas eram
t
mestias Flamengo X Caracu e todas paridas em maio,
nho ou julho de 1959. Os blocos foram oranizados t
em vista a produo de leite das vacas num perodo pr
-experimental de duas semanas, em que recebiam todas

Causa de variaao

G.L.

S.Q.

Q.M.

Testemunha v.
case1na

4l. 2 97

41.297

13,67 7'

Entre doses
de casena

5.478

2.739

o, 907

(3)

(46.775)

Blocos

67.020

Resduo

15. 103

(TratamPntos)

3.021

(
(

273

272

As medias de produo sao:

Testemunha
Com lOg de case1na
Com 15 g de case1na
_.,
Com 20g de case1na

(
(

(
(

Va('

408,8
563,6
557,7
511, 5

kg ,

,
kg ,

kg

kg

19 perodo
29 perodo
39 perodo

Pela anlise da varincia, h aumento significativo


de produo pelo uso da casena iodada, mas as doses de
caseina utilizadas do produes que no diferem sgnifi
cativamente entre si.
Seria recomendvel o ajustamento de uma equaao de
regresso, como f oi visto no capitulo 12.

(
(
(

(
(
(

(
(
(
(

(
(

(
(

(
(

c
c

14.4.

Vaca

B
A

A anlise da varincia teria a seguinte


o de graus de liberdade:

como
Nos ensaios alternativos. se toma cada animal
um bloco, sobre o qual se consideram diversas parcelas,
cada
que so perodos sucessivos de produo de l e ite,
ma1s
um deles com algumas semanas de durao. No caso
comum, os tratamentos atribuidos a c ada animal so todos
ou
diferentes: so os ensaios rotativos ("change-over"
aniMas, eventualmente, o
"switch-over",em Ingls).
mal, no fim do ensaio, volta a receber o tra~ament o inic i a l, como ocorre nos experimentos de reversao ( " ;;lvitch-back", em Ingls), que veremos posteriormente.
Um defeito fundamental dos ensaios alternativos reside na possibilidade de efeito residual de um tratamenIsto se pode ev itar,
to sobre o tratamento subsequente.
em grande parte, pelo menos, desprezando-se a produ~iodo
animal na primeira semana que se segue mudana de tratamento. Mas se pode tambm tentar analisar por clculo
matemtico o efeito residual porventura existente.
Outro fator a levar em conta quando se considera ca
que, depois dos 2 primeiros meda vaca como um bloco
ses de lactao, h uma queda persistente de produo de
lei te, queda essa que se pode considerar ap_::ox~ma?amente
os
linear. Para eliminar esta causa de erro sao ute1s
aniquadrados latinos, que incluem ento os prprios
mais como colunas e os perodos como linhas. Assim, por
poderia
exemplo, um ensaio com 3 tratamentos (A, B, C)
ser feito com o quadrado latino seguinte.

decomposi-

G. L.

Causa de variao

2
2
2
2

Tratamentos
Linhas (perodos)
CoLuna s (vacas)
Resduo

ENsAIOS RoTATivos coM VACAS lEITEIRAS

Va'c .:.1 '1.

'

<.1

Total
nos
Note-se que nesse caso cad a tratamento ocorre
tr s perodo s, o que traz uma certa compensao para seus
perfeita
efeit os . Para que essa compensao seja tio
atuquant o possvel, rreces s rio, porm, que os trs
Llwntes,
seme
es
p!:odu
m
a
tenh
latino
quadrado
do
mais
natural que numa vaca de grande produo de leite
poi s
Supo nhaa qut'da se ja maior do que numa vaca medoc re.
mos, por exempl o , que, em iguaLdade de c ondi es , as vacas pe rcam lO% de sua pr odu o inicial, de um pe r odo pa
Admitida uma produo inicial de 500 kg
ra o seguinte.
de l e i t e para a primei r a v a ca e de 200 kg para cada uma elas
outras duas, teramos, na ausncia de efeitos de tratamentos, os se g uintes dados .

19 perodo
29 perodo
39 perodo

Vaca l

Vaca 2

Vaca 3

500 (A)
450 (C)
400 Ol)

200 (B)
180 (A)
160 (C)

200 (C)
180 (B)
160 (A)

O quadrado latino escolhido. superposto a esses dados. como indicam as letras entre par~nteses, nos daria
os seguintes totais para os tratamentos:

(
(

274

Trati.lmcnlu A
Tratamento B
Tratamento C

c
(
(
(

(
(
(
(

275
et~o

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

kg ,

780 kg '
810 kg

M
M

-.:r

A deaigualda~e de produ~o das vacas impediu,


urna boa compensaao dos efeitos dos periodos. Segue-se
portanto, que o uso do quadrado latino exige, p~ra maio~
eficincia, que os animais sejam escolhidos de tal sorte
que tenham produes de leite to semelhantes quanto pos
sivel.
Por outro lado, -o nmero de graus de liberdade para
o residuo, no caso do quadrado latino de 3x3 em discusso,
insuficiente; ha, pois, necessidade de usar
rios quadrados latinos, 4 por e x emplo. As vac as de
um
rnesrrio quadrado latino devero ter produes
s e melhantes, mas de um quadrado latino para outro pode variar 0
nivel de produo dos animais. As sequncias (ACB,
BAC
CBA) de tratamentos, correspondentes as colunas, s ao atri'
buidas ao acaso s vacas de cada grupo.
A analise da varincia segue o seguinte e s qu e ma, no
caso de 4 quadrados latinos de 3 x 3.

(
(
(

(
(
(

Causa de variaao

Total

<.)

<1J

>

(/)

<1J

"'<O

>

<.)

<O

O
N

>

-::r
<O
<.)

<O

>

21.530.497 - 20.834.660
695.837

,..._

'---' '-" '--'

<1J

0\DN

-.:r \() <'"!


0\r--co

co
M

op...

'-./

'-"

Lf'l ,..._ r i

co co
co o ,..._
r-1

......

-:;:;;;u
.__,

C)

\D
N

co

-::r

,..._
\.()

r-1

......_

'-" ' - '

<O

lll Oltr)
MOI 0'1
\D r- lll

>

<1J
C)

<1l

>

,-.. ,-..
>=QU

co
N
o
N

'-./

r-1

o,..,~

r-1

co

COll<-0

<1J

'-)

co

0:::

'-' ' - '


COtr\-.;:t
,..._

lll N
o~

r-1
r-1

lll
N
\.0

,-.. ,.--..

<1J

>=QU

......_

co

:q
u ...._..,_....._,
....._,.

C)

>

lll
N

---- ,-.. ......_


:

'---'

\D \.0

NN N

r-1

m
N

,-..

,....._ _......_

::q u

' - ' '-' ' - '

\.0 M N
0l m
tr\I'CO

co

......
o
N
N

<'"!

M OI rO N <'"!
r-101-.;:t

N~

C' l

\.()

0l N

\.()

,-..

,....._ ......_

<1l

.._.,

<1l

N
,..._

6
8

<O

rco OI "'
O'>C0\.0

>

s
0:::

,-.. ,-..
U:Q <>::

"--.../'--"~

......_

<1J

<O

C)

>

<O

.....
u

<O

>

a- m

..-......----..

\.()

,..._

O'IM O
'-0 \0 m

..-.. ,-..

>

co r- ,..._

co

,-..

op...
~

tn

co ,..._

(V)

,..._ --o m

<""\

>

,..._

,-.. ,-..

Ir)

r-1

:>

m
N

o o o

.....

tr\

<1l

<1l

<'"!~

-......-

-.::r

ao

:Q

r-

o o o
o o o

'"C) '"C) '"C)

h-<
,._.

~.-I

,._.

h-<
,._.

~.-I

<li

hl
,._.

<li

<li

<li

<li

0..

r-1 N

<""\

m
\()

CIJ

o. o..

M
N

......_

-......,..._
,..._ ...... co
N

'-"
OI

~.-I

O O O

<'"!

""' ,-..
u

<1l

<1l

\.()

Q ~
' - ' '-" ' - '
~~ M

C)

(.)

m
N

N
M

,-..

tr\
CO CO

m--o o

0:::

:u Q
.._,-......--......r- M

<>::

lll
N

-::r

,--.....

,-i

:Q

'-"'-'--"
,..._ \Q. \0.

'-....-' '-....-'

\..0 l()

li)

q<>:;u

.._,

O O o
'l:l'"C)'"C)

~: x 2 - C

,-..

Nr--.. ("')

Par explicar a anlise, utilizaremos os dados


da
tabela 14.4.1., adaptados de COCHRAN e outros (1941).

SQTotal

\!)~C()

00.-<

co

---......_
u:q

<1J
<.)

<O

<1J

co

<'"!

G.L ,

35

Temos

\D

Grupos d e vacas (quadrados latin o s)


Vacas dentro dos grupos
Periodos (linhas) dentro dos grupos
Tratamentos
Interao Tratamentos x Quadrados Latinos
Res1duo

(
(
(

co

tr)

<""\
NN N

(
(

,_

.-1.-i~

(
(

CO
\D

o.. o..

0..

O O O
r-1 N

r='~--~--

. . . ._.

......

~--.,. -~,---""'""-

: ..:t---~'~"""'~"-"'-"""'~~-- ""'~-,... ,.,,>,,_ _~""~,-,,~~--"' "::--.";~;-.:_.,_--_~--,

(
\

277

276
S(~

( I I 'J J

Ccupos

I (6 ':J n. ); . . . +

(1/3) I (22l2) 2 + ... +CLI68);;1


- C - SQ Grupos

SQ Perodos d. Grupos

35.654 ,
SQ Vacas d. Grupos

(1/3) [ (2195) 2 + .. +(2028)2]- C - SQ Ccupos

96.263

(
(

(
(

I - c

73. 47':3

( b 2 ') 8 )

.-

Para completar a anlise da var~anc~a, o rgan1 zarros a


tabela 14.4.2. com os totais de tratamentos em cada quadrado latino ou grupo de vacas, como a seguir.
Tabela 14.4.2. Dados para clculo da Interaao
tos X Grupos.

Tratarnen

19

grupo

grupo

49
Totais de
grupo t r at amen tos

Tratamento A
Tratamento B
Tratamento c

1819
2380
2773

2085
2432
2871

1822
2278
2669

1723
2039
2496

7449
912 9
10809

Totais de
grupos

697 2

7388

6769

6258

27387

(
(

29

grupo

39

(
(
(

Ternos agora:
SQ Trat. e Grupos

(1/3) [ (1819) 2 + ... + (2496) 2 1-

550.665 ,

c
c

SQ Trat.

(1/12)
470.400

SQ Trat. x Grupos

.:.1

scguinte anZllise da

.vartan-

causa de variaao

C. L.

Q. M.

S.Q.

Grupos de vacas (C)

73. 47 9

vacas dentro dos


grupos

96.263

perodos dentro
dos grupos

35.654

Tratamentos

(T)

470.400

235.200

Interaao T

6.786

l. 131

l3. 255

1. 65 7

35

695.837

Resduo

164, 25 * 1'

Sendo todos os grupos de animais de mesma raa ou de


mestios anlogos, de esperar que o quadrado mdio da
Interao Tratamentos x Grupos estime a varincia
resi
dual.
Podemos, pois, reuni r os 6 graus de liberdade des
sa interao aos 8 do residuo, obtendo, po~s,

6.786 + 13.255
14

1432 ,

com 14 graus de liberdade.


O valor de F do quadro
calculado com este novo Q11adrado Hdio Residual.
As medias de tratamentos so:

,(

pol:i,

cia.

Total

Somos levados,

I (7449) 2 +

(9129) 2 + (18809) 2 1

SQ Trat. e Grupos - SQ Trat.


- SQ Grupos

550.655 - 470.400
6.786 .

73.479

-c
-

Tratamento A . . . . . . . . . . . . . . . . . .
Tratamento B ...
Tratamento C

foi

620,8

760,8
900,8

A diferena mnima significativa para essas medias,


pelo teste de Tukey, ao nivel de 5% de probabilidade,

e:

3,70

37,8

40,4 .

"
(
(

(
(

(
(
(
(

(
(

278
27 9

Ver ifica -se, pois , que os trvs trata


ml'lt lus
sign ifica tiva men te entr e si.
.
O coef icie nte de vari ao , de apen
as 5,07 .,

baix o, o que dem onst ra a efic inc


ia do expe rime nto.
A falt a de um inte rval o de sepa ra
o, de uma s
ou pouc o mais , entr e os per odos
suce ssiv os, perm itiu
caso vert ente , que os efe1..tos res1.dua1..s dos
trata rnen't
sobr e os subs eque ntes fosse m bast
ante sens vei s.
p
ava li- los, pode -se reco rrer ao
mto do prop osto por COCH
RAN e outr os {194 1), mas nos pare ce
que seri a pref erv el
simp lesm ente desp reza r a prod uo
de leit e da prim eiras e
mana ou das duas prim eira s sema nas
de cada per odo expe rime ntal .

H um inte ress ante trab alho sobr e o assu


nto, publ icado por ASSI S e outr os (195 9).

tos,

ess'- 's sao us de


. eame ntos com pleto s.
lln Assi m, para o caso de 2 t ratam
en5o s (A, B) de~em~s
2 anim ais ou um ml tiplo dest e num
ero._
an1.m a1s
~:a~ada par r~cebero, por sort eio, as
sequ enc1 as de tra
tame ntos segu 1nte s:

o:

(
(

(
(

(
(

(
(

(
(

c
(

14.5.

.B

Para 0 caso de 3 trata men tos (A,


B, C) o nume ro de
anim ais (ou sequ nci as) 3 x 2
6, como a segu ir:

ENsAIOS DE REVERso

A
B

A
B
A

Tal a trad uo para os ensa ios


em "swi tch - back "
dos nort e-am eric anos .
Os delin eam ento s resp ecti vos
se
dest inam espe cific ame nte a vaca s
leit iras ,
embo r0
se
poss am tamb em apli car a caso s anl
ogos (do pont o de vista da expe rime nta o), corno o das
gali nhas poed eira s.
Cada anim al e util izad o em 3 per
odos
exp~~ rimentais suce ssiv os, cada um de cerc
a de 3 sema nas. Para evi
tar os efei tos resi dua is de um per
odo sobr e o subseque~
te, e para perm itir que os anim ais
se habi tuem aos ali-=
men tos, a prod uo da sema na inic
ial de cada per odo deve ser desp reza da.
Nos ensa ios de reve rso os per odos
inic ial e fina l
tm semp re o mesm o trata men to, que
comp arad o com o tra
tame nto usad o no segu ndo per odo.
O fund amen to do mto do est na qued a pers iste nte da
prod uo de leit e das va
cas, depo is de uma brev e fase inic
ial de prod uo cres =
cent e. Por isto , os delin eam ento
s em disc uss o s deve m
ser apl cado s a anim ais que no inc
io do ensa io ja
tenham ultra pass ado o pico da lact
ao , isto , mais ou me
nos 2 mese s depo is da pari o, e
que, no fim do ensa io,
no tenha m ultra pass ado a meta de
do pero do de gest ao
subs eque nte,
Send o p o nm ero de trata men tos,
cada ensa io exig e
p(p- 1) anim ais, cada um rece bend
o uma sequ nci a de tra .

29 anim al

19 anim al
A

19 per odo
29 per odo
39 per odo

ou um ml Lplu Jcss v llttm eru:

Se disp user mos de 6 anim ais na ocas


io, podere~osin~
ensa io simu ltane ame nte para todo
0
s_ e~es, e ::ao h a
nece ssid ade de bloc os. Send o nece
ssar 1o, . pore m, povera

derem os come ar com 3 an1.m


ndo o ou
a1s, em u m bloc o f1ca
_
. . :::tro bloc o para ~po c a post erio r.
Os bloc os sao orga n1.za
dos como se mos tra a segu ir.
ciar

19 bloc o
c
B
c A
B
c
B
A

29 bloc o
c A
B
B
c
A
c A
B

Para cada anim al, em qual quer caso


, cal cu la-se o nu
mero
D

Y1

2 Y2 + Y3

que serv e de base a toda a anl ise esta tst ica. A


Y1
..,
indi ca a prod uo do anim al no prm . .
e1ro p~r1odo, Y 2 , no
Ante s de ma1.s nada calc ula
segu n d o, e _ 3 , no terc eiro .
mos a corr eao :

c
3np (p- l)

...,._.... .,. ....

f''' ""'~ ..,.~

I"~-~--"-,.,.~~"--""" ''~-C'-~,~------

. --". . .,.,,. _. ""_._,._, ., ,,,... _. ..,


_~-,,.

(
280

I
!

281
onde n = Zr, sendo r u 11nll' r o <.!e v: tc;~s usada s para
uma das sequncias de tratamentos.
A Soma de
Total :

SQ Total

(l/6)

~D2 - C .

A seguir calcularros o valor Qi correspondente a cada um dos tratamentos.

(
(

G. L.

Tratamentos
Blocos
Resduo

p -

r:

Q.

l.

D -

S.Q.

(116 n p)L q2
(l/6)1: (1/mu)~ Por subtraao

l
b - 1
Por subtrao
(lI 2) n p ( p-1) - l

Total

c
(

causa de variaao

(l/6 )I

n2

- c

L:" D

Onde "'~ I D -e a soma d os va l ores d e D d as vacas que rece _


bem o tratamento em questo no primeiro e no
rodos, e l:" D a soma dos valores de D das vacas
o r ec ebem no segundo perodo.
Calculamos a seguir a Soma de Quadrados de
Tratamentos:

Nos dois casos, os quadrados mdios e o teste F para tratamentos se calculam da maneira usual.
As medias de tratamentos sao calc uladas pela frmu
la:

q2 .

SQT

No caso de no haver bloc os obtem-se, po1s, a

(l/6 n p)l:

se-

guinte anlise da varinci a.

Causa de var1aao

(
(

Tratamen tos
Resduo

Total

G.L.

s .Q.

( l 16 n p ) l:. q2
Por subtr ao

l
p
Por subtrao
(l I 2) n p (p -l) - l

(li6)LD2_

Saliente-se que Y a media dos valores Y observados para todas as vacas. No c aso de o nmer o de
tratament os ( p ) ser mpar e mai o r do que 4, pode -se u s ar um
delineamento reduzido,
co m apenas (1 /2) p(p-1 )
s equncias d e t ra tamentos.
Neste caso as frmulas dadas para
a anlise cont inuam vlidas, desde que tomemos n = r,_o.::_
de r a inda o nmero de vacas usadas para cada sequencla de tr a tame ntos.
Tomaremos como exemplo um ensaio de LUCAS (1956), cu
jos dados so reproduzidos na tabela 14.5 .1.
Considera
remos p = 3 tratamentos (A, B, C), com 2 animais para ca
da sequnca de tratamentos.
Como se trata de delineamento completo, t e mos

(
(

No caso de haver blocos calculamos ainda a Soma


Quadrados respectiva:

(
(

SQB

2x

2 = 4 .

(li6)I(llffiu)B~ - C

onde Bu
o total do bloco u e
nele includos.

A anlise da varincia tem~ c.mto, o esquema


te, onde b e o nmero de blocos utilizados.

-c
--r

A correao e

(
(
(

n = 2r

de

mu e o numero de

animais

c =

(-32,5) 2

( ID) 2
3 n p (p-1)

3 (4)

(3) . (2)

14,6 7 .

Alem disso temos:


SQ Total

(J I 6 )l: D2 .

( 1 I 6)

= 3,72 ,

I <-1, s) 2 + .
+

<-3, 2) 4 J

---=~c~~-~---~_,...,.._.,.,..,
, , ,~_,~ ., . ' ' - v; ,-"'"''''"''"'''"""''~"'' ~"'""''"''"''' ' " '
f--------- ' ...
-. -. ---

282

'L.tbe LJ 14.5.1. ProJu<;~)es de leite num ens i l l l l

283

0/6) I

19 perodo
(Yl)

(
(

c
(

19 bloco
Vaca 1
Vaca 2
Vaca 3
Vaca 4
Vaca 5
Vaca 6
Totais do
19 bloco

34,6(A)
22,8(B)
32,9(C)
48,9(A)
21,8(B)
25,4(C)
186,4

29 perodo 39 perodo
(Y2)
(Y 3)

32,3(B)
21,0 (C)
33,1 (A)
46,9(C)
23,9(A)
26,0(B)
183,2

28,5 (A)
18,6 (B)
27,5 (C)
42,0 (A)
21,7(B)
23,9(C)
162,6

-1,5
-0,6
-5,8
-2,9
-4,3
-2,7

(
(

Ql =

(
I

c
c

(-1,5-2,9-1,9-1,7) -

c-o , 6 -4 , 3-3 , 4-3 , 1)


c-1 , 5-2 , 7 -L , 4-1, 7) = -4 , 1,,
(-5,8-2,7-1,4-3,2)- (-0,6-2,9-1,9-3,1)= -4,6.

SQT
29 bloco
Vaca 7
Vaca 8
Vaca 9
Totais do
29 bloco

30,4(A)
35,2(B)
30,8(C)

29,5 (C)
33,5 (A)
29,3 (B)

26,7 (A)
28,4(B)
26,4 (C)

-1 '9
-3,4
-1,4

96,4

92,3

81,5

-6,7

37,4(B)
26,l(C)
22, O (A)

34,4 (A)
23,4(B)
19,4(C)

-1,7
-3,1
-3' 2

Blocos
Tr at amen tos
Residuo
Total

Totais do
39 bloco

85,8

85,5

77,2

Totais
gerais

368.6

361,0

320,9

(
(

3 [cs,n2+(-4,1)2+C-4,6)2]

Obtemos, pois, a seguinte anlise da varincia.

38,7 (A)
25,7 (B)
21,4 (C)

1, 58 .

Causa de variaao
39 bloco
Vaca 10
Vaca 11
Vaca 12

(l/6 n p)Z Q2

S.Q.

Q.M.

2
2
7

0,18
1,58
1,96

0,09
0,79
0,28

ll

3. 72

G.L.

2,82

-8,0

-32,5

No h, portanto, diferena significativa entre tra


tamentos.
A media geral das produes (Y) por perodo e:

(
(

(-5,8-4,3-3,4-3,2)= 8,7 ,

Resulta:

-c

e para os demais:

-17,8

(
(

--'-<_-6_,3:-7-'-)2 + C-8JO)

Para achar a soma de quadrados de tratamentos (SQT),


comeamos por calcular os valores de Q.
Para o tratamen
to A temos:

(
(

(-1~,8)2+

0,18

( I I 6 ) ; l:( 1/ n\.t) 13 u -

SQJJ

368,6 + 361,0 + 320,9


36

29,18

logo a media corresponde ao tratamento

e:

.... .

..

~~
~

"''

..

~~ ~, , -~,...,.~~~~~~~'-''';~~~!~;">~,--$ ~'1"~~\l<'~'<.'~"'"*"'""'

......,.,.._~., "'';-"I>.C""l~~:'['"3'!.:,,~;-'_i '

(
(

284

285

8,7

illl=29,18+

5 tratamentos (Je I ineauu.:nto reduzido)

= 29,54 .

19 bloco

Para os demais tratamentos obtt:mos analogamente

m2

(
(
(

; m3

2 9, o1

= 28,99

3 s2
n p

=q

l/-ir!p .

/(l/2)

A B c

B
F
A B

A
E

4,1613 (0,28)

0,78 .

2 (4) (3)

c. v.

100 l,28
29,18

1,8% .

4 tratamentos (delineamento completo)


19 bloco
29 bloco
39 bloco

.. (

49 bloco
c D E
A B c
c D E

A
B
A

B. C
C D
B C

D
A
D

A B C D
C D A B
A

A B C D E F G

14,6,

Para alguns casos de 4 ou mais tratamentos os delineamentos que se podem usar so os dados a seguir,
reproduzidos do trabalho de LUCAS (1956).

c D E F (;
B C D E F GA

A B

Como seria de esperar pelo teste F, nao sao signifi


cativas as diferenas entre medias de tratamentos.
O coe f iiente de variao bem baixo:

29 bloco
B c
D
D E
A
D
B c

E
B
E

c
F

D
F

A
F
A

59 bloco
B c D E.
A B c D
c D E
B

F
E

7 t rat amen tos

19 bloco

v (mi - mu>

No caso presente e ao nvel de 5% de probabilidade,


temos, pois:

6 tratamentos (delineamento completo)


29 bloco
39 bloco
D E F
A B c ]) E F
A B c D E
E F A
D E F A B
c D E F A B
D E F
A B c D E F
A B c D E

A B c

r;-:;-

D
E
D

19 bloco

logo a diferena mnima significativa, pelo teste de Tukey, sera:

A estimativa Ja varincia da Jiferena entrv


medias quaisquer :

(
(

A B C D
D
A

A
B

B
C

c
D

(delineamento reduzido)
29 bloco
39 bloco
A B c D E F c;
A B c D E F G
cD E F G AB
D E F c; A B c
A B c DE F G
AB c DE F G

BIBLIOGRAFIA

ASSIS,

F.

Paula~

G.L. Rocha, R.N. Guaragna, M. Becker e


Valor das Silagens Simples e Mis
tas da Dieta de Vacas Leiteiras. Boletim de Indus=
tria Animal, 17: 207-215.
COCHRAN, W.G., K.M. Autrey e C.Y. Cannon, 1941. A Double Chanr;;e-Over Design fo1:" nai.ry Cattle. Feeding Experimenta. J. Dairy Scenee, 24: 937-951.
KALIL, l\lias Bechara, 1974. Principias de 'tcnica Exp~
rimental com Animais (mimeografado). ESALQ, Piraci
c aba.

B. Cintra, 1959.

..

,.~

286

LUCAS, H. L., 1956.


Switcli-Back Trial.s fur l'lon. Than
Treatments. J. Dairy Scence, 39: 146-154.
LUCAS, H.L., 1958. Experimental Designs and Analysesf
Feeding Effciency Trials with Dairy Cows. In: F d
Utilization by Dairy Cows.
Iowa
SL1 te
Co
e
Press, Ames, Iowa.
g
PIMENTEL GOMES, F., Saladino G. Nunes, Marli B. Gomes
Joo B.E. Curvo, 1988. Modificao na Anlise
Varincia de Ensaios de Pastejo com Bovinos,
Considerando os Blocos de Animais. Pesq. Agr.
Bras.

(
(
(

(
(

(
(

(
(

(
(

287

u:e

23(9): 951-956.
TORRES, A.P. e F. Pimentel Gomes, 1959. Substituio de
Subprodutos de Trigo pelo Sorgo Modo na Alimentao de Pintos. Anais E.S.A. "Luiz de Queiroz", 16:

251-276.

~.

O TESTE DE QUI-QUADRADO E SUAS APLICAES

~ .1. INTRODUO
Em muitos dos trabalhos cientficos experimentais a
anlise da varincia no pode ser usada ou apresenta res
trioes mui to srias, dadas as suas limitaes,
indica-=
das no captulo 2.
Por outro lado, em muitos desses casos a aplicao direta do Clculo de Probabilidades oudo
teste de qui-quadrado (x 2 ) d solues elegantes e conve
nientes.
O Clculo de Probabilidades, embora atraentepe
la sua simplicidade terica, leva-nos, na prtica,
na
maioria dos casos, a clculos excessivamente
trabalhosos. O teste de x2 , ao contrrio, embora apenas aproximado e com numerosas limitaes de aplicao relativamente fcil. Neste captulo buscaremos indicar o uso des
te teste, com suas restries, e tambm algo sobre o tes
te de Fisher, que pode substitui-lo em alguns casos.

(
(
(

15.2.

TABELAS IE CoNTINGNCIA DE

Em muitos trabalhos experimentais os dados colhidos


representam ocorrncias de certos fenmenos que se podem classificar numa tabela, chamada de contingncia, co
mo a seguinte.

(
(

Natureza das vacas

(
(

(
(
(

(
(

Charolesa
Indubrasil
Nelore
1/2 CharolsZebu

Acasalamentos
Totais de
infecundos cas alamentos
fecundos

515
506

1287

58

665
70

1802
1171
128

205

93

298

1281

2115

3399

(
(

(
(

(
(
(

(
(

(
(

289

288
Essts dados, tirados elo livro de Vl.ANNA, SA!l!Tli\CO e
PIMENTEL GOMES (1978), sugerem que o gado Charols seja
menos fecundo do que os demais gados que constam da tabe
la. Para verificar se ha diferenas significativas
de
fecundidade entre esses tipos de gado, pode-se
aplicar
o teste x2 , da maneira exposta a seguir.
Comeamos por calcular as frequncias esperadas ad
mitida a hiptese de que todas as raas ou mestios' se
comportem igualmente. Para isto fazemos regras de trs.
No caso das vacas charolesas, o nmero esperado x de
acasalamentos fecundos seria dado pela regra de trs seguinte:
1284
3399
1802
X

1802

(
(

1284
3399
X

680,7

O numero correspondente de acasalamentos infecundos


se pode obter por subtrao.

1802- 680,7

= 1121,3 .

(
(
(

Analogamente se procede para outros casos. E obtemos assim os dados que contam, entre parnteses,da tabela seguinte.

'
(

(
(
(
(

(
(

(
(

Natureza das
vacas
Charolesa
Indubrasil
Nelore
1/2 Charols
-Zebu

Acasamentos
infecundos
fecundos

Totais de
acasalamentos

515 (680, 7)
506(442,4)
58 ( 48,4)

1287 (1121 ,3)


665 ( 728,6)
70( 7 9 ,6)

1802

205(112,6)

93 ( 185,4)

298

1284

2115

1171

128

3999(N)

Os totais marginais, dois em baixo e quatro i direi


devem ser os mesmos, quer par-a as frequncas espera
quer para as_observadas, salvo para pequenas diferen
de aproximaao, corno no caso presente. Dai resulta
na tabela, de 2 x 4
8
frequncias,
apenas
(2 - 1) (4 - l) = (1) (3) = 3 frequncias esperadas podem
ser fixadas por uma hiptese que se testa; as restantes
se pod~m obter por subtrao dos totais marginais. Dizse, po1s, que o X2 que vamos calcular tem 3 graus
de
liberdade.
o clculo e feito pela frmula:

ta,
das
as
que

(fo - fe) 2
fe

onde f
representa a frequncia observada e,, f e! a fre.o
quenc1a esperada. Embora o teste seja de XL, e
usual
indicar por x2 , como acima, o valor de x2 calculado.
Temos, pois:
(515-680, 7)
680,7

2
+

(1287-1121,3) 2
1121' 3

+ ... +

(93-185,4) 2
185,4

204,45 .

O valor de
obtido, com 3 graus de liberdade, e
comparado com o que se obtm na tabela 15.
Para
o
nivel de 5% a tabela nos d
= 7 82 e para o de 1%,
x2 = 11,34. Como o valor de x2 obtido excede o ltimo
nivel de signficncia, dizemos que h significao esta
t1stica ao nivel de 1%. Da decorre que rejeitada
a
hiptese de propores iguais para acasalamentos fecundos
e infecundos em todos os tipos de vacas estudados
~sto
, conclui -se que h diferena significativa ent;e
as
fecundidades das raas ou mestios ensaiados.
Ao aplicar o teste de x2 a tabelas de 2 X n,
com
n > 2, da maneira acima exposta, necessrio ter em mJ.ra as seguintes restries:
l) Que a frequnca esperada mnima nao deve ser in
feror a 1 (um);
2) Que s em poucos casos seja a frequnca esperada menor do que 5.
Para tabelas de rn x nem geral (de 3 x3,3 x4, etc.)

(w . . .

..,.,.,=~--n-"-'ililliliiiliiiililp-~~==,.;::--c.~:C"ry,-"'''"''':--~"''"'"'''''

(
(
(

(
(
(

(
(

(
(

(
(
(

290

291

o teste de x/ :;e pode igualmente aplicar da rnancita


posta e com aH cestries indicadas.
Urna partcularidade importante do teste de x2
de que, sendo feito com quadrados de desvios, no
tingue o sinal desses desvios; corresponde a um
teste
bilat~r~l para desvi~s.: Se tivermos, porem, conhecirnen
to prev1o, por urna h1potese ou por trabalhos anteriores~
do sentido dos desvios (se para mais ou para menos)
as
2
tabelas de x comuns, tais corno a nossa tabela 15, se
podem usa::, mas tornando a metade da probabilidade indica
da, isto e, os limites de 10% correspondern ao nvel
de
significncia de 5%, e assim por diante. No caso verteu
2
te, o x
unlateral, com 3 graus de liberdade, ao nveT
de 5%, teria corno limite
de
significncia
o valor
x22 = 6,25; o valor correspondente ao nvel de 1% seria
x = 9,84, que na tabela aparece corno referente ao nvel de 2%.

15.3.

TABELAS DE lroTINGl'.JCIA !E

(
(
(
(

(
(

(
(
(

Totais de
acasalamentos

515(680,7)

1287 (1121,3)

1802

769 (603 '3)

828( 993,7)

15 97
33 99 (N)

2115

1284

Temos, pois, com 1 grau de liberdade:

(~-603,3) 2

603' 3
+

(828 - 993,
993,7

7) 2

Nota-se, porem, que todos os numeradores sao iguais,


bastando, pois, calcular um s deles.
Fica, portanto:
Natureza das
vacas

Acasalamentos
fecund0s
infecundos

Charole sa
Zebu ou
azebuada

Totais de
acasalamentos

515

1287

1802

769

828

1597

1284

2115

Podemos aplicar o teste de x2 corno no caso


anterior.
Para os acasalamentos fecundos de vacas charolesas, admitindo-se igualdade de fecundidade para os dois
tipos de vacas, a frequnca esperada e:
f

..

2
X

(515-6 0,7l'

[68~,7 ni!,3

+ 60i,3 +

99~,71

137, 96'"* .

o valor da tabela correspondente ao n1vel de 5% e


3,84, e o que cabe ao nvel de 1%
6,64.
Temos, pois,
um resultado significativo ao nvel de 1% de probabil~
dade, do que resulta que a hiptese de nulidade
deve
ser rejeitada, isto e, a hiptese de que haja fecundid~
de igual para as duas classes de vacas (Charolesas,
de
um :lado , Zebus ou azebuadas de outro lado). E . se. conclui que o garlo Zebu ou azebuado est~dado e s1gn1f1cat1vamente mais fecundo do que o Charoles.
Para tabelas de 2 x 2 o x2 se calcula mais
facilmente pela frmula:

33 99(N)

Charolesa
Zebu ou
azebuada

Os dados da tabela da seo 15.2 podem ser "i grupados corno abaixo, em urna tabela de 2 x 2, anloga a tabelas outras muito comuns na pesquisa biolgica.

(
(

Acasalamentos
infecundos
fecundos

Natureza das
vacas

2 2

(
(

As demais frequ~ncias esperadas se podem


calcular
por subtrao d~s totais marginais. Obtemos assim os ~
meros entre parenteses que constam da tabela seguinte.

1802

3399

1284

680,7

-- .

.................. ,,........,,.,........ :

(~~--- -

292

293
(a d - b c) 2 N
(a + b) (c + d) (a + c) (b + d)

(
(

(
(

onde a, b, c, d so as frequncias observadas, como


tabela seguinte.

(
(
(

Natureza das
vacas

Charolesa

Zebu ou
azebuada

Acasalamento s
fecundos
infecundos
1287 (b)

a + b

76 9(c)

828 (d)

c + d

a+c

Natureza das
vacas

515(a)

(
1284

b+d

as o a correao ,r)ouco altera o resultado,


d cos
Neste c
. o mesmo no acontece quan o- ~
mo seria. de e~pera~ ~a;a: a diferena entre a
f requen~~
frequenclas sao ba~_ .
erada em valor absoluto, e
Obs ervada e a frequenc~a esp
,l
os dados da tabela
'd
os por exemp o,
,
a
Cons~
erem
~
.
NA
pequ~nt.
tirados
do
h
vro de VIAN ' SANTIAGO e PIMTEN
seguln e'
TEL GOMES (1978).

2115

1/2 Charols

23(25,1)

.. 333

3/4 Charols
- Zebu

34(36,1)

5 ( 2' 9)

39

344

(
(
(

(
(

(
(

(
(

28

37 2

Temos, portanto:
(515 X 828 - 769 X 1287) 2 (3399)
(1284) (2115) (1802) (1597)

(
(

Total de
partos

310 (307, 9)

Abortos e
natimortos

-Zebu

1597
3399

Partos
normais

A pequena diferena em relao ao valor obtido ante


riormente se deve s aproximaes de deci.mais.
2
teste de x aplicado a tabelas de 2 X 2 no deve
ser usado, segundo COCHRAN (1954), nos seguintes casos:
1) Se a frequncia total N for menor. do que 20;
2) Se a
frequncia total N estiver entre 20 e 40 e a frequncia
esperada mnima for menor do que 5. Em todos os c asos a
frequncia
esperada mnima deve ser pelo menos i gu al a l
(um).
Sempre que a frequncia esperada mnima for pequena
(inferior a 20, digamos tradicional o uso da correo
de continuidade ou de Yates, que consiste em subtrar 0,5
da diferena, em valor absoluto, entre a frequncia observada e a frequnca esperada em todos os casos da tabela de 2 x 2. No caso vertente a diferena em valor ab

::l:t:,:/:~~~~)2 OIx:si~; : ~:;;~:: ::~~:t:s9:;~:r


13 T, 13** .

Neste caso o X 2 ,_. om correao


- de Yates sera:

138,00** .

(2' 1 - 0,5) 7

_1_ +

- - + 36 ' l
307,9 +25,1

1,06

- corrigido serla
.
O va lor nao

x2 -- l ' 8 3 'hque deles


difere
.
No ca so vertente, nen ume
bastante do anterlor.d .
correr que a corr. eao2
0
de

flCa t'lV o ' mas. po


erla
~

d
X
calcu
slgnl
. . f.
Yates alterasse a slgn~
lca o estat~st~ca o
1 d
a o.
2
d Yates para ta b e 1 as 2 x 2
se
O X com correao _e
-1
dada em 15.3,que
pode calcu 1 ar por
uma formula ana
oga
a seguinte:

I
<lad-bc
(a
+b)(c + d)(a'+c)(b+ d)
O 5 N)

No caso vertente obtemos:


2

(372).
xz = (768-186)
(344)(28)(33 3)(39)

"' 1,01

r-..,..~~~-,---

(
(

2 94

A diferen a do valo r agora obtido em re la (; o ao


culado antet"io t"mente (1,06) se deve a aproxim aes de

295

cimais.
No entanto , pesquis as de GRIZZLE (1967) mostcam
e preferi vel nio aplicar a correi o de Yates, e calcula r
o x2 sem ela.

(
(
(

\
15.4. 0 TESTE DE FISHER

I!

(
(

(
(

(
(

Nas tabelas de conting ncia de 2 x 2, quando,


de
acordo com as regras de COCHRAN (1954) apresen tadas
na
seio 15.3, nio deva ser usado o teste de qui -quadra do,
cabe recurso ao teste de FISHER (1934), basead o exclusi vamente no C~Lculo Je Probab ilidade s.
Conside remos, por exemplo , o quadro seguint e, de da
dos sobre a prova de xcara do cafe, adaptad os de BARBO~
SA e outros (1962). Trata-s e de resulta dos obtidos para
a prova de xcara de duas amostra s de caf, uma de cafe
Mole, outra de cafe Duro, que foram classif icadas por de
gustado res especia lizados .

ci teste de x2 , que neste caso ja e pouco ;lc onselhvel, nos daria X2 = 7,26 7<1<, com l grau de liberda de,
alor signifi cativo ao nvel de 17.. Com a corre o
V
de
yates, atualme nte desacon selhada , obtem-s
e X2 = 5,17*,
valor signifi cativo ao nvel de 57. e corresp ondente , apr~
ximadam ente, a uma probabi lidade de 2,3%.
O melhor, porem, fazer o tes~e de Fisher, de apl~
cao fcil quando as frequn cias sao baixas. Sejam a ,
b, c, d as frequn cias observa das na tabela 2 x 2, como
a seguir.
Classif icao pelos
degusta dores

Naturez a do cafe
Apenas Mole
Duro

Apenas Mole
Duro

lO (a)
3 (c)

2(b)
8 (d)

12
11

lO

13

23

(
(
(

A probab ilidade ::le_uma tabela como essa, com


frequn cias margin ais, e:

Classif icao pelos


Naturez a do c af
degusta dores
Apenas Mole
Duro
Apenas Mole
Duro

(
(

(
(
(
(

(c+d) '
N ~

(a+c)

(b+d)

12

3 (6' 2)

8(4,8)

ll

onde o ponto de exclama o indica a funo fatoria l.

23

Em geral o teste se faz conside rando a frequn ciaml


nima da tabela. No caso vertent e essa frequn cia mnim'i
e b = 2. Calcul -se, pois, a probabi lidade de obter um
caso como esse ou mais extremo , isto , de ter b = O, 1
ou 2.
Obtemos :

13

10

Por a se v que os degusta dores classif icaram corretamen te o caf Apenas Mole em 10 casos, mas em 3 deles o conside raram como sendo Duro. J o cafe Duro foi
classif icado correta mente em 8 casos, mas foi tomado como Apenas Mole em duas oportun idades. Queremo s saber se
h diferen a estatst icamen te signifi c.ativa para a classifica io desses cafs.
As frequn cas esperad as so todas -bastan te
baixas
e a menor delas j
ligeiram ente inferio r a 5. Por outro lado, a frequn cia total N=23, e est, pois,
~ntre
20 e 40.

(a+b)

2 (5 '2)

(
(

10(6,8)

(
(

ess as

a ! b

12! 11! 13! 1 o!


23.

12!0!1! 10!
+

0,0101

= 1,01% .

d ' ,

_,. ,~~

(
(

(
(

(
(
(

(
(

296

297

O teste assim empregado unilateral, ao contrrio


do x2, que bilateral. Este clculo nos d uma probabilidade ligeiramente superior a 1%; temos pois um resul
tado significativo ao limite de 5% e tambem, praticamen
te, significativo ao limite de 1%.
Ser necessrio multiplicar por 2 essa probabilida
de para compar-la com a obtida pelo teste de x2 sem
ou
com correo de Yates.
O teste de Fisher nos d,
pois
1
p = 2 x 1,01 = 2,02%, valor que combina bem com a pro:
habilidade de 2,3% que corresponderia ao x 2 corrigido.

Um terceiro contraste, ortogonal aos dois


primeiros, nos daria a comparaao entre as raas zebunas (Indubrasi1 e Ne1ore), como se faria pela tabela seguinte.

Totais de
acasalamentos

Natureza das
vacas

Acasalamentos
infecundos
fecundos

Indubrasil
Nelore

506 (508. 4)
58 ( 55,6)

665 (662,6)
70( 72,4)

1171

564

735

1299

128

(
(

15.5,

GRAUS l i LIBERDAI::E INDIVIDUAIS EM TABELAS


DE JNTINGNCIA

Agora obtemos X2 = 0,20 .

(
(

(
(
(

(
(

(
(

N~ma tabela de contingncia como a da seao


15.2,
onde ha 3 graus de liberdade, podem-se considerar conju~
tos de contrastes ortogonais, de maneira a testar isoladamente os 3 contrastes ortogonais correspondentes a esses graus de liberdade. Um contraste poderia ser entre
o gado Charols e o gado Zebu ou mestio de Zebu
(Indubrasil, Nelore, 1/2 Charols-Zebu). Este contraste
Ja
foi estudado separadamente na seo 15.3
e
nos deu
x2 = 137,96**
Outro contraste, ortogonal ao anterior, seria
ent~e as raas Zebus e os mestios Charols-Zebu, como
se
ve na tabela seguinte.

(
(

(
(
(

c
(

c
(

x2

= 137,96 + 62,50 +

o,zo

= 200,66 ,

com 3 graus de liberdade, valor que no coincide exatamente com o x2 calculado em 15.2, que era X 2 = 204,45,
tambm com 3 graus de liberdade. Esta diferena em rela
o s somas de quadrados na anlise de varincia

primeira vista, pouco satisfatria.


Numerosos trabalhos foram feitos para obter uma par
tiio exata do x2 em tabelas de conting~ncia (ver,
por
exemplo os artigos de coCHRAN (1954), de KIMBALL (1954)
e de IRWIN (1949)). No entanto, o rnetodo acima indicado
satisfatrio na ma~or~a dos casos e de aplicao
bem
simples.

e,

Natureza das
vacas

Acasalamentos
fecundos
infecundos

Totais de
acasalamentos

Indubrasil
e Nelore

564(625,5)

735 (673,5)

12 99

1/2 Charols
- Zebu

205(143,5)

93(154,5)

298

769

828

(
(

Assim, concluiriamos que no h diferena significa


tiva entre a fecundidade das raas zebu'inas, mas que es=tas diferem significativame'.l te dos mestios 1/2
Charols-Zebu e que, por sua vez, todo o gado zebu ou azebuad~
significativamente mais fecundo do ~ue o gado Charo
les.
No entanto a soma dos valores de x- para os
tres
contrastes nos d:

T~mos agora

x2

62,50**

15 97

15. 6. OurRAS APu CAr;Es oo

TESTE IE QUI -QuADRAOO

Muitas aplicaes importantes, alem das mencionadas


anteriormente, tem o teste de x2 . Uma delas
o estudo
do ajustamento de distribuies tericas (como a curva

r-:-,.,.......~ 11'! ..... -t~'!'> ... ,~~Ji - .

2 98

normal) a dados observa dos. Outra


o aj us Llmvnto
frequn cias observa das a propor es previst as por
teorias ou por hiptes es conven ientes. Um exemplo c l~;sico
dest e ltimo caso o da segrega o mendeli ana em ervilhas, como veremos a seguir.
Na descend ncia obtida de cruzame ntos entre plantas
com semente s amarela s lisas e outras de semente s verdes
rugosas obtemos na primeir a gerao (Fl) ervilha s amarelas lisas. Estas, cruzada s entre si, do uma gerao p
2
com ervilha s dos 4 tipos mencion ados a seguir.

(
(

(
(
(
(

299

-c

Tipos das ervilha s

Frequn cias
observa das

Frequn cias
esperad as

Amarela s lisas
Verdes lisas
Amarela s rugosas
Verdes rugosas

315
108
101
32

312' 7 5
104,25
104, 25
34,75

Total

556

556,00

(
(

(
(

(
(

Pela teoria mendeli ana as propor es esperad as para


esses tipos de ervilha s so: 9/16. 3/ 16, 3/16 e l/16, res
pectiva ment e . Com base nessa teoria c alculam os as fre=.
q~enc1as esperad as, dadas no quadro acima. Obtemos
entao, com 3 graus de liberda de:
~

(315 - 312,75) 2
312,75

(
(
O

limite de 5%

e X2

+ +

7,82.

(32- 34,75) 2
34,75

0,47.

Logo o valor obtido no

signifi cativo, o que mostra que os dados concord am bem

com a hiptes e.

(
(

(
(
(
(

(
(

15.7.

BIBLIOGRAFIA

BARBOSA, L. Fairban ks e outros, 1962. Estudos Prelim inares ~obre a Prova de xcara do Caf. 38pp~So Paulo.
G8CHRAN, W.G., 1952. The x2 Test of Goodnes s of
Fit.
Ann. Math. Stat. 23: 315-345 .

c . >, l9S4. Some ~1eLiwds i" o r Strengtlt l~ nng the


common x Tes ts. Bi ometric s lO: 417-451 .
FISIIER, R.A., l934. Statist ical Methods
for Researc h
Workers . Oliver and Boyd, Londres .
.
.
h
2
GRIZZLE, J.E., 1967. Continu ity Correctw~
~n. te XTest for 2 x 2 Tabl es . America n Stat1St1 .c1an Outubro, 28-32.
2
IRWIN, J.O ., 1949. A Note on The Subdivi sion
of
X
into Compon ents. Biomet rika 36: 130-134 .
KIMBALL, A. W., 1954. Short-C ut Formula s for the Exact
Partiti on of x2 in Conting ency Tables.
Biomet rics
10: 452-45f l.
VIANNA, i\ . 'l'e i.x. vira , H. Santiag o l! F. Pimente l Gomes,
1978. Forma o do Gado Canchim . 2 ~ ed i o.
Li v rria Nobel. So Paulo.
COCIIR/\N, W.

(
(

300

301

(
I

16. ANLISE DE COVARINCIA

Q)

;:l

(
(

c
-(
(
(
(
(

(
(

c
(

16.1.

GENERALIDADES

bastanA analise de covarincia e urna tcnica de


Tem
te interesse, embora seu uso no seja muito comum.
au x iliares
ela por fim utilizar urna ou mais vanaveis
(por exemplo, o nmero de plantas por parcela) na interpretao dos dados referentes a urna varivel em que esta
mos primordialmente interessados (a produo, por exem~
controle
A anlise de covarincia cornplementa o
plo).
local e pode at substitu-lo em alguns casos. Por exem
plo, ao organizar blocos de vacas leiteiras com base na
sua produo na lacta o anterior, podemos, complementar
varivel
tarmente, adotar essa mesma produo como urna
auxiliar X a s er usada para corrigir os dados exper irnen
Isto ser til particularmen~
tais Y obtidos no ensaio.
te se a escassez de an1ma1s nao permitir or ganizar bloco s bem homogneos.

(
(

(
(
(

(
(

0 ' \0
("')

co

<'i

if)

-;r -;r

(")

.....

O\
<'i

--so

._;r O\

<'i

<'i

co
"'
<'i~

oco

~co

ON
co
"" .....

Nr--.
--sN
N

"'
"'

N N
N

<'i

:X: :>-<
w w

p.

c
o
....c

op.
tfJ

<

co

....o<

'-'

.....p.

li)

0\

co .....
-;r

0\ 0\
<'i

.....
.....

"' <'i
"'

co

0\N

r--.,....

r--

0\ "'"

0\
-;r

0\ 0\
<'i

o
o

0\

.....

......
"'
"'
"'

"'

..::1"

if)

Q)

aJ

'd

,u

...

'.0 .-<

""
~

E!

CO

O\

co

<'i

"""

Q)

Q)

r-.

r-.

LI')

,....
,....

co

0\

<XJ

LI')

r--.

l:l

..c.
,u
<1l

ExEMPLO

, O
IC\l

>-.

-o

!-<

-o

...o

.-<
Q)

o .o.,

tfJ

-o

<1l

0'1

O\ ._;r

co r--.

co ......

""

"'

"'

if)

co co

m
"' N

co

LI')

......

0\ 0\

0'1

.....

"'

..::1"

-.:t

co

<X)

r--.

lf')

"'

lf')

LI')

"'"

co -;r

"' ..

0\

LI')
LI')

co r--.
-;r

0'1 co
u;.--<

..::1"

o
p.

. r-

tfJ

rn
.-<

:l

..::1"

'-'

(.)'>

co

0\

""

c
o

'-'

Q)

co
.-<

:>-<
-----

Tornaremos corno exemplo um ensa1o de controle de pra


gas do feijoeiro, realizado pelo Eng9-Agr9 Joo Ferrei=
ra do Amaral. Nesse experimento, em 8 blo cos casual iza
Dis ys ton~
dos, se utilizaram 5 tratamentos: Testemunha,
g/
Alem da produo Y, em
Ekatin, Keltane e Diazinon.
("stand")
parcela, determinou-se o numero de plantas
de cada parcela (X), corno vemos na tabela 16.2.1.
da
(Y)
Podemos comear por analisar as produes
Mas preciso fazer clculos anlogos p~
maneira usuai.
ra os pr odutos X Y e para a varivel X. Ternos assim:

ry,

"'

O)

<l!l <

w.c
tfJ

Q)

f-;

::l

0"-.;j'

r--

0\

......
LI')

0'10

0\ r--.

"'

"'

..::1"

:X::>-<

:X::><

:X::><

:X::><

cJ

cJ

co

if)

0\

El

0\

....

"' -;r

co

0\
.,....

r--.N
\C> N
..::1"

.-<
Cl)

04-<
Q)

SQTotal (Y)

SQTotal (X)

(1/ N) (l:Y) 2
152.752 - (1/40) (2266) 2
24.383,10

'""'"O

L:X2 .:.. (1/N)

.....<

r.y2 -

(EX) 2

Cl)

2653- (1/40)(323)2
44,78 .

,.0

<
H

~~, .

:X::><

:X::>-<

:X::><

:X::>-<

:X:

'd

.,..,tfJ

.-<

"'.....

(
(

Q)
(.)

o
u
o

o .a

Q)

(
(

.....

(
(

.-l

'd

1E '2' UM

<'i

rn

rn

<

Q)

-o

,......
X
.._,

c
tfJ

(;)

cJ

(.)

cJ

cJ

eJ

......

o
.o

o
......

.....o

......

..0

.o

o
......

..0

......

o
......

..0

......

o-

......

("')

..0

-:r

lr'\

"'

..0

.......

..0

co

;>-<

Cl)

C\1 -1-1

.u <

""

-1-1

(
(

302
303

i\nalug<lllll'lll ~

Sl'

ca lt:u la d

~:XHu;t J,.

p 1-<>dtJllls

(SP Total):
SP Total

R(xy)

DCY - /N) (LX) (L:Y)

11,02 '
302,37

R(xy)

18.657
(l/40) (323) (2266)
359,05 .

302,37
27,44

0,457 .

1(27 ,44) (15. 931,50)

(
(

De mane1ra semelhante temos ainda, para


mentos:

os

trata-

Este valor de r pode ser testado pelo teste de


(ver seo 12.4):

(
(

SQT(Y)

(
(

SPT

(1/8)[ (67) (422)+(59) (418)+ ... +(66) (512)]


- (1/40)(323)(2266)
18.310,38- 18.297,95
12,43 .

Podemos agora calcular a soma de Quadrados da


sao Linear:

Clculos anlogos sao feitos para os blocos. Obtemse, assim, a tabela seguinte.

Causa de
variaao

Somas de Quadrados
G. L.

1:'

Prudutos

y2

xy

x2

Blocos

7.675.50

44,25

9,18

Tratamentos

776,10

12,43

8,16

Res'iduo

28 R (y 2 ) =15. ':!31,50 R(xy)=J02,37R(x 2 )=27,44

Total

39

(
(

24.383,10

359,05

44,78

(
(
(

Podemos agora calcular as estimativas do coefi~i~n


te de regresso (b) e do coeficiente de correlao (r).
Temos:

Regre~

(302,37) 2 27,44
- 3331,91 .

A Soma de Quadrados do Resduo, ajustada para a


gressao, e:

re

15.931,50- 3331,91 = 12.599.59'

com 27 graus de liberdade, pois dos 28 originais se


de um, correspondente regressao.

peE_

O Quadrado Hdio Residual correspondente e:


0

(
(

SQRL"'

SQRes~

2,67*

(0,457)2

onde n
27
o numero de graus d: liberdade do resduo,
depois de ajustado para a regressao, como veremos a seguir.

h -

(1/8)[ 67 2+59 2 + ... +66 2 ]-(l/40) (323)2


2616,38 - 2608,22
8,16 '

0,457

SQT(X)

(l/8) [ 422"+418 2 + ... +512 2 [~(1/40) (2266)2


129.145- 128.368 90
776,10'
'

SL...

12.599,59
27

466,65 .

Para obter a Soma dos Quadrados dos


Tratamentos,
ajustada de acordo com a regresso, aplicamos o
mtodo
do residuo condicional. Para isto somamos s somas
de
produtos do resduo as somas correspondentes a tratamen
tos, como se v a seguir.

~~~~"-.-I~
(
(

c
(
(
(
(

I
I
I
;J

304

305

!
i1

Somas

Causa de
G.L.
.
van.aao
Tratamentos

de

Quadrados

(
(

0\

o,..._

o
(X)

lf)

Resduo

12,43

776,10

28

Tratamentos

\0

8,16

.......

\0
\0

15. 931' 50

302,37

Produtos

--:r

(")
(")

N<"1

27,44
m,..,

lf)

2
R' (y )=16.707,6 0

R' (xy)=314,8 0 R'(x 2 )=35,6Q

Resduo

......

O'

r:.fl

(")

\0
......

NN

0\
lf)

0\(")

(")

r--

......

......

......

......

ctl

......

.w

Portanto:

(
(

SQ(Trat.+R esiduo)*

(
(

C1l
"O

[R'(xy)J2
R' (x2)
(314,80) 2
16.707,60
35,60

(I)

o
~
"O

c
(

13.923,92

.c
(
(
(
(

(
(

(
(

o,...

0..

r, p _o s:

,...

:>..

lf)
(")

r-

tr)

0'-J

"

~N

..;r N

.---1 ("")

...i

,...

"O

"'>o

<1l

Q)

1.324,33 '

......

1<1l

O Quadrado Medio

(ajustado)

.N

= 331,08 .

\0

......

Os clcul.os todos esto resul)lidos na tabela U>.2.1.


Note-se que
MT*
331' 08
F "'
0,709
s2
466,65

Ql

~
H

(X)

m
lf)
(")

......
(")

--:r

ooo

<tiN

e
o

:>..

....:l

"',.._

UI .......

lf)

......

"' "'

......

(X)

\0 r- 0\

o
,.._

'"

..;r

\0

f'-.

f""-..("')

lf)

......

.-... -::r co

c.?

\0

.......

.......

{j\

N
M

~-::r

C()

11

,...._
:xi
_,

lC'Il
0"
t1j
...i

n1

::l .w

"O (I)
h-l ::l
<ll .,..,

(I)

o
.u

>

Q)

~ g
o C1l"O
u .u ~.-4
o <U (I)

~~

(I)

(1j

rn

O'

).I

"O

111
.......

:l

Q)

...i

(X)

O'

(Cil

<ll

-:t
-:t

, j

Q)

13.923,92 - 12.599,59

QMT*

Lfl (''i (""')

"O

1324' 33
4

mcor--

r:.fl

SQ(Trat.+R esiduo)* - SQRes.*

c om 4 graus de liberdade.
para tratamento s :

\0

...........

Q)

"O
ctl

,.._

(X)"'~

::l
"ON

ctl

u
p

.w

"O
C1l

...i

(")

(I)

"O

onde o asteri s co indica que foi feito o ajustamen to rel ativo a regressao.
A Soma de Quadrados (ajustada) para Tratamento s se-

SQT*

'-?

(I)
(I)

.-l

Q)

..0
ctl

'"'~
.......
c::QE-<

.......

"'

.w
o
H

.u .w
C1l C1l

'"'

HH
'"'

r~~'JIH'i,,ll!;

>

:tt<o",; ~:;.--""'~~:!"'!'!-~."'--:o- -~-"'' ~' r --- -~~_......~r, . ,~: '

. . _.......

(
(
(

c
(
(

306

307

Verifica-se , poi s , que nao foi significativ o o efei


to de "tratamentos , mesmo com o uso da covarincia, embo:ra este tenha dado um valor de F mais elevado
do
que
se obteria sem sua aplicao (0,709, em lugar de 0,487).
As medias ajustadas(Y i) para os tratamentos so dadas pela frmula:

Como ao nl.vel de 5% de probabilidad e temos F ""2 71


verifica-se que no e significativ o o valor
observ~do:
Mesmo assim, como nao raro que produtos quimicos inter
firam bastante no nmero de plantas sobrevivente s,
de~
vem-se tomar com reserva os valores corrigidos, ate que
novos dados permitam comprov-lo s.

(
(
(
(

onde ~ e Yi so as mdias de X e de Y, respectivame nte,


do tratamento em q~esto, e X a mdia geral de X
(no
caso presente, X
8,075). Com isto, podemos
calcular
os dados da tabela seguinte.

Para comparar duas mdias de tratamentos ajustadas


devemos poder estimar a varincia da estimativa do co"(ltraste respectivo. Para um contraste

yl + c2 ?.2 + ... + cn yn
'
Ec. Y.
1
1
L:ci y,1 - b L:ci ex-1

C]

x)

Medias de Tratamentos

Ori g inais

(
(

c
(

temos

Tratamentos

Testemunha
Disyston
Ekatin
Keltane
Diazinon

Ajustadas

x.

Yi
52,250
55,125
59,125
64,000
52,750

7,37 5
8,625
7,750
8,250
8,375

y.1

Ycfi<~-x)
59,96
4 9, 06
62, 7l
62,07
4 9, 44

'1 (2)

52

52 = QMRes.
*

onde:

c
(
(
(

c
(
(

(
(

(
{

ex.

XJI ']

R(x 2 )

(46 6,6 5 no p re sent e cas o) .

No c as o de um contraste entre dua s mdi as

,, [+

sa :

Causa de variaao

e o teste de Tukey seria aplicado com o valor

Blocos
Tratamentos
Residuo

S.Q.

Q.M.

9,18
8,16

2,04

28

27,44

O test e t para o contraste s er 1a dado pela

expre~

?.. - ?..
t

1 '31

o, 9.8

ex.- x.)2
l
J

Mas o ajustamento das medias de tratamento s de a co rdo com os valores de X ("stand") s se justifica, em ge ral, se as . diferenas de "stand" no forem devidas
aos
prprios tratamentos. Isto se verifica atravs de
uma
anlise da varincia dos valores de X, como vemos a seguir.

G. L.

2 1 =Y. -Y . ,
1

(
(

[ L:: .

fi c a

['c~
--+
r

2,08

x x

Quando os valores de 1 , 2 , ,
no so muito
diferentes (o que se pode concluir quan~o os tratamentos
no produzem efeitos significativ os na varivel X), po-

(
(

308

de"""'se usar urna estimativa mdia para a varincia fJ (2 ),


1
aplicvel a qualquer contraste entre dois tratamentos. Es
sa estimativa media tem por expresso:

c
c

309

QMI' (x)
R(x 2 )

(
(

c
(
(

(
(

(
(

(
(
(

(
(

onde QMI'(x)

....m

16 3
I

c:u
.,....,

(/)

Tornaremos corno exemplo agora um inte~essante experimento de ARRUDA (1952), em blocos casualizados, em que
se compararam 21 variedades de soja para estudar sua susceptibilidade ao ataque de nernatoides. O terreno em que
se localizaram as parcelas era conhecido por sua elevada infestao de nernatides. Em cada parcela se coloca
rarn plantas da variedade Abura, bastante susceptivel
a
nernatides, cuja infestao X mediria a infestao do so
lo. Tanto as razes das variedades do ensaio como as da
variedade padro (Abura) tiveram sua infestao avaliada a olho com atribuio de notas de zero (s e m
ataque)
a cinco (com infestao severa).
Das variedades estudadas selecionamos 15, cujos dados constam da tabela 16.3.1. Nele Y a mdia das notas da variedade estudadas, e X a da variedade padro.
Como no caso anterior, comeamos por calcular a tabela seguinte.

o
o

<"'"\<"'"\lf"\<"'"\.-.N...;t<"'"\<"'"\N<"'"\ ...;tN<"'"\M

co"

(.)

......o

:>-o

N"'NN. .

Sornas de Quadrados e Produtos

(
(

Tratamentos

14

34,3187

-2,5062

3,2875

Reslduo

42

21,6230

6,6729

23,8542

Total

59

58,3031

6. 7126

30,3500

y2

xy

x2

2,3614

2,5458

3,2083

0\
,__.

lf)

"

("")

Q)
'1j

..0

....mo

-::r

o
o

:>-o

00V>Olf"'l0lf)00lf"\lf")0 lf)lf)lf)
lf"'ILt>NOr--.lf)r---Lt>Or---NO r---Nr--.
..-t.. N ... N .. ...:j... ~N"'("")"'C""')"' ,.......j_.. ......."'

lf"'IOLt>lf"IOOOOOuoOlf"I LIIOlf"l
Nlf)r---r---OOLI")uolf)r--.0N r---Or--.
............ "'
.................. . .
<"'"\<"'"\MNN...;tNNNNMM N<"1N

..... ,.

li)

(/)

.::
Q)
13

::l

(.)

OOOOu>OOOOu>OOOuouo
O O lf) uo r-.. C uo O O N O O lf\ r-- r--

"'

......

...

..

...

.--< M

...

C'J

...

Lr\

..

...

. ..

.--< -.::t M

... ... ...

M N

O
<"'"\

o"
...;!"

..0
X

OOOu>Ou>Ou>OOu>OOOo
0 0 lf) N L'l N LI") N lf) 0 r--. lf) li) 0 lf)

o
o
-::r
lf)

(.)

o
,__.

:>-o

O u>OtnOO lf'\lf\Olf"IOOlf'\00
ONuor--Olf)Nr--.or--LJiu >r--uoo

0 t/"1 0 0 0 0 0 Lr') 0 0 0 lf) lf) lf) l ' l


u>r---OOOlf'\Or-....OOn NNNN

o
o

.D

O
N

o
lf)

o
(.)
o
,__.

:>-o

OOOtnOOOtnOOOOOlf'\0
tnuoONOlf"'llf'\r--.Ouou>O Or--lf)

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

NM.-<.--'<"'"\NOMNNMr-<< "'"\.-.N

..0

Blocos

uolf)lf)OOuouoOuoOlf"'I OOuoo
r-- .N N 0 LI") N N V> N 0 N o 0 N lf"\
..--t.---4.---4.--t.--t.--t......-f.---t.---4.---t,..... ..-...---4rl.--t

........

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

.--1

+-l

Causa de
variaao

........

UTRO ExEI"lPLO

G.L.

1.1)

m.-....;rcoococor--.r---muom mr--.a>

2,04 no caso presente.

c
(

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

(/)

(
(

Olf"'llioOOOOOOlf"'llf"'IO Olf"'IO
O N N uo 1.1) uo O 0 O N N uo O N O

,__.

OOOOOOlf'\Ou>LnOOOOO
00000lf"'IN0NN00lf)00

... ... ...

..

... ...

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

("") -.;r ...;t <"'"\ ("") . ("") ...;!" ("") <"'"\ N

..

"

("") ("") <"'"\ <"1 -.::!"

. ..

r-<N("")-..;tlf)..,Or--.C00\0.-<C'l("")~lf)

.-. .-.

......

.-.

. ----

'
(

FiiT~"""'"=~--

(
(

310

J ll

Note-se que no caso ela Soma de Produtos para


mentos (SPT) obt~m-se um resultado negativo, pois

onde:

-2,5062 .

A estimativa do coeficiente de regressao

34,3187
-2,5062
3,2875

R' (y 2)
R' (xy)
R' (x 2)

sPT= 0/4) [<u, 7 5) (9 ,oo)+ ... + (13, 5o) c9, oo)J- 0/60)(198,00)(143,25)

+
+
+

55,9417
4,1667
27 '1417

21,6230
6,6729
23,8542

A Soma de Quadrados de Tratamentos, ajustada,

6,6729
23' 8542

corre-

(,

6,6729

1(23,8542)(21,6230)

0,2928 '

ao qual corresponde o valor

(
(
(

(
(

(
(
(

35,5458 '

com 14 graus de liberdade.


Os clculos todos estao resumidos na tabela 16.3.i.

= 55,3021 - 19,7563

SQT*

0,2797

Por sua vezi a estimativa do coeficiente de


lao

se-

r a:

o, 2928

l' 97 ,

h - (0,2928)2

21,6230 -

Y.

(6,6729)2
23,8542

19,7563 '

com 41 graus de liberdade.


Analogamente obtemos a Soma de Quadrados para 0 Residuo Con~icional (Tratamentos + Reslduo), ajustada para
a regressao:
R' (xy)
SQ (Trat. +Residuo) *
R' (y2) R' (x2)

(4, 1667) 2
55' 9417 27,1417
= 55' 3021.

Y. - b(X. -

onde X

onde 41 = 42 - l o numero de graus de liberdade de r.


Este_valor de t quase atinge o limite de significincia.
que e 2,02, para 41 graus de liberdade.
Mas a anlise
de covarincia pode ser feita independentemente da signi_
ficncia do valor de r obtido.
Obtemos a seguir a Soma de Quadrados do
Residuo,
ajustada para a regresso:
SQRes~ =

Note-se que houve aumento de efici~ncia com o


da covarincia, pois o Quadrado ~idio Residual, que
21,6230/42 = 0,5148 , foi reduzido a 0,4819 .
As mdias ajustadas (Yi) para tratamentos sao
das, como no caso anterior, pela frmula:

3,30

da-

6,6729

R ( xy)
R (x2)

x)

uso
era

O, 2797

23, 8542

Obtemos entao a t abe 1 a 16.3. 2.


No caso presente, como o leitor poder verific:ar, a
anlise da varincia aplicada aos valores de X no:s
J
F = 0,413 para o teste de tratamentos: n~o hi, pois,
o
menor indcio de significncia estatstica. Asslll sendo, e acompanhando COCHRAN (1957), podemos usar uma esti
mativa media para a varincia de contrastes 11 = y. - y~
1
J
entre duas rrtedias ajustadas de Y.
Ela sera:

'VCZl)

l +

'V(! )
l

[
X

0,4819
4

0,2433 .

(~) 1

QHT
R(x 2 )

[1

0,2348
23,8542

312

313

(
(

-lC

soja:

-1<

,.....

......

o
0"\

--'!"

M
U

0"\

(~

Tabela Lb.J.J. Mdia!; origi.na is e ajuslad as do Pnsao de

l::

..

co

O'

M<.las Jc tratame ntos


Tratame ntos
(Varied ades)

y.

(
(

,.....

.-<

......
Q)
.o

.u

Cll
"d

M
~

O'

,.....

CIJ
0"\

....:!

Cll

(.!)

Cll

. ,.;

,::::
(Cil

.,.;

'-'

Cll

:(
(

o:> .

Q)

"d

"'

"d
Cll

'-'

>.

(})

o
w

"d
Cll :::1
::l"d

C')

.-l
..j"

r--.

C')

r--.

C')

U
N

r--.

......
,.....

\()

NN~

..j"

12.
13.
14.
15.

'-'

rJl

Cll

so

\()

:>.

CIJ

....:l

..;j",.....
,...<CO

......

C')

r--

C')

~,....;

.-l

C')~

..
co

..

O\

N..;j",....;
MN

U
U

M..;j" N

0\

\()

(.!)

.,..,C1l
1-'
C1l

r')
~

.......
<11

......
Q)

.o
<11

o '"""'
(/)

rJl

::1

,....;

C1l

...,~~
~,..,

<11 (/)
H~

IX)~

1u12)

y.

- 5 <xi -x)
2,21
2,81
0,92
2,U
2 '74
2' 19
l' 93

4,23
L,75
2,39
3,81
2, 32
2,33
l,Sl

2,23

vCD

.u
::l

rJl

Toda difere na entre duas medias ajustad as superio r


a esse valor seri signifi cativa ao nive1 de 5%. Tal ocor
re, por exemplo , com o contras te

fJ) .,...,

,::::

Q)

"d

::l

~,..,

"'

...,o

:>

(/)

1,78

(.)o

<11

2,25

3,44
3 '31
3,81
3,25
2,88
3,06
3,56
3,38
3,31
3,00
3,31
3,50
3,00
3 '3 l
3,38

y.

5,10 /(l/2) 0,2433

1,81

Temos, pois, ao nlvel de 5% de probab ilidade :

..;j"

C')

M._;j"

......

2,25
2' 81
1,06
2,12
2,62
2,12
2,00
4,25
1,75
2.31
3' 81
2,38
2,25

-x--

......

Q)

.,.;

455
Choosen
Otootan
M. Yellow
482
675
Arksoy
Georgia n
Morro Agudo
Avar
P.Barre to
Acadian
Manloxi
581
Rio Grande

ao
Q)

11.

......

CO NO\
U ~ N
--'!" o r-U U ~

"d 114

C')

l'll

,. (

o
o
U

(})

lf\.-<

11"\ --'!"

C'l U N

rJl

l'll

.-1

OCO UI
NNCO

(})

"d

......

cor----r
C'J
~
Q)

C')

2.
3.
4.
5.
6.
7.
8.
9.
10.

11"\ U
11"\M

--'!"

(})

Cll

"d
Cll
"d

...... co

l.

o--r

Ajustad as

Origina is

Q)

Cll

P::'-'
.......
C1l
.j.J

.j.J

OI
,...

.u

<11
H

H~

2 1 ?a- ! 13 = 4,23- 2,33 = 1,90,


entre as varieda des Georga n e Man1ox i.

_..,,..,_ - .,.= ..

( , .

(
(

>

...,.

,.,~~,-

.,._.,.._~--~

.,,";-~""~~-~~-.;

-..-r

- "'"'""~~:~>~~~~::

314

315

..

AJ lL~rnativamcnLe, pot.lcrl.amos ter calu1l aJo o

exato

,, [+

(
(

0,4819

0,2438

(4
r-

O valor exato de

22

-e,

5,10 1(1/2) 0,2438

pOl.S,

1,78 .

Neste caso, pois, os dois valores coincidem, dentro


da aproximao utilizada.

(
(

(
(
(

(
(

(
(
(
(
(

(
(
(

(
(

16.4.

BIBLIOGRAFIA

ANDERSON, R.L. e T.A. Bancroft, 1952. Statstical Theory in Research. McGraw-Hill, Nova York.
ARRUDA, H.V., 1952. Analise de Urna Experincia Sobre Va
riedades deSoja. Bragantia, 12: 65-73.
CALZADA BENZA, J., 1964. Mtodos Estadisticos para la
Investigacn, 2? edio. Lima, Peru.
COCHRAN, W. G., 1957. Ana1ysis of Covarance: i ts Nature
and Uses. Biometrics, 13: 261-281.
CONAGIN, A., 1961. Prndpios de Tcnica
Experimental
e Anlise Estatistica de Experimentos.
Instituto
Agronmico, Campinas.
FEDERER, Walter T., 1955. Experimental Design.
Macmil
lan, Nova York.
MEMGRIA, J.M. Pompeu, 1960. Curso de Estatistica Aplica
da Pesquisa Cientifica. Universidade do
Cear-;
Fortaleza.
SMITH, H. Fairfield, 1957. Interpretation of
.i\djusted
Trea.tment Means and Regression in Analysis of Covariance. Biometrics, 13: 282-307.

SNEDi~COE, c;.~~.

e W. G. Cochran, 196 7. Statis ti cal Methods,


6a edio. Iowa State College Press, Ames, Iowa.
STEEL, R.G. e J.H. Torre, 1960. P~incples an~
Procedures of Statistics, 23 ediao, McGraw-HJ.ll, Nova
York.
ZELEN, Marvin, 1957. The Analysis of Covariance for In
complete B1ock Designs. Biometrics, 13: 309-332.

316

317

17 ANALISE CONJUNTA DE EXPERIMENTOS EM BLOCOS

AO ACASO COM ALGUNS TRATAMENTOS COMUNS

(
(
(

(
(
(

(
(

(
(
(
(
(
(
(
(
(

(
(

(
(
(

(
(
(

li zados, co m J repetie s, por exemplo. Para cada um de


les teremos, pois, o seguinte esquema de anlise da variancia.

17 1
I

GENERAUDAIES

No raro ocorrer, ao tentar a anlise conjunta de


experimen tos, que somente alguns tratamento s sejam
comuns a todos eles, ao passo que outros variam de um ensaio para outro. Isto no impede que a anlise conjunta seja realiz~da, mas traz, evidentem ente,a necessida de de utilizaao de mtodos adequados .
Por outro lado, quando temos um grande nmero de va
riedades, podemos repart-la s em grupos, aos quais
se
agregam variedade s-padres , mais important es ,
e
cada
grupo, assim completad o, utilizado em um en saio emblocos casualizad os. A anlise conjunta destes ensaios

relativame nte fcil, e correspond e ao uso de um ck lineamento em blocos incomplet os, de grande fle xib ilidade
e
eficinci a, muito mais simples, robust o e convenien te do
que os reticulado s quadrados e cbicos, mai s
antigos,
usados para fins similares e que devem ser abandonad os.

17. 2.

Causa de variao

G.L.

Blocos
Tratament os
Resduo

12

Total

38

24

O conjunto dos 4 ensaios correspond er a um


experimento em blocos incompleto s com v = 43 tratamento s (os
40 hbridos novos e as 3 variedade s ou hbridospa dres),
em bl o cos de k = l3 parcelas, com 3 repeties para
os
hbridos novos (chamados tratamento s regulares ).
Dados
dois tratamento s (i e j) o nmero de vezes que e les aparecem no mesmo bloco ser:
(i, j) = 3 '

quando forem do mesmo grupo (por exemplo, i

l,j=S);

:\ (i, j) =O,

EsQUEfv1A DA

ANAu sE

DA VAR I Nc I A

Suponhamo s que temos 40 hbridos novos de milho a


ensaiar, que desejamos comparar com trs variedade s
ou
hbridos j bem conhecido s, padres, A, B e C.
Podemos
repartir os hbridos novos em 4 grupos de 10,
digamos,
a cada um dos quais agregaremo s as variedade s A, B e C.
Obt e mos, pois, os grupos seguintes:

19
29
39
49

grupo:
grupo:
grupo:
grupo:

1,
11,
21,
21,

2,
12,
22,
32,

... '

... ,
-'
... '

..

10,
20,
30,
40,

A,
A,
A,
A,

B,
B,
B,
B,

c,
c,
c,
c,

Cada grupo dar origem a um ensaio em blocos casua-

quando f o rem de grupos di fe rent e s (por exemplo,


j = ll);

1,

( i' j) = 12 '

quando i e j indicarem tratamento s comuns (po1


i =A, J
B), ou ainda
(i, j)

exemplo,

3 ,

quando i um tratamento regular qualquer e j um trata


menta comum (por exemplo, i = 15, j = A).
A anlise conjunta obedeceria ao seguinte
esquema.

t;a:s~~~' ~' ~-,~e~~-,__._.,,," ""'~''"""<'' , ...,..,....,,_

,... ' """'~''"'""">''' """'' " '-

(
(

318

319

Causa de variaao

Experimento s (E)
Blocos dentro de Experimento s
Tratamentos (ajustados)
Interao Trat. Comuns x Experimentos
Resduo

Total

(
(

G. L.

3
8
42
6

96
155

(
(
(

(
(
(

(
(

Se tivssemos apenas um tratamento comum, a decomposiao dos graus de liberdade obedeceria ao esquema seguinte.
Causa de

var~aao

G.L.

Experimentos
Blocos dentro de Experimento s
Tratamentos (ajustados)
Resduo

3
8
40
80

Total

131

(
(

(
(

Neste caso nao h possibilidad e de e s timar a Interao Tratamentos Comuns x Experimento s.


No caso geral teramos g grupos, cada um com z tratamentos regulares e c tratamentos comuns, num total de
v= gz +c tratamentos. Cada grupo seria ensaiado em r
blocos de k = z + c parcelas. O esquema de anlis e para
cada experimento seria o seguinte.

..

Causa de varaao

Blocos
Tratamentos
Resduo

(
(
'

L_----

Experimentos
Blocos dentro de Experimentos
Tratamentos (ajustados)
Interaao Trat. Comuns x Exp.
Resduo

Total

G.L.

r - 1
c .- 1

(r-l)(z+c- 1)
(z +c) r -1

g - 1
g(r - 1)
gz + c - 1
(c- l)(g- 1)
g ( r - l)(z +c- 1)

Total

(z + c) gr - 1

As compar a -oes entre tratamentos seguem as


seguint es:

re gras

a. Contraste entre dois tratamentos regulares do


grupo:

mesmo

vem.

-!i.)

b. Contraste entre do i s tratamentos regulares de


diferentes:

vem. -m.)
J

grupos

2
r

c. Contraste e ntre dois tr at ame ntos comuns:

'V(rn. - rn.) = --2-- s 2


gr

d. Contraste entre um tratamento regular e um comum.


~

G. L.

'V(m. -rn.)

causa de variaao

(
(

A an~lise c onjunta, por sua vez, t eria o esq uema se


guinte.

!.c1
+! +.!.. -~)s 2
r
c
g
cg

As estimativas das mdias de tratamentos se


das maneiras seguintes:
a. Para os tratamentos comuns: mdia aritmtica dos
dos respectivoa , sem nenhum ajuste.

obtm

da-

..............""lii'"'~----.1~
. ,......
. . . . .,. ,...~-~" "~~~:" ,...,.,~.-"~

Ft(~-

_,_,___..,..,..,,,'"'P.,<"'''

320

321

II

1>. Para os tratamentos regulares: mdia ari Lmi~Lica


do .
dados respectivos, da qual se subtrai uma corre~o ~
que se calcula assim:

til

rn

Mdia dos tratamentos comuns no experimento


respectivo - Mdia geral dos tratamentos
comuns.

()

w..o

(
(

(
(

c
(
(

(
(

..0

Q)

...........

o
......

17, 3, l.M

o
o

C\l 0
W.--<

(')

<J)

Cllr-1

lal
P.
r/)

CX)

o
o

Q)

....

til

til
~

(V) " ' \D " ' (')


00000

ExErvJ>LO
CX)

Tomaremos como exemplo um grupo de dois experimentos com espcies de eucaliptos realizados pela Companhia
P~ulista de Estradas de Ferro (PIMENTEL GOMES e
GUIMARAES, 1958). Ambos os ensaios, localizados lado a lado
no c~mpo, tinham lO espcies, em 5 blocos casualizados.
Uma unica espcie (Euc.cd.yp-tt..L .aLlgvta) ocorria em ambos
os exper~m:ntos. Os dados sobre a ~roduo de lenha, em
metros cub~cos por parcela de 200 m , foram obtidos por
corte aos 8 anos de idade, e so reproduzidos na Tabela

17.3.1.

\D

CX)

(V)

L()

CX)

0\ L() N

'-0 N

1/')
[/J

o
()
~

.o

l;j
()
[/J

As anlises dos dois experimentos em blocos ,-:asualizados, feitas da maneira usual, so dadas a seguir.

- 19 experimento

8
8

<J.)

lf)

(J)

(
(
(

(
(

Causa de variaao
Blocos
Tratamentos
Resduo

G.L.

S.Q.

Q.M.

co

9
36

2,31
85' 13
11,86

Q)

9,459
0,330

2 8 ' 6-6 i"''

"'o

Total

49

"'o

99,30

P-o

- 29 experimento

l()

lf)

-.::t --.:::t

--:::r

lf] .....: t

Cll

Lr)

...._1"

I f)

o-l I()

\D

t.f) ....j

r-I ~

.......

Blocos
Tratamentos
Resduo

j6

Total

49

G.L.

S.Q.

Q.M.

(")

4
9

4,56
108,22
27,78
140,56

<1l

(I)

()

r--.
.-4

CQ ['-.li') LI')

0..

.. c

()o

::J

Causa de variaao

1<1l

::l

o o o o o
o o () C) o
o o o o o

Q)

C1!

12,025
o, 772

15 ,58>'<1<

......
<I)

r-I r-I r-l r-I ......

O
~

..0..0.0..0..0
O O O O O

r-INC"'l-.:lllf'l

Q)

.w

"' oQ)
.~ ~
Cll

.w.
C1!

o ,...

.w

o o o o o
() () (.)
()
o o o o o

()

.--<..-lr-1.--<.--<

..O.O,.C\..0..0
O O O O O

,..... N

(V)

-<!' I()

('.)

' ,. . . ... ,,..,


,~ r--

322

323

Antes Jc In<.ls nada, verific a-se qtJe t>s <[!ladrados


dias residua is (0,330 e 0,772) Ji.t:trt:m pouco,d entro
critri os explica dos no Captul o 8. Podemo s, pois, ela
borar a anlise conjunt a que ter o esquema seguint e.

Causa de

(
(

car~aao

G.L.

S.Q.

Experim entos
Blocos dentro de Experim entos
Tratame ntos (ajusta dos)
Resduo

1
8
18
72

21,53
2,31+4, 56 = 6r87
Por subtra o
11,86+2 7,78 = 39,64

Total

99

261,39

variaa-o
Experim entos
Blocos dentro de Exper.
Tratame ntos (aj.)
Resduo

21,53
6 '87
19 3' 35
39,64

72

25,4
5

21,53
0,86
10,74
19 ,51''"''
0,5506

K1

Neste quadro, a Soma de Quadrad os Total se


da maneira usual, corno se ve a seguir:

SQTotal

corrigi das

25,4 + 24,2
10

+ (3,0)

+ ... + (0,2)

1551,64 - 1290,25

0,12

obtem

para o primeir o experim ento e,

L:x 2 - C

(5,3)

Kz

(202,8+ 156,4) 2
100

A Soma de Quadrad os dos Experim entos se obtm a


tir dos totais respect ivos, assim:

(
(

pa~

21,53 .

A Soma de Quadrad os de Tratame ntos (ajusta dos)


ra portant o:

SQT(aj .)

c
(
I

(
\

se-

pois

seguint e

analise

'VCY1)

(2/5)(0 ,5506)

0,220 ,

e a diferen a mnima signifi cativa, ao nvel de 5% depr~


habilid ade, pelo teste de Tukey ser:

261,39 - (21,53 + 6,87 + 39,64)


193,35.

Obtemos ,
ci.a.

para o segundo experim ento.


As mdias de tratame ntos sao, pois, as da
Tabela
17.3.1.
Para um contras te Y 1 entre dois tratame ntos regulares do me s mo p;rupo (o 6 e o 3, por exemplo ), teremos :

(202,8)25~ (156,4) 2 - 1290,25

SQExpe rirnento s

24,2
25,4 + 24,2
5
10
4,84 - 4,96
-0,12 ,

261,39 .

1
8
18

Q.M.

5,08 - 4,96

S.Q.

As mdias de tratame ntos regular es sao


pela subtra o de um ajuste que e:

G.L.

5 16/ 0 220 ,: 1 71
'
2
. '
da

varin-

onde o valor de q = 5,16 corresp onde a 19 tratame ntos e


72 graus de liberda de. A estima tiva do contras te
em
questo ?. = 5,34 '- 2,12 = 3,22, o .que mostra que se

~.:'!.~!';j)~f'"l,..,.,..,__:~ """"'~ ....... ~.~--~-~~~)"''>-.:t;,.'-.:.~~;1"1"'>!'1fl'~ ,-:,.-, ;; ."'~~-~-~,._,_....,.r,;a"'!~,." ' !' ' "' ,"'"'r~,.-> :u:i\-!t'"'~"'Ji/!'1'.~'.' 1 ~~t:~~ : l ;

I(

'

(
(

324

trata de cont~aste significativo ao nrvel de 5% de


babilidade.

325

(
(

Finalmente, para um contraste Y3 entre o


tratamen
to comum e um tratamento regular (o l e o 4, por
exemplo), teremos:

Tabela 17.3.1. Mdias ajustadas dos tratamentos.

f.J(? 3)

(
(

(
(

(
(
(

(
(

Tratamentes
1 (comum)
2
3
4
5
6
7
8
9
10

Mdias
n'ao
ajustadas
4, 96
3,10
5,32
3,98
3,62
5,46
2,70
2,24
2,84
6,22

Mdias
Mdias
Mdias
Trataajusnao
ajusmentos
ta das
ajustadas ta das
4,96
2,98
5,20
3,86
3,50
5' 34
2,58
2,12
2, 72
6,10

4,70
4,56
4,02
4,00
2,92
2' 74
1' 72
1,36
0,42

11

12
13

14
15
16
17
18
19

4,82
4,68
4,14
4,12
3,04
2,86
1' 84
1,48
0,54

(
(
(

Para um contraste Y2 entre dois tratamentos regula


res de grupos diferentes (o 6 e o 16, por exemplo), te=
remos:

V(Y z)

(
(
(

0,440
logo

t-.

(
(

(
(
(
(

2
(1 + !)s2
c
r
2
0,5506
-5- (1 + 1:_)
1

= 5,16

'

;o,i40

= 2,42 .

A estimativa do contraste em questao nos d:


?2

5,34 - 2,86

= 2,48

'

o que mostra que tambm e ste contraste significativo.

1
r

(1 +

1
5

.
1
(1 + - + 1
1
2

1
g

_1_)
cg

92

_1_) 0,5506

0,440
logo,

5 16

/,440

v~

2,42 .

A estimativa do contraste e:

y3 = 4,96 - 3,86 = 1,10 '


resultado que no significativo.
Uma grande vantagem deste tipo de delineamento a
sua robustez. Com efeito, nele, a pe rda de tr a tamento s
nao traz dificuldades. Por exemplo, se no 29 experimento se tivessem perdido as espcies 18 e 19, a ~nica diferena seria que esse experimento teria 8 tratamentos,
em vez de 10, e a anlise seria feita da maneira explic~
da para o caso geral. _Como c?nsequncia, os grupos
de
tratamentos r eg ularefnao prec 1s amt er omesmo tamanho. Poderamos, de incio, considerar no prime~ro grupo 1~ tra
tamentos regulares,e 7 no segundo. Mas e
conven1ente
que esse nmero no seja excessivamente discr epante para que os blocos tenham todos_-tamanhos similares.
Uma [lL'rda ~ ria seria, porem , a do tr<Itamcnt.o C< lHHlm, se
for nico, pois ento a analise conjunta j no
seria
possvel. Por isto, convm usar pelo ~enos 2 .:ra~amen
tos comuns. E assim se consegue reduz~r a var~anc~a re1ati va ao contr<1ste entre mdias de tratamentos regulares
de grupos distintos. Por exemplo, se tivssemos, no caso presente, duas espcies comuns (c = 2) a
variincia
que mencionamos seria:

~~~t'!..,......,~ ~ '1'-"H1-""f~~--.. ~- ~...-~~ ~-!'1<"> .,..~.--~t~\J<~-~-............ f~~~"''-''''~'l:;.""'!f.~~' -~ ' "~-~~- -' 1<"
~0::""W"'"l1~~:~1, .... ~-- -

326

327
2

r
2

--5

(
(

(
(

(
(

17 4 UM

(
(

(
(
(

(
(
(
(

(
(

(
(
(
(

Veremos agora o caso, bem mais complexo, de um grupo de ensaios com nmeros diferentes de blocos.
Tomare
mos como exemplo um grupo de dois ensaios com variedades
de cana-de-acar, realizado, na Argentina, por G. Kenning Voss. Os dados em apreo, reproduzidos na
Tabela
17.4.1, se referem a um ensaio com 7 variedades de cana,
com 3 repeties, e outro com 8 variedades e 4
repeties. Havia 4 variedades comuns: CP 34-120, NA 56-30,
NA 56-79, Tuc 5619.
As anlises dois dois experimentos, em blocos casua
lizados, feitas da maneira usual, so reproduzidas a seguir.
- 19 experimento

G.L.

S.Q.

Blocos
Tratamentos
Resduo

12

65,44
4.628,97
1.123' 04

Total

20

5.817,45

2
6

Q.M.
771,50
93,59

8,24>'dc

Q.M.

S.Q.

.Blocos
Tratamentos
Resduo

3
7
21

933' 70
6.664,33
1. 770, Q()

Total

31

9.368,03

11, 30,'<>'<

952,05
84,28

Tabela 17.4 .1. Exoerimentos de compet io de


de cana-de-acar.

variedades

- 19 experimento
Blocos

Tratamentos

CP 34-120

Totais de
tratamentos

III

li

46,6
61,1
74,2
50,2
40,3
37,5
69,6

45,7
72,1
74,3
37,3
38,7
40,1
61,0

49,6
51,3
100,7
66,1
35 '1
36,9
59,3

379 ,5

369,2

399 ,o

NA 56-30
NA 56-79
Tu c 5619

ExEMPLO ~lA I s CoMPLEXO

Causa de variaao

c;. L.

causa de var1aao

2) 0,5506

em vez de 0,440. Teramos, pois, ma1or preciso


nesse
tipo de comparao.
A perda de blocos traz alguma dificuldade, mas
ser resolvida pelo mtodo indicado na seo 17.4.
A perda de parcelas, que no implique na perda total de um tratamento ou bloco,se resolve facilmente: bas
ta aplicar no experimento respectivo o mtodo
relativ
aos blocos casualizados (captulo 5).
Saliente-se que, ao contrrio do delineamento
em
blocos casualizados com alguns tratamentos comuns, os re
ticulados quadrados, cbicos e retangulares so complet
mente destrudos pela perda de tratamentos ou de blocos~

(l +

- 2<! experimento

c
1

0,330

(
(

l
'
(l + -)s

CP 44-101
NA 56-35
NA 56-68

141,9
184,5
249,2
153' b
114,1
114,5
189,9

1.14 7,7

- 29 experimento
....

Tratamentos

1\ I Ul~l)S

l[

lll

{v

'l'cltai s ele
t

1-

a t ame l1 tos
--

.-.

CP 34-120
NA 56~Jo
NA 56-79
Tu c 5619
NA '56-62
NA 59-17
NA 59-44
NA 59-60

55,2
62,7
63,4
62,0
59,5
73,2
47,6

51,2
83,0
81,7
69,1
72,9
83,0
98,6
37,7

48,0
75,1
l 10,3
77,9
81,6
132,9
81,0
42,3

62,0
69,5
98,0
74,6
77,5
89.,8
85,9
42,8

:216,4
290,3
353,4
283,6
303,0
- 315,2
338,7
170,4

49ll, 6

5 77,1

599,1

600,1

2. 271 ,o

71,0

328
329

Para a anlise conjunta temos:

SQTotal

C
68.541,99 + 170.538,06 - 220.519,05
18.561,00

(
(

SQBlocos
SQResduo

SQTrat.(aj.)

1.123,04 + 1,770,00
2.893,04.

(
(
(

Resta-nos obter a Soma de Quadrados da InteraoTra


tamentos Comuns x Experimento s, o que se consegue atra~
vs da Tabela 17.4.2.

(
(

(
(

Tratamentos
comuns

19 experimento
(3 repeties)

CP 34-120
NA 56-30
NA 56-79
Tu c 561 9

141,9
184,5
249 ,2
153,6

29 experimento
Totais de
(4 r e petie s ) tratamentos

(3)

216,4
290,3
353,4
283,6

(3)
(3)
(3)

729 ,2 (12 )

(4)
(4)
(4)
(4)

358,3
4 74 ,8
602 ,6
437 ' 2

1.143, 7 ( 16)

(7)
( 7)
(7)
(7)

SQ Exp .

(
(
(

(1 / 12)(729, 2) 2 + (1/16)(1143, 7) 2 - ( 1/28) (1872 , 9) 2


126.064,15 - 125.276,94
787,21 ,

(358,3) 2 + ... + (437,2)


7

SQTrat . Comuns

SQ Trat.Comuns e Exp.

(216,4)

(141,9)

+ .. + (283,6) 2 _

(153,6) 2

+ .. +

(1872,9)

28

4.374,66
11.077,83
215,47
2 . 89 3 , 04

To tal

18 .561,00

52

1.107,78
71, 82
87, 67

12,64>'<
0,819

SQ Experimentos + SQ Blocos d. Expe rimentos,

com l e 5 gr aus de liberdade, respectivame nte.


As mPdias de trat amentos regulares so
pela s ubtrao de um ajuste que e:

729,2
12
+

1.872,9
28

- 6 ,12

para o primeiro experimento, e

5.452,10

1.143' 7
16
4,59
para o segundo experimento.
Kz =

finalmente~

Q. H.

S.Q.

desne c e ssrio.

(1 872,9 ) 2
28

~~~~--~~--~--~~-

G.L.

Bl ocos
6
Tratamentos (aj.)
10
Int. Trat. Com. x Exp. 3
Resduo
33

SQ Bl oco s

(
e

- Anlise conjunta

4.449,42 ,

Podemos, pois, organizar o quadro de anlise deva


rincia conjunta dos dois experimentos , dado a seguir.

Ta l c omo no exempl o de 1 7 .3, a Soma de Quadr a dos de


Bl ocos poderia ser repartida assim:

1.8 72 , 9 (28)

(
(

18.561,00-(4 .374,66+2.89 3,04+215,47 )


"" 11.077 ,83.

. Causa de v ar1aao

Tabela 17.4.2. Totais referentes aos tratamentos comuns.

(
(

5.452,10-78 7,21-4 . 449,42


215,47 .

As sim sendo, obtemos tambm a

(1/7)(439.52 9,89)+(1/8) (1.296.829, 82)- C


4.374,66 '

=
=

(
(

SQ 'l'rat.Comuns "' Exp.

Ix 2 -

,:

..

1.872,9
28

Mas isto
corrigidas

(
(
(
(

330

331
ondl' o valor Je q = ~,f3B corrc:sponde a n = ll tratamentos e n' = 33 graus de liberdade.

A diferena estimada, ? = 44,15 - 69,42 =


-25,27,
quase atinge o nvel de significncia.
Para o caso de dois tratamentos regulares do segundo grupo e, portanto, do 29 experimento, teramos:

1\.s mdias de traL11ncntos sao, po1s, ;!s da

17.4. 3.

(
(

Tabela 17.4.3. Mdias ajustadas dos tratamentos.

(
(

- aju~
Mdias nao
tadas ( t /h a)

Variedades

(
(

(
(

(
(

c
(
(

CP 34-120 (comum)

51,18
67,83
86,08
62,46
38,03
38, l7
63,30
75,75
78,80
84,68
42,60

NA 56-30 (comum)
NA 56-79 (comum)
Tuc 5619 (comum)
CP 44-101
NA 56-35
NA 56-68
NA 56-62
NA 59-17
NA 59-44
NA 59-60

51,18
67,83
86,08
62,46
44,15
44,29
69,42
71,16
74,21
80,09
38,01

43,84

\1(ffi. - ffi.> - --- 87,67


4
l.
J

Mdias ajustadas
( t/ha)

= 4,88 /(l/2) 43,84

22,84

b) Contraste entre dois tratamentos regulares de grupos


diferentes (variedades CP 44-101 e NA 59-44, por exem
plo). Temos:
\1(ffi.

(1 +

ffi.)

l.

~)
c

onde r. e r. so os nmeros de repeties dos experimentos on.e aprecem os tratamentos 1. e J, respectivamente.


No caso presente obtemos:
\1Cffii- ffij>

As comparaoes entre tratamentos caem num dos casos


seguintes.

~)

c1 + t><1 +

6 = 4,88 /(1/2) 63,93

87,67

63,93 ,

= 27,57 .

(
(

a) Contraste entre dois tratamentos regulares do


grupo (as variedades CP 44-101 e NA 56-68, por
plo). Temos:

(
(

(
(

(
(
(
(
(
(

\1cffi. - ffi.>
l.

em que
pauta,
repeti-

= 58,45

o que nos mostra ser ele significativo ao nvel


de probabilidade.

4,88

vTf72) 58,45

":' 26,35 ,

de

5%

c) Contraste entre dois tratamentos comuns (NA 56-79


NA 56-30, por exemplo).

Temos:
\1cffi. - ffi.> = b2

e a diferena mnima mnima significativa pelo mtodo de


Tukey, ao nvel de 5% de probabilidade, e:
6

? = 44,15 - 80,09 = -35,94 ,

rl. s '

87,67

Para o contraste entre as variedades CP 44-101


NA 59-44, a estimativa obtida e:

onde ri o nGmero de repeti~es do experimento


aparecem os referidos tratamentos. No caso em
e~es
ocorrem no 19 experimento, onde temos 3
oes, logo:
2
\1cffii- ffij> = ---3

mesmo
exem-

l.

onde b

indica

numero

s2

total

de

blocos

de

todos

332

os experimentos analisados
presente obtemos:

333

'~ <ili i - ili j

>

= ---:::-3-+-;4-

conjuntamen te.
87.67

V. 5. UMA. DI FI CULDAIE

No c aso

No exemplo da seo 17.4 no houve o menor indcio


de existncia da Interao Tratamentos Comuns x Experimentos. Isto indica que os tratamentos comuns se compor
taro mais ou menos do mesmo modo em todos os ensaios,

que sugere que ocorra o mesmo com os tratamentos regulares. Tal fato dever dar-se quando os experimentos todos se realizarem lado a lado, numa mesma rea, ou
em
condies mais ou menos semelhantes, embora em localida
des distintas. Porm se, ao contrrio, os
experimentos forem feitos em condies ecolgicas diferentes, poder surgir uma Interao Tratamentos Comuns x Experirnen
tos significativ a, o que demonstrar comportament om dis=
tinto das variedades comuns nos diversos locais. Em tal
caso, a situaao se torna um tanto complexa. Mas um pro
cedimento indicado ser, sem dvida, o de tomar para re=
sduo o quadrado mdio da Interaao Tratamentos
Comuns
x Experimentos para a comparao de tratamentos
regulares de grupos diferentes.

25,05 '

(
t-..

4,88 /(l/2) 25,05

86,08 - 67,83

= 17,27

(
(

(
(
(

= 18~25

o contraste em pauta e, pois, significativ o ao


vel de 5% de probabilidad e.

n-

d) Contraste entre um tratamento regular e um comum (variedade NA 56-62 e CP 34-120, por exemplo). Temos:

vem. - m.)
J

1
ri

= [----

c1 + ~>
c

1
b

c
(

onde r. o nmero de repeties do tratamento regular,


e b o~nmero total de blocos de todos os
experimentos
ou, em outras palavras, o numero de repeties d0s tra
tamentos comuns. No caso presente temos:

(
(

vem.

m.)

[ _31 (1-+--41)

l
(1 1)
3+4
-4

J 87 ' 07/

QUE PoDE OcoRRER

17' 6

ExERcf CIO

(17.6.1 )
45,92 '

Analisar os dados da Tabela 17.3.1,


a perda das espc i es 18 e 19.

admitindo

6 = 4,88 1 (1/2) 45,92

(
(

17.7.

23,38

? = 71,16 - 51,18 = 19,98

(
(

(
(
(
(

(
(

logo o contraste em questao no significativ o.


Se o tratamento regular fosse do segundo grupo
(e
nao do primeiro, como no exemplo anterior), teramos:

vem. - m.J > =


~

= 4,88

[i

(li-) +

1(1/2) 36.79

l
3+4 (1

-i>

"' 20,93

87,67

36,79
' ;:'

BIBLIOGRAFIA

PAVATE, M.V., 1961. Combined Analysis of Balanced


Incomplete Block Designs with Some Common Treatments.
Biometrics 17: lll-119.
PIMENTEL GOMES, F. e R.F. Guimares, 1958. Joint Analysis of Experiments in Complete Randomised
Blocks
with Some Common Trea tments. Biometrics. 14: 521-526.
PIMENTEL GOMES, F., 1970. An Ext~nsion of the
Method
of Joint Analysis of Experiments in Complete Randomised Blocks. Biometrics 26: 331-336.
YATES, F., 1936, A New Method of Arranging
Variety
Trials Involving a Large Number of Varieties.
J.
Agr. Sei. 26: 424-455.

~~~-"'''r~- ,~..-:',.. ..1*,... ..,.~------ ..- -..... .. ....., .. . .-..no.,._, ,,..'"'""''"'"''" '''"'~ ~,...~... ~ '""'""...,.~""''~f
" .,...~..........,., ,_!,... " ') ~ ' ""~''"''

334

335

c
(
(

Tabela 1 ~5.2 .1.

Dados de pcudu<;.ao de milho, em kg/ha,


de
um ensaio fatorial 3xJo<3 com N,P ,K (grupo W) e 5
tratamentos adicionais .

18. EXPERIMENTOS FATORIAIS COM TRATAMENTOS


ADICIONAIS

19 bloco

(
(
(

(
(

18.1. GENERALIDADES
Os experimentos fatoriais, especialmente
os de
3 x 3 x 3 com confundimento de 2 graus de liberdade da
interao tripla, tm tido uso generalizado na
experimentao agrcola. Has podem tornar-se muito mais teis
e muito mais flexveis atravs do uso de parcelas
adicionais, em que se ensaiem outras combinaes de tratamentos, sem complicar excessivamente a anlise.
Esta
prtica, de introduo relativamente recente na experimentao, vem-se difundindo rapidamente, com excelentes
resultados.

(
(

(
(

c
(

(
(
(

(
(

(
(
(

(
(

c
~-------------

18 2. lJM
I

ExEMPLO

Tomaremos como exemplo um ensaio de adubao de milho, fatorial de 3 x 3 x 3 com N, P e K, com confundimen
t o de dois graus de liberdade da interao tripla (gru=
po W). A cada um dos trs blocos de 9 parcelas
juntaram-se 5 tratamentos adicionais, a saber:
000
111
111 + calcrio (C)
111 + micronutrientes (M)
111 + micronutrientes + calcrio
Assim, cada bloco ficou com 14 parcelas, 9 do fatorial e 5 dos tratamentos adicionais. Os dados
obtidos
constam da Tabela 18.2.1. A anlise estatstica, feita
separadamente para o fatorial 3 x 3 x 3, deu os
resultados seguintes.

2<J

bloco

39 bloco

000
012
021
101
110
122
202
211
220

981
1216
1183
1213
1028
15 74
1111
1333
1775

001
010
022
102
111
120
200
212
221

1213
1510
901
1404
1602
1214
1221
1604
1593

002
Oll
020
100
112
121
201
210
222

o (/)
"M
c ctl 000
Q) c
111
@
-~
lll+C
.w C)
cO .-< lll+M
H '"O
f-< ctl 11l+M+C

1290
131 4
1296
1237
1324

ooc

1039

000
947
111
1178
ll1+C
94 7
lll+M 1041
l11+H+C 949

r-<
cO
M

.w

cO

808
942
998
1327
1019
1401
1120
1444
1343

C/J

.W

Causa de variaao

n:

80

lll+C 1324
lll+M 1333
111 -tt<l+C lO 79

G.L.

s .Q.

Q.H.

45.284

Nitrognio (N)
Potssio (P)
Potssio (K)
Interao N' X P'
Interao N' X K'
Interao p' X K'
Blocos
Resduo

1
1
l
2
15

487.138
165.881
17.5 74
115.837
6.165
114
211.352
679.258

Total

26

1.683. 319

2
2
2

Por sua vez, os tratam~ntos adicionais deram a analise seguinte, feita para eles ~eparadamente.

'' ' . . .:... '-~,..;.-1 - 1"':... - ~ 1 ~ '1 > ;-~ ._ .. ,,. ,,.. .--. ,...,_. -.:-}-: ,...... _.,.'
'

..

. .

--~

..

~ -----

___

(
\

336

337

Causa de variao

Tratamentos
Blocos
Resduo

(
(

Total

G.L.

Esti c laru qu e podemos desdobrar os graus de lib e rdade relativos a tratamentos adicionais, para melhor es
tudar os c ontrastes a includos.

S.Q.

Q.M.

2
8

47.326
208.246
282.664

35.333

14

538.236

18.3.

(
(

Il

Verifica-se que so similares os quadrados


mdios
dos resduos. Podemos, pois, obter um resduo
comum,
com 15 + 8 = 23 graus de liberdade, para o qual teremos:

QMResduo

6 79, 258 + 282.664


23
41.823 .

(
A analise conjunta da, po is, os resultados

(
(

s eguiu-

tes.

(
(
\

(
(
(

(
(

(
(

(
(
(

(
(

Causa de varia o
Nitrognio linear (N')
Nitrogni o quadrtico (N")
Fsforo linear (P' )
Fsforo quadradito (P")
Potssio linear (K')
Potssio quadrtico (K")
Interao N' x P'
Interao N' x K'
Interao P' x K'
Tratamentos adicionais
Resduo

G.L.

S.Q .

461.440
25.698
139.392
26.489
10.177
7.397
115.837
6.165
114
47 . 326
961.922

l
l
l

1
l

.1
1
1
4
23

Q. M.
461.440
25.698
139. 392
26.489
10.177
7.397
115.837
6.165
114
11.831
41.823

11. 03**

0,614
3,33
0,633
0.243
o, 177
2. 77
0,147
0,003
0,283

Pelos resultados dessa anlise da varincia se verifica que ha um efeito linear signiti~ativo para o
nitrognio.

(
{ --------------

..

-~

BIBLIOGRAFIA

HEALY, M.J.R., 1956. The Analyss of a Factoral Experiment with Additional Treatments. Journal Agric.
Science 47: 205-206.

338
(

339

(
/

(
(
(

(
(

(
(

c
(
(
(

(
(
(

(
(

19. A ANALISE DA VARINCIA MULTIDIMENSION


AL

19.1.

GENERALIDADES

Nos exp erim ento s mai s com uns, cad


a par cela forn ece
o val or de uma s var iv el, a ser
estu dad a pelo s mt odo s
est ats tico s trad icio nai s. Mas
h caso s em que cada par
cela do exp erim ento nos da obse
rva es rela tiva s a dua s
ou mai s var iv eis, a sere m ana
lisa das . Tal oco rre, por
exem plo, nos ens aios de con sorc
ia o. Se o
con sr cio
for de milh o e feij o, por exem
plo, cada par cela
dar
uma prod uo de milh o (Xl) e out
ra de feij o (Xz ). Pod emos faze r dua s an lise s sep arad
as: uma par a as prod u es
de milh o (va lore s de X1), out ra
para as de feij o (va lores de X2) . Se ess as var iv eis
foss em inde pen den tes entre si essa s an lise s sep arad as
reso lver iam per feit ame nte o prob lem a. Has o mai s comu
m que , tal como na con sorc ia o de milh o com feij o,
haj a est reit a corr~lao
ent re ela s. E
exa tam ente no caso de hav er cor
rela o
(po siti va ou neg ativ a) que se reco
men da a an lise mu ltidim ens iona l, que con side ra sim ulta
nea men te toda s a s variv eis que nos inte ress em.
Um out ro exem plo ser ia um ens aio
de com peti o
de
cul tiva res de bat atin ha, em que
a prod uo de cada parc e
la apa rece rep arti da em vr ias
cate gor ias: bat atas gran =
des , med ias, peq uen as e refu go,
s qua is cab eria m 4 variv eis: Xl> X2, X3, X4. Uma solu
o a tran sfon na o
em din heir o, por meio de uma fun
o line ar

(
(

c
c
(
(
(
(

cujo s coe fici ent es indi cam o pre


o rela tivo de cad a cate
gor ia. Os .val ore s de Y par a cad
a par cela so , a seg uir- ;
ana lisa dos . Mas o mt odo ger al
de an lise , nes se e nos
caso s an logo s, a an lise da
var in cia mul tidi men sional ou mu ltiv aria da, isto , a
an lise da v~rincia apl i
cad a sim ulta nea men te a toda s as
var iv eis que poss am in=
tere ssa r. A fun o Y vis ta acim
a, que enc ara o asp ecto

~con~mi~o, pod~ ser . dep ois asso ciad


da
a a essa an~lise
ari nci a da man eira que vamos exp
or.
_ _
v
A an lise da var in cia multidim
ensio~al_e metodob~~
tant e prom isso r que , com bina do_
a v~tras tecn1ca~ da Ana lise Mul tid men sion al (ou Mult~va:
lada),. se esta to:n~n
do cad a vez mai s comum. Cont~1bu
1 pa~a.lsto a. fac; l1d a
de cada vez mai or da com puta ao
eletr~n~ca, po1 s _so. com
com puta dor pos sve l apl icar com
fac1l~dade as tecn 1ca s
da An lise Mul tidi men sion al que
,_sa lvo no caso de apen as
duas ou trs var iv eis, exig em
calc ula s trab alho sos e de
mor .ido s.

19 .2 . UM

ENsA w INT E1RAMENTE CAs UALI ZAOO


Tomaremos como exem plo um ens aio
de Eer tiliz a o, em
vas os, inte iram ente cas uali zad o,
com 3 trata~entos
(1.
Tes tem unh a; 2. Tur fa ferm enta da;
3. Tur fa natur~l) e com
5 rep eti es . Det erm inar am- se
nas pla nta s colh~das
os
teor es de N e de P, que con stam
da tab ela 19. 2.1 .
~ara
ana lisa r e s ses dad os, comeamos
por
no cap tul o 4, as Somas de Qua drad calc ula r, como vlm os
os Tot al (SQ Tota l) para x (teo r de N) e para x (teo
r de P), exa tam ente como
1
2
fize mos no cap tul o 4. Temos:
Gl

;::x

= 4,63

4 , 38

+ . + 4,56 = 76, 95, .~


=15 ,
zxf = (4,6 3) 2 + (4,3 8) 7 + ... +
2
(4,5 6) =40 2,45 91 ,

SQT otal (Xl)

l~xi

( l: X_l2)
~

402 ,459 1 -

c2
l:X~

= ~x
=

2 = o,95

(0,95)~

(76,95) "~

15

o,89 + .. + 0,91

7,70 56

= 14,9 9 ,

+ (0,8 9) 2 + .. + (0.,9 1) 2 = 15,1


729 ,

SQT otal (X2)


15, 172 9-

(14, 99) 2
15

0.19 29 .

(
(

340

341

Ta bel.a

I <J 2 L T ,~l> 1-v s de N C\ : )


adubada s em vasos.

d v I' (X , )

L'

L:l il

pl. ~ tnta

8
!1 "'

2. rurfa fermentada

1. Testemunha

xl

Xz

xl

Xz

xl

Xz

4,63
4,38
4,94
4,96
4,48

0,95
0,89
1,01
1,23
0,94

6,03
5,96
6,16
6,33
6,08

1,08
1,05
1,08
1,19
1,08

4. 71
4' 81
4,49
4,43
4,56

0,96
0,93
o. 87
0,82
0,91

23,39

5,02

30,56

5,48

23,00

4,49

3. Tttrfa natural

(
(

(
(

21

-2]

15

108

tem duas linhas e trs colunas. A primeira linha . formada pelos nmeros 10, 15, -2, e a segunda, pelos numeras 8, 7, 21. J a primeira coluna consta dos
numeras
10 e 3.
Precisamos agora obter a Matriz das Somas de Quadrados e Produtos de Tratamentos, geralmen te representada
por H. Comeamos por calcular a Soma de Quadrados de Tra
tamentos (SQT) para os teores de N (X 1) e tambm para os
de P (X 2 ), do mesmo modo que fizemos no captulo 4. Ternos:

TI

T~

T~

( l:Xl) 2
N

(
(

(
(

Agora, vem urna novidade, pois devemos calcular a So


ma de Produtos Total (SPTotal) relativa ao s teores de N
(X l ) e de P (Xz). O mtodo
perfeitamente anlogo ao
que se segue para calcular a SQTotal, mas
trabalhando
com produtos. Ternos:

(23,39) 2 +

(4,63) (0,95) + (4,38) (0,89) +.- .+ (4,56) (0,91)


77 , 8038 '

(
(

77' 8038 -

15
(76,95) (14,99)
15

onde T 1
23,39, T2 == 30,56 e r3 == 2 3, 00 sao os tot a is
do s t eores de N para os 3 tratamentos. Analogamente, te
mos, no que se refere aos teores de P:
SQT(X:z)

0,9051 .

(
(
(
(

(
~ --------------

SQTotal (XI)
A=

[ SPTotal (Xl ,Xz)

SPTotal (X 1 ,X
SQTotal(X 2 )

2~

==

7, 7056

o' 9051] .

lo,9051

o' 1929

Urna matriz apenas isso, um conjunto denmeroscom


urnas tantas linhas (no sentido horizontal) e umas tantas
colunas {no sentido vertical). Por exemplo,
a
matriz:

(-l:Xz)z
N

(5,02) 2

Com isto estamos habilitados a escre ver a Matriz de


Somas de Quadrados e Produtos Total

(76,95) 2
15

7 ,24 76

(L: X1) ( l:Xi')

(23,00) 2

(30,56)L

(5 48) 2 + (4,49) 2

(14,99) 2
15

0,0982 .
Agora calculamos a Sorna de Produtos de Tratamentos
(SPT), que se obtem com os totais, relativos a tratarnen
tos, de X1 e Xz, assim:

(23,39)(5,02)+(3 0,56)(5,48)+(23 ,00)(4,49)

(76,95)(14,99)

15

= o> 7326

::.

342

A Matriz dL~ Somas de Quadrado s e Produtos de


mentos , pois:

(
(

343

7,2476

[ o' 7326

0,7326]
0,0982

ilotl-se que a matriz C: se noderia obter


te, assim:

= A -

H =

(
(

SQR(Xl)

SQTotal( Xl) - SQT(X 1 )


7,7056- 7,2476 = 0,4580

SQR(X 2)

SQTotal( X 2) - SQT(X 2)
0,1929 - 0,0982 = 0,0947

(
(

SPR(Xl,X 2)

(
(
(

[o ,4580
o' 1725

Podemos, pois, escrever a Hatriz de Somas de Quadra


dos e Produtos do Resduo:

(
(
(

0,1725]

[ o' 1725

0,0947

[7 ,2476
o' 7 326

o, 7326]
0,0982

0,9051 - o, 732~]
0,1929
0,0982

o' 1725]
0,0947

Obtida a tabela da anlise da varinci a, nreciso


apli car-lhe um teste de signific ncia, semelhan a
do
tradicio nal teste F. Para isso necessr io calcular os
determin antes das matrizes E e A. Has o que e determinante de uma matriz? Dada ~ma matriz de 2 x 2, isto e,
de 2 linhas e 2 colunas, tal como:

SPTotal( X],X 2) - SPT(X 1 ,X 2 )


0,9051 - 0,7 326 = 0,1725 .

0,4580

0,9051J 0,1929

[7, 7056 - 7,2476


0,9051
0,7326

Resta-no s calcular a matriz correspo ndente ao Resduo, que se obtm por subtra o, assim:

[7,7056
0,9051

diretame n-

[:

o seu determin ante, indicado por

[K I

Com esses dados j podemos escrever a tabela da ana


lise da varinci a multidim ensional , dada a se guir.

det

IK I

ou por

det

K e:

= 120-

56~

64 .

ad - bc .

Por exemplo, para

(
(

Causa de variao

G.L.

(
(

Tratamen tos

~ ,24 76

o, 7326]

~0,4580

o, 1725]

0,7326

0,0982

(
(

Resduo

12

(
(

(
(

[10

Hatrizes

Total

14

8 ]

12

fica:

IKI

det K

= (10)(12) - (8)(7)

o' 1725

0,0947

Conclui- se, pois, que:

[7' 7056
0,9051

0,9051]

det E

o' 1929

.co,45SO )(o,o947 )- co,1725) (o,l72S)


0,013616

f'~-~. " --l=-=-A~~:=o~~9)--(0~905t)

(
(

~
(
(

(
(

"V"' -"'';t ;

( O,

9051) o 7204
,66

345

H 4 casos a conside rar:

I
i

O teste de significnci a mais usado na anlise

varincia multidimens ional o de Wilks, indicado


letra grega A (lambda maisculo), assim definido:

A) p = 2, k 1 e k 2 quaisquer:
1 -

det E
A=------det (H + E)
Jo caso dos ensa1.os inteiramente
logo:

E = A - H,

H +E

casualizados ,

B) k 1 = 1, p e k 2 quaisquer:

temos:

k z- p

H + (A-H) = H + A - H = A ,

C) k1

= 2,

p e

k 2 quais quer:

portanto, no caso de ensai os inteiramente c asualizados:


A == det ~
de t A

No caso presente, fi c a:

D) Caso geral (HARRIS, 197 5) :

/\ = 0,013616

0,667204

(zp,

kz -p+l

2(k 2-p+l)J

1 -

-f:

l f:
ab - c
-----

0,0204

pk l

1 - A
A

;-;::

/'!\

Duas difere nas i mportant es se no tam em


anlis e da v arincia tradi c i onal:

r e l ao

onde:
a

k2 - 0 , 5 (p-k j +l ) '

F,

faz-se a di viso das Somas de Quad ra dos p elo s nmeros


de graus de liberd a de; n a anlise mul tidimen s i onal es
sa divi so no feita.
B. No teste F, a contribui o do s Tr atament o s v a i no nu-

c = 0, 5 (pk j - 2) '

(
(

(
(

(
(

i(
(

A. Na anli s e tradici onal , ante s de apli car o t es t e

Para avaliar a si gnifi cncia do v alor de A obtido,


podem-se usar tabelas e s peciais, bastante extens a s . Mas
o mais comum transf o rmar o valor de A num valor corres
pondente de F, e usar as tabelas de F j conheci das.
A transforma o de A em F se faz por meio de frmulas que vamos indicar, nas quais:
p =

~9

de variveis;

(
(

kz= n9 de graus de liberdade do resduo.

(
_ (__~_

')

me r a dor; no t es te A e l a ap a r ere n o clc n omi n;Jdor .

k1= n9 de graus de liberdade de tratamentos;

')

no caso de pL +kj= 5 '

N
t o s cas Os A B e C as frmulas de transformaa o d s a o
ex atas; no caso D ela e- quase sempre
apenas aproxi.ma. a .
.
No exemplo que estamos discutindo, podemos ap~1car a
f rmula do caso A (com p=2) ou a do caso C (com k1-Z).No
caso A temos: p=2, k 1 =2 , k 2 =12, A0,0204, logo:

F (2

2, 2(12-l)l

12 - 1
2

isto e:
F(4,22) "'

33,01**

1 - 10!0204

10,0204

346

34 7
A frmula do caso C conduz exatamen te ao mesmo
sultado, como no poderia deixar de ser.
Devemos, pois, usar as tabelas de F (tabelas l e 2)
com 4 graus de liberdad e para o numerado E e 22 para o de
nominado r. Os limites correspo ndentes sao:

(
(

(
(

Para o nvel de Si. de probabil idade:


Para o nvel de li. de probabil idade:

(
(

2,82
4, 31

- Exercci os

Verifica -se, pois, que o resultad o


signific ativo ao nvel de 1% de probabil idade. Nestas condie s,
rejeitad a a hiptese de nulidade e se conclui que
nao
devem ser todas iguais as mdias de tratamen tos,
cujas
estimati vas sao:

(
(
(

Tratamen to 1

(
(

Teor de N(X 1 )
Teor de P (Xz)

Tratamen to 2

4,68
1,00

Tratamen to 3

6'11

4,60
0,90

1,10

nao devem ser iguais entre s_:, uma vez que se rejeitou a
hiptese de nulidade . Mas nao sabemos se ~ diferen a e~
t s nos teores de N (m11. mzl, m31) ouso nos
de
P
(m 12 , m22 , m3z) ou em uma funo linear~de ambos.
Para
averigu -lo faz-se necess ria a aplicaa o de um
teste,
que veremos adiante.

(19. 2 .1~ Num experime nto inteiram ente casualiz ado de consorciaa o de milhO, feijo e mandioca , temos 5 tratamen tos e 8 repeti es e se obteve A= 0,464
Obter o valor
de F correspo ndente.
Temos p=3 varive is, k1=4 graus de liberdad e
para
tratamen tos, kz~ 35 graus de liberdad e para o
resduo.
Devemos, pois, aplicar as frmulas do caso D:

kz-0,5(p -k 1+1) = 35 - 0,5(3-4+ 1)

")

Note-se que a mdia estimada para o tratarneu to 1


e o conjunto das duas mdias relativa s ao N e ao P, assim:

(
(

(
(

= 0,5(pkt- 2)

0,5(3 x4-2)

(
!;lz

[6, 11 ] '

113 -- [4,60

1,10

J 5x 2,646-5 = 37,61

87,61
3x4

Analog~

isto e, aproxima damente:


F [12, 88}

A potncia

u -

-------~-----~-'-

3x4

2,46 .

Com 12 e 88 graus de liberd~de, a tabela 2 nos d,


por interpol ao, o limite F = 2,40, ao nvel de 1% de
probabil idade. O resultad o obtido , pois, altamentesi~
nificati vo.

_ _

87,61

(1,3366 -1)

0,90

As tres mdias verdadei ras

5 ,
l

Esse conjunto de dois nmeros um vetor.


mente, para os tratamen tos 2 e 3 temos:

2, 646 ,

1,00

'.)

p 2 +ky-

ab-c

M: 1 =[4,68 ].

35 ,

p ""k 1 - 4

_ _

)2,646

( 0,464

..

(2,155)0 ,3779

1, 3366.

(
(

(
(
(

348

349

pode ser obtida diretamente em calculadoras


~l~trnicas
sofisticadas. rias, na sua falta, J?Ode ser calculada por
logaritmo, assim:

log U

(
(
(
(
(

(
(

(J.I3UO)

(24. 500)~
28

0,3779 log 2,155 = 0,12601


antilog 0,12601 = 1,3366 .
1

19.3. UM ENSAIO

EM

BLocos CAsuALIZADOs

Neste caso, o mtodo de obteno das matrizes anlogo ao que acabamos de ver, mas seguindo as normas dadas no captulo 5, para os experimentos em blocos casualizados.
Alm das matrizes A (Total) e H (de Tratamentos), necessitamos calcular a matriz B (de Blocos).
No
caso de r blocos e n tratamentos, temos:

By

SQB

+ B~ + ... +
n

Bi

(
(

(L I 2 () () ) ( ') . 8 o()+

~ (2 u . 6 () ())

( 7 . 2 ()o ) + u !!

') () lJ ) ( ) ) {) ())

Logo a matriz B das Somas de Quadrados e Produtosde


Blocos :

para x 1 e x2 , se forem duas as variveis.


Precisamos
obter, tambm a Soma de Produtos de Blocos, obtida
com
os totais de blocos de X1 e de X2, multiplicados. Consideremos como exemplo um experimento de consorciao
de
milho e feijo, com 7 tratamentos em 4 blocos casualiza
dos.
Seja X 1 a produo de milho na parcela, e X2 a de
feijo, ambas em kg/ha.
Sejam, ainda, os seguintes
os
totais de blocos, cada um deles total de 7 parcelas.

u 3 . 4 ()o) (h. () () l)) + ]

28

1.441.070

c ,

2..38.214 '

(~_tJ_.__7 _(]_(Jli_?~_: _:) ~~~J)

(
(

+(b.IJUU) ~(/_:_2~~~5.')00)_:_

_,_,_ 26. 072

[ - 426.072

:"38. 214

Note-se que uma soma de quadrados jamais pode


ser
negativa, mas que o rresrno no ocorre com urna soma de pro
dutos.
Logo, no de estranhar
o
valor
negativo
(-426.072) obtido para SPB(XJ, X2).
A anlise da varincia completa da os valores seguintes. :Jote-se que as mat;:izes A e H foram calculadas
da maneira j conhecida.

19 bloco 29 Bloco 39 bloco 49 bloco

Total

Causa de variaao

G.L.

Matrizes

072J

(
Milho

(Xl)

21.200

23.400

20.600

24.500

89.700

5.800

6.000

7.200

5.500

24.500

Blocos
Tratamentos

rl.C.41.070 - 426.
L -426. on
238.214

3
k 1=

(
(

(
(

c
(
(

Temos:

3.500.000
[ -800.000

[t. oo. ooo


=[

2_

-200.000

(21.200) 2 +(23.400) 2 +(20.600) 2 +(24.500) 2


7
(89.700) 2
28
= 1.441.070'

TOTAL

27

-8oo. oool
750. oooj
-200.000]
320.000

6 .141. 070 -l.426. 072]

-1.426.072 1.308.214

350

351

A matriz do Resduo (E) se obtm por subtrao:

E ~ A -

18 - l
F ( 12,34) "" ----,..---

[1.441.070 + 3.500.000

B+H

-426.072

(
(

~ 4. 941.070

-l. 226.072

-426.072 -

800.000

300.000]

238.214 + 750.000

1.226.072]

988.214

l. 426. 074] - [ 4. 941.070 - l. 226. 072]

l-1.426.072

1.308.214

[1.200.000

200.000

6.141.070

-1.226.072

(
(

det E

4.200.000

H+E

det (H+E)

-1.000.000

- 1. 000.

OOOJ

l. 070.000

(4.700.000)(1.070.000)- (-1.000.000)2
4.029.000.000.000

(
(
(
..J

det E
det (H+E)

10

[ -1

terceira coluna.
sim:

0,0854

O valor do F correspondente, de acordo com a frmula do caso A (seo 19.2), :

Tal matriz se poderia simbolizar

<=

as

Cada elemento tem dois ndices, o primeiro de linha e o


segundo de coluna. Assim, a13 (que se l: a nd~ce
um,
trs) o elemento da primeira linha e da terce~ra coluna.
o conjunto dos elementos de uma. matriz se costurna i..u
dicar entre colchetes ou entre parnteses, assim:

logo

primeira coluna ; j o elemento 2 est na segunda linlw

(1.200.000) (320.000) - (-200.000)2


344.000.000.000

Chama-se matriz um conjunto retangular de nmeros,


que so os seus elementos. Por ex.emplo o conjuntG

n<1

Para aplicar o teste de Wilks devemos calcular detE


det (H+E). Temos:

19.4. NoEs DE LGEBRA DE MATRIZEs

e uma matriz, que se diz de 2x3, pois tem 2 linhas e 3


colunas. Assim o elemento 10 est na primeira linha e na

32o.oooj

-200.000

6,86

988.214

lo, 0854

com 2 k1= 2 x 6 = 12, 2(k2- 1) = 2(18-l) ~ 34


grau:
de liberdade. Verifica-se que o valor de F obtido
e
significativo ao nvel de 1% de probabilidade, o que nos
leva a rejeitar a hiptese de nulidade.

.,

entao

1 -

/d,0854

Como:

(B + H)

Li
= [i

~)

ou

A "'

(-i
\

- Igualdade, Adio e Subtrao de Matrizes

Duas matrizes so iguais quando tm as mesmas dimen

(
353

352

soes (isto
o mesmo nmero de linhas c (l mesmo nl!mero
de colunas) e, alem disso, seus elementos sao ordenadamente iguais. Assim, da igualdade

(
(

(
(

[a11

ap

a13J ,

azl

azz

a23

a11 = 2,

a12= 3,

az1= 5,

a22=

(
(

(
(

[ -1+8

o,

4+11

(
(
(

ca.

3-0
H-N =

:J

r
(
[

-1

[:

-2

7+4

4-ll

5-15]

-1-8

8+2

7-4

[:
[_:

15
6

-7

lO

?Q

11

quer como um conjunto de vetores-linh as ou de vetores -colunas. Por exemplo, a matriz M acima e formada pelos
vetores-colu nas:

[: J
[-1, 8, 7] .

[1:

A'

-J

:]

12
3

-4

-n

-n
simtri

e simtrica

Matriz Quadrada: ~ a qJe tem numero igual


nhas e colunas. Por exemplo,
M

de

li-

:]

[:

sao matrizes quadradas, a primeira de 3


de 2 '< 2.
Numa matriz quadrada

3,

a segunda

os elementos a 11, a ,, 2 , a 33 formam a digonal


(ou diagonal, simplesment e).

principal

a 12
a 22
a32

a, 3]
a23

a33

Matriz Diagonal: g uma matriz quadrada cujos termos


fora da diagonal so todos nulos. Por exemplo, sao dia
gonais as matrizes:

ou pelos vetores-linh as

[3, 4, 5]

[:

-1:]

Uma matriz que tenha uma nica linha ou uma nica


coluna um vetor. Assim, considera-se uma matriz qual-

-:]

Uma matriz A igual a sua transposta se diz


Por exemplo, a matriz

B , [

5+15]

1:],

11

(
(

a23=

8-2

a l 3= -8

[10

ll
3+0

entao:

-:]

A adio e a subtrao s sao poss v eis com matrizes de


mesmas dimenses e ento se opera com os termos correspondentes. Assim, se:

[:

Dada uma matriz A, sua transposta A' obtida


com
os mesmos elementos originais, mas escrevendo suas
linhas como colunas e vice-versa. Assim, a transposta de

conclui--se imediatamen te que:

(
(

- Matriz Transposta

e,

(~

o
12

diag(8, 12, 5) ,

(
(

354

355

l~

D2

(
(
(

(
(

c
(

l~

~)

o
1

(
(
I

(
(

(
(

(
(
(

'' (
. r

diag(l, 1' 1)

1>

[:

"'

.t.

<!>

= A

-2

:]
<I> =

~]

que e uma matriz.


Por sua vez uma matriz 1>< l se confunde com o nico escalar que ela encerra, isto :

[s]

na13]

n a 72

n az3

Conclui-se, pOlS, que:

Escalar: Os nmeros, que constituem os


elementos
de uma matriz, chamam- s e e scalares. Por exemplo 5 e um
escalar, em contraste com

[;

n al 2
ali

n a21

claro que, sendo A uma matriz qualque r, t e mos:


A +

l"

'

diag(l, 1).

por exemplo, para multiplic-la pelo escalar n


devem-se multiplicar por n todos os seus elementos, assim:

8 [

Matriz Nula: _g uma matriz. cujos elementos sao todos


nulos: geralmente se indica por <!> ou pela letra O.
Por
exemplo:

3)

n A=

:]

[:

o,

diag(4, 7.

Matriz Unitria: E uma matriz diagonal cujos termos


da diagonal so iguals a unidade.
Por exemplo:

~]

o
o
o
o

=s .

-~]

-8]
5~

:~
-16

= [

_Multiplica~o de Matrizes: A multiplicao de matri


zes e uma operaao bem mais difcil do que a adio ou
subtrao. O produto AB de uma matriz A, de
dimenses
mxn, por uma matriz E, de dimenses p xq, s
possvel
se tivermos n = p , isto , se o nmero de colunas de A
for igual ao nmer o de linhas de B.
O caso mais simple s o de um v etor-linha D de l :<n,
mult i p l icado por um vet o r- c oluna E de n xl, por e x e mplo:

I
I

[s,

4,

sJ

HJ

O produto AI\ da matriz A de mxn por uma matriz B de

n xq
ter dimenses mxq.
Logo, no caso acima, de uma matriz
ll de l xn por uma matriz 1\ de nxl, o produto DE ter dimensoes l x l, isto , um escalar. Teremos:
DE =

[s

3 + 4(-1) +

7] = [67] = &7

No caso geral do produto AB

C, o termo Cij

igual ao produto da linha i de A pela coluna j


Por exemplo:

Multiplicao por um Escalar: Dada uma matriz

~
-2

de C
de B.

(
(

356

12],

azz

l.l] ,

bn

c
(
(

357
Determinante s: No daremos a definio geral de de
terminante, por ser bastante complicada, mas veremos como se calculam os determinante s nos casos mais simples.
Para comear, s h determinante de matriz quadrada. Dada uma matriz A de 1 >< 1, seu determinante (que se
indica por IA I ou por det A) igual ao nico
elemento
da matriz. Assim, se

ou ainda:

A = [8] ,

(
(

47

25
15

temos

27]
23

det A
Matriz Inversa: Dada uma matriz quadrada A, sua luversa A-l e uma matriz tal que

Nem toda matriz quadrada tem inversa. As que tm,


c hamam-se no-siU:gu1a res; as que no tm, so singJlares.
Por exemplo, a matriz invers a de

A=[

A-\=

[l
- l

1] [1 -11
A-1A 1 -1] [ 2 "' .1]
G1
1

-1

(
(

l]
1

AA_1 [2

(
(

-l]

IBI

-5

12] =

c22
t emo s

le i=

7x6-5 x4

= 22 .

J no caso de '..lffia matriz A dP 3x3, o de t erminante se


calcula pela regra de Sarrus, que nos d:

pu1s

[1o
[1
o

O]

I'

1
Por exempl o :

O]

Logo, a matriz A e no-singula r, uma vez


inversa. J a matriz

I .
que

'

tem

\~

2
3
4

2
3

2
5
8

3
6
9

4
7

(
(

(
(

det B

No caso de uma matriz C de 2x2

[-s]

nao tem inversa; e, pois, uma matriz singular.

l>< 3x3 + 2x2x2 + 3x4 x4 - 2x3x 3 - 1x4 x2


2x4 xJ
15

'

= lx5x9

+ 2x6x7 + 3x4x8 - 3x5x7

- 2x4 x9

lx6x8-

Para matrizes de maiores dimenses as regras, que no ve


~emos, so mais complicadas.

(
(
(

358
359
Determinante de uma Matriz Singular: Toda matriz qua
drada singular tem determinante nulo; reciprocamente,
singular toda matriz quadrada de determinante nulo. Assim a matriz

(L9.4.4)

(
A

Dado o vetor

[n ,

(19.4.5)

calcular X'X e XX'

Dadas as matrizes

(
(

cujo determinante
inversa.

O, e singular, isto e, nao

- Alguns casos simples de inverso de matrizes

(
A

-l

!A

c
(

tem

D
com

diag(a,b, ... ,h)

a,b,~

D-

calcular AI, IA, AA', A'A, AD, DD.

[ d -b]

diag(

-c

(19.4.6)

~)

.. ,h f O.

(
(

(
(

- Exerccios
(19.4.1)

-1

3] ' B 8
= [

2J' C= r- 5
o

lOJ

L8

calcular A+B, A-B, A+B+C, A+C .

(19.4.3) Dadas as matrizes

(
(

(
{
r

'

calcular AB, BA, A' A, AA'.


as matrizes AB e BA.

v :]

(19.4.8)

[: :]

Resposta: a

(19.4.2) Sendo A, B, C as matrizes do exercfcio 1, calcular 5A, 2A+3B, A+4B', A+A', A+B.

(
(

M"

:J

(19.4.7) Determinar a ex de modo que sejam


as matrizes

Dadas as matrizes

A [5

Observao: ~ suficiente demonstrar que seu


minante nulo.

Mostrar que singular a matriz

24;

[':X
=o

-1

singulares

:J

ou 9

Achar as inversas das matrizes

= ~ 0,25

o. 50

-4.,01)

8,00

[8,00

-0,50]

B "[:

Resposta:

Verificar que sao diferentes

deter-

4,00

0,25

=[ 2,000
1,000

:]
-!l H-1.[!

~l

:..~.: :

- -_"'3l !'~lf,tLd. iC'~

361

- Razes Prprias de uma Uatriz

Seja uma

m;rl r

i%

qrr;.rd

- ~xerccio

r a da

(19.4.9) Achar as razes caractersti cas da matriz

[:

Consideremos a matriz

A-U=[z

(
(

]- [l

lO

Resposta: zero e 9.

o clculo das razes caractersti cas de uma matriz


, em geral, bastante trabalhoso, pois implica, salvo em
casos triviais, na resoluo de equaes algbricas
de
grau elevado. Mas esse clculo pode ser feito com facilidade nos computadore s, que j dispem, para isso,
~e
programas apropriados.

OJ (2-A

:J.

Tomemos agora a equaao

(
(

det [A -

2- ,\

n]

IA-

uj

19.5.

o
10- >.

so sistemas de equaes de primeiro grau, com qual_


quer numero de incgnitas. Por exemplo:

(
(
(

A~ r~zes desta equao sao, por definio, as razes propr1as


(ou caractersti cas) ou os valores prprios
(ou caractersti cos) da matriz A.
No caso presente o determinante nos d:

(2 - >.) (lO - A)

SISTEMAS DE EQUAES LINEARES

{3XJ
8X1

o .

ZX 2

x2

{"'

15

X!

x3 = o

- 2X 2 +

X?

+ 3X 3 =
4
- ZX3 = -1

Do ponto ~e vista Ja lg e bra de Matrizes ess e s


temas de equaoes se podem escrever ass1m:

isto e:

(
>. 2 - 12>. + 11

(
(

(
(

~~~-----

(
(

o .

~s ta equao nos fornece as razes !q = ll


que sao as ra1zes caracter1sti
cas da matriz A.
Como consequncia sabemos antecipadame nte

(
(

10-11
e,

pois,

o,

1,

que

3
10-1

o,

As matrizes

~ue essgs matrizes so singulares.

A
i

[:

..

_:] -~

-2
l

SlS

362

:~L cila111am matrizes do sistema <>u dos coeficientes d


~s in
cgnitas.
Se o nmero de incgnitas for igual ao n.umero
de equaoes, essas matrizes sero quadradas.
Consideremos o sistema de equaes

363
cOIIID

A X

(
ou seja ,

A X

B .

(
(

tem soluo, i.sto , e compatvel.


Se a matriz A
for
a nica soluo possvel a sol~o nula:
=O, isto , X=~, e essa soluao geralmente no interessa. Ma~; se a matriz A for singular, o
sistema de equaes ser indeterminado, isto , ter infinitas solues.
Tal o caso do sistema acima,
pois
a matriz

com

l:

(
(

<!>

n~o-singular,
X1 = X2 = ...

v:-:c:iuplo,
X1 +X;> +:!.X; ~ () ,
st dizem homogTodo sistema de equaoes lineares homogneas

p()t

neas.

[:

_:].

singular.

-1

Por exemplo, sJ.o solues desse sistema:

(
(

Quando a matriz A : ~o-singular, o sistema tem soluo e essa soluo e mnca.


t1as nos interessam sistemas de equaes

A X

(
(

X1

+ X 2 + 2X 3

x1

x7

x3

3Xl

X2

SX3

(
(

-1

(
(
(

'

-'

x2

X3

X3

-4

'
X3 = l
X =

x-,

Para obter essas soluoes no nulas, comeamos por


abandonar uma das equaes e dar a uma das incgnitas um
valor arbitrrio no nulo.
Por exmplo, abandonamos
a
torcei ra equaao L~ fazemos X:~ = t.
Fica:
+

xl -

isto e:

xl

G'
3

-1'

alm da soluo nula Xt


em que a matriz A seja singular e o segundo membro seja
uma matriz nula (cP).
I:: o caso, por exemplo, do sistema
seguinte:

x2
x2

-3,

(
(

xl

13) XI
C)

A)

x.,

"

+ 2

X>' + l

isto e
=

r
XI

-2

+ X::'

x,.

-1

Resolvemos este sistema por qualquer processo e acha


mos x1 = - 3/2,
X2 = - 1/2. A soluo achada , pois,
X1 =- 3/2,
X2 = - 1/2,
X3 = 1. Para cada valor difl,_
rente de X1, obtemos nova soluo para o sistema.

1
- Exerccios
Equa()es lineares em .que o segundo memhrcy

nulo,

(19.5.1) Resnlver o sistema de L~quaoes homogneas

. ... ,, ...,

.... :

(
(

364

365

'

o
o

Soluo: A matriz

(
(

(
(

A = [ 1

-z]
-1

no e singular, pois IAI


5 ~ O. Nestas condies
un1ca soluo possvel a soluo nula X = X = O.
1
2

+ 2x 2

+ 6X 2

det (H- \ E)

Resposta: A matriz do sistema singular, logo ele e lndeterminad o.


Alm d~ soluo nula, temos in fi
nitas outras, tais como: A) X1 = 2, x 2 =
B) x1 = -10, x2 = 5.

-f;

(19.5.3) Resolver o sistema

2X 2 + 3X 3

3X 2 +

(
:

o
o
o

2X 3

(
(

..:.:

X2

x3

X3 = 1;

B) X1

2a,

c
(
(

(
(
(
(

0,7326]

-o' ]')/(.
- .....

0,0982

0 ,45 80

o, 1 ns l

0 ,172 5

0,0947 1

A 1nversa E-L da matriz E e:

= 14, Xz = -4, x 3
X3 = a.

-2;

c) x 1=

E- I

19.6. FUNO DISCRIMINANTE ou VARIVEL CANNICA


Dada uma anlise da varincia multidime nsional, relativa s variveis X1, Xz, X3, por exemplo, considere mos uma funo linear

6, 954 9

-1:2,6689

e o produto

(
-~ (

[7, 2476
,.)

Resposta: A matriz do sistema singular, logo ele lndeterminad o.


Alm da soluo nula, temos infi
nitas outras, tais como: A) X1 = -7, Xz = 2~
=Ja, Xz

= IH- \EI = O ,

onde as mat1izes H (de tratamento s) e E (do resduo) sao


tirad;ts da anlise da varincia rnultidime nsional..
A
maior das razes obtidas (todas elas positivas ou nulas)
nos d a pr~neira funo discrimina nte ou primeira vari~
vel c ;mnica, como veremos ..J. seguir:
Tomemos como exemplo a anlise da varincia aprese:r2_
tada na seo 19.2. Nela t emos:

Llllll,;3ll, <lpl i cada aos VJlores Xl 'x.' xl Je cada pare.':.


la do experimen to nos d N valores dessa varivel un1ca
Z, um de cada urna das N parcelas do ensaio.
Apliquemo s
a esta nova varive l Z a anlise da varincia tradicional, unidimens ional. Queremos obter uma funo Z
(com
seus coeficien tes b1, b ~ . b ~ ) para a qual o teste F de
tratamento s dessa anlise da varincia tenha valor mxi
mo. Para obter esses coeficien tes, comeamos por achar
as razes caracter sticas da matriz HE-~ ~u, o
que
e
equivalen te, por achar as razes da equaao

(19.5.2) Resolva o sistema

l~ssa

HE

- l

-12,6689]

33,6'359

e~

41,1257

-67,1781]

L 3,8511

5,9783

Para acllar as raZL'S caractl'r stcas dessa matriz,


deV('mos, como vimos na seao 19.4, resolver a equaao

41,1257- ,\
3 '8511

-6.7' l 781

- 5,9783-A

o'

366
(

36 7
sistema equivalente

isto e:

(41,1257-,\) (-5 ,9783-,\) -

(3,8511) (-67 ,1781)

[:: ]

ou ainda:

,\ 2 -

35,1474!\ + 12,8478 -

(
(

Neste ltimo caso temos:


As razes desta equao so .\1 = 34,778 e z = 0,370.
Ao
mesmo resultado chegaramos se considerssemos a
equaao

7 ,2476-0,4580!\

o, 7326-0,1725\

o, 7326-0,1725,\

o' 0982-0' 0947,\

isto

c
(
(
(

(
(

;-c
(

-3,195

o'

ou seja:

ou ainda

0,013616\ 2 - 0,4786\ + 0,1750

=o

{ 8,682 bl

5,267 bz

5,267 bl

3,195 bz

e, mediante diviso pelo coeficiente de !\>::


,\ 2 -

35,1498,\ + 12,8525 =

o .

Esta equao nos d: /q = 34,780 e \z = 0,370, valores que podem diferir ligeiramente dos anteriores
por
problemas de aproximao de decimais.
Note-se que este ltimo mtodo tem ~ vantagem
de
no exigir a inverso da matriz E, operao muito trabalhosa para matrizes maiores, relativas a mais de
duas
variveis. Mas o mtodo usado pelos computadores e exatamente esse, de buscar as razes prprias
da
matriz
HE-l.

Uma vez obtidas as razes caractersoticas, tornamos


a maior (\1) e consideramos o sistema de equaes

bJ

-5' 267]

-5 '26 7

0,0982-0,0947x34,78~

[-8,682

(
(

0,7326-0,1725x34,780

[billoj

isto e:

o '

(7,2476-0,4580\)(0,0982-0,0947,\)-(0,7326-0,1725\) 2

(
(

0,7326-0,1725x34,7801

(
(

,2476-0,4580x34, 780

7.

[ :J

(HE _

II)

[ bb 1
2

J [

A matriz do sistema singular neste caso, conforme resulta da equao


\Ej =O.
Logo. o sistema de
equaes indeterminado. Para resolv-lo, podemos tomar bz = 1 e abandonar a segunda equao. Fica:

IH -

8,682 b1

5,267xl

=O, logo

b1

-0,6067

Uma soluo seria pois a funo

Mas usual escolher uma soluo normalizada,


que a soma dos quadrados dos coeficientes seja igual
um. Para obt-la,
tomamos nova soluo

Z*
0 ]
0

onde.:

b* X + b* X
l

em
a

.. ,_,,_.~
"~' ""'""" """'"'""'"'
.

(
(

.
.

368

___b_J__ ___

lb{

---~~0_7_ --- . IC: 606 7) 2 + ti

___

b~

-0,5l9

(
(

= -0,519 x1

0,855

Z*

0,519

c
(

x2

x1

0,855

x2

Aplicad a esta funo discrim inante (ou varive l cannica) aos dados do exemplo da tabela 19.2. l, que estamos discuti ndo, obt emos os nmeros da tabela 19.6.1.
A
anlise da varinc ia desses dados n os leva aos resulta dos seguint es.

c
(

Causa de variaa o

G.L.

Tratame ntos
Resduo

kl=2
k2=12

S.Q.

Q.M.

:. c
(

!C'

!~l

f(
i

(
(

(
i

I (
I

1,591
2,206
1,624

1,512
2,195
1,701

1,700
2,274
1,586

1,523
2,268
1,598

ou, indifere ntemen te, trocand o-se o sinal do segundo mem


bro:

Totais
Trat. 1
Trat. 2
Trat. 3

logo
Z*

Tabela .L'). 6 .l. Valores da varive l c:;mottJ ,:;t IJL"nci~)al


Z*=O,Sl 9X 1-0,855X 2 nas parcela s do experim ento de
19.2.1.

0,855 ,

(
(

369

Note-se que o valor de F obtido pode ser


do previam ente com facilid ade, pois temos:

Fmax
-

12

-2-

34,780

calcula -

208,68

A pequena diferen a observa da (208,68 em


vez
de
208,40) deve-se , como em outros casos, a problem as
de
aproxima~es de decima is.
As mdias de tratame ntos, em ordem dccn' scent<', relativas varive l cannic a z,~ so:
Tratame nto 2: m?
2,235 a
Tratame nto 3: rn3
1,_620 b
Tratame nto 1: m1
1,.569 b

7,847
11 '175

8.098
27,120

Como compara r 2ssas mdias? Ou, de uma manei Cl


geral, como provar um contras te entre essas mdias

ffi[J S

com Zc. = O? O process o mais simples consist e em calcular, plo mtodo de Scheffe , uma diferen a mnima significativ a

1,3738
0,6869
208,40* *
0,03955 4 QMR=0,003296

1,521
2,232
1,589

v'lq 'V(Y) F

onde k 1 e o nume r o d e graus de liberda de de tratame ntos,


com
c1m1 + c 2m2 +
l::c2
f/('1)
QMR

. . .

c m
v v

sendo r o nmero de repet oes (supost o igual para todos os tratame ntos). Quanto ao valor de F, ele obtido
assim:
F

k
= __::z.

1 - e
kl
onde k e o nmero de graus de liberda de do resduo
e
e se oEtm da tabela 16, relativ a ao nvel de 5% de probabilid ade. Para usar a tabela, calculam os primeir amente

,,,

~".""'""'' ''

..........<~"

""-"'-~~''''

. ...:.. o,~.;;l!lll!i::"=

(
(
(

370
s =

3 71
mnirno(p,k

),

jp-lq -l

o a1, e X2 a de feijo, de preo a 2 . Em tal caso calculamos Z para cada parcela, fazemos a anlise da varin
ca dos dados assim obtidos e obtemos s2 "" QMResduo
QMR. Temos, entio, pela aplicao direta do mtodo
de
Scheff (seo 3.5):

No caso presente ternos:

2 var1aveis,

k2
s

c
(
(

logo
S --

4,5 .

(
(
(
(
(

VCY)

nos d com m= -0,5


0,638
0,498

+
+

0,533
l-0,533

0,533.

QMR

e F(kl, k2) se tira das tabelas 1 e 2 com k1 graus de li

Obtemos, portanto:

6, 848 ,

berdade (de tratamentos) e k2 graus de liberdade (do re


sduo).
No exemplo que estamos discutindo, se os coeficien
tes de Y''' = O, 519Xl - O, 855X2 proviessem de ensaio an.te=
rior ou de outras considera~es alheias aos dados em estudo, teramos, pela tabela 1, F(2,12) = 3,89. No caso
da comparao das mdias duas a duas o contrastE> em considerao seria Y = rni - ffiu e teramos, pois:
2

(0,003296) 6,848

No caso particular de um contraste entn:~ as


de dois tratamentos quaisquer, temos
y

12

-2-

onde

-0,5

logo, por interpolaio,


F

para tratamentos,

m= /2-2/-l

(
(

2 G.L.

para o resduo

16
3
5

2,

Para n
Para n

12-2-l

A tabela

(
(

12 G.L.

mnimo(2,2)

(
(

k1

mi - mu , l:c ? = ( 1 ) 2 + ( _ 1) 2 =

S = v2(2/5)(0,003296)6 7 848

1-lest as eondi~es, obteramos


mdias

2,

= 0,134 .

Conclui-se, pois, que o tratamento 2 (cuja mdia


2!235) supera significativamente os demais, e que estes
nao diferem entre si.
_ . Esse mtodo se aplica sempre que a funo linear de
med1as de vari~veis (Z>~. = 0,519X 1-0!.885X 2 , no caso presente) tenha s1do suger1da pelos proprios dados.
C~nsiderarnos, agora,. o caso, mais simples, em que
a funao Z = a1X1+ a2X2+ . + apXp tenha seus coeficiente~ fixados _por razes independentes dos dados expe dmen
ta1s. Tal_e o caso, por exemplo, de um experimento
de
consorci aao, em que X1 seja a produo de milho, de pr~

/k1 (2/r) (QMR) F(kl, k:-)

v2(2/S)(0,003296) 3,89

o' 101

l-leste caso, a diferena mnillla significativa me-nor (S = 0,101, em vez de S = 0,134), como seria de espe
r'ar. E neste caso se poderia aplicar sem dificuldadr> o
teste de Tukey, que nos daria:

qy;(~MR
-r-

= .

3 '

l7

~ 003296
V
5

0,097 .

Note-sl' que obtivemos da equaao IH - AE I= O


duas
razes caractersticas (;\ 1 = 34,780 e 2 = 0,370)
e so
usamos a maior. Com o auxlio da menor, pelos
mtodos
j expostos, calcularamos uma segunda varivel cannica

("""~" ~'""'""''"Wi'''''"-;;:.

.. "'' ... ......

---" - ~ -, ~~ - -'

~:"" ~'"-~--'
'

. ..

'

~--~-

......... ~

..,...........,,..,.,. ............ - ...... -

. ,,.,.~

(
(

372

373

Z~, que, submeti da

anlise da varinc ia
(unidim ensiona l) nos daria

F =~
kl

12
-2-

0,370

tradicio nal

2,22

total das duas razes caracte rstica s e

o valor

assim obtido se compara com o limite de signifi cncia dado pela tabela 16. No caso do exemplo da seo 19.2 onde achamos pe~o teste de Wilks !1. = 0,0204!. o~
temos. como vimos na seao 19.6, as ra1zes caracte r1sti
cas J = 34,780 e Az = 0,370. A maior delas nos di:

(
(

(
(

(
(
(
(

(
(
(

(
(

~:c
i

lq + z = J4,780 + 0,370

= 35,15 ,

e deste total l = 34,780 represe nta 98,9%, ao passo que


z. corresp onde a 1,1%. Essas porcent agens medem a importnc ia relativ a das duas varive is cannic as. Num ca
so como este, em que a maior raiz corresp onde
a quase
99% do total, a varive l cannic a princip al, a ela correspond ente, praticam ente esgota toda a informa o c onti
da na anlise multidi mensio nal, com X1 e X
2
No caso de p varive is observa das (X 1 , X , ... , ~)
2
obtemos , em geral, p razes caracte rstica s distint as,to
das positiv as. Postas em ordem decresc ente, cada uma de
las nos d uma varive l cannic a, e a cada varive l cannT
ca carresp onde uma porcent agem do t otal. Nos casos fav
rveis, conside ramos, ento, apenas um nmer o
reduzid
p 1 de varive is cannic as, com p' bem menor do que p.
Verific a-se, pois, que este mtodo pode levar a uma simplifica o conside rvel dos probl emas em que seja grande
o nmero de varive is observa das.

19.7, TESTE DE Rov


O teste de Wilks que aplicam os na anlise da varin
cia multidi mensio nal no o un1co existen te.
H varias outros, dos quais o de Roy o mais importa nte. Para aplic- lo, procede mos como na seo 19.6 e calculam os
as razes caracte rstica s da matriz HE- 1 , ou o que equi
valente , as razes da equao
-

(
(

(
'(

sendo l a maior dessas razes, obtemos a seguir a estatstica

e -

34,780
1+34,78 0

0,972 .

Este valor se compara com o que dado pela tabela


16.
(8 = 0,533), ao nvel de 5% de probab ilidade , como vimos
na seo 19.6. Como temos 8 = 0,972 > 0,533, verific a
-se que o resultad o signifi cativo ao n vel de 5% depr~
habilid ade e, pois, r e jeita-s e a hip6tes e de
nulidad e.
Podera mos procura r tambm o limite de 1% de probabilid~
de, que 8 = 0,658. Conclu i-se, pois, que realmen te o
resulta do tambm si gnifica tivo ao nvel de .L% de prob~
bilidad e.

19.3.

BIBLIOGRAFIA

CHATFIELD, C. e A.J. Co1lins , 1980. Introdu ction to Mul


ti v ar iate Analys is. Chapman and Hali. Lonci.:Es.
DAGNELIE, P., 1975. Analyse Statist que Plusieu rs Variab1es . Presses Agronor niqu e s, Gembloux.
DEME:TRIO, C1arice G. B., 1985. Anlise Multidi mensio nal
para Dados de Cana-de -Acar (tese de Doutora do) .
ESALQ, Piracic aba, SP.
HA RRIS, R.J., 1975. APrime r of Multiv ariate Statist ics.
Academi c Press, N.York.
HORRISON, D.F., 1976. Multiv ariate Statist ical Method s,
2<ii edio. McGraw -Hill, T6quio.
t1YERS, J. L., 19 79. Fundam entals o f Experim ental Design,
3~ edio.
Allyn and Bacon, Boston.
PI~'I\:NTI':l. COMES, F., 198'5. A Anlise da Varine ia Multitariada Aplicad a a f<:xperim entos Agrope curios (mimtn~t- ;a do).

ESt\l,, Lavras.

TATSliO!':i\, M.H., 1971. Multi varia te Analysi s Techniq ues


for Educati onal and Psycho1 ogical Researc h . .Juhn W
ll'y, N. York.

...
1

,.,. ~-

(
(

374

(
(
(
(

(
(

(
(
(
(

(
(
(

20. SUPERFCIES DE RESPOSTA


20.1.

INTROD~O

Ji vimos no capitulo 12 como obter a equaao de regresso relativa a uma s variivel independente:
por
exemplo, nveis de um nutriente num ensai~ com fertilizantes.
Quando os dados se referem a fenomenos
nturais,
usual dar representao geomtrica dessa equao o nome de curva de resposta.
Mas a equao de
regresso pode referir-se a duas ou mais variveis
independentes.
Por exemplo, num ensaio fatorial de 3x3 com
P e K a equao de regresso pode ser um polin~mio de se
gundo grau em
e
assim:

(
(

'

375
ve 1, supostos equidistantes.
Por outro lado, continuaodo a seguir o me todo ind cado na seo 12.2'
usamos os
polinmios ortogonais de segundo grau, assim:

No caso especial de um fatorial de 3 x 3 com P


K, com nveis equidistantes, temos:

Xl

xl

xl

x2.

onde Xl se refere aos niveis de P, e X2 aos de K. Em lugar do polinmio tradicional, poderamos nele
substituir Xl por vX1 e Xz por fxz, assim obtendo a equao p~
linomial com raiz quadrada

ql

ql

(
(

'<

ql

..,

p 2 (x l)

p2 (x:2)

x- 2
xz -

1,

X2 - qz
q2

Xz=

5_1
q2

')

n2'')

L~

x2l

3'-

l
12

x-l
')

2
3

Se tormos usar as tabelas de polinmios


ortogonais
do capitulo 12, ser conveniente escrever a equao sob
a forma seguinte:

(
(
(

(
(

onde todas as raizes se consideram positivas.


Em qualquer caso,
usual chamar superfcie de resposta a representao geomtrica de uma equao como essas, onde f igur\'m duas ou mais variiveis independentes.
Para maior facilidade de clculo, dado. um
experimento com dois fatores, cujos nveis equidistantes
sejam indicados por X1 e X2, prefervel considerar
as
variiveis transformadas

20.2. lJM

(
(

(
(

~.

No caso de experimentos industriais, nao


e
raro
usar equaes de regresso de primeiro grau,
mas
isto
quase nunca conveniente quando se trata de
p~:squ:1sa
agricola.
Por outro lado, equaes polinomiais de
regresso de grau acima do segundo quase nunca se
usam,
em qualquer tipo de pesquisa.

onde X1 a media de X1, Xz, a media de Xz, e q1 e


qz
so as diferenas entre niveis sucessivos de cada vari-

EXEMPLO COM UM FATORIAL CE

3X3

Trata-se de um ensaio fatorial de 3 x 3 com P e K,


em 6 blocos easualzados, cujos totais de
tratamentos
constam da tabela 20.2. l.
As estimativas B1 e B 11 se obtm assim:

(
(
(

377
-1

c
(
c

-1 (-1) (-1)230,5
onde os coeficientc'S C! e C2 so tirados da tabPJ.a 12.6.
Temos, para os coeficientes relativos ao fsforo:
Bl =

(
(

B 11 =

(-l)657,l+(O)Y'51,5+(1)108L,4
18 X 2
(1)657,1+(-2)951,5+(1)1081,4
18 X 6

-~

(
(

Po

(
(

(
(
(
(

p 60

(O) (-1.)239,6

(O) (O) 331,6

(O) (1)363,3

1 (1) (-1) 187,0

(1) (0)318,4

(1) (1)376, 9

isto e:

-164,5
108 =-I, 523

Tabela 20.2.1. Totais de 6 repeti~es de um ensaio fatorial de adubao de cana-de-acar, com os dados
originais em t/ha.

(-1) (1)341,2

11 ' 786

;'l

(-1) (0)301.,5

42!1,"3

(l) 230,5

(0)301,5

(-1)341,2

(O) 239,6

(0)331,6

(0)363,3

(-1)187,0

(0)318,6

(1)376 , 9

Temos agora:

Ko

230,5 (6)

301,5 (6)

341,2 (6)

873,2 (18)

K 50

239,6 (6)

331,6 (6)

363,3 (6)

934,5 (18)

K100

187,0 (6)

318,4 (6)

376,9 (6)

882,3(18)

657,1(18)

951,5(18)

1081,4 (18)

2690,0 (54)

I
B12

onde c 12 indica os coeficientes obtidos, r e o numero


de parcelas em cada total considerado (r
6, no
caso
presente) e K12 a soma dos quadrados dos coeficientes
C12:

K1 2

(-1)873,2+(0)934,5 (1)882,3
18 X 2

0,253

(1)873,2+(-2)934,5+(1)882,3
18 X 6

-1' 051

= (l) 2 + ( -l) 2 + ( -1) 2 + ( 1) 2 = 4

onde ji exclumos os coeficientes nulos. Temos,


to:
(1)230,5+(-1) 341,2+(-1) 187 ,0+ (I) J76, 9

' :(
(
(
(

.<
__f

Falta agora estimar o coeficiente B12 Para fazlo, uma regra pritica' consiste em escrever na margPm superior e na margem esquerda da tabela20.2. L (dos
totais dos tratamentos) os coeficientes c 1, relativos aos
componentes lineares da regresso e associ-tos . ;ws termos da tabela de totais de tratamentos,; assim:

-1

I
l

pl20

-l

Analogamente obtemos:

(
.. i:(

B11 =

:. r

79,2
6x 4

portan-

7 9, 2 '

= 3,30 .

A equaao de regressao , pois:

49,81 + 1 x 11,786 x 1 + 1 x 0,253x2 +


2
2
+ 3 (-1,523) (xi- '1->+3(-1,051) (~- }')+3,30x ~
1

' . -~ ~

. ~

. ; . '.: '

'

"378

onde usamos os valon's ele M(l e J) tirados da t<ii>L'Ia 12.6


e tambm o valor Y = 49,81, mdia geral. do experimento.
As somas de quadrado~ para a an~lise da
variincia
se obt~m como no ca~ltulo 12:

SQP'

(l:ClT) 2
rK1

(424,3) 2
18 X 2

5.000,85

SQB11= SQP"

( l: C2T)2
r K2

(-164,5) 2
18 X 6

250,56

SQB1

(
(
(

SQB1 2= SQN' x P' =

(I:C12T) 2
rK12

e assim por di a nte.

(79,2)
6x 4

(
(

SQT

5.698,93

SQB

600, 5 0

261,36

Sendo:

(
-(

f\l'(
I

(
(

(P')(B J)

G. L.
;

S. Q.

Q.H.

'

5. 000, 85

5. 000.85

(P")(BJl) 1

250,56

25 o. 56

2,30

2,30

K quadritico (K") CB22)

1.19,28

119,28

1,91

Interao P'xK' (B12)

261,36

261,36

4,

Outras interaoes

64,58

21,53

p quadritico

K linear

(K') (B 2)

(Tratamentos)
Blocos
Res1duo

(8)

80, 14>'<>'<

L,, 02

19>~

' (
(

- 3,153 ( x 2 - }) + 3,lOx 1 x 2

b 12x1 + 2 bvx2=

~l

_. b l

t 2
w

h:::

Mas pre ciso no esque c er que, sendo XJ e x 2


variveis transformadas, tl
o preo da quantidade ql de
P205, e t2, da quantidade q2 de K20.
Obtidas as solues
e x~ desse sistema de equa
es, essas sero as doses econmicas a serem r e comenda-=
das, se a equao de regresso tiver mximo, e
se este
m~x i mo estiver dentro do intervalo e xperimenta l (zero a
120 kg/ha para o f~sforo, zero a 100, para o p o t~ssio).
Mas a verifi c ao de que i s so se d e x ige mtod o s matem~
ticos mais sofi s ticados.
Em particular, o pro ble ma
s~
complica c onsideravelmente c om a possibilidade d e
o cor
rnc a de pontos de sela, bastante comuns, pont os criti-=
cos qu e tm simultaneamente caractersticas de mximo e
de mnimo, mas n o so n l' m uma coisa nem outra.

600,50

120,10

40

2.496,00

62,40

20.3, UTROS DELINEAMENTOS APROPRIADOS PARA SuPERFCIES


DE REsposTA

0,345

(5.698,93)

A simplificao da equa~o de regressao

d:

Cxf- }>

0,037

4,569

e
x1

~ ficil compl 2 tar a seguinte an~1ise da var1an c 1 a .

p linear

49,81 + 11,786x 1 + 0,2 53x 2 -

SQRes. = 2.496,00 ,

Caus a de v ar 1a -;JO

37 9

2 b ll x l + b l 2x 2 =

(
(

:l!ll~

')

(
(

:..

Com esta equaao se podero fazer os estudos economicos sobre o ensaio de adubao.
Sendo t1
o preo do
fsforo (P 2 0 ~;), t 2 o do pot~sso (K 20) e w o preo da cana, as doses econmicas relativas a x 1 e x 2 so dadas p~
las equaoes:

..

.l

.,.

'"''~'"'""" "''

obtida nos

Alem dos delineamentos fatoriais, a estimao de su


perficies de resposta pode utilizar outros
delineamen=tos, dos quais os mais comuns so os fatoriais fracion
rios e os centrais compostos;
Um exemplo de delineamento central composto, no caso de dois nutrientes, i dado pelos trata~entos
seguiu
tes, nas variveis transformadas x1 e xz: (O,O), (-l,-1).
( -1' l) (1, -1 ) ( l 1) ' (- v2. o) ( /2, o) (o. -/2) (o' /2)
Nesse delineamento, os extremos do intervalo
explorado

iif:''

~~~~.--~

'

(
(
(
(
(
(

380

sao -/[e 12, nos Jois eixos, com um comprimento


total
de 2/2 =2,828.
Se quisermos, na pratic a , que l'SSl~ inter
valo n o eixo X 1 (com valores originais) v de zero a 120
kg/ha de P 2 0 s , ento x 1 = -12 corresponder a x = O
e
1
xl = 12 a X1 = 120 kg/ha de fsforo.
O ponto
,:ent ral
(0,9), c~m1 x 1 = 0.! receber X1 = 60 kg/ha de P o Qual
2 5
sera o n1vel de fosforo corresponde a x = l? Ora,
quan
1
do x 1 varia de zero a I'I, X1 vai de 60 a 120 kg/ha
de
Pz0 5 .
Logo, ~emos a regra de tris:

12

- o

12

-+

(
(

(
(
(

(
(

(
(

(
(

c
(

L<>S centrais c a de t[lll' .pvrmiLL'IIl vs timar o erro


expt.~ri.
mental, sem repeti..es Jos demais pontos. Es se s
delineamentos so especificas para a indstria, e neLa a repetio de t odos os tratamentos fica muito cara.
Assim
sendo, (. comum rl' <'omenJa r a rl' petio ape nas Jo
ponto
central. Se assim fizermos, o experimL~nto contar
com
13 parc e las, e a anlise da varincia ter
o
esquema
seguinte.

Causa de variaao
Regresso
Desvios da re g ressao

logo:

x1-6o
x1 ~

(
(

120-60 = 60
xl - 60

381

60

12

60 + 42,4

60
1,414
102,4 kg/ha de

('J' r a L anJl'11los)

42,4

r 2 o5

Se o intervalo de X2 (com valores or iginais) va riar


de zero a 100 kg/ha de K 2 o, a x = -12 corcorrespon der
2
X~ = zero de potssio, a x
X2 = 100 kg/ha de po2 = IL,
t ass o, a x 7 = O, X? = 50 kg/ha de potssio. a x, = 1,
Xz = 85,4 k~/ha de p~tsso. Em resumo, na pr~ti~a os
nove pontos do delineamento seriam os seguintes, na mesma ordem usada anteriormen te: (60,50),
(17,6;
L4,6),
(17,6; 85,4), (102,4; 14,6), (102,4; 85,4),
(O,
50)
(120, 50), (60, O), (60; 100).
No caso ge ral esse delineamento in clu os se guintes
pontos (COCHRAN e COX,. 1957), expressos nas
vanaves
transformada s:
Ponto central:' (0, O), " n V@'lzes ,
Fatorial de 2 x2 : (-l,-l),(-l, l),(l,-l),(i ,"l) ,
Pontos axiais: Ca,O), (a, O), (0, ~a), (0, ct)
Para dar propriedades mais convenientes ao de I ineamento, o estat!stco dispe de dois parmetros que podem
ser mudados: A. O valor de a;
B. O numero de pontos cen
trais (n). Por exemplo, COCHRAN e COX ( 1957)
recomen=
dam esse delineamento com a= 12 e n = 5 pontos
centrais.
Uma outra explicao para a multiplicida de de pon-

(
(
c~
---------------------

Res du o

c. L.
5
3
(8)

Total

Em geral, os 3 grau s de liberdade dos Desvios da Re


gr e ss~o pcidem ser juntados aos do ResiJuo, que passam en

t 'ao a ser 7 .
Os delineamento s cen tr ais compost os tem a vantagem
de, em muitos casos, exigir menor numer o de tratamentos
do que os fatoriai s comp l etos corresponden tes. Por exem
plo, o fa tori a l de 3xJ x'J , com 27 tratamt'ntos, pode ser
S <tbstit11do por um ceutr :.d compost o de L5 pontos,
se ti
vvr um s ponto cl!n tral, ou Je 20, se tiver 6, como al-=
guns r ecomendam.
Mas a sua eficincia menor e o delin e; Jmento menos robusto. Uma opo melhor parecem
ser
os fatoriais fracionrios , por exemplo, (l/4) 4x4 x4, com
16 tratamentos, ou (l/5)5x5 xS, com 25 (CONAGlN e JORGE,
1982).
Mas esses del ineaml'ntos devem ser usados, na pc~
quisa agricola, l'Om pL'1o menos duas rep et ies.
O estudo das superfcies de resposta bastant e difiei 1, e nele o uso de matrizes quase sempre
essen
cial. Pela sua complexid:1dv
d,VL'
ficar, quase
sempre. nas mo ,; de espL'calisla s.

20.4. BIBLIOGRAFIA
/\LVI\I:i. V., V.ll.,

I()HS.
1\valiao da Fertilidade doSolo (Gtqwrf('iPs de Resposta-Mod elos Aproximativo s Pa-

382
383

(
(

(
(

(
(

(
.(
(

(
(
(

(
(

(
(

.(
(

(
(
(
(

(
(
(

ra Expressar a Rela~o Fator-Resposta) .


Uni v.
Federal de Viosa.
ANDRADE, D.F. e A. de Q. Noleto, 1985.
Exemplos de Fato
riais Fracionados (1/2) 1; 3 e (1/4) 4 3 para <l Ajuste
de Modelos Polinomiais Quadrticos. Simpsio de Esta
tstica Aplicada Experimentao Agronmica:
19-24ESALQ, Piracicaba. Pesq. Agrop. Bras.,2l: 677-680.1936.
BATISTA, L.B., 1978. Delineamento em Crculos.
PAB 13
(4): 9-12.
BRAGA, J.M., 1982. Avaliao da Fertilidade do Solo (En
saios de Campo).
Univ. Federal de Viosa.
CN1POS, H., 1967. Aspectos da Aplicao das Superfcies
de Resp~sta a E~sa~os Fatoriais de 33 de Adubao (te
se de L1vre-Docene1a) . ESALQ, Piracicaba.
COCH~, W.G. e Gertrude H. Cox, 1957. Experimental Des:tgns, 2? edio, John Wiley, N. York.
CONAGIN, A. e J.P.N. jorge, 1977. Delineamentos (1/5)53
Bragantia 36: 23-58.

CONAGIN, A.
e J.P.N. Jorge,
1982.
Delineamento
(l/5)(5x5x5) em blocos. Bragantia, 41: 155-168.
JORGE, J.P.N. e A. CONAGIN, 1977.
Estudos em um Grupo
Especial de Delineamentos 0/S) 53.
Bragantia, 36:
59-88.
MYERS, R.H., 1971.
Response Surface Methodology. Allyn
and Bacon, Boston.
PIHENTEL GOMES, F., 1969. Novos Aspectos do Estud o Econmico de Ensaios de Adubao. Fertilit 34: 3-9.
PIMENTEL GOMES, F. e H. Campos, 1972. The Effici-ency of
Factorial 3 3 Designs as Cornpared to a Ce ntral CoMposite Rotatable Design. Potash Review, fev.
PIMENTEL GOMES, F., N.M. dos Anjos, A. Negri Neto,
Ana
Maria Futino e L.C.A.G. Zagatto, 1982. Respons:e Surfaces Applied to Several Hundred Factorial Experirnen~
with Fertilizers in Brasil.
11? Conf.
Tnterni0ional
de Biometria, Toulouse.
ZIHMERMANN, F.J.P. e A. Conagin, 1986. Ajuste de Modelos Polinomiais de 29 Grau em Pesquisas com Fertilizantes.
Pesq. Agr. Bras., 21: 971-978.

(
(

(
(
-

(~---~----

21. TESTES NAO-PARAf,1TRI COS


21.1.

INTRODUo

Na s e iu 2.3 vimos as quatro hip~teses bsicas que


se aumi tem ao ap .licar aos dados experimentais a anlise
ela varincia e os testes, tambm chamados provas, geralmente a el ~ asso~iadus: F, ~. de Tukey, de Duncan,
de
Bonferroni, dcSclwff. etc.
Todos eles exigem,
inclusive, que os erros ~~x perimentais tenham, pel9. menos aproxi_
madarnente, distribuio normal, distribuiau que temduis
parmetros, a mediam e a varincia o 2 . E exigem
tam
bm que a vari nci a seja aproximadamente a mesma
para
todos os tratarnen tos, com relao entre o maior e o meno r quadrado mdi o residual que no exceda 7, corno v imos
no capitulo 8.
A falta de normalidade no raro tem uma
so J u:lo fac i.l e e .E ic iente, que a seguinte.
Di::
um
tl'O rema d a Estat s tica Matemtica que, em condioes muito ge rui s , a muiu aritmtica de n variveis tem dstribu<;'Zw aproximadamentt normal, desde q::te_n uc1o seja
u~
nttmero muito pequtno.
A normalidade ja e bastante razo~
vel., Pm gt.'rul para n. ' 5 ou 6.
Ass im, se num ex periml'nto co m t oma teiros, avaliarmos a sanidade de cada p arce la por ma nota (de zero a dez, por exemplo), as
notas
ubtidas nao St' pn:stam- aplicl~o da anli se: da var1an
cia, nem Je test e s a ela associados.
Mas se as
notas
forem dadas ind epe ndentem(nte por vnrtns
nbs l'tvadores
treinados e forem atribuidas separadamente a cada
toma
teiro, a cada parcPla c orresp c nder uma nota mdia,
e a
~ssas mdias a a nlise Ja varncia e os test es mencion~
dos podem ser aplicados sem n e nhum problema, se as
varincias no forem muito discrepantes. E essencial, porm, que cada observador trabalhe independentemen te, sem
saber a opinio dos outros, e que julgue cada planta sem
considerar as demais.
O mesmo principio se aplica
na~
provas de xicara do caf, em que se faz sua classifica~io de acordo com a bebida (BARBOSA ~ outros, 1962,
PIMENTEL GOMES e outros, 196 7). Nessas provas cada parcela tem vrias xicaras de caf, que sio aval iad;Is por v-

384

rios degustado res previamen te selecionad os. I~ a L'<Ic..la b~bi


da indicada (Rio, Riad,. Duro, Apenas Mole, Mole e Estri
tamente Mole) correspond e uma nota, nume.scal a convenci
nal. As rredias dessas notas, por parcela, que so analisa::
das.
Mesmo assim, porem, h trabalhos experimen tais cujos resultados no se prestam aplicao da an~lise da
varincia nem das provas co rrelatas de comparaao de medias de tratament os.
Faz-se necessrio , ento lanarmo
de outros testes, que se dizem no-param tricos. Na defi
nio de RODRIGUES (1970), prova no-paramtrica~ aque-=
la que dispensa o conhecime nto da forma e dos parametros
da funo de distribui o da varivel aleatria em consi
derao. Mas essa definio na verdade excluiria virias
provas considerad as no-param tricas, como a binomial. Um
dos testes no-pararr etricos, talvez o de uso mais comum,
o do qui-quadra do, estudado no capitulo 15, e que
se
aplica a dados de freqncia s.
Mas h muitos
outros ,
tais como: o teste binomial, o de Wilcoxon, o de
Krus kal-Walli s o de Friedman, o de Kolmogoro v-Smirnov, etc.
7
-
(CAMPOS, 1983). No entanto, os testes nao
- pai-:..lmetr.L cos
so, quase sempre, de aplicao restrita e de resultados
pouco satisf atrios . Apesar di s so , apresentam a 1 gumas va~
tagens:
A. N'o exigem distribui o normal,
nem
vanancias
iguais.
B. Podem ser aplicados adados que nao sejam numerx~os, por eiemplo, em que haja uma escala nominal
de valores. Um caso como este seria o da avalia
o do sabor de um alimento,
considerad o como:
mau, sofr1vel, regular, bom ou timo.
Discuti3 remos
rapidament e,
a seguir, alguns
dos
testes no-param tricos mais comuns, que se acrescenta m
ao do qu1-quadr ado.

(
(
(

(
(
(

(
(

c
(

(
(

(
(

(
(
~(
~c

(
(

(
;7;('

(
(

(
(

385

21.2. 0 TESTE

fe

pl'di.ndu-lh L' que diga qu;d u 1nelllor. No <: aso dL' ser
o caf de coa~or, c ons~derar~mos o sina~ como
+ (mais); em caso contrario, sera cons1derad o o s1nal co
mo - (menos).
Suponhamo s que seja o seguinte o resulta-=
do do experimen to:

pr~ferido

Preferem caf~ do coador (sinal+): 25 pessoas


Preferem cafe de maqu1na (sinal -): l5 pessoas.
Se os dois tipos de caf fossem iguais, deverl.amo s
ter. em m~~dia, 20 sinais mais e 20 sinais menos.
Se o
numero N de blocos (ou de pessoas, o que e equivalen te)
for superior a 20, pode-se aplicar o teste t com infinitos graus de liberdade, assim:

o,5

2 B -

IN

IN

onJe B o nmero de sinais mais (ou de. sinais


menos,
tanto faz), 0,5 N o valor esperado (a rredia m = Np
=N (l/2) = 0,5 N),
no caso de no haver efeito de trata
mento (hiptese de nuluade) e 0,5 IN o desvio padrO
(o) da distribui o binomial:
u = /Npq

vN(O,S(O,S )

o,5

IN

t recomend vel, porem, ao apli,~ar essa fcmula, ff:_zer a cnrre<;o de cuntinllida de (SNEDECOR e COCHRAN, 1967),
que c 011 s 1 s t e e m '..-tJbtralr 0,~
__. do valor absoluto Jo numera
dor da primeira tr:-a.,;ao , tomando, pois:
t

11)-

O,SN\

-0,5

\:LB-N\ -1

o,s IN

DO SINAL

Aplica-se quando temos s dois tratamento s, em blocos casualizad os, e no podemos avaliar a diferena entre ele.s numericam ente. Por exemplo, suponhamo s que se
qu~r comparar o caf de maquina italiana como caf
de
coador. Podemos tomar, ao acaso, 40 pessoas e dar a cada uma delas uma xicara de cada um dos dois tipos de ca-

B - 0,5 N

IN

No caso presente fica:

\2

25 - 40

I -

1,42

l4o
o
t

limite de t, ao n1vel de 5% de probabilid ade,


e
1,96 . Como o valor achado (1,42) menor . do que es

(
(
(

(
(
(

386

387

e,

(
(
(
(
(

(
(
(
(
(

(
(
(
(

(
(

(
(
(

lzx28 - 4ol-l
140

significativo ao nivel de S% de probabilidade, mas


nao
ao de 1%, pois o limite de l% e 2,S8.
No caso de o nmero de blocos ser menor que ou igual
a 20, faz-se necessrio o uso de tabelas especiais,
tal
como a tabela 17, que nos d a probabilidade P (n ~ ~),
isto , a probabilidade de ter frequncia n de ocorrencias menor do que ou igual ao valor observado B.
Suponhamos, por exemplo, que, no mesmo experimento, se tomas
se a opinio de apenas 16 pessoas, com o seguinte resul~
tado:
Preferem caf de coador (sinal+): 12 pessoas,
Preferem cafe de mquina (sinal-): 4 pessoas.
Consideramos o nmero menor de observaes: B
4.
Na tabela 17, a probabilidade de ter um nmero de ocorrncias n ~ ~. em N = 16 tentativas, P = 0,0384,
isto
, 3,84%. Tal resultado seria, pois, significativo
ao
n'vel de Si. de probab lidade, uma vez que temos P ~ 5%.
Nestas condes,se adotado o nvel de sgnificncia de
Si. de probabilidade, a hiptese de nulidade seria rejeitada, e concluiramos que o caf de coador
preferido.
~ interessante salientar que, dentro das limitaes
j conhecidas relativamente s frequncias esperadas, que
no deveriam ser menores do que 5, para N < 40
podcmos
aplicar a este problema o teste de qu-quadrad;.
Por
exemplo, no caso do primeiro experimento, com
N = 40,
teramos a tabela seguinte, com os valores esperados entre parnteses.

Sinal +

Sinal -

2S (20,0)

lS (20, O)

Total

(
(
(
(

CaLculamos, pois:

se limite, conclui-se que o resultado no L'


significativo, isto
no se com.provou diferena entre os
tipos
de cafe.
Se, ao contrrio, tivssemos 28 pessoas favo.
rave1s ao caf de coador e, pois, 28 sinais mais, o valor de t serla:

40

(2S - 20,0) 2
20,0

(JS - 20,0) 2

2,50

20,0

valor que, com um grau de liberdade, nao significativo.


J no caso de 28 pessoas favorveis ao caf
de coador
teramos x2 = 6,40, significativo ao nlvel de 5% de probabilidade.
I:: preciso considerar, porm, que o teste do sin;d,
aplicad~ com o auxilio da tabela 17, ~ exato
e nao tem
restrioes, ao pasao que a prova de qui-quadrado apenas aproximada e seu uso est sujeito s restr;es vlstas.
Para N > 20, o teste t, aplicado como vimos, nao
exato, mas tem aproximaio excelente.

21.3.

INTERVALOS DE CoNFIAN~A PARA UMA PORCENTAGEM

Um problema importante, na prtica, em que os mto


dos chamados no-paramtricos do uma soluo valiosa e
o de achar um intervalo de confiana para uma
proporo ou porcentagem observada.
Suponhamos, por exemplo,
que c'llC re 16 animais vacinados contra tristeza,
somente
um tenha contrado a doena, depois de alguns meses
em
que estiveram sujeitos ao contgio. Neste caso,
qual
seria a probabilidade P de que contraiam a tristeza
os
anirnai.s vacinados? A probabilidade observada (p),
que
e, na verdade, uma relaio de frequ~ncias, ser1a:
p

1
-~-6-

0,0625 =
'!;f

6,25~{

onde B e o nmero de casos de c'ntag1o e N o numero total de animais do ensaio.


Has a probabilidade verdadeira (p) poderia ser mais alta ou mais baixa do que
essa
estimativa.
Intervalos de confiana para essa
uroporo ou probabilidade, em funo de N e de B, so
dados
pela tabela 18.
Nela, para N = 16 e B = 1
achamos
o
intt>rvalo de confiana (0,2%; 30,2%) para a
probabilidade.
Quer isto. dizer que, repetido o ensaio mui tas vezes, em 95% dos casos intervalos de confiana como
esse incluiriam o verdadeiro valor da probabilidade p. Es-

. ,; __

.~_-,,,._,, .

,---~- -

~' :~ -.-_.:5 "'-~:..::"'

(
(

(
(
(

(
(
(
(

388
389
:;a e a lingua gem rigoro sa da Estat :;Lica , mas,
com ml!nos
rigor e mais intuit ivame nte, podem os dizer que
o verdadeiro valor de p, desc"nllL~cido, tem 95% de probab
i.l idade
de estar entre 0,2% e 30,:2.%.
Este interv alo, L'XCL!SSvamente amplo , s pode ser encur tado media nte
u
uso de
maior numero de repeti es, isto
de maior numero
de
anima is.
Supon hamos , pois, que novos anima is tenham sido ensaia dos e que, com 60 deles , somen te l adoece
u. Qual
o novo interv alo de confia na? A tabela l@' no
nos
d
solu o, pois s vai ate N = 20.
Mas a respo sta,
em
porcen tagem , se pode conse guir com as frmu las
seguin tes:

e,

(
(

(
(

Pl
PS

(
(
(
."!.o

(
(

(N-B) + (B+l)/ F*f2(N -B),2( B+l)]


onde PI e PS so o extrem o inferi or e o super
ior do tnterval o de confia na. F*[2B ,2(N-B +l)] o valor
do
F
bilate ral, com 2B e 2(N-B +l) graus de liberd ade,
dado pe
las tabela s 3 e 4.
F'''[ 2(N-B ),2(B+ l)l tem signif iLado s
mi lar . No prese nte caso, temos N = 60, B =
1.
Se
ado
tado o interv alo de confia na de 95% de
probab i lide1de~
usamo s a tabela 3. E obtem os:

100

PI

100

1 + 60/F1< (2,
pOlS F*(2, 120)

120)

0,025 3.

l + 60/0,0 253

o' 04 % '

Por outro lado: _

(
(

(
(
(
"

PS

100 -

Em muitos exper iment os, o result ado, traduz ido


por
frequ ncia s, pode ser expre sso em porce ntagen
s,
que
se
devem compa rar.
Por exemp lo, num experi mento com 3 metodo~ de enxer tia (A, B, C) havia 200 enxer
tos para cada
mtodo e pegara m 180, 150 e 145, desses enxer
tos, respe~
tivam ente. Podem os, pois, organ izar uma tabela
de
contingn cia expos ta a segui r.
Mtod o de
enxe r tia

Enxer tos
pegado s

Enxer tos
morto s

Total de
enxer tos

180

20

LSO

50

144

56

200
200
200

474

126

600

100

59

100- 91,08

8, 92 i..

59 + 2/F*( llS, 4)

O interv alo de confia na , pois, (0,04% ;


o aumen to do numer o de repeti es trouxe , pois,
.derv el encurt ament o desse interv alo.

Um caminh o a segui r e a aplica o do teste de


quld ~d
j~ visto no capitu lo 15, que nos daria, no
1
0
caqu.lprese
r,- nte,
'
so

1
--,x-2 = 2 ?_,'4'2 , com_? \...L. , s1gn1
ao
1ca ti ~ o
nvel de O l% de nroba bi.li d adc..
Podem os, a segtn r, considera r dois cont~astes ortog onais ; l) O mtodo
A ve rsus
os outros dois;
2) O mtodo B versus o mtodo C.
Mas h outra solu o intere ssant e, basead a na
distribui o binom ial.
Com efeito , demon stra-se que se x
for, por exemp lt), a purcentagL~m de pt.gam ento
dos et_l~er
tos no mtod o A, c a leu lada para N enxer tos, a
v a l-Lave 1
transf ormad a
y = arco seno

' .(

CoMPARAo DE PoRCENTAGENS OBsERVADAS

100 (N-B)

100 -

(
(

100 .a
(N-B+ l) /F'"[ 2B, 2 (N-B+ l)]

21.4.

expre ssa em graus ,


V(y)

8,927. ).
conSl-

tem variin c ia
=

820,7
N

Assim , se cbnsid erarm os duas porcen tagens xi


e xu'
ca!culada s para N. N indiv duos, respec tivam ente,
entao
a difere na entre a~ variv eis transf ormad as yi
- Yu tem
varin cia

(
(

390

391

(
(

(y.

1.

820,7

y )

N.

810,7

1.

= 820,7

~i

*).

Nao ocorre, por L'Xtrnplo, no caso Je doL'nas


sas, em que a di~tribuio no
binomial.

contagio-

(
(

Para provar a diferena Z


de Tukey, u~amos o valor

yi - yu , pelo

teste

(
(

/820,7
q
2

(
(
(
(

onde q se tira das tabelas lO e ll, para n tratamentos e


infinitos graus de liberdade para o resduo.
No
exem
plo que estamos discutindo ha n = 3 tratamento~,
com
Nl = N2 = N3 = 200 enxertos cada um.
Temos, po1.~,
para
qualquer das tr~s compara~es possiveis:

Os valores de x e de y para os tres tratamentos sao


seguintes.

(
~ (

DE KRUSKAL~WALLIS

Nesta e nas se;es seguintes, discutiremos o teste


de Kruskal- Wallis e o de Friedman, escolhidos como tpicos dos mtodos de anlise no-paramtrcos que
usam
estatisticas de ordem.
O teste de Kruskal-Wallis
se
aplica a ensaios inteiramente casualzados, quando
h
3 ou mais tratamentos.
No caso de serem 2 os
tratamentos, h um teste semelhante, o de Wilcoxon
(CAMPOS 7

1983).

Consideremos os dados da tabela 21.5. L,


relativos a porcentagem de plantas doentes num experimento de
tomateiros.

6 '71 .

21.5. 0 TESTE

Tratamentos

Porcentagem de
pegamento(x)

Tabela 21.5.1. Porcentagem de plantas doentes num ensa1o


de tomateiros, inteiramente casualizado.
os

arcoseno vx/100

A
B

907.
757.

71,57
60,00

727.

58,05

Tratamento l

Tratamento 2

lO% (2)
15% (3)

277.

( 4)

28% (5)
44% ( 9)

5% (l)
30% (6)

35% (7)

T rat amt:n to J

4U%
70%
55%
607.

(8)
(L2)
(lO)
(ll)

(
.(

I ,

(
(

(
(
(
(

(
I

Comparando os valores de y, verifica-se, que o tratamento A supera significativamente os tratamentos B


e
C,e que estes no diferem significativamente entre
si.
Est claro que se os nmeros de enxertos ensaiados
variassem de um tratamento para outro, haveria valores dis
tintos de !J. para cada par de porcentagens comparadns.
Este mtodo excelente, mas s se aplica quando a
distribuio das frequncias
binomial, o que
ocorre,
por exemplo, no caso de porcentagem de acasalamentos fecundos, de pegamento de estacas,
de partos distocicos.

Os nmeros entre parnteses se referem ordem dc:>s


dados, desde o menor (57.), que recebe o nmero l,
ate o
maior (707.), que recebe o nmero 12.
A seguir
somamos
as ordens para cada um dos 3 tratamentos.

. Tratamento l:
Tratamento 2:
Tratamento 3:

R1
R,
R3

2 + 3 + l + 6 = 12
4 + 5 + 9 + 7 = 25
8 + 12 + lO + ll = 41

O teste Eie baseia exclusivamente nestes


valores,
sem levar em conta se as diferenas entre os dados or1.-

(
(

392

ginais sao pequenas ou grandes.


Elv daria, pois, o mesmo resultado para os dados da tabela 21.5.2, em que a di
ferena entre os tratamentos ~ bem menor.

393

(
(
(

Tabela 21.5.2. Porcentagens de p 1 antas doentes num


ensaio de tomateiros, inteiramente casual i zado.

Tratamentos
2

20.%
257.
187.
307.

(
(

(2)
(3)
(l)
(6)

27%
287.
347.
317.

(4)
(5)
(9)
(7)

337. (8)
407. (12)
367. (lO)
377. (11)

(
(

(
(

Por outro lado, avaliando diferenas apenas de ordem, sem nenhum crit~rio quantitativo mais pre c iso
a
analise no-paramtrica deste tipo dificulta muito' a 1 nterpretao econ~mica dos resultados.
Assim sendo
com~ regra, os mtodos no-parametric o s, que usem es~at1s
t1cas de ordem,devem ser e vitados, tanto quanto
possvel.
Com os valores de R obtidos, c a lculamos a e statsti
ca H, assim definida:
2

(
(

(
(

12
N (N+ 1)

Ri
n.

12
X

l3

Tabela 21.5.3. Porcentagens de plantas doentes num


ensaio de tomat 2iros, inteiramente casualizado .
Tratamentos
2

3 (N+ 1)

12

O valor de H = 12,216 seria,


pois,
significativo ao nvel de Si. de probabilidade. Tambm se usa a tabela de qui-quadrado quando o nmero de repeties
de
um ou mais dos 3 tratamentos for maior do que 6.
0 metodo que acabamoS de expor e simpl<!S e
rapido,
mas no permite que haja empates.
Como fazer, se
eles
aparecerem? A soluo consiste em atribuir, a cada parcela de um grupo de parcelas empatadas, um valor igual
mdia dos nmeros de ordem que lhes caberiam, se no hou
vesse o empate. Para exemplificar, voltemos ao experi~
mento dos tomateiros doentes, com valores um pouco modificados (tabela 21.5.3).

onde N e o numero total de parcelas no experimento


e o nmero de repeties do tratamento 1. No caso
sente temos:

H "'

Ao nvel de 57.:
9,49 ,
Ao nvel de 17.: 13,28 .

sultado obtido significativo ao nvel de 0,77. e, pois,


tambm ao de li. usual.
No caso de mais de 3 tratamentos (k > 3), a
tabela
19 no
aplicvel, mas podemos usar a de qui - quadrado,
com (k - l) graus de liberdade. Por exemplo, se fossem
5os tratamentos (k "'5), com H"' 12,216, teramos, pela
tabela 15, com 4 graus de liberdade:

(12) 2 + (25)2 + (41) 2


- 3 xl3
4

e ni
pre-

187.
207.
207.
297.)

(1)

(2,5)
(2, 5)
(7)

277.
287.
297.
297.

(4)
(5)
(7)
(7)

337.
(9)
347. (lO)
377. (ll)
387. (12)
40% (13)

8,115.

(
(

(
(
(

No caso de k "' 3 tratamentos, a significncia de H


se julga com o auxlio da tabela 19. Nela, com n 1 "' nz"'
"'n3 "'4 (nmero de repeties para os 3 tratamentos), a
chames h= 7,731, com probabilidade a= 0,007.
Quer isto
dizer que um valor H~ 7,73l,s ocorreria, por acaso,com
a probabilidade a "' 0,007 "' 0,77.. Nestas condies o re

Temos duas parcelas empatadas com 207. de


plantas
doentes e trs empatadas com 29%. As duas de 207.
teriam, na ordem crescente de valores, os nmeros 2 e 3:
damos a cada uma o valor mdio: 2,5. As trs de 297., da
riam os nmeros 6, 7 :.e 8: recebe cada uma o valor
do: 7.

me=

394

Note-~e que agora temo~ num~ros distintos de repeti


es: n 1 = 4, n 2 = 4, n 3 = S.
A estatstica a calcular agora e:

(
(

395

c
com H definido como anteriormente e
2

c =

(
(

L:ti (ti - l)
N (NL 1)

onde ti o numero de observaes empatadas em cada grupo de empates.


No caso presente temos:

l + 2,5 + 2,5 + 7
4 + 5 + 7 + 7

(
(

(
(

(
(

(
(
(

(
(
(

(
(

55 .

N (N+l)
2

l.:R. =
~

Note-se que em todos os casos devemos ter

(
(

13 '

23

9 + 10 + 11 + 12 + 13

R3

Esta propriedade permite uma verificao fci l d o ~ c lcu


los. No caso presente temos N(N+l)/2 = (13) (14) / 2 = 9C
e r ealmente R 1 + R2 + R 3 = 9 1
Por outro lado, temos:
H =

_g__
[
lJ 14
X

(13)2 +
4

Ju s t' r.ta, pu1s, significativo a e~SL' nvel J~ probabilidade.


Tambm no c aso de empates se usa a tabela de
qu~
-qtiaur.Jdo parl avaliar a significncia de H , quando nao
se possa aplicar a tabela 19, isto , para nmero
de
tratamentos acima de 3 ou numero de repeties em um ou
mais tratamentos acima de 6.

(23)2 +
4

(5~)2]-

3 x l4

10

9> 4

21. 6,

CoWARAO LE ~'DIAS NOS ENSAIOS lNTElR#'fNTE

CAsUALI ZAOOS
Na seo anterior estudamos o teste de Kruskal-Wallis, que, no campo no-paramtrico, substitui a prova de
F. Mas sempre interessante procurar comparar as
medias de tratamentos duas a duas, para melhor apreciar as
di f erenas entre elas. Para isso, apresentaremos um metodo simplificado, de preciso muito satisfatria.
H dois casos a considerar:
A) O expe r imento tem k = 3 tratamentos e no
ma~s
de 6 repeties para cada um (ni.; 6);
B) O experimento tem mais de 3 tratamentos (k > 3)
ou ma~ s de 6 repeti es para al g uns deles o u t odos.
A) Cas o de k = 3, ni ~ 6, com i = 1, 2, 3.
Comea-se por calcular as medias das ordens:

R.

No primeiro grupo de empates h _duas parcelas empatadas


(tl = 2), e no segundo, trs (t2 = 3). Temos, po~s:
2
2
c l - 2(2 -1) + 3(3 -1)
0,986 . '
13(13 2 - l)

A seguir calculam-se as dif~ren~s mnimas significativas para cada par de medias Ri e Rj:
=

ilij

/N(N+l)
12

_]__+_l)h
( ni .
nj

logo
9,400

0,986
Com n1
n2 = 4, n3
5, a - tabela 19 nos d h
7,76~ com probabilidade a = 0~009 = 0,09%:
O resulta-

onde N o numero total de patcelas do ensaio, ni e n.


so os nmeros de repeties dos tratamentos i e j, resl
pectivamente, e h
um valor retirado da tabela 19. Est claro que se os 3 tratamentos tiverem o mesmo nmero
de repeti~es, os valores de il serio todos iguais.
Is-

(
(

(
(

3 96

397

to ocorre para os exemplos das tabelas 21.5.1 e


para os quais t e mos:

R1 = 3,00 ,

=/12 x l3
12

6,25

Rz

(-i-+ -i-)

21.5.2,

S 11 p Ull lt i.!ITiS, por L~ xc mp Lu ,


sualizado em que tenhamos:

10,25

5,6 92

6,08 .

(
(
(

(
(

Rl

70

-Rl

14,00

n2

75

R2

15,00

n3

R3

100

R3

20,00

80

L.

lO

8,00

As diferen as m~n1ma s si gni fi cativas calculadas com


(n = (l/2) 4 x 3 = 6 contrastes, n = "" a o n12
vel a de 5% de p r o babil ida d e) s~o:
t

= 2,64

-u-

. , 6 J25 x26 ( 1
1 )
4
-5- +-5-

~25
x 26
---u-

2,64 .

6,53 '

ensaiO i nte i ramcnte ca-

n]

n4
Usamos a o valor h = 5,692, correspondente a a
4,9% de probabilidade, nivel bem pr~ximo do usual, de
5%. Nestas condies, ao nvel de 4,9% de probabilidade, a nica d iferena significativa d o ensa~o
a
que
existe entre os tratament os l e 3.
No caso do exp erimento relati vo tabela
21.5.3,
o nUmero de parcelas
N = 13 e a t abe la 19 nos da h
5,6 18, ao n ve l de 5% de probabilidade, logo:

Ulll

( 1

-5-

1 )
+--w

12' :2 '::! '

10, 64 .

6' 19 .

(
(

(
(

i(
(
(

(
(

tos 3

As mdi as de tratamentos sao :

R2

5,75

11,00 .

Tambm n este caso se co.hclui que so se comprovou di


ferena entre o s tratamentos 1 e 3.

c
(

(
(

_(

l' 4 .
Note - se qu~ u valur de H neste caso seria H = 9,60,
corr-espondent e a um qui-quadrado com 3 gr aus de
li berda
de.
Pela tab ela 1.5, es se val or de H significativo ao
niv cl de 5% de pr-oba bi lidade .
No t e - se t ambm que o t este feito p ara comp ara ao de
medias neste cas o B corresponde exatamente ao de Bonferron~.

B) Caso de k > 3 ou ni > 6 par a algum t ra tamento.


Nestas condies, a diferena mnima sgni_ticativa
A . . en tre as mdias de dois tratamentos quaisqu er , ao n~
v~ i a de p robabilidade, dada pela frmula

Veri fic;1 -sc, nois, (F'<', <H' nvtl rlt~ 51.: de !'rob abili
tCJtamen-

dade, sr) L; significati 'J<1 <l difcr~c ni:l e ntre os

L"ij

N (N+l)

12

onde t tirado da tabela 21, com inf i nitos g raus de liberdade e comn igual ao nmero de contrastes em estudo,
que , no mximo, n = (1/2) k(k-1).

21.7. 0 TESTE

DE ~-R I ED"''AN

Destinado a substituir o teste F, na analise nao-pa


rametrca, o t e st e de Fri edman se aplica aos ensaios em
blocos casualizados. Quando cada bloco encert"a
apenas
2 tratamentos a prova indi('ada
a do sinal.
Para o caso de 3 ou mais tratamentos, usa-se o teste de Friedman.
Tomaremos como .exemplo os dados da tabela
21.7.1.
rel.ativas a um ensaio com 3 tratamentos, em 5 blocos casualizados.

:':~,,~

398

399

(
(

Tabela 21.7.1. PorcL~ntagens de plantas doentes em ensaio


de tomateiros, em blocos casualizados.
Tratamento l

(
(
(

(
(

19
29
39
49
59

bloco
bloco
bloco
bloco
bloco

207.
287.
57.
40%
18%

Tratamento 2

(l)

27i. (2)
(l)

(2)

157.
207.
35%
20%

(1)

(2)
(1)

(3)

(1)
(2)

Tratamento J

407.
607.
15%
60%
25 i.

(3)
(3)
(2)

Ao nvel de 57.:
Ao nvel de 1%:

(3)
(3)

(
(

(
(

(
(

Para aplicar o mtodo, comeamos por pr em ordem


os dados, dentro de cada bloco, dando-lhes nmero de 1 a
k, onde k o tamanho do bloco. Tais flumeros de
ordem
aparecem entre par~nteses na tabela 21.7.1.
A
seguir
obtemos as somas desses nmeros (Rj_) para cada tratamen
to:
Rl
R2
R3

1 + 2 + 1 + 2 + 1
2 + 1 + 3 + 1 + 2
3 + 3 + 2 + 3 + 3

7
9

(
(

(
(

(
(
(
(
(

(
(
(

12
bk (k+ 1)

L: R~
l

14.
chama-

3 b(k+l)

onde b o numero de blocos e k o seu tamanho.


Se
o
numero de tratamentos for de 3 a 5, julga-se a
signifi
cncia de K por meio da tabela 20.
No caso presente temos b = 5, k = 3, logo:

K = ---.!3._
5x3x4

[(7) 2

Tabela 21.7.2. Porcentagens de plantas doentes em ensaio


de tomateiros, em blocos casualizados.

Tratamento l

Em continuao, calculamos a estatstica K,


da qui-quadrado de Friedman:

+ (9) 2 + '(14)2]- 3x5x4

11,07 '
15,09

O resultado seria significativo, portanto, ao nvel


de 5% de probabilidade.
Vejamos, agora, como agir quando h empates.
Tomaremos como exemplo os dados da tane la 21.7. 2.

.,

(
(

bela 2U, a estatstica L< tem distribui;;ao aproximada do


qui-quadrado, com (k-1) graus de liberdade. Assim,
por
exemplo, se tivermos, num experimento com k = 6 ~ratame~
tos, em 5 blocos casualizados, K = 13,80, buscarlamos os
limites de signif.cncia na tabela 15. Obtemos, com
5
graus de liberdade:

5,20

Pela tabela 20, esse valor de K ou maior ocorreria


com probabilidade de 0,093 ou 9,3% se fosse vlida a hiptese de nulidade.
Assim sendo, se adotado
o limite
usual de 5% de probabilidade, o resultado no seria significativo.
No caso de haver mais de 5 tratamentos (k > 5)
ou
para numeros de blocos acima dos mximos previstos na ta

19 bloco

20!~

(1 '5)

29
39
49
59

28%
5%
40%
18%

(2)

bloco
bloco
bloco
bloco

Tratamento 2

(l)
(2)
(1)

20% (1, 5)
157. (1)
40% (2, 5)
35% (l)
207,
(2)

Tratamento 3

40%
607.
40%
60%
25%

(3)
(J)

(2,5)
(3)
(3)

Tal como no teste de Kruskal-Wallis, no caso de empate, atribumos a cada parcela de um grupo
de parcelas empatadas um valor igual media dos nmeros que lhes
caberiam, se nao houvesse empate. A nica diferena

que agora a ordenao se faz separadamente dentro de cada bloco.


No exemplo em discusso temos:

1,5 + 2 + l + 2 + l
l, 5

2,5 + 1 + 2

J + 3 + 2,5 + 3 + 3

7,5
8,0
14,5 .

400

401

A eslatistica a calcular agora

= --

com K definido como anteriormente e

(
(

c:

Kl

= 1

onde o indice J se refere aos blocos.

Por sua vez:

T.

(
(

t ..

1J

- k

'

em que tij ~ o n~mero de observa;es empatadas no


grupo
de empates i do bloco j.
No exemplo de 21.7.2, h duas observaoes
empatadas no 19 bloco.
Temos, po1s:

tll

Tl = 23 + 13

= 6

Tambm houve empate de duas observa;es no 3<.) bloco, que


nos d:

(
(
(

Nos demais blocos nao houve empate.


exemplo, temos:

No segundo, por

(
(

O valor de T
J
pate.

sempre nulo nos blocos em que nao h em-

Temos, pois:

(
(

1 -

(
12
5 x3 x 4

+ 6 +
+
3 (JL 1)

(
(

logo

6,10

0,900

0,900 '

1(7 ,s) 2 +(8,0) 2 +(14,5) 2 ]-3~s~4

(
(

.. "'

:_,_,_."
.?_
.. , ..."
..
...

6. 78

6,10,

t:ste valor excLde o l im te b ,40, correspondente

pt:obabilidadl' 0,0'3() ou l,'J%_


Assim Sl'lldu, se
aduLado
<'limite UbUal de 5% de probabilidade, o resultado;, si12_
ni ficati vo.
Tmubm no caso da estatstica Kl, recorre-se distribuio de qui-quadrado com (k-l) graus de liberdade,
quando o numero de tratamentos (k) ou de
blocos (b) excede os mximos presentes na tabela 20.
As comparaes de medias nos ensaios em blocos casualizados, por m~todos no-paramtricos comparveis aos
de Tukey ou de Bonferroni, exigem tabelas especiais.Eles
so expostos detalhadamente por CAMPOS (1983).

21.8.

BIBLiOGRAFIA

CAMPOS, H. , 1983. Estatstica Experimental No - Param


trica. 4~ eJi;o. Piracicaba.
CONOVER, W. J., 1971.
Practical Nonparametric Statistic:s.
John Wiley, N.York.
DIXON, \{.J. e F.J. Nassey Jr., 1969.
Introduction
to
Statistical Analysis.
;~1 edio.
McGra,v--Hill, N .
York.
PIMENTEL GOMES, F. e outros, 196 7
A Influncia deGraos
Pretos em Ligas com Cafs de Bebida Mole.
Anais
E.S.A. "Luiz de Queiroz" 24: 7l-8l.
PIMENTEL GOMES, I'., 19i3!f. A Estatstica r-ioderna na Pesquisa Agropecuria.
Associao Brasileira para Pes
quisa da Potassa e do Fosfato (POTAFOS),
Piracica-=
ba.
RODRIGlJES. M. s. , 19 70.
Dicion.riq Brasileiro de Estats
tica. 2~ edio. IBGE, Rio de Janeiro.
SIEGEL, S . , 1956. Nonparametric Statistics
for
the
Behavioral Sciences. McGraw-Hill, N.York.
SNEDECOR, G.tv. e \.J.G. Cochran, l967.
Statistical
Methods, 6~ edio.
Iowa Statc College Press, Ames,
Iowa.

~:~ .
~ --'-'
.
... ... .. ....... ... ..

:j

(
403

(
(

c
c
(
(
(

c
(
(
(

(
(

(
(

(
(

(
(
(
'

(
(
(

(
.

22. TABELAS

(
(

404

405

Tabela 1

Limite~

unllatrra!s de F ao n!vcl de 5 ';t,, de

(
(
(
(

12

5,99
5,59
5,32
5,12
4,96

5,14
4 ,74
4.46
4,26
4,10

4,76
4,35
4.07
3.81i
3.71

4,53
4,12
3.84
3.G3
3 ,48

4.39
3,97
3,69
3,4H
3.:l3

4,28
3,87
3,58
3,37
3,22

3,H

4,15
3,73
3,44
3,2:1
3,07

11

3,9 3
3,89
3,81
3,74
3,68

3.59
3,49
3.41
3,34
3,29

:3,36

12
13
14
15

4.84
4,75
4,67
4,60
4,5:1

3,06

3,20
3,11
3,03
2,96
2,90

3,09
3,00
2,92
2,85
2,79

3,01
2,91
2,83
:!.76
2,71

16
17
18
19
20

4,49
4,45
4,41
4,38
4,35

3,63
3,59
3,55
3 ,52
3,49

3 ,24
3.20
3,16
3,13
3,10

3 ,011
2,96!
2,93
2,90
2,87

2,85
2,81
2,77
2,74
2,71

2,74
2,70
2,66
2 .63
2,60

2,G6
2,61
2,58
2.54
2,51

'

(
(

'
(
(

(
(

c
: {

(
(

21
22
23
24
25

4 ,32
4,30
4.28
4,26
4,24

3,47
3,44
3,42
3,40
3 ,3 9

26
27
28
29
30

4,23

40
60
120
()()

3,07
3,05
3,03

3,26
3.18
3 ,11

2.99

2,84
2,82
2.80
2 ,78
2,76

4, 20
4,18
4,17

3 ,37
3,35
3,34
3,33
3,32

2,98
2,96
2,95
2,93
2,92

4,08
4,00
3,92
3,84

3,23
3,15
3,07
3,00

2,84
2,76
2,68
2,60

4 ,~ 1

3 ~ 01

(
(

4,21
3,79
3.50
3,29

4 ,10
3,68
3,02

4,06
3.64
3. :l5
3.14
2,98

4.03
3,60 .
3,31
3,10
2.94

2,95
2,35
2.77
2,70
2,64

2 .90
2.80
2,71
2,65
2. 59

2.85
2,75
2.67
2.60
2.54

2.82
2,72
2,63
2,56
2.51

2,59
2,55
2,51
2,48
2,45

2.54
2;49
2,46
2,42
2,39

2,49
2,45
2,41
2,38
2. 35

2,45
2.41
2,37
2,34
2,31

3.3 ~1

:ua

13

14

15

16

20

24

30

40

60

120

00

11

2,621
2,60

2,5'7
2,55
2.53
2,51
2,49

2,49
2,46
2,44
2,42
2,40

2,42
2,40
2,37
2,36
2,34

2,37
2,34
2,32
2, 30
2,28

2.32
2.30
2 ?~
- '
2.25
2.24

2.20

2,74
2,73
2.71
2,70
2,69

2,59
2,57
2,5'6
2,55
2,53

2,47
2,46
2,45
2,43
2,42

2.39
2,37
2.36
2,35
2,33

2,32
2,31
2.29
2,28
2,27

2,27
2,25
2,24
2,22
2,21

2,22
2.20
2,19
2,1 8
2,16

2,18
2,16
2,15
2,14
2,12

2,61
2.53
2.45
2,37

2,45
2,37
2,29
2,21

2,34
2,25
2,17
2,10

2,25
2,17
2,09
2,01

2,18
2,10
2,02
1,94

2,12
2,04
1,96
1,88

2,08
1,99
1,91
1,83

2,04
1,95
1,86
1,791

2,681
2,66
2,64

Eata tabela tol adaptada a partir de

10

24:~.9

1 161,4 19fl,5 215 ,7 224,6 230,2 234,0 2:36,3 233,9 240,5 241.9
2
18,51 19,00 19,16 ,19 ,25 19,30 19,33 19,35 19,37 19 ,38 19 ,40 243,0
19,40.
10,13
3
9,55
!),12
9.28
9,01
8,94
8,89
3,85
3,81
8,79 8,76
4
7,71
6 ,5!)
6.04
6,39
6,26
6,16
6,09
6,04
G,OO
5,96
5.93 .
5
6,61
5,79
5,41
5,19
5,05
4,95
4,88
4,82
4 ,77
4.74 4,70
6
7
8
9
10

2,28
2;26
2,24
2,22

resul tados de E. S . Pearson e H O.

lf),41
8,74
5.91
4,68

244,4 245,0 245,9 246,0 248,0 249,1 250,1 251,1 252,2 253,3 254,3
19,42 1B ,42 19,4:! 19,43 19 ,45 19,45 19,46 19,47 19,48 1D ,49 1B,50
8,72
8,71 8,70
8 ,69
8 ,66
8,64
8,62
8,59
8,57
8 ,55
8,53
5,89
5,86
5.87
5 ,84
5,80
5,75
5!77
5,72
5,69
5,66
5,63
4,66
4,64
4,62
4 ,60
4,56
4 ,53
4,50
4,46
4,43
4,40
4,36

4,00
3,57
3,23
3.07
2,91

3,98
3.55
3,25
3,04
2,88

3,96
3,52
3,23
3 ,02
2,8G

3,94
3 ,51
3 ,2 2
3,01
2.U5

2.79
2 .G9
2 ,53
2,48

2,76
2.66
2,57
2,50
2.'15

2,74
2.6-1
2,55
2,48
2.4 3

2.72
2 ,62
2.5:3
2:!6
2,40

2,42
2.38
2,34
2,31
2 ,28

2,39
2,35
2,31
2,28
2,25

2.37
2.33
2,29
2.26
2,23

2 ,:35
2.:n
2.27
2.23
2,20

2.25

2,2 2

2 .23
2.20
2,18
2,16

2,20
2,17
2,15
2,13

2.20
2, 18
2,14
2,13

1- 2,15
' 2,13
2,12
2,10
2,09
2,00
1,92
1,83
1,75

2 ,60

'

3,92
3,49
3,20
2,98
2,82

3.87
3.44
3,15
2.94
2 ,77

3,84
3 ,41
3,12
2,90
2,74

3,81
3,38
3,08
2,36
2,70

2,70

2,65
2 ,54
2,46
2.39
2.33

2,61
2,5 1
2,42
2,35
2,29

2.57
2,47

2.291
2.25
2 .:n
2 ,181

2.28
2.23
2 .19
2,16
2 .1 2

2,11

2.18
2 .15
2.13
2.11
2,09

2,15 1
2.13
2 ,10
2.09
2,06

2,12
2,10
2,09
2,07
2,06

2.10
2,08
2,06
2. 05
2,04

2.07
2 ;06
2 ,04
2.03
2,0 1

2.05
2,03
2,02
2.00
1,09

1,97
1,89
1,80
1,72

1,95
1,86
1,77
1,69

1, 92

1,90
1,131
1,73
1,64

l ,B1

1,75
1,67

2.60

2,51
2.H
2.3 9
2.3 3

3.77
3.34
3.04
2,83
. 2,56

3,74
3,30
3,01
2.79
2,62

~:iil
2,75

2,53

2.31
2.25.

2,43
2.34
2,27
2,20

2,49
2,33
2,:lO
2.22
2,16

2,451
2.34!
2,25
2.131
2.11!

2,24
2.19
2,15
2.11
2,08

2,19
2,15
2,11
2.07
2,04

2, 15
2,10
2,Q6
2,03
1,99

2.11
2,06
2.02
1.98
1,95

2.061

2.10
2.07
2.05
2,03
2,01

2,051
2,03
2,01
1,98
1,96

2;nq
1, 98
1,%
l.!J4
1,92

1, 96
1.94
1,91
1,39
1,87

Ul2
1,39
1,86
1,84
1,82

1.871
1.31
1,81
1,79
1,77

1 ,9!)
1,97

1,95
1,93
1,91
1,90
1,8fl

I,UO
1,88
1,87
1,85
1.84

1,85
1,84
1,82
1,81
1,79

1,80
1,79
1,77
1,75
1,74

1.75
1,73
1,71
1,70
1,68

1.G!l

1,79
1,70
1,61
1,52

1,74
1,65
1,55
1,46

1,69
1,59
1,50
1,39

1,64
1,53
1,43
1,32

1,58
1,47
1,35
1,22

1,5 1
1,:l9
1,25
1,00

Ul6
1,04
l,H:l

1.81

1,75
1,66
1,Cl7

2.:~8

HartleY (Biometrlka Tablcs for StalisttciatU, Cambrldie Un. Presa,

3,70

2.58

3,67
3,23
2.93
2,71
2,54
2.40

2.:w
2.21
2.1 3
2 ,07

2,0lj

1,971
1,9 3
1.90l

10~6).

2 01!
l

961

1.~~ 2
l.flS j

: S'i!
l,:i 1
1.'78

1 .76
1./:l
1,71

1,G7
1,ti5
l .ii1

l ,ti2

~-'"'

..

~~.-; !~,, ._..-~ ...._- ----.r-:""'-

.-~--:\'"'

...-~.! "':!:0 ~ .-~. r. ,. ,,.,,,_ ,., ..--.- .....

.-- - - "

, .-.-~,.,._..

- ..

--.-~ :-

....:.:: ....... .;:' _:_ _ _ __ __ _~, -- ..__: ~2~

406 .
40/

(
(
(
(
(

0: '
'

1 4052
2
98,50
3
34,12
4
21,20
16,26
5

(
(

(
(
(

(
(

c
(
r\

(
(

(
(

c
(

t1

10

11

6056
99,40
27,23
14 ,55
10,05

6082
99,41
27,13
14,45
9,96

7 ,37
6,62
5,ill
5,26
4,35

7,79
6,54
5,74
5,18
4,78

4,54
1 ,30
4,10
3 .94
3,80

4,46 . '

12

13

14

16

15

24

20

30

40

60

120

()()

..

6
7
3
9
10

13,75
12,25
11,26
10,56
10,04

11
12
13

14
15

H,65
9 ,3 3
9,07
8,36
3,68

16
17
18
19
20

8,53
8,40
8,29
8,13
8,10

21
22
23
24
25

8 ,02
7,95
7,88
7 ,82
7,77

26
27
28
29
30

7 ,72
7,68
7,64
7,60
7 ,56

40
60
120
00

7,31
7,08
6 ,85
6,63

5000 5403 5625 5764 5859 5928 5932 6022


99,00 99,17 99,25 99,30 99,:i3 99,:16 9!!.37 99,39
30 ,82 29 ,46 28,71 23,24 27 .fl1 27,(i7 27.49 27,:)5
18,00 16,69 15,98 15,52 15.21 14,93 14 ,80 14,66
13,27 12 ,06 11,39 10,97 10,67 10,46 10 ,2() 10,16
10.92
9 .78
9,15
8,75
8,47
8 ,2fi
8.10 .7.as
f),55
3,45
7,35
3,46
7,1\)
G,D9
G,84
6.72
8 ,65
7,59
7.01
6,6:3' 6,37
G,1B
G.O:l
5 ,01
8,02
6,\19
6,42
6,06
5.80
5 ,61
5.'17
5,3:\
7,56
6,5 5
5.99
5.64
5,39
5,20
5,06
4 ,!H
7.21
6 ,22
5,67
5,32
5,07
4 ,80
4,74
4.63
6,f)3
5, 0 5
5,41
5.0 6
l ,S2
4 ,6 4
4,30
4,:lG
6,70
5, 74
5,21
4,8G 4.G2
4 ,4 4
4,30
4.1!)
6.51
5,56
5,04
4,69
4,46
4,28
4,14
4.03
6,36
5,42
4,39
4,56
4.32
1,14
4,00
3 ,30
6,23
5,29
4,'77
4,H
..;,20
4,03
3,8!)
3.f 8
6,11
5,18
4,67
4,34
4,10
3,93
3,79
3.631
6,01
5,09
4,58
4 ,25
4,01
3.84
3.,71
3,60
5,93
5,0 1
4,50
4,17
3.94
3,77
3 ,63
3.52
5,85
4,94
4,43
4,10
3,37
3,70
3.56
3,46
5,78
4,37
4. 04
3,31
3,64
't_~7
3 ,51
3,40
5,72
4,82
4,31
3,99
3.76
3.59
3.45
3,35
5,66
4,76
4,26
3,9<1
3,71
3,54
3,41
3,30
_5,61
4,72
4,22
3,67
3,90
3,50
3,36
3,26
5,57
4,68
4 .18
3 ,85
3,63
3,46
3,32
3,22
5 ,53
4 ,64
4 ,14
3,32
3,50
3,42
3.::9
3,18
5 ,40
4 ,60
4,11
3,5(i
3,78
3,39
3,26
3,15
5,45
4,57
4,07
3,75
3,53
3,36
3,23
3,12
5,42
4,54
4,04
3.73
3.50
3,33
3,20
3,09
5,39
4,51
4,02
3,70
3,47
3,30
3,17
3,07'
5,18
4,31
3,83
3,51
3,29
3,12
2,09
2,89
4,98
4,13
3,65
3,34
3,12
2,95
2.82
2,72
4,79
3,95
3,48
3,17
2,96
2,79
2 ,66
2,56
4,61
3,78
3,32
3,02
2,30
2,64
2 ,51
2,41

I
I

6106 6125 6142 6157 6169 0200 6235 G2!i 1


9D,42 !)0,42 O!J,4:~ H!l,43 H!J,4~ 9!J,45 !)f),4(j 99,47
27,05 26,98 26,!)2 26,87 26,!l:l 2G.fi!J 21i,!ill 2u.so
11,:n 14,30 14,24 14 ,20 14,15 l-l.!J2 1:1 ,D:l 13.84
0,89
9,83
9.77
!l,47
!l .55
9 ,38
9,72
9,68
7,72
6 ,47
5,1i7
5,11
4,71

7 ,6G
6,41
5,G1
5,05
4,65

7,60
6,35
5, 56
5,00
4,60

7,5G
6 ,31
5,52
4,06
4,56

7,52
6 ,2'1
5.48
4,92
4,52

4,22
4,02
3,86
3,73

4,10
4.16
3 ,9 6
3,80
3,67

4,34
4,10
3,90
3,75
3,61

4, 20
4.05
3,85
3.70
3.56

4,25
4,01
3.82
3,66
3,52

3.6 0
3,59
3,51
3,43
3,37

3,61
3,52
3,44
3,36
3,30

3,55
3,46
3.37
:3,30
3 ,23

3,50
3,40
3,32
3,24
3,13

3,45
3.35
3.27
3,19
3.13

3,31
3,26
3,21
3,17
3,13

3,24
3,18
3,14
3,09
3,05

3.17
3.12
3.07
3.0:3
2,9()

3 .12
3.07
3,02
2,90
2,9!

:un
:3.02
2 .07
2.:J3
2.8H

3,00
3,06
3,03
3,00
2,98

3,02
2,98
2,95
2,92
2,90

2.0G
2.93
2 .90
2,37
2.84

2,91
2,8S
2,85
2,82

2.Sli
2.8:l
2.80
2,77

2,7!)

..... j

2 ,80
2,63
2,47
2,32

2,73
2,56
2,40
2,24

2,()6
2,50
2.34
2,18

2,61
2,45
2,2f)
2,12

I
I

')-.i~

2,!iG
2,40

2.24
2,07

6287 6313 6339 63(i(j


9(),47 99,48 99,4!J f)0,50
26,41 26,32 26,22 21i, 1:1
13 ,75 13,65 13,5G 13,46
9,29
9,20
9,11
H,02

~,41

7,:11
6,07
5.28
1,7:1
4,33

5 ,99
5.20
4,65
4,25

7,14
5 ,9 1
5,12
4,57
4,17

7,06
5,82
5 ,03
4,48
4,08

6,!l7
5 ,74
4 ,05
4,40
4,00

6.38
5.G5
4. 8G
4,31
3,91

4,21
3,08
3,78
3,6 2
3,48

4.10
3.8G
3.G6
3 ,51
3.:37

4,02
3,73
3,5!1
3.4:1
3,2()

3,94
3,'10
3,51
3,35
3,21

3,86
3,62
3,43
3,27
3,13

3,73
3,54
3 .34
3,18
3,05

3,69
3,15
3 ,25
3,0!)
2,96

3,60
3,36
3 ,17
3,00
2 ,87

3,41
3.31
3.23
3,1:1
3.00

3,37
3.27
3,19
3,12
3,05

3,26
3.16
3.08
3.00
2.!l4

3,18
3.08
3,00
2.92
2 ,8()

3,10
3,00
2.92
?.,84
2 , 78

3,02
2.92
2,84
2,76
2,69

2,93
2.83
2,75
2.67
2.61

2 ,8..!
2,75
2,66
2,5R
2,52

2 .75
2 .65

3,0:-l
2.93
2.93

2,9D
2.94
2,89

2.38
2.B3
2.78
2.H
2.70

2 .'12

2,64
2.5B
2,54
2,4:)
2,-!5

2.55
2 .50
2,45
2,40
2,36

2,40
2,:35
2,31
2.27

2, :l G
2 ,3 1
2 ,:26
2 .2 1
2,17

2.2:l
2,20
2.17
2,14
2,11

2.1:3
2.10
2.0G
2 .0:1
2 ,0 1

1.~2

1,80
1,60
1,38
1,00

2.G~J

2, 85

2,85

2,81

2.81

2,77

:~.78

7,40
(i,\(j

5.:36
4,81

2.80

7,23

2.1:-)

:: .ll7

2,70
2.G
. 2,(\2

2,li2
2.58

2)!1

2. 50

2.5:1

2 .54

2 .:) ~;

2.47
2 .44

2,73
2,70

2,74
2 ,71
2,GS
2,66

2.GG
2 .ti:l
2.GO
2,57
2,55

2,.;lJ
:2,47

2,30

2.52
2,35
2,19
2,04

2 ,4 \l
2,32
2,16
1,99

2.:\7
2,20
2,03
1,88

2.2D
2.12
1,!)5
1,7!)

2.20
:~ ' 03
1,86
1 '70

2.75

:2,41

2,42
2.:38
2,3 :)
2 ,:l:l
2,30

2,2 1

2,11

2,02

UH

UH

1,76
1,5!)

1,66
1,47

2.:3:1
2,29
2,26
2,:! :\

2. ~l i

1,73
1,53
1,32

2, 57

2,49
2 .42

c
f
(

c
c

Esta tabela Co.l adapta da a partir de

resultados de E. S. Penrso n e H . O .

HartleY

(Biom ctrika

Tubles

for

Statis ticwns , C 11mbridt,:l' \Jn. l'<r ..,;, l!l!iG).

408

409

(
(

(
(
Tabela 3.

(
(
(

(
(

(
(
(

(
(

(
(

(
(
(

.
~
1
2
3
4
5

Limites bilaterais de F ao nlvcl de

0,0015
0,0013
0,0012
0,0011
0,0011

0,0260
0,0256
0,0255
0,0255
0,0254

0,057 0,082 0,100


0,062 0,094 0,119
0.065 0,100 0,129
0,066 0,104 0,135
0,067 0,107 0,140

0,114
0,138
0,152
0,160
O, 167

0,124
0,153
0,170
0,181
0,139

0,068
0,068
0,069
0,069
0,060

0,109
0,110
0,111
0.112
0,113

0,143
0,146
0,148
0,150
0,151

0,172
0,175
0,179/
0.1s1 I
0.183

0,195
0.200
0,204
o.2os
o.:no

0,0011 0,0254
0,0011 0,0254
0.0010 0.0254
0.0010 0,0254
0,0010 0,0254

12
15
20
24
30

0,0010
0.0010
0,0010
0,0010
0,0010

0,0254
0.0254
0,0254
0,0253
0,0253

0.070
0,070
0,071
0.071
0,071

0,114
0,116
0;117
0,118
0,118

0,153
0,15ii
0,158
0,159
0,161

O.LH3 0.214
0.190 0.219
0.19:3 0,224
O.lD:'i 0.22()
0,197 o,.))('
..

40
60
20

0,0010
0,0010
0,0010
0,0010

0,0253 0,071
0,0253 0,071
0,0253 0,072
0,0253 0,072

0,119
0,120
0,120
0,121

0,162
0,163
0,165
0,166

0.200
0.202
0,204
0,206

00

de probabilidade,

6
7
8
9
10

5~;

~u

0.232
0,235
0,238
0,242

10

para o ca110 de F

11

0.132 0,139 0,144 0,149


0,1()5 0,175 0,183
0,190
0,184 0,197 0,207 0,216
0,1D8 0,212 0.224 0,234
0')"
0,20B o,.c..._,)
0,236 0,248
0,215 0.232 o 246 0,258
0,2:!1 ()')''R
'F3
...... vl
....
0
0,266
0.:22G 0,244 0.260 0,273
0.229 0.243 0.265 0.279
0,23:l l 0,25:2 0,269 0,283
O''''Sio)-R
.~Jl
0,276 0.292
0,244 0.265 0,284 0,300
0.250 0,272 0.292 0,310
0.2:i:i 0.277 0,2H7 0,316
,..::..v
);n
0,281 0,302 0,320
0,2(i0 0.285 0,307 0,327
0.205 o 290 0,312 0,333
0,268 0.205 0,318 0,340
0,272 0,300 0,325 0,347

I()

...:..)\ I
j

12

13

0,153
0,196
0,224
0,243
0,257

0,156
0,201
0,230
0,250
0,265

14

<

16

15

1.

20

24

30

40

60

0,159 0.1611 0,163 0,1'70


0,206 o.~~lo 0.213 0,224
0,236 o.~ll . 0,245 0,259
0,257 O,::!G;~ 0,268 0,285
0,273 0,279 0,286 0,304

0,175
0,232
0,260
0,2HG
0,318

0,180
0,239
0,279
0,308
0,330

0,181
0,247
0,289
0,320
0,345

O,lll!J

0.2!'4
0,2!)0
0,332
0,358

0,268 0,278
0,2'17 0,287
0,2851 0,295
0,2Hl I 0,302
0,2J7! 0,308

0,286
0,296
0,304
0,312
0,318

0,299
0,311
o,:n2 0,320
0,320 0,328
0,327 0,334

0,320
0,332
0,344
0,352
0,361

0,3341
0,348
0.360
0,370
0,379

0,348
0,364
0,377
0,389
0,398

0,365
0,382
0,395
0,403
0,418

0.380 0,397 0.415


O,:lnS O,'tlil 0,437
0,415 0,435 0.457
0,429 0,450. 0,474
0,440 0,4G:l 0,488

0,3051
0,3141
0.326
0,331
0,333

0,328
0,339
0,352
0,358
0,366

0,338
0,350
0,362
0,370
0,379

0,3461
0,3581
0,373
0,380
0,389

0,373
0.389
0,406
0,415
0,426

0,394
0.410
0,429
0,440
0,452

0,415
0.433
0,454
0,467
0,48:3

0,437
0,459
0,483
0,408
0,516

... I
0,461 0.488 o.,JJ.t) I
0,-185 O.:'i I 6 0,546!
0,515 0.5:30 i) .~-w~)
''" ,, I
0,532 0.568 1)' ,o!
;J i
0,550 0,582 o 637

0,344 0,360 0,374


0,351 0,368 0,383
0,358 0,376 0,392
0,368 0,385 0,402

0,386
0,397
0,406
0,417

0,398
0,408
0,420
0,431

0,437

0,465
0,481
0,498
0,516

0,318
0,328
0,339
0.346
0,352

0,:293

O,~WI

0,450
0,463
0,478

120
0,194
0.2ii:l
0.310
0,346
0,374

(
(

(
(
(

(
(

(
(

Esta tabela foi adaptada a partir de resulta :los de E. S. Pearscn e H. O. Hartley

0,199
0,271
0,320
0,358
0,389

\._

I 0,498 0,532 0,575 0,621 0:5761


0.510 0,556 0,599 0,654 0,719
0,535 0,581 0,633 0,699 0,787
0,559 0,610 0,676 0,763 1,000

00

(Biometrika Tables for Statittcans, Cam bridge Un. Press, 1956) ,

(
(

410

411

(
(

(
(
(
(

Tabela 4 .

(
(
(

(
(
(

(
(
(

(
(

(
(
(

Limites bilaterais de F ao nivd de 1% de probabilid ade,

<

1.

0,000062
0,000050
0,000046
0,000044
0,000043

0,0050
0,0050
0,0050
0,0050
0,0050

0,018
0,020
0,021
0,022
0,022

0,032
0,038
0,041
0,043
0,045

0,044
p,055
0,060
0,064
0,067

0,054
0,069
0,077
0,083
0,087

0,062 0,068 0,073


0,081 0,091 0,099
0,092 0,104 0,115
0,100 0,114 0,126
0,105 0,120 0,134

6
7
8
9
10

0,000043 0,0050 0,022 0,046 0,069


0,000042 0,0050 0,023 0,046 0,070
0,000042 0,0050 0,023 0,047 0,072
0,000042 0,0050 0,023 0,047 0,073
0,000041 0,0050 0,023 0,048 0.073

0,090
0,093
0,095
0,096
0,098

0,109
0,112
0,115
0,118
0,119

12
15
20
24
30

0,000041 0,00!>0 0 ,023 0,048


0,000041 0,0050 0,023 0,049
0,000040 0.0050 0,023 0,050
0,000040 0,0050 0,024 0,050
0,000040 0,0050 0,024 0,050

1
2
3
4
5

para o caw de F

0.075 0,100 0,122


0,076 0.102 0,125
0,078 0,104 0,129
0,078 0,106 0,131
0,079 0,107 0,133

40 0,000040 0,0050 0,024 0,051 0,080


60 0,000040 0,0050 0,024 0,05i 0,081
120 0,000039 0,0050 0,024 0,051 0,082
00 0,000039 0,0050 0,024 0,052 0,082

0,108
0,110
0,111
0,113

0.135
0,137
0,139
0,141

0,126
0,130
0,133
0,136
0,139

10

11

12

13

14

15

16

0,078
0,106
0,124
0,136
0,146

0,082
0,112
0,132
0,145
0,156

0,085
0,113
0,133
0,153
0,165

0,033
0,122
0,144
0,161
0,173

O,90
0,126
0, 150
0,167
0,180

0,093
0,130
0,154
0,172
0, 186

0,0!)5
0,133
0,159
0,177
0,192

0,140 0,153 0,164


0,145 0,159 0,171
0,149 0,163 0,176
0,153 0,168 0.181
0,156 0,171 0,184

0,174
0.181
0,187
0,192
0,196

0,182 0,190 0,197


0,1SO 0,199 0,206
0.197 0,206 0.214
0.202 0,:212 10 ,220
0,217 o,226
...0 ,207

0,204
0.213
0.221
I 0,228
0,234

0,161
0.166
0,172
0,175
O, 178

0,177
0,183
0,190
0,193
0,197

0,191
0,198
0,206
0,210
0,215

0,204
0,212
0,221
0,226
0,231

0,216
0,2N
0,234
0,2.f0
0,246

0,159
0,162
0,165
0,163

0,181
0,185
O, 189
0,193

0,201
0,206
0.211
0,216

0,220
0,225
0,230
0,236

0.236
0,243
0,249
0,256

0,252 0,266 0.279 0,291


0,253 0,273 0,287 0.300
o,266 1 o.282 0,297 0.311
0,274 \0,291 0,307 0,322

0.224
0,235
. 0,244
0.253
0.260

40

\! .238 0.2~l3 <l. 20


0. 251 0.267 0 .285
0.261 0,27\l 0,:299
0,271 0.2BO 0.311
0.2'79 0,29910 .32 1

I),...

30

60

120

0,101 0,105 0,109 0 .113 0,118 0.122


0.1:31 0 , ~50 0,157 0.165 0;173 0.181
o 1 12 0, 181 0.191 <1.201 0,211 0 .222
o: 193 I o.zo4 0,216 0,229 0,242 0 ,255
0.2 10 0."> 23 0,2'36 0.251 0,266 0 .282

0,235 0.244 0.272 0 .202


0,2..;6 o,_,):)
')"- : o,...> sn \ o.."OS
~
0 .258 o.z6sj o.30l o .:l2i
),...

1
r '
,u,,
I o.z l1 4 0.-'5 0.3L
\ 0.271 0. 282 0.321 0.34H

0,143
0,147
0,151
0,154
0,156

0.226
10.235
0.24 6
o,253
0,259

24

20

0,331
0.342
0,356
0,372

0,314
o.:l:1 2
0,:1;'15
0. 3G
lU fi O

c
(

(
(
(

Esta tabela foi adaptada a partir de resultado s de E. S. Pearson c H. O.


Hartley

0.127
0.13V
0,2:\.J.
0.2(i\)
0. 299

0. 2~l7 o.:lo5 0.321


0.304 [J:l2i 0.3 1~
0,319 0.3-\ 1 o.:>li :-l
0,3 32 10.35G o, .) 1) .......
o .,~r.
i o 3[' "\
0 . 3 ~l7
~~
'~~
<' ! ( ) )

,.) I .

0. 33!1 0.3(i5 o.: ~ P -t 8 42 4


0 .:160 0, 389 0 .-1~~ CH :i 7
0.:\BCl O,ll!:l o ~ ~, -; o 51.1 0
0 .400 0.-!37 o. 1'7 cl 1 o.s:;,;
(1, 417 0.4:'> 7 0.505 O .~: D

0,3 97 0.435 0,481 0.533 0.59D


0.413 0.459 0.510 0.571 0.654
0 .3\!2 0.435 0.4!!5 0,54() 0.621 0.735
O.-il2 0,'}50 0.518 0,502 O.G09 1,000

0. 361

o.:m>

(
(

00

(Biometri ka Tal.Jlcs for Statistc :ns, Camllridg e Un. Press, 1956).

....

-- ~ ~ - ---- ---- - - -.

412

413

(
(
Tabela

Limites unllatcrals de

J-

para o

ao nvel de 5 r,, de probabilidade,

c:L~o

de

.Y

(
(

::\

(
(
(
(
(

(
(
(
(

(
(
(

(
(
(

(
(
(

(
(

(
(

(
(

10

ll

. 15,6

1
2
3
4
5

12,7
4,30
3,18
2,78
2,57

14,1
4,36
3,09
2,63
2,41

14,7
4,38
3,05
2,57
2,33

15,0
4 ,39
3,02
2,53
2 ,29

15,2
4 ,39
3,00
2,50
2,25

15,3
4,40
2,99
2,48
2,22

15,4
4,40
2,98
2,47
2,21

15 ,5
4,40
2,97
2,46
2,20

15,5
4,40
2,97
2,45
2 ,18

15 ,6
4,40
2,96
2,44
2,18

15,6
4,40
2,96
2,44
2,17

G
7
R
9
10

2,45
2.36
2,31
2.26
2,23

2,27
2,18
2,11
2,06
2,02

2,18
2,09
2,02
1,96
1,93

2,13
2,03
1,96
1,91
1,37

2,10
1,99
1,92
1,87
1,82

2,07
1,97
1,89
1,34
1,79

2,05
1,95
1,87
l ,31
1,77

2,04
1,93
1,85
1,80
1,75

2,02
1,92
1,34
1,78
1,74

2,01
1,91
1,83
1,77
1,73

2,01
1,90
1,82
1,76

1,71

1,72
1,69
1,66
1,64
1,62

1,70
1,67
1,65
1,63
1,6 1

1,69
1,66
1,63
1,61
1,59

1,68
1,65
1,62
1,60
1,58

11
12
13
14
15
1.3
17
18
19
20

2.20
2,18
2,16
2,14
2,13
2 ,12
2 ,11
2,10
2.09
2,09

21
22
23
24
25

2. 08
2,07
2,07
2.06
2,06

26
27
28
29
30
40
60
120
00

1,99
1,97
1,95
1,93
1,9 2
I

1,91
1,89
1,88
1,88
1,87

1,89
1,87
1,85
1,83
1,81
1,80
1,79
1,78
1,77
1,76

1,83
1,31
1,78
1,76
1,75
1,73
1.72
1,7 1
1;70
1,69

1,79
1,76
1,74
1,72
1,70

1,76
1,73
1,71
1,69
1,67

1,73
1,71
1,68
1,66
1,65

1,69
1,68
1,66
1,66
1,65

1,66
1.64
1.63
1,62
1,61

1.63
1,132
1,62
1,59
1,58

1,61
1,60
1,58
1,57
1,57

1,59
1,58
1,57
1,56
1,55

1,58
1,57
1,55
1,54
1,53

1,57
1,55
1,54
1,53
1,52

1,86
1,75
1,85
1,75
1,85
1,74
1.84 . 1.73
1,84
1,73

1,69
1,68
1,67
1,67
1,66

1,64
1,63
1,62
1,62
1,61

1,60
1,GO
1,59
1,53
1,58

1,53
1,57
1,56
1,56
1,55

1,515
1,55
1.54
1,54
1,53

1,54
1,53
1,52
1,52
1,51

1,52
1,52
1,51
1,50
1,50

1,51
1,50
1,50
1,49
1,48

2 .06
2.05
2,05
2,04
2,04

1.84
1.83
1,83
1,82
1.82

1,73
1,72
1,72
1,71
1,71

1.66
1,65
1,65
1,64
1,64

1,61
1,60
1,60
1,60
1,59

1,57
1,57
1,57
1,56
1,56

1,55
1,54
1,54
1,53
1,53

1,52
1,52
1,51
1,51
1,51

1,51
1,50
1,50
1,49
1,49

l,W
1,48
1,48
1,48
1,47

1,48
1,47
1,47
1,46
1,46

2.02
2,00
1,98
1,96

1,80
1,77
1,75
1,73

1,69
1,66
1,64
1,61

1,62
1,59
1,57
1,54

1,57
1,54
1,51
1,49

1.53
1,50
1,47
1,45

1,50
1,47
1,45
1,42

1,48
1,45
1,42
1,39

1,46
1,43
1,40
1,37

1,44
1,41
1,38
1,35

1,43
1,40
1,36
1,34

&ta tabela foi adaptada a partir de dadoa de lr. Q. Brleier (Limites Unilate.
Pearaon e H. O. Hartley (BtcmutrUca Table~ for .Stati&ttaunu, Carnbrldie Vn.

14

13

12
9

4 ,41
2,96
2,43
2,16

16

15

15,7
15,6
15 ,7
4,41
4,41
4 ,41
2.95
2 ,95
2,95
2,42
2,42
2,43
2,15
2,15
2,16

20

I 30

24

15,7
15,7
4,41
4,41
2,94
2.!!5
2,41
2,42
2,14
2,14

15,8
4;11
2 ,94
2,40
2 ,1:!

1,99
1,33
1,80
1,7-l
1,G9

1,98
1,87
1 ,79
1,73
l,6D

1,98
1,87
1,79
1,73
1,63

1,97
1,85
1,77
1,71
1,G

l ,9G
1,85

1,95
1.84

1,77

1,7;,

1,70

1.G7
1.G-l
1,G1
1,59
1,57

1,6G
1,63
1,60
1,58
1,57

1.66
1,152
1.GO
1.57
1,56

1 ,G5
1,62
1,59
1.57
1,55

1,154
1.61
1. 58
1.56
1.55

1,:ili
1,:14
L i3
Li2
1.51

l ,551
1,531
1 .~-)
1.51
1,50

1.5!
1,5:l
1.51
1.50
1,49

1.50

1;!7

1,4!)
1,48
1,47
1,47
1.4li

1,47
1,46
1,46
1,45
1,45

1,411
1.45
1,45
1,44
1,44

1.44
1,44
1.-13
1,!3

1.41
1,39
1,35
l ....'>)

1.40
1.37
1.34
1,31

1,40
1,36
1,33
1,30

00

1,92
1,81
1,72
1,66
1,61

1,92
1,80
1,71
1,G5
1,59

1,57
1,53
1,51J

Ui5
1,52
1,-\9

l,G9
1,li4

1;94
1,83
1,74
1,68
1,63

1 ,\J3
1,82
1.73
1,57

1,63
1,59
1.57
1,55
1.53

1.62 . 1.60
1.58 1 1.57
1,56 I 1.51
1.5:l! 1.52
1,51 I 1,50

1.59
1,5G
1.53
1,51
1,48

1 ,58
l .54
1.52 \
U91

~,471

1 ,4B

UG

1,45

1,-H

1,53
1.51
1.51
1.50
1,49
1.49
1.48 1 1.48

1,51
1 ,.;()

1,!)0

1,48

1.48

l,-!5

',45
1,44
: ,42
1. 41

1.4:2

1,47
1,415

1,47
1,4 5
1,4-l
1,42
1,41

1:-!4

1,48
1.47
1.45
1.44
1,43

l,-18
1,-18
1AG
1,-!G
1,-15

1.-!8 i 1,47
1.471 1,46
1.4G
1.45
1,-1;)
l.-15
1.44
1.Li

1,45
1.44
J,4:l
1.-12
1,42

1.43
J ,42

1.42
1,4 1
1,40
1.39
1.39

1,40
1,3!1

1.38

1,-l;i

-. 44
1,44
1, 43
1.42

1,41
1.40
1,40
1,:l9
1,39

1,lO

1:!2

U3
1.42
1.42
1,41
1,41

1,33
1.3 G
1.32
1.29

1,38
1,35
1,32
1,28

1,36
1,32
1,29
1,25

1,53
I 1.52

l,(j{i

.. .
.lr;

1.4-l

1.48

120

15,() 15,9
15,8
15 ,9
4,41
4 ;12
4.41 4,41
2,!.12
2 ,93 2,92
2,fl3
2,!!4
2,3!)
2,39 2,38
2,37
2,-10
2,10 2,10
2,11
2,12
2,0!.1

1,99
1,88
1,80
1,75
1,70

1.49
1.4S

15.8
4 ,-H

2,00
1,89
1,81
1.75
1,71

10

1.4:l

1,41
l.lll

1.:l7
1.37

us

1,3()

U7

1.:lR

1.:n

J,:lG

l.:lB

1,36

).:17

1 .:lG

1,35
1,35
1,34

t,:ll

1.:l2
1,28
1,24
1,21

1,30
1,26
1,22
1;18

UD

uo
1.27
1,23

rals e B1\aterab na AnaU!se Eatatistlea, Bragantia 6:


Pleu, 1958) .

1,62

I
i

1 .'2
1.40
1,39

J.;l)
l.3!J

I
I

I
i

usl

1.:n iI
1,:;G I

1.39

1 , ,)/
''"

1 ., 5

l.:l7

l,:l G

1.36
1.36
1 .J

1,35
1,34
1,33

1.34
1.34
1,33
1.32
.32

1,32
1,32
1,31
1,30
1,30

1,29
1,23
1,23
1,27

1,28

1,26
1,21
1,16
1,10

1,2:l
1.18
1,12
1,00

uo

1.24

1.20
1,15

479-54~. 1~8)

l:~:l i

1,33

1.:32
1.:n

uo

e de E. B.

-"~- ---

-'- - ------~~

'"'-

-"

(
(

414

415

(
Tabela 6

Limites unllateral.l de .r a.o nJvel de I',{ de

c
(
(

(
(
(
(
(

(
(
(
(

(
(
(
(

(
(
(

>

.I

I
I

63,7
9,92
5,84
4,60
4 ,03

70,7
9,95
5,55
4,24
3,64

73 ,5
0,96
5,43
4,09
3,47

6
7
8
O
10

3,71
3 ,50
3.36
3,25
3,17

3,30
3,09
2,94
2,83
2 ,75

3,13
2,01
2,'75
2,lrl
2,56

1
2
3
4

11

75 ,0
75 ,9
9,96
9,06
5,36
5,31
4,00
3,04
3 ,37
3,31
3,02
2,80
2.65
2,53
2,45

2,06
2,73
2,57
2,46
2,37

76,5
9,)7
5,28
3.DO
3. 27

77 ,0
0 ,97
5 ,26
3 .87
3 ,23

2,91

2 ,87
2.64
2..10
2 .37
2 ,28

~.G8

2.52
2,-41
2,32

()

lO

f - - --

77 ,:3

77,6

!1,()7

9,()7

5,24
3.85
3,21

5,23
3,83
3 ,19

2,H5
2.G2
2,46
2,34
2,25

2,82
2 ,59
2,43
2,31
2. 22

11

-77.8
78,0
n ,07 9,97
5,22
5,21
3 .81
3,80
3 ,17 3,16

2,81
2,57
2,41
2.29
2,20

2.79
2,56
2,40
2,28
2,1!)

~5

3,11
3,05
3,01
2,98
2,95

2,69
2,63
2,59
2.55
2,52

2,40
2,44
2,40
2,36
2,33

2 .38
2 ,33
2 .28
2,24
2,21

16
17
18
10
20

2,92
2.90
2,88
2 ,8()
2,85

2,50
2,47
2, 4 5
....? ,44
.....
2,4:l

2,30
2,28
2,26
2, 24
2 ,22

2 ,18
2 ,16
2 ,14
2,12
2 ,10

21
22
23
24
25

2,8 3
2.82
2.81
2,30
2,70

2,10
2,39
2 ,38
2.:n
2,36

2.21
2 ,20
2 ,18
2,17
2,16

2 .09
2 ,08
2 ,06
2 ,05
2,04

2,01
2,00
1,98
1,97
1,96

1.!15
1,() 4
1.931
1,02
1.91

1.91
1.89
1,83
1,87
1,86

1,87
1.86
U l5
l ,83
1,82

1.84
1,83
1,32
1,81
1,7D

Ul 2
1,31 '
1,7 0
1,7H
1,77

1,80
1,78
1,77
1,76
1,75

26
27
28
29
30

2,73
2 ,77
2,76
2,76
2,75

2.35
2,34
2,33
2,32
2,32

2, 15
2,14
2,14
2,1:3
2,12

2,03
2,03
2,02
2,01
2,00

1,95
1.94
1,94
1,93
1,92

1.80
1,8()
1,88
1,37
1,86

1.85
1,84
1,83
1,82
1,82

1.8 1
1 ,81
UlO
1,70
1,78

1,78
1,77
1,77
1,76
1,75

1,76
1.75
1.74
1,73
1,73

1,74
1,73
1,72
1,71
1,70

40
60
120

2,70
2,GG
2,62
2,57

z.:w
2,23
2,19
2,15

2,08
2,03
1,99
1,04

1,96
1,91
1,87
1,82

1,87
1,83
1,78
1,74

1,81
1.77
1,72
1,67

1 ~'7
''
1,72

1,73
l.G8
1,63
1,58

1.70
1,65
1,60
1,5!?

1 ,7
1,G2
1,57
1,52

1,65
1,60
1,55
1,50

12
13
H

00

para o caso ele .r

oba blll<hnh

Jll

2,31
2.25
2,25
2,20
2,20 . 2, 15
2 ,17
2,11
2,14
2, 081
2,11
2,05
2 ,08
2,02 1
2 ,06
2 ,00
1,()8
2,04
1,()7
2,02

2.21
2 .15
2,11
2 ,07
2,03

2,18
2,12
2,07
2,03
2,00

2,15
2,09
2,05
2 .01
1,97

2,13
2,07
2, 02
1,98
1 ,05

2,11
2,05
2,00
1,96
1,93

2 ,0 1
1,98
1,06

1,97
1,95
1,93
1.01
1,8()

UH

1,92
1,89
1.87
1.85
1,84

1,90
1,88
1,85
1,83
1,82

UH

1,92

1,67
1,62

1,92

1,00
1,88
1,86

12

13

14

15

16

20

24

30

40

60

120

00

i
7fl ,O 79,1
!.! .97
0,97
5,15
5,16
3,72
3.7:!
3,U
:l,OS

7D ,3
9 ,97
5,14
3,71
3 ,05

2.G9

2.(17
2.43
2.26
2.1 ;!
2 .0-1

78 ,5
78 ,5
78,4
78,3
78,1
9,97
9,97
9,97
0.97
9.97
5,18
5,18
5,19
5, 19
5,20
3.76
3,77
3,77
3,78
3.79
3,11
3,12
3,13
3,14
3 ,14

78 ,8
9,97
5,17
3 ,74
3 ,09
2.72
2,48
2,32
2,19
2,10

2,70
2.4G
2.30
2,17
2 .08

2.20
2,1G
2 .0G

79,5 79,6
79 ,8
9,97 9,97 .9.97
5,13 5,12
5,11
3,69 3,68
3,67
3,03 3,02
3,00

2,78
2,54
2,33
2.26
2 ,17

2,77
2.53
2,37
2 ,25
2,16

2,76
2.52
2 ,36
2,24
2,14

2,2 3
2 ,14

2 ,74
2,50
2,34
2,22
2 ,13

2,10
2,04
1.99
1,95
1,9:)

2,03
2,02
1,97
1,94
1,00

2,07
2.01
1,96
1,92
1,89

2,06
2,00
1,95
1,D 1
1,38

2,05
1,99
1,01
1 ,90
1,37

2,02
1,96
1, 9 1
1,87
1,84

2.00
1,94
1.8\l
1.3:1
1,8 1

1.98
1 .D2
1,87
1.f!3
1,70

Ui 5I
Ul l
l. 77

1,88
1,86
1,84
1.82

1,86
1,83
1,31
1,79
1,77

1,85
1,82
1,80
1,78
1,77

1,84
1,81
1 ,79
1,77
1,75

1,81
1,78
1,75
1,73
1,71

1,78
1,75
1,73
1,71
1,69

1,76
1.73
1.71
1 59
1.67

1,74
1,71
1.69
I.G G
1.64

1,71
1,63
J ,GG
1,6:\
1,U-

1,6()
1 ,66

1,87
1,81
1,82
1,80
1,79

.~')

1,59

1 ,.;6

1,78
1,77
1,751
1,74
1,73

1,77
1,75
1,74
1,73
1,71

1,75
1,74
1,72
1,71
1,70

1,74
1,73
1,7 1
1,70
1,691

1,73
1 ,71
1,70
1,69
1,68

1,70
1,68
1,67
1,66
1,64

1,67
1,66
1,Gl
1,63
1,62

1,65
1,63
1,62
1 ,G 1
1,59

1.62

1,6 0
1.58
1,5 7
1,55
1,54

1,57
1,55
1,53
1,52
1,51

1 ,5 41
1.52'

1,491
1,47

1,72
1,71
1,70
1,69
1,69

1,71
1,70
1,60
1,68
1,67

1,69
1,68
1,67
1.66
1,66

1,68
1,67
1,66
1,65
1,64

1,66
1,66
1,65
1,64
1,63

1,63
1,62
1,61
1,60
1,60

1,(31
1,60
1.59
1.58
1,57

1,58
1,57
1,56
1,55
1,55

1,53
1,5 1

l.53

1,50

1,53
1,52

1,49
1,49

1,49
1,48
1,47
1,46
1,45

1,46
1,45
1,44
1,42
1,42

1,63
1,58
1,53
1,48

1,62
1,57
1,51
1,46

1,GO
1.55
1,50
1,44

1.59
1,53

1,58
1,-52
1,47
1,41

1,54
i,48
1,42
1,37

1,51
1.46
1,40
1,34

1,48
1,42
1,36
1,30

: ,45
1,39
1,33
1,26

1,42
1,36
1,29
1,21

1,39
1,32
1,24
1,15

1,34
1,26
1,17
1,00

2,75
2,51
2,:3[)

1,48

1,43

2 ,4;,

196
1 \)()

1.61
t.5 9
1.58
1,57
1.56
i ,54

2,66

2,41
2,24
2.12
2,0 2
1.94
l.CS
1.83
1,7 [1
1,'7 :)

2,64
2,40
2,22
2 ,10
2,00

2 .62
2.38
2.20
2, 03

1.92
1,86
1 ,80
1,76
1,72

1,90
1,83
1,73
1 ,73
1,60

1.98

1,63
1
1,(31

1 ,G6
1 '"'
1.60
.u ~)

1 .~ ~ I
1

1.so I

(
(

(
(
(
(---------

J:at.a tabela foi adaptada a parUr de dados de 'F. O. Brleger (Llmltea


o de I. S. Pearson e H . O . Hartley (Biomdrl1t4 Tablu frw Statuf.idam, .

Un1laterala e Bllaterail na Anllae EtaUatlca, Bragantia 8: 471J Cambrldge Un. Presa, 11J58),

546. 1948)

r-

__,,.,...

..

,.,._,.~.,.,-~,"-! ~~-...,_..,,

JULil

'~~--:---~.,-~'"'""""""'-''~-- ....,...-.._::~_,._..,..:.-.,....u <,"'- " ' ' ' -

iUIItT"""'

c
(
417

(
(

(
(
(
Tabela 7.

Limites bilaterais de

ao nvel de 5'/; de probabilidade,

._,...

para o c:Lo

(
(
(
(
(

(
(

c
(
(

c
(
(

10

11

2
3
4
5

0,039
0,035
0,034
0,033
0,033

0,16
0,16
0,16
0,16
0,16

0,24
0,25
0,25
0,26
0,26

0,29
0,31
0,32
0.32
0,33

0,32
0,34
'0.36
0,37
0,37

0,34
0,37
0.39
0,40
0,41

0.35
0,39
0,41
0,43
0,44

0,36
0,41
0,43
0,45
0,46

0,37
0,42
0,44
0,46
0,47

0,38
0,43
0,46
0,47
0,49

8
7
8
9
10

0,033
0,032
0,032
0,032
0,032

0,39
0,44
0,46
0,48
0,50

0.16
0,16
0,16
0.16
0,16

0,26
0,2G
0,26
0,26
0,26

0,33
0,33
0,33
0,34
0,34

0,38
0,38
0,39
0,39
0.39

0,11
0.42
0,42
0,43
0,43

0,44
0,45
0,45
0,46
0,16

0,46
0,'!7
0.47
0,18

o,1e

0.48
0,49
0,49
0.50
0,50

0,50
0,50
0,51
0.51
0,52

12
15
20
24
30

0,032
0,032
0,032
0,032
0,032

0.51
0,52
0,52
0,53
0,53

OJG
0,16
0,16
0,16
0,16

0,26
0,26
0,27
0,27
0,27

0,34
0,34
0,34
0,34
0,34

0,39
0,39
0,40
0,40
0,40

0,43
0,44
0,44
0.44
0,44

0,46
0,47
0,47
0,48
0,48

0.49
0,49
0,50
0,50
0,51

0.51
0,52
0,52
0,53
0,53

0.53
0,53
0,54
0.54
0.55'

40
60
120

0,54
0,55
0,56
0,56
0,57

0,032
0,032
0,031
0,031

0.16
0,16
0,16
0,16

0,27
0,27
0,27
0,27

0,34
0,35
0,35
0,35

0,40
0,40
0,41
0,41

0,45
0,45
0,45
0,45

0,48
0,49
0,49
0,49

0.51
0,51
0,52
0,52

0.5:3
0,54
0,54
0,55

0,55
0,56
0,56
0,57

0,57
0,58
0,58
0,59

00

c
(

(
(
(
(

(
(

(
(

(
(

Esta tabela foi adaptada a partir dP dados de F. G. Brleger (Limites


1946) e de E. S. Pearson e H. O. Hartley (Biometrika Tables for Statisticians,

d1:

....

<

1.

12

13

14

15

16

20

24

30

40

60

0,39
0,44
0,47
0,49
0,51

0,39
0.45
0,48
0,50

0,40
0.45
0,49
0.51
0,52

0,40
0,46
0.49
0,51
0,53

0,40
0.46
0,50
0.52
0,54

0,41
0.47
0,51
0,53
0,54

0,42
0,48
0,52
0.54
0,56

0.42
0,49
0.53
0,55
0,57

0,43
0,50
o,54
0,57
0,59

0,43
0,50
0.55
0,58
0,60

0.44
0,51
0.56
0,59
0,61

0,45
0.52
0.57
0,60
0,62

0,58
0.59
0,59 . 0.60
0,60
0.61
0.61
0.62
0,62
0,63

0,60
0,62
0,63
0,64
0,65

0,62
0.63
0,64
0,66
0,66

0,63
0,66
0.67
0,58

0.64
0,66
0,68
0,60
0,70

0,64
0,66
0,67
0.68
0,70

0,66
0,68
0,70
0,71
0,72

0,68
0,70
0.72
0.73
0.74

0,70
0,72
0.74
0.75
0,;7

0.72
0,74
0.76
0,78
0,80

0.71
0,72
0,73
0,75

0,73
0,75
0,76
0,78

0,76
0,77
0,80
0,82

0.79
0,81
0,84
0,87

0,82
0,85
0,89
1,00

~::~ I

0,52
0,53
0,53
0,54
),54

0,54
0,54
0,55
0,55

0,54
0,54
0,55
0,56
0,56

0.54
0.55
0,56
0,57
0,57

0.55
0.56
0,57
0,57
0,58

0,56
0.58
0,59
0,59
0,60

J,&i5
0,56
0,57
0,58
0,58

J,56
0.57
0,58
0,59
0,59

0.57
0,58
0,58
0,59
0,59
0,60
0,60 ' 0,61
0.61
0,62

0,59
0,60
0.61
0.62
0,62

0,61
0,62
0,64
o.64

o,Gs I

0.66
0,66
0,67

0,59
0,59
0,60
0,61

0,60
0,61
0,61
0,62

0,61
0,62
0,63
0,63

0,63
0,64
0,65
0,66

0,66
0.67
0,68
0,69

0,68
0,69
0,70
0,72

0,62
0,63
0,64
0,65

0,63
I 0,64

120

O.fi5

00

Unilaterais e Bilaterais na Anlise Estatstica, Bragantia 6: 479- 546,


Cambrldge Un. Press, 1956) .

~mr

.. ~ -;.;;,;;.;->~:...
... ,l.
fl' lll"lli
~.
-~
::
..
~;;:;
.."1~

'

(
(

(
(
(
(

para o

ca~,(J

13

14

de

..>-

<

1.

.
~

(
(
(

c
-(
(

(
(
(
(

' 4

O,Oili3G

0,18
0.20
0.20
0,21
0,21

0,21
0,23
0,25
0.25
0,26

6 O,OOG5
7 0,00()5
8 0.0065
9 ' 0.0064
10 0.00134

0,071
0,071
0,071
0,071
0,071

O,HD
0,150
0,151
0,151
0,151

0.21
0,22
0.22
o')"
-"'
0.22

0,26
0.27
0,27
0,27
0,27

o.:n
0.31

0.0064 0,071
0,0061 0,071
0.0063 0,071
O.OOG:l 0,071
0,0063 0,071

0,153
0,153
0,153
0,153
0,153

0,22
0,22
0,22
0,22
0,22

0,27
0.28
0.28
0,28
0,28

0.32
o.:l2
0,32
0.32
0,33

0,154
0,154
0,154
0,155

0,23
0,23
0,23
0,23

0,23
0 ,23
0,29
0,29

0,33
0,33
0,33
0,34

O.OOGl
0,00(i7

40 0,0063
60 0,0063
120 0,0063
00 0,0063

0,071
0,071
0,071
0,071

()

10

11

12

---- - -

0,134
0,142
O, 145
0,147
0.143

12
15
20
24
30

0,0079
0,0(171

0,071
0,071
0,071
0,071
0,071

1
2
:l
4
5

. o.:12
0,31 o,:l4
o''') o.:ls

o.:w

0.~13

0.:)5

o.:Jo

0,31
0,34
o.:l4
0.35

o:36
0.37

(J.:\1

0,25
0.23

0,2()

0,2:l
0.2G
0.28
0.2D .
0,30

o,:w

O,:l7

0,37
0,37
0,33

--

0.30

20

24

30

0,32
0,38
0,41
0,-14
0,46

0,32
O,:l!l
0,13
0,45
0,47

0,33
0.40
0,44
0.47
0,49

0,34
0,41
0,45
0,43
0,50

0,34
0,35
0,42
0,43
0,46 . 0,47
0,49
0,51
0,52
0,53

0,36
0,43
0,48
0,52
0,55

40

60

120

00

: - - - - 1-

0,28
O,:l3
0,35
0,37
0,38

0,29
0,34
0,36
0,38
0,39

0,29
0,30
0,34
0,35
0,37
0.38
0,39 . 0,40
0,41
0,42

0,30
0.36
0,39
0,41
0.42

0,3!)
0,42
0,43

0,31
0,36
0,40
0,42
0,44

0,3D
0,40

o,.w

0,40
0,41
0,42
0,42
0,43

0,42
0.4:!
0,43
0.44
0,44

0,43
0,44
0,44
0.45
0;~6

0,44
0,45
0,45
0,46
0,47

0,44
0,45
0,46
0,47
0,48

0,45
0,46
0,47
0,48
0,48

0,47
0,48
0,49
0,50
0,51

0,49
0,50
0,51
0.52
0,53

0,50
0,52
0,53
0,54
0,55

0,52
0,5:)
0,55
0,56
0,57

0,53
0,55
0,57
0,58
0,59

0,55
0,57

o.:n
o.:n

0,37
0,38
o.:J9
0,3!)
0,3!1

0,60
0,61

0,57
0,59
O.GO
0,62
0,63

0.3B
0.:38
0,30
0,3!1
0,40

0.40
0,41
0.41
0,42
0,42

0,42
0,43
0,44
O,H
0,44

0,41
0,45
0;46
0,46

0.45
0,46
0,47
0,47
0,48

0,46
0,47
0,48
0,49
0,50

0,48
O,El
0,50
0.50
0,51

0,48
0,50
0,51
0.51
0.52

0,49
0,51
0,52
0,52
0,53

0,52
0,53
0,55
0,513
0,57

0.54
O,:i5
O.:i7
O.:iK
O.:i!l

0,56
0,58
O,GO
O,G1
O,G2

0.58
0,60
O,G2
0,6:l
0,65

0,60
O,G2
0,6G
0.68

0,63
0,65
O.G:l
O,li9
0,71

0,65
O,G8
0,71
0,72
0,75

0,40
0,40
0,41
0,41

0,43
0,43
0,43
0,44

0,45
0,45
0,46
0,46

0,47
0,47
0,48
0,49

0,4!1
0,49
0,50
0,51

0,50
0,51
0,52
0,52

0,52
0.52
0,53
0,54

0,53
0,54
0,54
0,55

0,54
0,55
0,56
0,57

0,58
0,59
0,60
0,61

0.60
0,61
0,63
0.64

0,63
0,64

0,66

0,69
0,71
0,74
0,77

0,73
0,76
0,7!l
0,84

0,77
0,81
0,86
1,00

O,JO

, .. J .....

o.:w

16

0,27
0,31
O,:l4
0,35
0,37

O,:lll

0.35
0.35
0.36

15
-----

0,41
0,41

O,H

o,:3G

0,66

0,68

0,68
0,70
0,72

0,()5

0~5B

.(
,(~

Esta tabl'la foi n<lapt ucta a partir de dados dt F. G . Bril'gt:r (Limite~


Pearson e H. O. Hurt!t-y (Bivmetriku Tablrs for Stalrsilcia ns. Cambridt;L'

-(
.(
(
(
(
(
(
(
~J

_________________________

Unilatnais na An:lisl' Estatstica


Un. Prcss, l!l5G) .

Bmganlia 6:-i79

- 54:-i, UHG) e de E. S.

''-"':::'!::-. !": _.,..t" ~ "'- ; '",.....,-_.,,.,.,.~. .,.,,.,.,_.lrl>l.'-"..,.;.c""!';-"' .-'-,. ; - o ,_.-~-<

~ "'-"'~~~,YI:L~O;~,o-'-~;~''-'; i-.i' . "''""''"H-''''-.'o,7

L'

/.. 20

(
(

Tabela 9. Valores de
bilidade.

em nveis de lO% a 0,1% de proba-

(
(

Graus de
liberdade

lO%

5%

2%

l%

0,5%

0,1%

Grau::~

de

I ht: t

di!d(~

JO:~

57.

LI.
---

(
(

3
4

(
(

6
7
8
9

10

11

(
(

12 '
13

14
15
16
17

6,31
2, 92
2,35
2' 13
2,02
1,94
1,90
1,86
1,83
1,81
1,80
1,78
1, 77
1,76
1,75
1,75
1,74

12,71
4,30
3,18
2,78
2,57
2,45
2,36
2,31
2,26
2,23
2,20
2,18
2,16
2,14
2,13
2,12
2,11

31,82
6,97
4,54
3,75
3,37
3,14
3,10
2,90
2,82
2,76
2, 72
2,68
2,65
2,62
2,60
2,58
2,5 7

63,66
9,92
5' 84
4,60
4,03
3, 71
3,50
3,36
3,25
3,17

127' 32
14,09
7,45
5,60

3,11

3,50
3 ,-+3

3,06
3,01
2,98
2,95
2,92
2,90

4, 77
4,32
4,03
3,83
3,69
3,58

636,62
31,60
12,94
8,61
6,86
5,96
5,41
5,04
4,78
4,59
4,44
4,32

18
19
20

21
22

3,37
3,33
3,29

4,22

23
24
25
26
27
28
29
30

4,14
4,07

3,25
3,22

60

4,02
3,97

Continua.

40
1 20

1,70
1 , 70
1,70
1, 70
1,68
1,67
1,65

2,10
2,0')
2,09
2,08
2,07
2,07
2,06
2,06
2,06
2,05
2,05
2,04
2,04
2,02
2,00
1,98

1,65

1 '96

1' 73
1, 73
1 '73
1' 72
1' 72
1, 7l
1, 7l

1' 71
1' 7l

2,55
2,54
2, 53

0,57.

()' 1?

-------------

2,39
2,36

2,88
2,86
2,84
2,83
2,82
2,81
2,80
2 '79
2,78
2 '77
2,76
2,76
2 '75
2 '70
2,66
2,62

3,20
3,17
3,15
3,14
3,12
3,10
3,09
3,08
3,07
3,06
3,05
3,04
3,03
2,97
') ,_q.....
')
,_
2,:36

3,66
3,65
3,55
3,46
3 ,. 3 7

2,33

2,58

2,81

3,29

2 '52
2,:Jl

2,50
2,49
2,49
2,48
2,4 7
2, 4 7
2,46
2,46
2,42

3,92
3,88
3,85
3,82
3,79
3, 77
3,75
3' 73

3, 7l
3,69
3,6 7

Esta tabela foi adaptada a partir de dados de


R.A.
Fisher e F. Yates (Statistical Tables for
Biologica1,

Agrcultura1 and Medical Research, 2~ edio, Olver and


Boyd, Londres, 1943).

(
(
I

1
2

l 7.

(
(
(

,~

'iiif' .~ -.

(
(

422
423

(
(

(
(

.Tabela 10- Valores da amplitu de total estuden tlznda (ql. ptlrn


u._,
0
n - nmero de tratame ntos
no
n' - nmero. de grau:t de liberdad e do r~lduo

teste de Tukey, ao nlvc\ de Ct de probnbl lldade.

(
(

(
(

(
(

(
(
(

(
(

(
(

(
(
(

~
1
2
3
4
5
6
7
8
9
10

3,11

fi
14

24
30
40
60
120
00

17,97
6,09
.. 4 ,5 0
3, 93
3,61
3 ,46
3,34
3 ,2 6
3 ,2 0
3,15

11
12

15
16
17
18
19
20

3,03
. 3 ,06
3,03
3,01
3,0 0
2, 9 8
2,97
_2,0 6
2, 95

2, 92
2,39
2,8 6
2,8 3
2,80
2,77

26,08
8,33
5,91
5,01
4, GO
4,31
4,17
4,04
3,9 5
3,88
3,02
S,77

37,08 40,41
10,fl8' 11,74
7 ,50
8,04
6.29
6,71
5,1)7
6,03
5,31 i 5 ,63
5,06
5,36
4,89
5,17
1)6
5,02
4,65 I 4,01

3,70
3,67
3,65
3,63
3,6 1
3,50
3,58
..

------ -

3,90 - 4 ,17
3.85
4,10
3,79
4,04
3,74
3,98
3,69
3,92
3,63
3 ,86

7
43,12
12.44
. 8,48
7 ,05
6.33
5,90
5,6 1
5,10
5,2-1
5,12

45,40
13,03
8,35
7,35
6,58

6,12
5,32
5,60
5:13
5,31

'

S,GO

4 ,37
4,30
4,23
4,16
4,10
4,03

4,81
4,72
4,64
. 4,55
4,47
4,39

4,54
1,68
4.,46
4.60
4,39 14,52
4,31
4,44
1,24 ,4.36
4,17
4,2 9

49,07
13,99
9,46
7,83
7,00
6,49 '
6,10
5,92
5,74
5,60 ,

5,46

10

47,36
13,54
9,13
7,60
6.80
6,32
6 ,00
5,77

"1,82
5,03
5,20
'1, 75
4, 9fj I 5 .12
4.60
4.89
5,05
4,61
4,33
4,09
4,60
4.78
4,94
4,56
4,74
4,90
4 ''' .1
4,52
4 ,86
4,50 . 4, G7
4 ,il2
1,47
4,65
4,79
4,45
4,G2
4,77

4,26
4 ,57
4,2 0 _ -4,51
4, l!i_ 4,45
4,11
4,41
4,08
4.:37
4,05
4.33
4,02
4,30
4,00
1,28
3,98 ! 4,25
3,96
4,23

3,74

3,53
3,49
3,44
3,40
3,36
3,31

32,8:!
9,80
6,83
5,76 <
5,22
4 ,90
4,68
4 ,53
4,42
4,33

'

5,35
5,27
, 5,19
5,13
5,08
5,03
4.99
4,96
4.92
4,90

II

5,49
5,40
5,32
5,25
5,20
5,15
5,il
5,07
5,04
5,01
4,92
4,82
4,74.
4,65
4,56
4,47

I
I
I

11

12

13-

14

15

16

17

18

19

20

50,59 51,96 53,20 54,33 55,36 56,32 57,22 58,04 !i8,83 59.56
11 ,39 14,75 15,08 15 ,38 15,G 5 15,91 16.14 16, 37 16,57 10,77
9.72 9,95 10,15 10,35 10,53 10,(HJ 10,b4 10,08 11.11 1 1,2-l
8,03 8,21 8,37 8,53 8,66 8,79 8,!H 9,03 0,13 9,23
7, 17 7, 32 7 ,47 7,60 7,72 7 83 7,03 8.03 8 .12 8,21
1
5,65 G,7!l 6,92 7,03 7, i4 7,24 7,34 '1 ,43 7.51 7 ,5 9
G,30 0,13 6,55 6,66 6,76 6,85 6,91 7, 02 7 ,10 7,17
6,0!) 6,18 6,29 6,3() 0,4 8 6 ,51 6,65 6,73 6;130 6 ,87
5,87 5,9fl 6,09 6,19 6 ,28 t3, 3li 6,44 6,51 6,58 6 .64
5,72 5,83 5 ,91 6 ,03 6,11 6 ,19 6,27 6, 34 6,'!1 6,47,

5,61 5,7 1 5,81


5,S 1 5,62 . 5,71
5 ,-13 5,53 5,63
5,36 5,46 5,55
5, 3 1 5.40 G,49
5.2 6 5,35 5,44
5,2 1 5,31 5,39
5,17 5,2 7 1 5.35
5,14 5,23 5,32
5,11 5,20 5,28

5,90 5,98
5,80 5,83
5 ,71 I 5,79
5,64 5,71
5,57 5,65
5 ,52 . 5,5()
5,47 5,5<1
5, 43 5,50
5,39 5,4G
5,36 5 ,43

6,06
5, 95
s .8 6
5,79
5 .72
5 ,66
5,61
5 ,57
5.53
5,49

6,13
6 ,02
r 5,o3
5,85
5,79
5,73
5,613
5,63
5,59
5,55

5,01
4,92
4,82
4,73

5,25
5,15
5,04
4 ,94
4,84
4,74

5,38
5,27
5 ,16
5 ,06
4,95
4,05

5,44
.5,33
5,22
5,11
5,00
4,80

I
!

4 ,G 1

4,55

5,10
5,00
4,90
4,81
4,71
4,62

5,18
5,00
4,0 8
4,08
4,78
4,69

5,32
5,21
5,11
5,00
4 ,9 0
4,80

6 ...
"'0 I' 6 "'''7 II o,
., 33

6,09

6,151 G,21

6 ,00 6,06
5,92 .5,97
5 ,85 5,90
5,79 5, 81
5,'73 5,79
5,G9 5,71
5,()5 5, 70
5,GJ 5,66

6,11
G,0 3
5-,96
5.()0
5,e4
5,79
5,75
5,71

5,-19
5 ,38

5,59
5,48
5 ,3 6
5,24
5 ,13
5,01

5,55
5,43
5,27 5.31
5,15 5,20
5, 04 5,0!)
4,03 4,07

,_

(
(

Eata tabela tol adnpt.ad a a parUr de reiJUltadoa de .H. Leon Harler


(Tir-

c
(

(
(
(

( --------~-~---

bles of Range and Student lzed Ran~r~. Aml. Math. Stat. 31: 1122-11
47).

425

41. t,

(
(

Te bela 10 - ValoT~::J da amplitude t<Jtal f!~tU<kntlnda (q). para

n n' -

\J,'i.()

nmero de tratanH:n lo~


nmero de graus de llbt:r dadc do real duo

no

te&te de Tukey, ao nlvcl de 57(, de

probnbllld;~dc.

(
(

(
(

X
1
2
3
4

5
6
7

9
10

(
(
(
(

(
(

(
(

(
:(

11
12
13
14
15
16
17

18
19
20
24
30
40
60
l20
00

22
60,91
17,13
11,47
9,42
8,37

24

26

28

30

32

31

50

8,37
7.90
7,55
7,30
7,09

67,56
18,92
12,63
10,34
9,17
8,45
7,97
7,63
7,36
7,16

68,26
19,11
12.75
10.44
0.25

68,92
19,28
12,87
10,53
9.33
3,60
8,11
'1,76
7,49
7,28

71,73
20,05
13,:!6
10,93
9,67
8,91
8,40
8,03
7,75
7,53

6,93
6,80
6,68
6,59
6,51
6,43
6,37
6,32
6,27
I 6,22

6,99
6,86
6,74
6,65
6,56
6,49
6,43
6,37
6,32
6.28

7,05
6,92
6,30
6,70
6,62

6,10

6,86
6,73
6,62
6,53
6,45
6,37
6,31
6,26
6,21
6,17

7,11
6,97
6,85
6,75
6.67
6,59
6,53
6,47
6,42
6,37

7,35
7,21
7,08
i
6,98
6,89
6.81
6,74
6,68
6.63
6,58

5,97
5,83
5,70
5,57
5,43
5,30

6,03
5,89
5,75
5,62
5,48
5,35

6,09
5.94
5,80

6,13
5,99
5,85
5,71
5,57
5,43

6,18
6,04

6,23
6,08
5,93
5,79
5,64
5,50

6,42
6,27
G,Jl
5,06
5,80
5,65

64,23
18,02
12,05
9,88
8,76
8.09
7,63
7,31
7,06
6,87

65,15
18,27
12,21
10,00
8,38
8,19
7,73
7,40
7,15
6,95

66,01
18,50
12,36
10,12
8,98
8,28
7,81
7,48
7,22
7,02

6G.Ill
18,72
12,50
10,23

7,73
7,30
7,00
6,76
6,58

63,22
17,75
11,87
9,74
8,64
7,98
7,53
7,21
6,97
6,78

6,44
6,32
6,22
6,13
6,06
6,00
5,94
5,89
5,85
5.81

6,54
6,41
6,31
6,22
6,15
6,08
6,03
5,98
5,93
5,89

6,63
6,50
6,40
6,31
6,23
6,17
6,11
6,06
6,01
5,97

6,71
6,59
6,48
6,39
6,31
6,24
6,18
6,13
6,08
6,04

6,70
6,tifl
6.55
6,46
6,38
6,31
6,25
6,20

5,68
5,56

5,76
5,64
5,51
5,39
5,27
5,14

5,84
5,71
5,58
5,45
5,33
5,20

5,91
5,77
5,64
5,51
5,38
5,25

5,-14

36

10

62,12
17,45
11,68
9,58
8,51
7,86
7,42
7,11
6,87
6,69

5,32
5,20
5,08

38

--

~.15

9,08

5.titi

5,53
fi,3[!

(
(
(

(
(
{
(
(

(
(

E3ta tabela foi adaptada a partir de resultados de 'H. Leon Harter (Ta-

8,53

3.01
7,69
'1:13
7,22

6,54

6,48
6;12
6,37
6,33

5,HG ,

5,75
5,61
5,46

70

80

oo

73,97
20,6!i
13,76
li ,24
9,95
9,16
i 8,63
8,25
7,96
7,73

75,82
21.16
14,08
11,51
10,18
9,37
8,82
8,43
8,13
7,00

77,40
21,59
14,36
11,73
10,38
0,55

78,77
21,96
14,61
ll,U2
10,54
9,70

8,90

9,13

8,59
8,28
8,04

8,72
8,41
8.17

79,98
22,29
14,82
12,09
10,69
9,84
9,26
8,31
8,53
8.28

7,55
7,30
7,27
7,16
7,07
6,98
6,91

7,71
7,55
7,42
7,31
7,21
7.13
7.05

7,85
7,69
7,55
7,44
7,34
7,25
7,18

7,9'7
7,80
7,67

8,08
7.91
7.77

'7,55

'l,G5

7,45

7,55

60

6,85

6,09

7' 11

6,79
6,74

6.03
G,88

7,05
6,90

6,58
6,42

6,71
{i,54
6,:18
6,21
6,0'1
5,86

6,82
6.65
6,18
6,30
6,13
5,95

6,26

6,09
5,93
5,76

100

7,46

7,36

7.28
7,21
7,15
7,10
6,02
6,7'1
6.57

7,38
7,31

7 , ....')'"i
7,19
7,01
G,83
6,65

G,39

6,1G

6,21
6,02

6,28
6,09
-

bles of Range and Studentlzed Rang-e, Am!. Math. Stat. 31: 1122-1147).

(
(

42

427

(
(

(
(

Tabela 11 - Valores da amplitude total r.studentlzada ( q), para uso no


n - nmero de tratamentos
n' - nmero de &rnus de Uberdac1e do resldu 0

ksk li~ rukey, ao nlvct de 1 ';? de probabilhlade.

(
(

(
(

(
(
(
(
(

(
(
(
(

(
(
(

IX
1
2
3
4
5
6

7
8
9
10
11
12
13
14
15
16
17
18
19

20
24
30
40
60
120
00

51

r-~-~--~-~~- ! 1-~-~--:~. ~--:_6_~--~--l~~T~~J

lO

90,03 135,0 164,3 185,6 202,2 215.8 227,2 237,0 245,6


14,04 19,02 22,29 24,72 26.63 28,2 0 29.5J 30,63 31,69
8 ,2 6 10,62 12,17 13,33 11,24 15,00 15.61 16,20 16,69
!} ,5 1
8,12
9 ,17
9.96 10,58 11,10 11,55 11,93 12,27
!) 90
7 ,30
8,42
8.91
9,32
9. 70
9,97 10,24
) 33
5.24
7,03
7,97
7.56
8,32
8.61
8,87
9,10
4,95
5,92
6,54
7,00
7,37
7,68
7,94
8,17
8,37
5,64
6,20
6,52
4,75 I
6.96
7,24
7, 47
7,68
7,86
4.60 . 5.43
5,96
6,35
6,92
6.66
7.1 3
7,32
7,50
4.48
5.27
5:n 6,14 6: 13. 6,67 6,88 7,06 7,21

12 53,2
32.!S9
17.13
12,57
10,18
9,30
8,5:i
3.03
7,65
7.36

. ,o I

-1,39
4 .32
4.26 1
1.21
4,17
4.1 3!
4,10
4.07
4. 05
4,02

3.96
3.89
3,82
3,76
3.70
3.64

5,15
5,05
4,96
4,90
4,84
4,79
4.74
4,70
4,67
4,64
4,55
4,46
4,37
4,28
4,20
4,12

5,97
5, 62
5,50
5,84
5,40
5,73
5.32
5,63
5,25 - 5,56
5 ,19
5,49
5,14
5.43
5.38
5.o9
5,05
5,33
5,02
5,29

4,91

5,17
5,05
4.93
4,82

.
oI
4,70
4,60
4.50
4,40

4.71
4,60

6,25
6,10
5,98
5,88
5.80
5,72
5.66
5.60
5,55
5,51
5,37
5,24
5,11
4,99
4.87
4,76

6,481
6,321
6,191
6.08
5,991
5 ,021
5,85

5,791

5,74
5,C9
5,5 4
5 ,40
5,2 6
5,13
5,00
4,88

6,67
6,51
6,37
6,2G
6 ,1 6
6,08
G.01
5.94
5,89
5,8 <1
5,68
5,5 !
5,39
5,25
5,12
4,99

6,84
6,67
G,53
6,41
6,31
6,22
6,15
6,08
6,02
5,97

6,99
6,81
6,67
6,54
6,44
6,35
6,27
6,20
6,14
6,09

5,81
5,65
5,50
5,36
5,21
5,08

5,92
5,76
5,60
5,45
5,30
5,16

7.13
G.Dl
6,70
G.GG

G.56
6:16
6.38
6.. 31
6,25
6,19
6,02
5,85
5.69
5,53
5,38

/:2GO .o

12G6, 2 . 271.8 b . o 281 .8 2ilG.3j.2DO:I


0!.3
31.13 31.8 1 35,43 36,00 3G.s:> :nm :n.s9
17,39 18,22 11!,52 Ja, ;H
l ~J.G7 I l :U2 I 19 ,:~;)'
13,0!1 13,3 2 1.'3,5 3 J:l.73 l:l.!l l I. 14,0.'! H,:!t
1C',70 10,89 11,03 11,24 11.'10
ll.68 ll.fil
!J,4S
!J.G5
9.81
(J,D5 10;03 10.21 10 ,:12 l.4:l
.'!,71
tUlG
9,00
9,12
~1.24
8.35 I !J,Hi
G.55
i',l~l
8, :31
8:!4
8,;)5
8,61>
8,71>
il.n:; I B.!H
7. 73
'UJl
8,02
8, 13
8 ,23
3,32
8.41
8.SO
7,-13
7,60
7,71
7 ,81
7,!11
7,il9
fl,\lB
ll.l~o
33.10
17}:1
12};1

7 .25
7,06

11.551

I 7,17
7.36

7,46
7.2 6

7 .56
7.36

7,10

7,1!1

6,96

7,o5
1> .93

6 74

(i,90i
6,77 :
,GG
G,5li I
6, 48
6 41 ;

7,0!
6,87
6,76
6.66
6,57
6,50
6::H ,~ 6,.;3
6,28
6,37

6,5 :3
6,51
6,45

I 66.19
,01

6,08

6,11
5.93
5.7ll

6.341

G,GG

6,26

7,H5

7;7~~

7.-14
7 ,2 7
7;1:l
7 ,00

7,52

7 .\l7

'7.1 4

fi .~lO

7 .:!0

G.\17

7.03

7,0!J

G.81
i.72

. ,,,..,

. ~q
0,1.

6,52

6.G5
6. 59

6,1i5

6,33
6,11
5.ll6
5,78
5,Gl

6,30
6.20
G.02
5.81
5,66

G,82
G.3

G.LiG
6.5B

7 }~~

I 7.;i !l

7, lii..i

7. 1:2

ri ,1:1
7 .:~~~

7.20

0,0 I

G 7?

II

d .~11

7 ,0()

()}~5

O,Dl
G,lH
6,77

G.7G

<3, 71

6,45
6.51
G.;,G
6,26
G,3 1
G.::G
5,H4
5,90
6,07
6,1:.!
6,1G
5.6 5,67 5,73
5,3!1
5,03
5.(J'f
5 .44
5,50
5,56
5,71
5,75
5.'.'D :
.~s_._z3~__s._z_9~_5_,3_5-L__s_,4_o_L_5_,4_5~-5-_49_J__s_.s_4~-5-,5--7 L_5 ,G l

l!:ata tabela foi adaptada a partir de reau'ltados de H. Leotl Harter (T&bles ot Range and Studentized Range, Ann. Math. Stat. 31: 1122-1147)

(
\

'

(
I

(
r

':."

'.f'

,~ . .

. . i . '

'".: ' '

(
(

429

(
(

c
c

t-rJJt~

Tabela 11 - Valores da arnplltude total estudentlza da (q), pnra uso no


n
nmero de tratan1cnto s
n' - nmero de graus de liberdade do rcsluo.

ctc Tvl!'ry,

n.o

nlvrl de 1 ~{ <lc probnbll!drH lc.

(
(
(

(
(

(
(

c
(
(

(
(

(
(

(
(

X
1
2
3
4
5
6
7

8
.9
10

20

22

24

26

30

32

34

36

298.0 304,7 310,8 316,3 321,3 326,0 330,3 334,3


37,95 38,76 39,49 40,15 40,76 41 ,32 41,84 42,33 338,0
19.77 20,17 20,53 20,86 21,16 21.44 21,70 21,95 42,78
14 ,40 14,68 14.93 15,16 15,37 15 ,57 15,75 15,92 22,17
11,93 12,16 12,36 12,54 12,71 12 ,87 13,02 13,15 16,08
13,28
10,54 10,73 10,91 11,06 11,21 11,34 11,47
ll,!i8 11,69
9,65
9,82
9.97 10,11 10,21 10 .3li 10,47 10,58
10,67
9,03
9,18
9,32
9,45
9,57
9.G!l
9.713
9,87
9,96
8,58
8,72
8,85
8,97
.9,08
9,18
0,27
9,36
9,44
8,23
8.36
8,48
8,60
8,7J
8,79
8,88
8,97
9,04

11
12
13
H
15
16
17
18
19
20

7,95
7,73
7,55
7,40
7,26
7 ,15
7,05
6,97
6,89
6 ,82

8,08
7,85
7,66
7,51
7,37
7,26
7,16
7,07
6,!)9
6,02

8,20
7,96
7,77
7,61
7,47
7,36
7,25
7,16
7,08
7,01

8.30
3,07
7/37 .
7.70
7,57
7,44
7,34
7,25
7,17
7,09

24
30
40

6,61
6,41

6,70
6,49
6,29
6,09
5,90

6,79
6,57
6,36

6,86
6,64
6,43
6,22
6,02
5,82

60
120
00

28

6,21
6,02
5,83
5,64

5,71

6,16
5,96
5,77

8,49
I 8,25

'l:W
7,321 7.40
7,24
7,31
7,I7
7,24

8,58
8,33
8,12
7,95
7,il0
7.67
7,56
7,46
7,38
7,30

8,65
8,10
8,19
8,02
7,87
7,74
7,63
7,53
7,44
7,36

8,73
8,47
8,26
8,08
7,93
7,80
7,69
7,59
7,50
' 7,42

6,94
6.71
6,49
6,28
6,07
5,87

7,06
0,83
6,60
6,30
6,16
5 ,95

7,12
6,88
6,65
6,42
6,20
5,{)9

7,17
S,93
6.70
6,47
6,24
6,03

8.40
8,16
7 .9li
7,79
7,65
7,53
'7,42

8,04
7,87
7 ,73
7,60

7,00
5,77
6,55
6,33
6,12
5,91

--,---

~"-----j-40---t
341 ,5
4:l,21

314 .u
13.G 1

22,3!!
lG,23

2?.,:,9
1G,37

l:l.10
11 ,BO
lO,?'

1 ;;,;,2

5,33
-'3.45

:J70,1
4G,70

3B7,3
411,110
?.:), 1 ~~
18.20

3!14,1
49,G4

21.13
17:1G

370,1
47,8:l
:>!,71
17,1l6

1'\.:; :J

H,'/2

H,:l!J

1 :; .1 ~)

'.li:)
1! .:>2

10;;:;
1O, 1'1

12.92
I 1 ,'17
10,!)'1
10.38

1l,:ll
10,73

ll;l !l

!J,'I:l

0,93

13,1G
11,(0
11 .17
1 0,:)7
10,1 o

15,:2:1
13,:17
12,l'7

9,:)7
9,28
9,01
fl,fl3
8,66

10,05

1 I, !HI
10.f1:)
10, l :1

9,52

H,!>:}

9,12

9,19

12,31
]] ,23
10:17
9.91
!1,49

13,BO

8,/lG

9,15

9,3B

il,4
8,33
8,15

ll,60
H.:l9

B,llU

!I,O!J
iJ,iJ(\

s.:ls

7.9~1

B,05

7,!16
7,74
7,i4

7 ,!l2

8,1 :)

'/,HO
7,'/0

7,!):l

ll.:w

'/,Zi t:

7,f)2

7,22

7.:n

6,98

'7,0:~

6,7-l

,'/B

6,51
6,2R

!\,~5

B,!Hi
8,19

9 ,73

9:13
U,10
8 ,93

8, !!0

---

100,1

50 . ~~8
2:l.Sl9
1!\,'i'i

25,62

IS.!iO

13.!i5
l?. ,:il

10}\7
10,:\'l

J0,2:i

9,!JB
9,:>'1

JO .O IJ
!J,(\~)

a.:>:<

~)

9,11
8,92
8,77
B,G3

D. ~~ ~~

14

9,(!+

E,fi;i

1\,2:>.

0,38

n,:il

B, 11

8.:~G

s.:l!l

!l, !ll

B.Wi
8.'i1
8,Gl

'7,83
'1,7!

8,(11

8.16
8,07

!I. ::~ !)
8,19

8;10
8,30

!l;!O

7,-!B

7,6-1
7,3 7
7,10
G.B4

7,7il
7,50

7,!10

8,00
7,71
7 ,1:~
7,13
6,H:>
C,5!1

L_6,0G
___.__ G,U:I

--

[\,;i 1

am

<l,32

100

70

15.!111
H ,IIO

!l,GS
B,'l
8,30

90

GO

50
3!'fi.\1

80

~ -

7.:'.2

G.!JG

7,!)'2

.,.,..,
.~~

6,'11
6,95
6,47
G,~,n
6,G9
6,23 1_6,3~,!3

7,1i1
'I ,:\:1
7,05
6,7ll
6,51

n.:'o
B, 10

7,BO
7.!i0
7 ,? 1
G;:J:J
G,G4

Esta tabela foi adaptada a partir de resultados de ;H. Leon Hnrler (Ta-

blrs o! Hl\nge t<nd

(
(

c
(

( --------------~;'_ _ _

:Jtudentlz<"<lll~tnt:j',

A1111. Math. Slal. 31: 1122-1147).

430

Valores da amplitude total estudcntlzada (z), p~.,-a u


n n. 0 de mdias abrangidas pelo contraste
so

Tabela 12.

no U!.'lle <'ffi Duncan, ao nlvd de ~1, de probabiUudc.


n' - n.o de graua de liberdade do rr:>iduo.

(
(
(

c
(
(

(
(

18,0
6,09
4,50
3,93
3,64

18,0
6,09
4,50
4,01
3,74

18,0
6,09
4,50
4,02
3,79

18,0
6,09
4,50
4,02
3,83

18,0
6,09
4,50
4,02
3,83

18,0
6,09
4.50
4,02
3,83

18,0
6,09
4,50
4,02
3,83

:3,46

7
8

3.:~5

3,58
3,47
3,39
3.34
3,30

3,64
3,54
3,47
3,41
3,37

3,68
3,58
3,52
3,4T
3,43

3,68
3,60
3,55
3,50
3,46

3,()8
3,61
3,5()
3,52
3,47

:3 ,G8

3,27
3,23
3,21
3,18
3,16

3,35
3,33
3,30
3,27
3,25

3,39
3,36
::.,35
3,33
3.31

3,43
3,40
3,3B
3,37
3,36

3,15
3,13
3,12
3,11
3,10

3,23
3,22
3,21
3,10
3,18

3.30
3,28
3,27
3,26
3,25

:3,08
3,07

3,24
3,22
3,21
3.20
3,20

:~.27

3,17
3,14
3,12
3,09

'

1
2
3
4
5

10

11
12
13
14
15

(
(

(
(

(
(

16
17
18
19
20

22
24

-(

28

(
(

(
(

3,26
3,20
3,15

26

:-w

40
60
100
00

3,11
3,08
3,06

3,03
3 ,O 1

:3,00

2,015
2,97
2,06
2,95
2.~J3

2,92
2,91
2,9.0
2,8!)

3,04
3,04

3,17
3,15
3,14
3,1:1
3,12

2,86
2,B3
2,80
2,77

3,01
2,!)8
2,95
2,92

3,10
3,08
3,05
3,02

:~.OG

ia,o

10

12

14

16

18

20

50

100

6,09
4,50
4,02
3,83

18.0
6,09
4.50
4,02
3,83

18,0
6,09
4,50
4,02
3.83

18,0
6,09
4,50
4,02
3,83

18,0
6,09
4,50
4,02
3,83

18,0
6,09
4,50
4,02
3,83

18,0
6,09
4,50
4,02
3,83

18,0
6,09
4,50
4,02
3,83

18,0
6,09
4,50
4.02
3,83

3,61
3,56
3,52
3,47

3,68
3,61
3,56
3,52
3,47

3,68
3,61
3,56
3,52
3,47

3,68
3.61
3,56
3,52
3,47

3,68
3,61
3,56
3,52
3,47

3.3
3,61
3,56
:3,52
3,47

3,68
3,Gl
3,56
3,52
3,47

3,68
3,61
3,56
3,52
3,48

3,68
3,61
3,56
3,52
3,48

3,68
3,61
3,56
3,52
3,48

3,44
3,42
3,41
3.39
3,38

3,45
3,44
3,42
3,41
3,40

3,46
3,44
3,44
3,42
3,42

3,4t
3,46
.:,45
3,44
3,43

3,46
3,46
3,45

3,46
3,46
3,46
3,46

3,47
3 ,47
3,47
3,47
3,47

3,48
3,48
3,47
3,47
3,47

3,48
3,48
3,47
::S,47

3.44

3,46
3,46
3,46
3,46
3,45

3,47

3,47
3,47
3,47

3,34
3,33
3.32
:).31
3,30

3.37
3,36
3,35
3,35
3,34

3,39
3,315
3,37
3,:n

3:-13 I~

3,44

3,45

3,44
3,43
.3,43
3,43

3:5

3,46 l
3,46

3.:~()

3,41
3,40
3,39
3,39
3,38

3.47
3,47
3,47
3,47
3,46

3.47
3,47
3,47
3,47
3,47

3.47
3,47
3,47
3,47
3,47

3,47
3,47
3.47
3,47
3,<!7

3,:w
3.:'8

3,35
3,34
3,34
3,33
3,32

3,37
3,37
:~.36

3.3D
3,38
3.38
3.:n
3,37

3,42
3.'11

::l.2fi
3,25

3,32
3.31
3,30
3,30
3,2!)

3,43

3.45
3,45
3,45
3,45
3,44

3,46
3,46
3,46
3,46
3,46

3,47
3,47
3,47
3,4'/
3,47

3,47
3,47
3,47
3,47
3,47

3.17
3,.47
3,47
3,47
3,47

3,22
3,20
3,18
3,15

3,27
3,24
3.22
3,19

3.:w
3,28
3,213
3,23

3,33
3,31
3,29
3,26

3,:15
3,33
3,:i2

3,3!)
3,37
3,36

~1.29

3,:34

3,42
3,4
3,40
3,38

3,44
3,43
3,42
3,41

3,46
3,45
3,45
3,44

3,47
3,47
3,47
3,47

3,47
3,48
3,53
3,61

3,47
3,48
3,53
3,67

3,35
3,35

3,42

3.41
3,41
3,'t0

:'!,45

3,41
:'l,-!0
3,40

3,4;)
3,44

3,H
3,44
3,4{
3,4:3
0,43

3,46

3,46
3,46
3,46

3,48
3,48

(
(

Esta tabela foi transcrita do artigo de D. B. Duncan "Multi pie

Range and Multiple F

Tests" (Bom.etrlcs U: 1 -

42, 1955).

.. ............_:..::._:.__----'-'-=~

4J:L
433

Val"r es da amplitude total estude n Uzada

( z). paru

n. 0 de ml'dlns ahrangldas pe 1o co1Hra'>tc

n -

(
(

(
(

~
1

10

12

14

16

18

20

50

100

90,0
14,0
9,0
7,3
6,6

90,0
14,0
9,1
7,4
6,6

90,0
14,0
9,2
7,4
6,7

90,0

90,0
14,0
9,3
7,5
6,8

90,0
14,0
9,3
7,5
6,8

90,0
14,0
9,3
7,5
6,8

3
4
5

90,0
14,0
9,0
7,3
6,5

6
7
8
9
10

5,24
4 .95
4.74
4,6U
4.48

5,51
5,22
5,00
4 ,86
4 ,73

5,65
5,37
5,14
4.99
4,88

5 ,73
5,45
5,23
5,08
4,96

5,81
5.53
5,32
5,17
5,06

5,88
5,61
5,40
5,25
5,13

5,95
5,69
5,47
5 ,32
5,20

6,00
5,73
5,51
5,36
5,24

6,0
5,8
5,5
5 ,4

11
12
13
H
15

4 .39
4 .:l2
4,26
4,21
4.17

4 .63
4 .5 5
4 ,48
4.42
4, 37

4.77
4 8
4.62
4.55
4,50

4 .86
4.76
4,69
4.63
4 .58

4,04
4,84
4,74
4 ,70

5,01
1,92
4,84
4,78
4,72

5,06
4,96
4,88
4 ,83
4 ,77

5,12
5,02
4,94
4,37
4,81

5,15
5,07
4 98
4,91

4,34

4, 30
4, 27

19
20

4 .10
4.07
4.05
4.02

22
24
26

30

(
(

90,0
14;0
9,0 I
7,2
6,44

4. 13

90,0
14,0
8,9
7,2
6,40

17
18

90 ,0
14,0
8,9
7,1
6,33

16

90,0
14,0
8,8
7,1
6,26

90,0
14,0
8,7
7,0
6,18

(
(

90,0
14,0
8,6
6,9
6,11

90,0
14,0
8 ,5
6,8
5 ,96

90 ,0
14.0
8,26
6.51
5,70

no teste de Duncnn, ao n1vel de ! % de prol.JabiHdude.


n' _ n .o de graus de liberdade do rcsiduo .

u5Q

28

40
60
100
00

4,24
1. 22

4,4 5
1.41

1, 38
4,35

4.33

3 ,99
3.96
3.93
3.9 l
3.89

4 .17
4 .14
4.11
4 ,08
4 ,06

4.28
4.2 4
4,21
4,18
4,16

3 .R2
3.76
3.71
3,64

3.99
3,92
3.86
3 ,80

4.10
4,03
3,98
3,90

4. 54
4 .5 0
4,46
4 ,43
4,40

'

4,64

4 ,GO
4 ,56
4 .53
4, 50
4 ,4 7

4,36
4.33
4 .30
4.28
4 .22

1.:w

4.17
4,12
4,06
3,98

4 ,1 2
4. :3 9

4.G7
4 ,G 3

4,59
4,56
4,53

4 ,72
4 ,68
4,64
4 ,61
4 ,58

4,76
4,72
4,68
4,64
4,61

4, 32

4,48
4,44
4,41
4,30
4.36

4 .53
4,49
4.46
4 ,43
4,41

4,57
4,53
4,50
4,47
4,45

4.24
4 ,17
4,11
4,04

4,30
4.23
4,17
4,09

. 4.34
4 .27
4,21
4,14

4 ,37
4,31
4,25
4,17

4 ,:3 4

5 ,2B

4 ,84

4,79
4,'15
4,71
4,67
4 ,65

6,1
5,8
5,6
5,5
5,36

6,2
5,9
.5,7
5,5
5,42

6,2
5,9
5,7
5,6
5,48

9,3
7,5
6,7
6,3

6,0
5,8
5,7
5,54

5,24
5, 13
5,04
4.96
4 ,90

5,281
5, 17 l
5,08 l
5,00
. 4, 94

5,34
5,22
5 ,13
5,04
4,97

5,38
5,24
5,14
5,06

4 ,34
4,80
4,76
4,72
4,69

4, 88

4 ,83
4,79
4 ,76
4, 73

6,3
6,0
5,8
5,'7
5,55

6,3
6,0
5,8
5,7
5,55

5,39

5,39

5,39
5,2(i
5,15

5,26
1
5,15

4,99

4,91
4,3 6
4,82 _
4 ,79
4,76

4 ,93
4,88
4,84
4,81

4 ,94
4 ,89
4,85
4 ,82

4 ,94

4.89
4,83
4,82

4, 94 .
4,89
4,85
4 ,82

4,78

4,79

4,79

4,79

4,74
4.70
4,67
4,65
4.63

4 ,75
4 ,72

4,75
4,74

4,65

4.75
4,74
4.'73
4 .72
4,71

4,57
4,50

4,59
4,53

4,65
4,62
4,58
4.56
4,54

4,58

4.71
4,67
4.65
4 ,62
4,61

4,41
4,34
4,29
4,20

4.46
4.39
4,35
4,26

4,51
4,44
4,38
4,31

4,54
4,47
4,42
4,34

4 ,68
4 ,64
4,52
4, 60

6,3
6,0
5,8
5 ,7
5,55
5,26
5,15
5,07
5 ,00

4 ,57
4 ,53
4,51
4 ,48

4 ,60

14,0

4 ,69
4,67

5, 0'1 ;

5,00

4,73
4 ,72
4 ,71

4,45

4 ,48

4.69
4,66
4.64

4,38

4,41

4,60

55,00
,071

4,69
4,66
4,65
4,68

(
{
(

Esta tbela foi transcrita do artigo de D. B. Duncnn "Mnll.lple

Range and Mui tlplc F

Tfs~;," (Biometrics

11: 1 --42, 1955).

~~~~~~~~.~~~~~~~~~~

~~~~~~~-~~~~~~~
~

.1

Tabela H. Valores de polinmios para adaptao da lei de Mitscherlich, para os


casos de 4 e de 5 nveis igualmente espaados.

l
~

J .,cz\

J ll 1"

J" (%)

J~,l<l

J,l(ZI

J~l

(Z)

Ju<>

-0,00
0,01
0,02
0.03
0,04

-2.000
-2.040
-2,081
-2,123
-2,165

1,000
0,980
0.959
0,937
0,915

1,000
1,040
1,081
1,123
1,165

-3,000
-3,071
-3,144
-3,218
-3,295

1,000
0,959
0.916
0,872
0,825

1,000
1,040
1,080
1,120
1,160

1,000
1,041
1,085
1,131
1,180

0,05
O,OG
0,07
0,08
0,09

-2.208
-2,251
-2.205
-2.340
-2,386

0.892
0.868
0,844
0.819
0,793

1,208
1.251
1,295
1,340
1,386

-3,374
-3,451'
-3,537
-3,622
-3,709

0,776
0,725
0,671
0,615
0,557

1,200
1,239
1,279
1,318
1,357

1,232
1,286
1,343
1,403
1,467

0,10
0,11
0,12
0,13
0,14

-2,432
-2,479
-2.526
-2,575
-2,624

0,766
0,738
0,709
0,680
0,649

1,432
1,479
.1.527
1,575
1,624

-3,798
-3,890
-3.984
-1,081
-4,179

0,496
0,432
0,365
0,295
0,222

1,396
1,435
1,473
1,511
1,548

1,533
1,603
1,676
1,753
1,833

0,15
0,16
0,17
0,18
0,19

-2,674
-2.724
-2.776
-2.828
-2,881

0,618
0,585
0,552
0,517
0,482

1,674
1.725
1,777
1,829
1,832

-4,281
-4,385
---4,492
-4,601
---4,713

0,146
0,067
-O,OJG
-0,103

-0,193

1,585
1,621
1,657
1,692
1.726

1,917
2,005
2,097
2,193
2,293

0,20
0,21

-2,934
-2,989

0,445
0,407

1,936
1,991

-4,829
-4,946

-0,288
-0,387

1,760
1,792

2,397
2,506

0,22
0,23
0,24

-3,044
-3,100
-3,157

,368
0,327
0,285

2,046
?.,103
2,160

-5,067
-5.191
-5,318

-0,490
-0,597
-0,709

1,824
1,854
l,883

2,020
2,739
2,862

0,25
0,26
0,27
0,28
0,29

-3,215
--3,273
-3,333
-3,393
-3,454

0,212
0,188
0,152
0,105
0,056

2,219
2,28
2,338
2,2.99
2,461

-5,4-18
-5.581
-5,718
--5,858
-6,001

--0,820
-0,94U
-1,075
-1,208
-!1347

1,911
1,938
1,962
1,996
!;,007

2,[)91
3,125
3.265
3,410
3,5Gl

0,30
0,31
0,32
0.33
0,34

-3,516
-5,579
-3,642
-3,707
--3,772

O,OOG
-0,046
-0,099
-0,154
-0,211

2,524
2.653
2,719

-6,117
-6.297
-6,451
-6,603
-6~7C8

2,027
2,044
2,059
2,072
2,082

3,718
3,881
4,051
4,228

2,785

-1,491
-1,641
-1,798
-1,961
-2,132

4,41.

0,35
0.35
0,37
0,38
0,39

-3.838
-3,905
-3,973
-4.012
---4,112

-0,269
-0.329
-0.391
-0,45-1
-0,520

2,853
2,922
2,992
3.063
3,135

--6.933
-7.101
-7,272
-'1,448
-7.627

-2,309
-2.494
-2,686
-2,886
-3,095

2,039
2,094
2,095
2,093
2,087

4.602
4,800
5,003
5,218
5,439

0,40
0,41
0,42
0,43
0,44

-4.182
-4.254
-4,32G
-4,-100
-4,474

-0,587
-0.656
-0,728
-0,801
-0,876

3,208
3.282
3,357
3,-134
3 .:il 1

-7,811
--7.098
-8,189

-3.312
----,3,538
-3,3

2.077
2.064
2,046
2,023
1,996

5,669
5,907
6,154
6.410
6,6'/G

0,<6

-1,6>5
. -4,702

-1,110

-~.T/9

--~1,200

1,963
1.925
1,881
1.R31
1,774

6,951
7,237
7,532
7,839
8,1513

,_
11
O:i7
0,48

~9

,.s" -"-"'
_,,,,

~.588

--8,3~5

-8224

"'"
I -'"'
''"'
-'""'

-4,017
-1,271

3~SU

l-G~07

-4.53G
-4.211
-5.097

3.832

-8.i23

-5.~~.11

-9.G4~l

-5.'703

-4.8~~---=-1.28:; _ __il:~iJ~--

V>

-~
kl

tl
~1

; ;;

1- \

-~

.....-.....; -.....,

.....- ,

-~

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

_,

,...-......

...-....,

......---..__

--~

...- . \

,..--....~

-~

-~

..-....':.

-~

-~

r--,

...-.....

..-...

. "'\

.---.,

.....__

~,

., ~~
i

-:!

.f

l~

1:--

.....
O'

Tl1be1a 14 . Valores de polinmios para adaptao da lei de .1-.Iitscherlich, para os


casos de 4 e de 5 nveis igualmente espaado.s.

J~r

. J,l(<l

Jo(~)

-4,938
-5,518
-5.099
-5,182
-5,265

-1, 375
--1,4 56
--1,560
-1 ,656
-1,755

4.000
4.036
4,172
4,260
4,350

-9,367
-10,096
-10,3::3
-10.565
-10,807

-6,023
-G.357
-G,703
--7,063
--7 .-!36

1,711
1,640
1.562
1.475
1,380

!).177
9,542
9,919

-5,349
-5,434
-5,520
-5,606
-5,694

-1,856
--1.960
-2,06'7
-2,176
-2,288

4,440
1 ,532
.:;,G25
4,719
4,315

--11.052
--11 ,3 02
-11,556
---11,814
-12,0/6

-'7 ,823
-<1.226
-3 .643
--9 .076
--9,525

1,'"!'/6
1,163
1,040
0,906
0,761

i0,310
10,'1 14
11' 132
11,564
12,011

0,60
0,61
0,62
0,63
0,64

-5.782
-5,872
-5,962
-6,053
- 6,145

-2,'103
-2,521

4,912
5,010
5,110
5,211

-12,342
-12,613
-12 .887
- l:l,lGG
-13,4.;e

-0.901
--10.4 'i4
-10 ,95
-1 1,.104
-12,(133

O.05

12,471
12,U52

0,65
0,66
0,67
0,68
0,69

-6,238

0,70
0,71

0,50
0,51
0,52
0,53
0,54
0,55
o,56
0,5'1
0,58
0,59

-2 , 6~2

-2,766
-2.893

5,956
6,068

-15,221
-15,529

-15,691
-16,379

-1,733
-2.060

.....--4,508
-4,676
-5 ,024
-5,203

0,80
0,81
0,82
0.83
0,8{

-7,734
-7 .84 1
-1, 94 8

-5.387
-5,57 5
-5,767

~ .05 6

-5,9f3

~1G4

-6 ,l<i3

0,85
0,86
0,87
0,38
0,89

-8,274
-8 .384

- -6,363
-6,577

~ . -c:95

-6,7~1 0

-8 .6(16
----B, 719

--7.0()3
-7,231

~.832

-7 ..~58
-'1,690

~9-l6

-9 ,060
---9. : ';5
-9.291

-12 ~ 500

-.-l3,1GS
--13.'/GS
--H,28

-0 ,865

18,039
18,100

'

--7.215
-7.317
-7.420
-7.52 4
-'1,629

1.00

15,030
15,593
1G, 17G
16,777
17,398

-3.'"/22
--3.872

0,75
0,76
0,77
0,78
0,79

'

-0,31
-O,G10

--5,716
-6,814

-4,026
'-4,183

0,97

13,4 ~6

-i,136
-1,425

5,528

--13.ri3~

- 14,02~

8,8~5

D,G 57
14,485

-15,027

5,417
5,52 2

8,484.

0,06!
-0,1<!8

-14,318
- 14,G16
--14,917

--5,913
-7,fl13
-7,113

0,88
O,!lfl

0,-'36

J!l(ZI

QY"
.~;);)

5/136
5,845

0,72
o 73
0,'/4

J;,czl

- -6,427
-5,522
-.G19

-B,332

0.95
0,96

J,\)(Z)

---3,0:;:1
----3, 15C
--3,293
-:::.433
-J,576

~--

0,90
0,!) 1
0,92
0,93 .
0,94

5,:113

J I:(Z)

--4,3~3

~1,8.;8

-7,927
~.16 8

--<3,415

--9 .488

_:::.65(;

-~: .:. ~5

- E,9:'~
- B,j81

6,182
G,297
6,4B

--15,810
-1G,l54
-16,171

-17,080
-17, 82G
-18,5o7

-2.407
--2,775
-3,166

19,3\H
20,089
:?0,816

6,531
- !G,781
6,651 1 -17.114
C,772
-17,439
6,894
-17 ,766
7,013
-18;095

-19 .3'14
-2.lS3
-21,03)
-21,9(10
-22,800

-3,579
.....--4,0 16

2l;:i67
22,342
:!3, 1~1
22.,BUG
21,315

7 .114
7.271
7,1 00
7,530
7,662

-18 ,427
-18 .759
-lf:,001
-19.429
-19,765

7,"196
7.9 31
8.068
3.206
8,346

--20,102
-20.-140
-20,777
-21.J 14
-21,451

8,4 83

-21,786
-.2,120
-2::! ,453
-22 .783
-23,111

3.C3l
8,777
8,923
9.072

---'i.~78

-4 ,967
-5,182

-23.';'2 ~1

-6 , 0~6

--?. 1 Gfl

-6.599
-7.204
--7,840
-8 .509

28,48';
29,4'i7

-9,211
-9 ,9 54
--10,732
-11 ,543
-12 ..~06

30,497
31518
32,l'3 i
33,716
31,f.95

-'3.305
-l<i,248
-15 .23 7
--J6.2n
-17,357

37,297
38,551
39,843
41,172

-25,()[:~

-2G,7~~ ~

-27,7 tJ2

-28,854
-29,92il
-31.11,~;

-3~.343

-33,~31
-:34,8~8

-%,175
-37 ,;):33
-33.832-40,3'/

25.G92
:?.595
27.527

36,0':2

-12,511

--21.436

-~!1,8 G3

---~3 J9~;

-18 ..~93
--fJ.631

9,5 ~3

~-~- 2 ~~-7;;8
- '!. 1_0'7"-'

--44 9't' t

---20 .924

~3.0<()
45.:l98

9.C8-l

-~ ~ . :1: ;,J

- ---1G.C t.:o

9 , l't

--t:-~ . GS~7

~r..:~;s

--22.223
--23,5Sl

4G,880
1,8,422

.:::-2!!.O?_-=:.o o~;.: ___ .!~~o_o_L_::::.?~:~'1]_~-5'1~n.::.::__:--2 5 .o o o

50,000

-s .u';3
- 9 /C l
1

_g.f;!..O

-0;!51
-9,n3

9.222
!lJ '/4

-~

,,

.,.

!}i

'-J

(
(

438

439

(
(

Tabela 15. Limites unilaterais

(oui-quadrado).

(
(
PROBABILIDADE

(
Graus de
liberdade

2%

20%

10%

5%

1
2
3
4
5

1,64
3,22
4,64
5,99
7,29

2,71
4,60
6,25
7,78
9,24

3,84
5,99
7;82
9.,49
11,07

5,41
7,82
9,84
11,67
13,39

6,64
9,21
11,34
13,28
15,09

10,83
13,82
16,27
18,46
20,52

3
9
10

8,56
9,30
11,03
12,24
13,44

10,64
12,02
13,36
14,68
15,99

12,59
14,07
15,51
16,92
18,31

15,03
16,62
18,17
19,68
21,16

16,81
18,48
20,09
21,67
23:21

22,46
24,32
26,12
27,88
29,59

11

14,63
15,81
16,98
13,15
19,31

17.28
13,55
19,81
21,06
22,31

19,68
21,03
22,36
23.68
25,00

22.62
24,05
25,47
26,87
28,26

24,72
26,22
27,69
29,14
30 ,58

31,26
32,91
34,53
36,12
37,70

(
(
(

(
(
(

(
(

(
(
(
(
(

(
(

(
(

(
(

12
13
14
15
16
17
18
19
20

20,46
21,62
22,76
23,90
25,04

23,54
24,77
25,99
27,20
28,41

26 ,30
27,59
28,87
30,14
31,41

29,63
31,00
32,35
33,69
35 ,02

21
22
23
24
25

26,17
27,30
28,43
29,55
30,68

29,62
30,81
32,01
33,20
34,38

32,67
33 ,92
35,17
36,42
37,65

26

31,80
32,91
34,03
35,14
36,25

35,56
36,74
37,92
39,09
40,26

38,88
40,11
41,34
42,56
43,77

27
28

29
30

1%

0,1%

32,00
33,41
34,80
36,19
37,57

39,25
40,79
42,31
43,82
45,32

36,34
37,66
38,97
40,27
41,57

38,93
40,29
41,64
42,98
44,31

46,80
48,27
49,73
51 ,18
52,62

42,86
44,14
45,42
46,69
47,96

45,64
46,96
48,28
49,59
50,89

54,05
55,48
56,89
58,30
59,70

"'"'

..."
"'

"

'tl

...".

...

>
o

"'o

"'

;::~

00

08

.::s
.:!

t:

~~ ~
o o
.

"'"'

--o

NN

00

<X) N

...o

~N

...

00

"a
"""'.,.

~
"'
.....
0 ....
00
......
.
o . ...

...

~o

o .....

o o
o

....... .
u

u ~

"' .."'
.....

o"'

Ul

.....

"'..

"'......
.......

...
......
]

.........
N<"l

NN

:> ...

...

"

e
o
N

.,..,
N

"'

"'

8....

o.

~~~~~~ ~~ ~~0 ~ G~~~~~0~~~G~0~0~~~0 ~ ~

.s::.s::16. Continuao .

T~ be la

-0,5

15

20

o.95:
0 ,9 67
o,9so
o,9S5
o,984
0,982
o,979
o,976
o,972
0,965
0,956
0,938
0,922
(0,966J (0,97JJ (0,981J (0,985) (0,9BsJ (0,990J (0,991) (0,992) (0,993) (0,994l (0,994l W,99SJ ;o,?Sol
,%~
C,9<.S
0,941
0,936
0,930
0,922
0,913
0,902
0,887
0,868
0,839
0,792
0,756
(0,844) (0,868) (0,898) (0,917) (0,930) (0,939) (0,946) (0,952) (0,956) (0,960) (0,963) (.J,96) (0,975)
o,8oo
o,77o
o,729
o,669
o,625
(0,725) (0,758) (0,804) (0,834) (0,856)

10

0,291
0,255
0,212
0,187
(0,237) (0,263) (0,30 3) (0,342)

40

0,259
0,232
0,201
0,166
0,146
(0,186J (0,207) co, 24 3l (0,274) <0,301J

so

100

500

0,350
0,322
(0,373) (0,400)

0,375
(0,425)

0,419
0,398
(0,447) (0,467)

0,473
0,457
(C,486) (0,503) (G,519)

O,I.H

0,363 .
0,345
0,326
o,3o5
0,283
ca,326J (0 ,348) (0,3&8J (0,387) (0,405l

0,379 .0 ,395
(0,421) (G,,.3ol

0,;.;

l4

.~. 35)

1!
~)

u,-6:
w,s;;~:

~.~;;z
o,3J9
o,J24
o,3o9
o,292
o,275
o,257
o,237
o,216
o,192
o,167
o,136
o,ll9
(0,153) (0,171) (0,202) (0,2 29) (0,253) (0,274) (0,294) (0,313) (0,330) (0,346) (0,361) (0,376) (0,35)
o,:.:
.J,1s:
o,t87
o,177
o,166
o,155
o,143
o,131
o,118
o,104
o,o89
o,o12
o,o63
(0,081) (0,091l (0,109) (0,125) (0,140) (0,153) (0,166) (0,178) (0,189) co,2oo> (0,211) (0,221) (,:o: )

0,013 0,015
(0,017) (0,019)

0,022
0,019
(0,023) (0,027)

0,037
0,034
0,031
O,OH
0,026
(0,031) (0,0341 (0,037) (0,040) (0,043)

O,O<i5
0,043
0,040
(0,04) (0,049) (0,052)

0,~5~
(J,06~)

o,ow o,ou o,ol3 o,o15 o,o16 o,018 0,019 0,020 o, on 0 , 02 3 o,o3o


o,oo8
(0,009) (0,010) (0,012) (0,014) (0,015) (0,017) (0,019) (0,020) (0,022) (0,023.) (0,025) (0,_026) (0,33)

16~

Coacinuao.

-0,5

lD

0,877
0,846
0,824
(0 , 888) (0,903) (0,923)

0,959
0,988
(0, 995) (C ,995 i

0,938
0,931
0,923
0 ,912
0,898
(0,936) (0 ,945) (0,952) (0,957) (0,92)

0,9"8
0,944
(0, 965) (O,S68)

o,836
0,813
o,782
o,739
0,708
(0,788) (0,811) (0,844) (0,866) (0,883)

o,880
0,868
o,854
(0,896) (0,906) (0,915)

lO

0,98
0,985
(0,993) (0,994)

0,982
0,9 79
0,975
0,969
.0,959
0,950
(0,979) (0,982) (0,987) <0 ,990) (0,991) (0,993)

O,:iSl
C,>9u
(C ,99) (0,9%)

0,9';2

u,9S

,"SJ
(O,% ?;
0.,9bi

(O,ili) (C, 973 \ LD . 9S J)


O,iJj
0,911
o.~o 5

o,s9s
o,88~
(0,922) (0,927) (0,933) (0,937)

0,773
0,759
0,742
0,723
0,700
0,6:74
(0,733) (0,756) (0,775) (0,791) (0,805) (0,817)

l5

0,7 86
(0,627)

(0,953)

O,S4 C
0,798
(0,837) (O,Siel

10

0,641
0,601
0,547
0,513
(0,595) (0,625) (0,671) (0,706)

15

o, 10; .;, 7';


0,687
o,611
0,654
o,634
o,612
o,587
o ,558
o,s23
o,482
o,431
o,399
(0,472) {0,501) (0,549) (0,587) (0,618) (0,644) (0,667) (0,68) (0,7 03) (0,719) (0,733) (0,745) (0,793)

20

0,354
0,326
(0,390) (0,417)

0,552
0,5 29
0,503
0,441 0,47~
0,402
(0,4631 (0,500) (0,)31) (0,558) (0 ,582) (0,603)

25 ~

o,440
o,1~
o,380
o~344
0, 275 ~. o,301
(0,3 3'2)''~1tr;357) (0,399l '(0,434) (fl, 46>l \0,491)

30

0,238
(0,289)

40

0 ,294
0,269
0,240
0,20 7
0,188
(0,229) (0,248) (0,282) (0,311) (0 ,336)
0,155

50

o, 301
0,261
(0,312) (0,351)

0,171

(O, 190) (0,206)

0,572
(0,621)

o,507
o,487
o,464
<o,5 15J (0,53&l co,555J

0,68~

0,623
(0,68)

(C,)23J

o,;;9
o,53
o,526
(o,5;3) co,589l (0,603)

,24J
(0,663'

O,07
0,591
(0,638) (0,654)

0,507

0,491
0,474
0,455
(0,501) (0,516) (0,534)

(0,3~9)

0,359
0,3 39
0,318
(0,360) (0,381) (0,400)

0,411
0,395
0,377
(0,418) (0,435) (0,450)

0,4 90
0,,26
(0,465) (0,527)

0,336
0, 322
0,305
0,2 87
0,266
0,247
0 ,224
0,199
(0,236) (0,261) (0, 284) (0,305) (0,324) (0,342) (0, 358) (0,374)

0',35 :i
(O, 389)

$
i

;:;, s iz

0,435
0, 414
0,390
0,364
0,334
(0,384} (0,412) (0,438) (0,461) (0,482)

(O, 6 ~

~i

J
1

0,'*28
o' 367
(0,403) (0,46))

""

ti
:"!

0,261
0,216
0,206
0,196
0,18 5
0,174
0,162
0,150
0,1 37
0,12 3
0,108
0,091
0,082
(0,102) (0,112) (0,129) (0, 145) (0,159) (0,172) (v,1 85) (0, 197) (0,208) (0,219) (0,230) (0,240) (0, 265)
O, O3
0,050
0,048
0,04S
0,042
0,039
0,036
0,033
0,030
0,02'7
0,023
0,020
0, 017
(0 , 022) ~(0,024) (0,028) (0,032) (0,035 ) (0,039) (0,042) (0,045) (0,048) (0,051) (0,054) (0,056) (0,070)

100
500
1000

~,.

1 0, 001

1000

c,;z~
0,89~
o,886
(0,919) (.0,925) ((),9.:.:0)

0,39
0,523
0,508
0,490
0,470
0,448
0,424
0,391
0,367
0,333
0,294
0,246
(0,303) (0,3;1) (0,389) (0,422) (0,451) (0,477) (0_,500) (0,520) (0,539) (0,557) (0,573) (G,bj;)

30

Tabela

o,B77
o , 867
o,855
o,840
o,822
(0,873) (0,886) (0,897) (0,906) (0,913)

o,s19
o,;;o
o,756
o,741
o,725
o, 705
o,6a3
o,656
o,625
o,S86
o,537
o,472
0,429
(0,520) (0,559) (0,616) (0,659) (0,692) (0, 719) (0,742) (0,'760) (.0,777) (O, 7 91) (0,803) (0,814) (0,63)
c,:3G
o,669
o ,653
o,635
o,6:6
o,594
o,569
o,54~
o,5o8
o,469
o,422
o,362
o,324
(0,402) (0,438) (0,494) (0,537) (0,573) (0,603) (0,628) (0,651) (0,670) (0,688) (0,703 (0,7li) (O,i7i)
0.6
0,589
0,572
0,554
0,533
0,511
0.486
0,.458
0,.427
0,390
0,346
0,293
0,260
(0,327) (0,359) (0,410) (0,452) (0,487) (0,517) (0:543) (0,566) (0,587) (0,605) (0,622) (0,638) (C,93)
0,218
(0,275)

25

15

lO

o,o1o
o,oo9
(0, 0 11) (0,012)

o,o26
o,o24
o,o23
0,021
o,ozo
o,o18
o,o11
o,o15
o,014
o,o1 2
(0,014) . , 016) (0,018) (0,020) (0,021) (0,023) (0,024) (0,026) (0,027) (0,,029)

o,o32
(0,036)

<:-

.!:'-

.....

I
:j

~~~~ ~~~-~~ ~ ~ ~~~~~~~~~~~~ ~ ~~~~~~~~


,.

,to.

Tabela 16, Continua'o.

5
4

10

15

o,992
o,992
o;~91
o,990
0,989
o,988
o,986
o,984
0,981
0,977
0,971
0,966
(0,986) (0,988) (0,990) (0,992) (0,993) (0,994) (0,995) (0,995) (0,956) (0,956) (0,997) (0,997)
0,972
0,963
0,%0
0,957
0,953
0,949
0,944
0,937
0,929
0,918
0,903
0,881
0,866
(0 ,916) (0,926) (0,939) (0,949) (0,956) (0,961) (0,965) (0,%8) (0,971) (0,973) (0,975) (0,977) (0,983)
o,99.<
(0,998)

0,877
0,86)
0,845
0, 821
0,788
0,766
(0,832) (0,848) (0,872) (0,889) (0,902) (0,913)

0,898
0,888
(0,92!) (0,928)

0,924
0,918
0,913
0,906
(0,933) (0,938) (0,943) (0,946)

j:

0,942
(0,959)

0,857
0,820
0,810
0,799
0,786
0,771
0,755
0,735
0,713
0,685
0,651
0,607
0,580
(0,653) (0,676) (0,714) (0,743) (0,766) (0,785) (0,801) (0,815) (0,827) (0,837) (0,847) (0,855) (0,855)
0,777
0,728
.O,il5
0,701
0,685
0,667
0,648
O,q2
0,599
0,569
0,483 . 0,533
0,462
(0,530) (0,554) (0,595) (0,627) (0,655) (O,78) (0,698) (0,715) (0,731) ~0,744 ) (0,757) (O,i86) (0,811)

10

15

o,637
o;&21
o,604
(0,651) (0,666) (0,680)

0,515
0,4~5
0,449
o,40 7
0,383
(0,444) (0,.68) (0,507} (0,540) (0,568)

0,64 8
0,588
0,573
0,557
0,540
0,521
0,500
0,477
0,451
0,422
0,388
0,349
0,326
(0,382) (0,404) (0,442) (0,473) (0,501) (0,526) (0,547) (0!567) (0,585 ) (0,601) (0,616) (0,630) (0,685)

40

0,586
0,565
o,542
(0,593) (0,614) (0,633)

0,425
(0,471)

0,1,68
0,448
(0,493) (0,512)

0,.535
0,520
0,504
0,487
(0,530) (0,546) (0,562) (0,576)

0,597
(0,634)

0,349
0,327
0,302
0,275
0,243
0,226
(0,268) (0,285) (0,317) (0,344) (0,368) (0,390)

0,389
0,370
(0,410) (0,429)

0,406
(U,.\46)

0,453
0,438
(0,477) (0,491)

0,514
(0,550)

0,400
0,373
0,341'
0,305
0,284
(0,334) (0,355) (0,390) (0,421) (0,448)

0,423
(0,462)

o,>n 0,451
0,378
0,364
0,345
o,3J2
0,315
0,296
(0,332) (0,351) (0,368) (0,384) (0,399) (0,413) (0,427) (0,484)

so

o,276
0,254
0,230
a,202
0,.187
(0,223) (0,239) (0,266) (0,290) (0,312)

100

500

0,278
0,233
0,22.4
0,213
0,203
0,191
0,180
0,168
0,155
0,141
0,126
0,110
0 ,101
(0,122) (0,131) (0,148) (0,163) (0,177) (0,190) (0,203) (0,215) (0,226) (0,237) (0.,247) (0,257) (0,302)
o,oss o,oa.
o,052
o,o49
o,o J
o,044
o,o41
o,o3s
o,031 . o,034
o,o27
o,o24
0 ,022
(0,026) (0,028) (0,032) (0,036) (0,040) (0,043) (0,046) (0,049) (0,052) (0,055) (0,058) (0,061) (0,075)

1000 1

1
cfl

o,7os
o,6S1
(0,93) (0,744)

20

30

-0,5

1:

.1:'-

0,022
0,021
o,o19
0,011
o,o16
o,o14
.0,012
o,on
(0,013) (0,014) (0,016) (0,018) (0,020) (0,022) . {0,024) (0,025)

o,035
o,oza
0,021
o,o2s
0,024
(0,027) (0,028) (0,030) (0,031) (0,039)

.::;.-w:

Tabela 16. Continuao .


6
-0,5
1-

15

20

25
30
40
50
100
500

1000

15

0,978
(0,991)

0,9>5
0,994
0,993
0,993
0,992
0,991
0,990
0,989
o,988
0,985
0,983
(0,993) (0 ,994) (0,995) (0,995) (0,996) (0,996) (0,99ii (0,997) (0,997) (0,997) (0,9>3)

0,906
0,895
(0,934) (0,941)

,97
0,968
0,966
0,964
0,%1
0,957
0,953
0,948
0,941
0,933
0,922
(0,951) (0,958) (0,963) (0,968) (0,971) (0,973) (0,976) (0,978) (0,<;79) (0,980) (0,965i

0,975
(0,989)

0,895
0,883
0,869
0,850
0,825
0,808
(0,863) (0,875) .<0,893) (0,906) (0,917) (0,925)
10

lO

0,744
0,121
o,692
o,655
0,633
(0,698) (0,717) (0 ,748 ) (0,772) (0,792)

0,764
(0,809)

0,904
(0,932)

0,949
0,934
0,929
0,924
0,918
0,912
(0,938) (0,942) (0,947) (0,950) (0,953) (0,964)

0,819
o,so8
0,795
o,78 1
(0,823) (0,'834) (0,845) (0,854)

o,a7t
0,838
0,829
(0,86 2) (0,869) (0,896)

0,795
0,750
0,739
0,726
0,711
0,6%
0,6 78
o,65~
o,635
o,6os
0,576
10,633) (0,662) (0,686) (O,i06) (O, 724) (0,740) (O,i54) (0,766) (0,7i7) (0,787) (O,2)
O, 728
0,57~
0~551
0,523
0,491
0,4 54
o' 596 0,615 0,632 0,648 0,662 0,676 (0,72)
0,432
(0,491 ) (0,511) (0,546) (0,576) (0,601) (0,623) (0,643) (0,660) (0,676) (0,-690) (O,i03) (0,715)
0,9
0,613
J ,599
0,584
0,568
0,550
0,531
0,509
0,485
0,458
0,428
0,392
0,37i
(0,652) \0,704)
(0,426)'(0,445) (0,4)9) (0,508) (0,533) (0,556) (0,576) (0,594) (0,6il) (0,626) (0,640)
0,6:8
0,560
O, 531 . 0,546
0,514
O, 497
0,478
0,457
0,433
0,407
0,378
0,345
0,326
(0,65)
(0,375) (0,394) (0,426) (0,454) (0,479) (0,501) (0,521) (O,) 39) (O, 556) (0,572) (0,58} (0,599)
o,5>o
0,463 - 0,477
o,448
o,432
0,416
0,397
0~378
0,356
0,333
0,307
0,278
0,261
) (0,513) (0,570)
(O, 303) (0,319) (0,348) (0,374) (0,397) (0,418) (0,437) (0 .54) (0,471) (0 ,486) (0,500

0,537
o;514
(0,578) (0,599)

0,232
0,218
(0,254) (0,269)

0,258

0,281

(0,294) (0,318)

o, 322 o, 340 0,357


0,302
(0,338) (0,358) (0, 375) (O, 3 92)

0,414
0,401
0,387
O, 372
(0,407) (0, 422) (0, 436) (0,448)

;k
I.~,,

:i

.i

'I

o, 4 72

(o,so:..)

r-:

o, 184 0,197 0,208 0,219 0,230 0,240 0,250 0,294


0,172
0,158
0,144
0,128
0,119
(0,273) (0,318)
(0,140) (0, 149) (0,166) (O, ISO) (O, 1,94) (O, 207) (0,220) (0,2Ji) (0,242) (O, 253) (O, 263)
0,073
0,059
0;057
0,054
0,051
0,048
0 ,045
0,042
0,039
0,035
0,031
Jl,028
0,026
(0,080)
(0,031) (0,033) (0,037) (0,041) (0,044) (0,047) (0, 051) (0,054) (0,057) (0,060) (0,063) (0,066)
0,037
0,031
0,029
0,028
0,026
0,024
0,023
0,021
0,020
0,018
0,016
0,014
0,013
(0,016) (0,017) (0,919) (0,021) (0,022 ) (0,024) (0,0 26) (0,028) (0,029) (0,03t) (0,032) (01034) (0,041)

'"1

!.

.::w

.1

fi

L~~~~~~~~~~~ ~ ~~~~~~~~~~~~ ~ ~ ~~~~ ~~~

f:

_p..

.e-.
~

!&bela 16. Continuao ..

~.

1
:i
.

s - 7
-0,5

10

0,981
0,983 _0,986
0,988
0,990
0,991
0,992
(0,992) (0,993) (0,994) (0,995) (0,996) (0,996) (0,997)
3

.sI
10

0,993
(0,9~7)

0,993
0,994
(0,997) (0,997)

o,915
o,n3
o,935
o,944 .o,9so
o,956
o,96o
o,963
o,966
o,969
o,971
o,973
o,979
(0,947) (0,952) (0,960) (0,965) (0,969) (0,972) (0,975) (0,977) (0,979) (0,981) (0,982.) (0,983) (0,957)
o,84o
o,852
o,s12
o,887
o,899
o,9os
o,917
o,923
a,929
o,~34 .o,9-38 o,941 c,955
(0,885) (0,895) (0,909) (0,920) (0,928) (0,935) (0,941) (0,946) (0,950) (0,953) (0,956) (0,959) (0,968)
o,6n o,695 o,726 o,75o o,771 o,788 o,8o2 o,81s o,s26 o,836 o,845 o,853 o,8s2
(0,735) (0,751) (0,777) (0,;'97) (0,814) (0,82'8) (0,840) (0,851) (0,860) (0,868) (0,875) (0,882) (0,906)
0,560
(0,619)

20

0,475
0,494
0,528
0,557
0,582
0,604
0,624
0,641
0,657
0,671
0,685
0,697
0,7'+5
(0,531) (0,549} (0,580) (0,607) (0,630) (0,650) (0,667) (0,684) (0,698) (0,711) (0,723) (0,734) (0,777)
o,412
o,431
o,463
o,491
o,51.
o,s18
o,558
o,576
o,593
o,6o8
o,6n o,635
o,66s
(0,464) (0,482) (0,512) (0,519) (0,53) (0,583) ' (0,602) (0,618) (0,634) (0,648) (0,661) (0,673) (0, i2l)
0,364
0,381
0,412
0,439
0,463
0,485
0,505
0,523
0,540
0,555
0,569
0,583
0,636
(0,412) (0,'429) (0,458) (0,484) (0,507} (0,528) (0,547) (0,564) (0,580) (0,594) (0,607) (0,620) (O,7i)

30
40

50

100
500

1000

:1

0,994
0,995 0,996
(0,998) (0,998) (G,998)

15

2s

15

0,579
0,613
0,641
0,665
0,686
0,704
0,720
0,734
0~747
(0,636) (0,667) (0,691) co,7l3) (0,731) (0,747) (0,761) (0,773) (0,7841

11

r
<

0,759
0,769
0,81G
(0,794) co,soq co,8J9l

0,294
0,309
0,337
0,362
0,3~4 .
0,404
0,4lJ
0,440
0,456
0,471
0,485
0,499
0,555
(0,336) (0,351) ' (0,378) (0,402) (0,423) (0,443) (0,461) (0,478) (0,493) (0,508) (0,521) (0,534) (0,5S6)
0,247
0,260
0,285
0,307
0,327
0,346
0,363
0,379
0,395
0,409 . 0,422
0,435
0,49l
(0,283) (0,2&6) (0,321) (0,343) (0,363) (0,381) (0,398) (0,414) (0,429) (0,443) (0,456) (0,469) (0,522)
0,136
0,145
0,160
0,175
0,188
0,200
0,212
0,224
0,235
0,245
0,255
o, 3Q9
0,265
(0,158) (0,167) (0,182) (0,197) (0,211) (0,223) (0,236) (O, 24 7) (0,258) (0,269) (0,279) , (0,283) (O, 332)
0,030
0,032
0,036
0,039
0,042
0,046
0,049
0,052
0,055
0,058
0,061
o,o;7
0,064
{0,035) {0,037) (0,041) (0,045) (0,048) (0,052) (0,055) (0, 058) (0,061) (0,064) (0,067) (0,070) (0,06.:.)
o,o1s
0,016
o,o18 . o,o2o
0,022
o,023
o;o2s
o,o27
o,o28
o,o3o
o,031
o,033
o,o~o
(0,018) (0,019) (0,021) . ,023) (0,025) (0,026) (0,028) (0,030) (0,031) (0,033) (0,034) (0,036) (0,043)

tabela 16, Continuao.


m

- 8

:..o,5

0,985
0,986
0,989
0,990
(0,994) {0,994) (0,995) (0,996)

0 ,992
0,992
0,993
0,>94
(0,996) (0,997) (0,997) (0,997)

0, 9 9'-

(0,99~

10

15

0,995
0,995
0,995
0,~97
(0,998) (0,998) (0,998) (C,999)

0,930
0,936
0,945
0,9~2
0,958
0,%2
0,965.
0,968
0,971
0,973
(0,957) (0,960) (0,966) (0,9lO) (0,974) (0,976) (0,979) (0,980) (0,982) (0,983)
~-

3
5
10

15

0,513
o,531_ 0,561
o,5~]
o,610
o,630
o,648
o,664
o,679
(0,567) (0,583) (0,610) (0,634) (0,655) (0,673) (0,690) (0,704) (0,718)

25

0,449
0,466
0,495
0,521
0,544
0,565
0,583
0,600
0,616
(0,499) (0,515) (0,543) (0,567) (0,588) (0,607) (0,625) (0,640) (0,655)

40

50
100

500

.1000

0,976

0,982

0,864
0,874
0,890
0,902
0,912
0,920
0,927
0,932
0,937
0,941
0,945
0,948
0,959
{0,903) (0,910) (0,922) ' (0,931) {0,938) (0,943) (0,948) (0,952) (0,956) (0,958) (0,961) (0,963) (0,972)
0,821
0,832
0,842
0,851
0,859
0,865
0,892
0,808
0,713
0,728
0,754
0,775
0,793
(O, 766) (O, 779) (0,800) (0,818) (0,833) (0,845) (0,855) (0,865) (0,873) (0,880) (0,886) (0,892) (0, 91 .. )
o, (10 0,727 0,741 0,754 0,766 0,776 0,785 0,824
o,S98
n,615. 0,645
o,670
o,692
(0,653) (0,669) (0,695) (O, 717) (O, 736) (O, 752) (0,767) (0,779~ (0,791) (0,801) (0,810) (0,818) (0,851)

20

30

0,9/4

(0,98~) (0,985) i0,9dS)

o;692
0,705
o,716
o,761
(0,729) (0,740) (0,750) (0,791)

0,630
0,643
0,655
o, 705
(0,668) (0,680) (0,691) (0,736)
o,547
o,56j
o,577
o,590
o,603
o,655
0,398
0,414
0,44i
0,468
0,491
0,511
0,530
(0,445) (0,460) (0,488) (0,512) (0,533) (0,552) (0,570) (0,586) (0,601) (0,614) (0,627) (0,639) (0,687)
0,446
0,463
0,478
0,493
0,506
0,519
0,573
0,325
0,339
.0 ,36,5
0,388
0,409
0,428
(0,365) (0,379) (0,405) (0,427) (0,448) (0,467) (0,484) (0,500) (0,514) (0,528) (0,541) (0,553) (0,605)
0,274
0,286
0,310
0,331
0,351
0,368
0,385
0,401
0,416
0,429
0,442
0,455
0,508
(0,310) (0,323) (0,345) (0,366) (0,385) (0,403) (0,419) (0,435) (0,449) (0,462) (0,475) (0,487) (0,539)
0,153
0,161
0,176
0,190
0,203
0,216
0,228
0,239
0,250
0,260
0,270
0,279
0,323
(0,175) (0,184) (0,199) (0,213) (0,226) (0,239) (0,251) (0,262) (0,273) (0,283) (0,293) (0,312) (0,346)
0,034
0,036
0,040
0,043
0,047
0,050
0,053
0,056
0,059
0,062
0,065
0,068
0,031
{0,039) {0,041) (0,045) (0,049} (0,052) (0,056) (0,059) (0,062) (0,065) (0,069) (0,072) (0,074) (O,Obd)
0,017
~,018 0,020 0,022 0,024 0,025 0,027 0,029 O,OJO
(0,020) (0,021) (0,023) (0,025) (0,021) (0,029) (0,030) (0,03:l) (0,034)

0,032
0,033
0,035
0,042
(0,035) (0,037) (0,038) (0,046)

R
i!
!':.

..,...
..,...
Vl

~~~~~~~~~~~ ~ ~~~~~~~~~~~~~~~~~~~~~

l
'[

'

.-

..,._
..,._

Tabela 16. Continua.o.


m

-0,5

"

0\

lO

15

0,996. 0,997
0,996
0,995
0,995
0,995
0,994
0,994
0,993
0 , 992
0,991
0,989
0,988
(0,995) (0,995) (0,996) (0,997} (0,997) (0,997) (0,998) (0,998) (0,988) (0,988) (0,998) (0,998) (0,999)
0,98'
0,979
0,977
0,976
0,974
0,972
0,970
0,967
0,963
Q,959
0,953
0,946
0,942
(0,964 (0,967) (0,971) (0,975). (0,977) (0,979) (0,981) (0,983) (0,984) (0,985) (0,986) (0,987) (0,990)

~:

0,963
0,953
0,950
0,947
0,944
0,939
0,935
0,929
0,922
0,914
0,904
0,891
0,883
(0,917) (0,923) (0,932) (0,939) (0,945) (0,950) (0,954) (0,957) (0,960) (0,963) (0,965) (0,.967) (0,974)
0,901
0,876
0,863 . 0,870
0,855
0,847
0,837
0,825
0,812
o, 797
0,778
0,756
0,743
(0,791) (0,802) (0,820) (0,835) (0,848) (0,859) (0,868) (0;876) (0,884) (0,890) (0,896) (0,901) (0,920)
0,835
0,801
0,792
0,782
0,771
0,760
0,747
0,73~
0,715
0,696
0,674
0,647
0,632
(0,683) (0,697) (0,720) (0,740) (0,756) (0,7 71) (0,784) (0,795) (0,805) (0,815) (0,823) (0,831) (0,86\)

5
10
15

]l

0,775
0,733
0,722
0,711
0,698
0,685
0,670
0,654
0,635
0,614
0,591
0,563
0,548
{0,598) (0,612) (0,637) (0,659) (0,678) (0,695) (O, 709) (0, 723) (O, 735) (0,-746) (O, 756) (O, 766) (0,80:i)
0,710
0,673
0,662
0,650
0,636
0,621
0,606
0,589
0,549 . 0,570
0,525
0,497
0,482
(0,530) (0,544) ' (0,570) (0,592) (0,612) (0,630) (0,646) (0,660) (0,673) (0,686) (0,697) (0,707) (0,750)
G,6ll
0,622
0,597. 0,6l0
0,583
0,569
0,552
0,535
0,516
0,495
0,471
0,445
0,430
(0,4J5) (0,490) (0,515) (0,537) (0,557) (0,575) (0,591) (O,i06) (0,620) (0,633) (0,645) (0,656) (G, 702

20

25
30

,~

0,590
0,525 . 0.538
0,512
0,499
0,484
0,!.68
0,451
0,413
0,433
0,391
0.366
0,353
(0,393) <o,4o6l <o,430l I0,451l (0 ,471) <o,488l <o ,5o5l <o,s2ol <o,s34l <o,S47) (0,559l <o,571) (0,620)
0,524
0,461 ' 0,473
0,448
0,435
0,421
0,406
0,390
0,354
0 , 373
0,333
0,311
0,199
(0,335) {0,347) (0,369) (0,389) (0,407) (0,424) (0,439) (0,454) (0,468) (0,481) (0,493) (0,504) (0,554)

40
50
100

0,242
0,231
0,219
0,206
0,192
0,177
0,169
(0,192l co,2ooJ co,215) (0,229) co.z41l (0,254) (0,265)

500

0,047
o,043
0;040
o,038
(0,043) {0,045) (0,049) (0,053)

0,274
0,264
0,253
(0,276) (0,287) co, 29 7)

0,336
0,293
0,284
co,3o 7) (0,316) co,359

o,oe
o,012
o;o69
o,066
o,063
o,o6o
o,057
o,054
o,051
(0,056) (0,060) (0,063) (0,066) (0,070) (0,073) (0,076) (0,079) (0,093)

0,044
0,037
0,036
0,034
0,032
0,031
0,029
0,028
0,026
0,024
0,022
0,020
0,019
(0,022) (0,023) (0,025) (0,027) (0,029) {0,031) (0,032) (0,034) (0,036) (0,031) (0,039) {0,041) (0,048)

1000

Tabela 16. Continuao

. 10
-0,5

lO

15

0,997
0,997
0,996
0,996
0,996
0,9ys
0,995
0,994
0 ,994
0,9 93
0,992
0,991
0,990
(0,996) (0,996) (0,997) (0,997) (0,997) (0,998) (0,998) (0,998) (0,998) (0,998 (0,998) (0,999) (0,999)
0,985
0,981
0,980
0,97b
0,977
0,975
0,973
0,971
0,968
0,964
0,960
0,954
0,950
{0,969) (0,971) (0,975) (0,978) (0,980) (0,982) (0,983) (0,985) (0,986) {0,937) (0,988) (0,998) (0,991)

3
5

0,905
0,998
{0,928) (0,33)

0,911
(0,940)

0,967
0,95~
0,955
0,952
0,949
0,946
0,941
0,937
0,931
G,924
(0,946) (0,951) {0,955) (0,959) (0,962) (0,964) (0,967) {0,969) (0,970) (0,977)
0,886
0,880
0,874
0,867
0,859
<0,887) (0,893) (0,899) (0,904) co,9o9

0,908
<o,926)

10

0,851
0,840
0,929
0,815
0,799
0,780
0,7'69
(0.812) (0,822) (0,837) (0,851) co,862) co,8n) (o,8Bo)

15

0,846
0,81~
0,806
0,797
0,787
0,776
0,764
0,75l
0,736
0,719
0,699
0,675
0,662
(0,710) {0,721) {0,742) (0,759) (0,77-\) (0,788) (0,799') (0,810) {0,819) (0,827) (0,835) (0,842) (0,869)
0,787
0,748
0,738
0.728
0,716
0,704
0,690
0,675
0,658
0,639
0,617
0,592
0,578
(0,626) (0,639) (0,661) (0,681) (0,698) (0,713) (0,727) (0,740) (0,751) (0,761) {0,771) (0,779) (0,81:.)

20

0,734
0,690
0,679
0,667
0,655
0,642
0,627
0,611
0,593
0,573
0,551
0,526
0,512
(0,558) {0,571) {0,595) (0,615) (0,634) (0,650) (0,665) (0,678) (0,691) (0,702) (0,712) (0,722) (0,762)
0,686
0,639
0,627
0,615
0,603
0,589
0,573
0,557
0,539
0,519
0,497
0,473
0,459
{0,503) {0,516) (0,539) (0,560) (0,579) (0,595) (0,611) (0,625) (0,638) (0,650) (0,661) (0,672) (0,715 .
0,605
0,555
0,543
0,531
0,518
0,504
0,489
0,473
0,455
0,436
0,415
0,392
0,380
(0,~19) (0,431) '(0,454) (0,474) (0,492) (0,509) (0,524) (0,539) (0,552) (0,564) (0,576) (0,587) (0,635 )'

25

30
40

so
1oo

0,478
0,466
0,453
0,440
0,425
0,410
0 ,393
0,375
0,356
0,335
0,323
(0,359) {0,370) (0,391) (0,410) .(0 ,427) (0,443) (0,458) (0,472) (0,485) (0,498) (0,510)

500 I
1000

0,540
0,490
(0,521) (0,569)

~:

o,zo1 o,22o o,2.J3 o,245 o,256 o,267 o,278 o,287 o,z97 o,Jo6 o,348
o,193
o,1s5
(0,208) (0,215) (0,230) (0,243) (0,256) (0,268) {0,279) (0,290) (0,301) (0,311) (0,320) {0,329) (0,371)
0,090
0,076
0,073
0,070
0,067
o,o64
0,061
0,058
0,054
0,051
o,47
0,044
0,042
(0,047) (0,049) (0,053) (0,057) (0,061) (0,064) (0,067) (0,071) (0,074) {0,077) (0,080) (0,083) (0,097)
0,047
0,039
o,o38
o,OJ6
0,034
o,033
0,031
o,o3o
,0,028
0,026
0,024
0,022
0,021
(0,024) (0,025) (0,027) \0,029) {0,031) (0,033) (0,034) (0,036) (0,038) (0,040) (0,041) (0,043) (0,050)

..,._
.p..
-...J

!""

ti

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

:'
!

'J
l

'

il
.j;-.j;--

Tabela 16, Continuao,


s - ll

-0,5

Cl

lO

0,992
0,992
0,993
0,994
0,995
0,995
0,996
0,996
0,996
(0,996) (0,997) (0,997) (0,997) (0,998) (0,998) (0,998) (0,998) (0,998)
0,957
0,960
0,965
(0,974) (0,975) (0,978)

10

15

20

o,911
(0,937)

0,997
0,997
0,997
0,998
(0,999) (0,999) (0,999) (0,999)

0,969
0,972
0,974
0,976
0,978
0,979
0,981
0,982
0,983
0,987
(,0981) (0,982) (0,984) (0,985) (0,986) (0,987) (0,988) (0,989) (0,989) (0,992)

o,916
o,925
o,932
o,9Ja
o,%3
(0,941) (0,947) (0,952) (0,956) (0,960)

o,791
o,8oo
o,817
(0,830) (0,838) (0,852)

15

o,947
o,9sr
o,954
(0,963) (0,966) (0,968)

o,9s7
o,959
o,96
o,9/o
(0,970) (0,971) (0,973) (0,979)

o,831
o,843
o , a54
o,a63
o,87o
o,a77
o,884
o,889
o,895
o,915
(0,864) (0,874). (0,882) (0,389) (0,896) (0,902) (0,907) (0,911) (0,916) (0,931)

0,688
0,700
0,721
O,i39
0,754
0,7!J6
0,780
0,791
0,801
0,810
0,818
0,825
0,855
(0,733) (0,743) (0,761) (0,777) (0,790) (0,802) (0,813) (0,822)' (0,831) (0,839) (0,845) (0,852) (0,87i)
0,606
0,618
0,641
0,661
0,678
0,694
0,708
0,721
0,732
o.7~3
0,753
0,-762
0,798
(0,651) (0,663) (0,683) (0,701) (0 , 717) (0 , 731) (0,71.)) (0,755) (0,765) (0,775) (0,783) (0,791) (0,824)

25

0,540
0,552
0,576
0,596
0,615
0,631
u,646
0,660
0,672
0,684
0,695
0,705
0,646
(0,584) (0,596) (0,617) (0,636) (0,653) (0,668) (0,682) (0,695) (0,706) (O, 717) (O, 727) (O, 736) (O, 77~)

30 1

0,486
o,49Y
o,52l. 0,542
o,561
o,5n o,5J3
(0,529) (0,5"1) (0,562) (0,581) (0,599) (0,615) (0,629)

40

50
100

soa

o,99
(O, 728)

0,405
0,417
0,438
0,458
0,476
0,1.92
o,508
0,522
0,536
(0,443) (0,455) (0,476) (0,495) (0,512) (0,528) (0,542) (0,556) (0,569)

0,548
o,56o
0,571
(0,581) (0,592) (0,603)

0,346
0,357
0,377
0,396
0,413
0,429
0,444
(0,381) (0,392) (0,411) (0,429) (0 , 446) (0,461) (0,476)

0,458
0,470
(0,489) (0,502)

0,483
0,495
0,506
0,554
(0,514) (0,525) (0,536) (0,582)

0,200
(0,223)

0,281
0,291
0,301
0,310
0,319
0,360
(0,303) (0,314) (0,323) (0,333) (0,342) (0,383)

I (0,052)
o,046

1000 I

o,607
o,620
o,&3J
o,644
o,65s
(0,642) (0,655) (0,666) (0,677) (0,686)

0,208
0,222
(0,230) (0,244)

0,235
0,247
(0,258) (0,270)

0,259
0,270
(0,282) (0,293)

o,61>
(0,648)

o,o48
o,o51
o,055
o,o5a
o,o62
o,o65
o,o68
0,011
o,o74
o,on o.o.8o o,o94
(0,053) (0,057) (0,061) (0,064) (0,068) (0,071) (0,074) (0,078) (0,081) (0,084) (0,087) (O, 101)

o,o23
o,024
o,o26
o,028
o,o3o
o,o32
o,033
o,035
o,o37
o,038
(0,026) (0,027) (0,029) (0,031) (0,033) (0,035) (0,037) (0,038) (0,040) (0,042)

o,o4o
o,41
0,049
(0,043) (0,.045) (0,052)

Tabela 16. Continuao


m

- 12
-0,5

lO

15

0,993
0,993
0,994
0,995
0,995
0,996
0,9%
0,996
0,997
0,997
0,997
0,997
0,998
(0,997) (0,997) (0,998) (0,998) (0,998) (0,998) (0,998) (,0998) (0,999) (0,999) (0,999) (0,999) (0,999)

s I

o,963
o,965
o,969
o,972
o,975
o,9n o,979 o,98o o,981 o,983
(0,977) (0,979) (0,981) (0,983) (0,984) (0,986) (0,987) (0,988) (0,989) (,989)
o,921
o,926
o , o11
o,939
o,944
o,949
o,952
o,956
o,958
(0,944) (0,948) (0,953) (0,957) (0,961) (0,964) 90,966) (0,969) (0,971)

o,984
o,984
o,988
(0,990) (0,990) (0,993)

o,96t
o,963
(0,972) (0,974)

o,%5
o,9n
(0,975) (0,980)

10 I

o,a1o
0,818
o,833
o,84S
0,856
0,865
0,873
o,880
0,886
0,892
0,<397
0,902
0,920
(0,846) (0,853) (0,865) (0,875) (0,884) (0,891) (0,898) (0,904) (0,909) (0,914) (0,918) (0,921) (0,936)

15

0,711
0,722. 0,740
0,757
0,771
O,Z83
0,79q
0,804
0,813
0,822
0,829
0,836
0,864
(0,753) (0,762} (0,778) (0,792) (0,805) (0,815) (0,825) (0,834)' (0,842) (0,849) (0,855) (0,861) (0,885)

20

I.

o,63l
o,642
o,663
o,681
o,697
o,711
o,n4
o,736
0,747
o,757
0,766
0;774
0,809
(0,674) (0,684) (0,703) (0,719) (0,733) (0,746) (0,758) (0,769) (0,778) (0,787) (0,795) (0,802) (0,833)

25

0,565
0,577
0,598
o,617
0,634
o,649
o,664
o,677
o,688
o,699
o,7o9
o,n9 o,7s8
(0,607) (0,618) (0,638) (0,656) (0,671). (0,685) (0,698) (0,710) (0,721) (0,731) (0,740) (0,749) (0,784)

30

o,5ll
0,523
o,544
0,563
0,581
o,596
0,611
o,625
0,637
o,648
0,659
o,669
o,712
(0,552) (0,563) (0,583) (0,601) (0,617) (0,632) (0,646) (0,658) (0,670) (0,680) (0,690) (0,700) (0,739)

40

0,526
0,540
0,552
0,564
0,576
0,587
0,632
0,460
0,478
0,496
0,511
0,428
0,439
(0,466) (0,477) (0,4%) (0,514) (0,531) (0,546) (0,560) (0,573) (0,585) (0,596) (0,607) (0,617) (0,660)

50

0,461
0,474
0,487
0,499
0,510
0,521
0,567
o, 44 7
0,397
0,415
0,431
0,368
0,378
(0,402) (0,412) (0,431) (0,448) (0,464) (0,479) (0,493) (0,506) (0,518) (0,529) (0,540) (0,550) (0,595)
0,272
0,283
0,293
0,303
0,313
0,323
O, 26l
0,215
0,222
0,236
0,249
(0,238) (0,245) (0,259) (0,271) (0,283) (0,295) (0,306) (0,316) (0,326) (0,336) (0,:345)

500

0,084
0,098
0,081
0,078
0,075
0,065
0,069
0,072
0,062
0,055
0,059
0,052
0,050
(0,055) (O, 057) (0,061) (0,065) (0,068) (0, 072) (0,07 5) (O, 078) (0,082) (0,085) (0,088) (0,091) (0,105)

1000

0,02.5

0,026

0,028

0,030

0,032

0,034

0,035

0,031

(0,028) (0,029) (0,031) (0,033) (0,035) (0,037) 10,039) (0,041)

0,331
(0,354)

0,372

100

(0,394)

0,039

0,040

0,042

0,043

o, 051

(0,042)

(0,044)

(0,045)

(0,047)

(0,055)

--~-----------------

.j>
.j;--

1.0

~,
:~

h~~~~~~~~~~~~~~~~~~~~~~~~~~~~

~,......,,......,"',......,

-!O-

Tabela 16. Continuao .

VI

o
s

13

-0,5

10

15

0,994
0,994
0,995
0,995
0,996
0,996
0,997
0,997
0,997
0,997
(0,997) (0,998) (0,998) (0,998) (0,998) (0,998) (0,999) (0,999) (0,999) (0,999)

0,997.
0,998
(0;999) (0,999)

0,998
(0,999)

o,967
o,969
o,9n o,975 o,9n o,979 o,n1 o,982 o,983 o,984 o,985 o,986
(0,980) (0,981) (0,983) (0,985) (0,986) (0,987) (0,988) (0,989) (0,990) (0,990) (0,991) (0,991)

o,989
(0,993)

s I

o,930
o,934
o,94o
o,945
o,95o
o,953
o,957
o,959
o,%2
o,964
o,966
o,968
o,974
(0,950) (0,953) (0,958) (0,961) (0,965) (0,967) (0,969) (0,971) (0,973) (0,975) (0,976) (0,977) {0,982)

10

ts

o,732
o,741
o,7sa
o,773
(0,771) (O, 779) (O, 794) (0,806)

20

o,6s3
o,664
o,683
o,699
o, 714
o, 121
o, 74o o,75o o,76o o:11o o, 778 oj786 o,818
(0,694) (0,703) (0,720) (0,735) (0,749) (0,760) (0,771} (0,781) (0,790) (0,798) (0,806) (0,813) (0,841)

o,826
o,833
o,s46
o,857
o,867
o,875
o,882
o,s89
o,s95
o,90o
o,9o5
o,909
o,92s
(0,860) (0,865) (0,876) (0,885) (0,893) (0,8!19) {0,906) (0,911) (0,915) (0,919) (0,923) (0,927) (0,940)
o,7s6
o,7.97
o,8o7
o,816
o,825
o,833
(0,818) (0,827) (0,836) (0,844) {0,851) (0,858)

o,839
o,846
(0,864) (0,869)

o,8n
(0,891)

25

0,588
0,599
0,619
0,636
0,652
0,667
0,680
0,692
0,703
0,713
0,723
0,732
0,769
(0,629) (0,639) (0,657) (0,613} (0,688) (0,701) (.0,713) (0,724) (0,734) (0,743) (0,752) (0,760) (0,794)

30

0,534
0,545
0,565
0,583
0,599
0,614
0,628
(0,5J4) (0,584) (0,603) (0,619) {0,635) (0,648) (0,661)

40

0,450
0,461
0 , 480
0,498
0,514
0,529
0,543
0,556
0,)68
0,580
0,591
0,601
0,645
(0,487) (0,497) (0,516) (0,532) (0,548) (0,562) (0,576) (0,588) (0,600} (0,611) (0,621) (0,631) (0,672)

50
100

0,388
0,398
0,417
0.433
0,449
0,464
0,478
0.490
0,)02
0,514
0,525
0.5.5
0 , 580
(0,422) (0,432) (0,450) (0,466) (0,481) (0,495) (0,509) (0,521) (0,533) (0,544) (0,554) (0,564) (0,607)
0,229
~.252)

500 I

0,236
0,250
0,262
0,274
0,285
0,296
0,306
.0,316
0,325
0,334
0,343
0,383
(0,259) (0,272) (0,285) (0,297} (0,308) (0,319) (0,329) (0,339) (0,348) (0,357) (0,366) (0,405)

0,053
0,055
O,59
0,063
0,066
0,069
0,073
(0,059) (0,061) (0,065) (0,069} (0,072) (0,076) (0,079)

0,076
0,079
0,082
0,085
0,088
0,102
(0,082) (0,085) (0,088) (0,092) (O.94) (O,i09)

o,o
o,ozs
o,o3o
o,on o,o34 o,o36 o,o37 o,o39 o,o41 o,o42 o,o44 o,045 o,o53
(0,031) (0,031) (0,033) (0,035) (0,037) (0,039) .(.0,041) (0,042) (0,044) l0,046) (0,047) (0,049) (0,057)

1000

0,941
0,652
0,663
0,674
0,683
0,723
(0, 673) (0,684) (0,694) (O, 704) (0, 712) (O, 750)

Tabela 16. Continuao .

14

-0,5

s I
10

0,995
0,995
0,995
0,996
0,996
(0,998) (0,998) (0,998) (0,998) (0,998)
o,9n
o,9n
o,975
(0,982) (0,983) (0,985)

o,978
(0,986)

lO

0,997
0,997
0,997
0,997
0,997
0,998
0,998
(0,999} (0,999) (0,999) (0,999) (0,999) (0,999) (0,999)

o,9ao
o,981
o,982
o,9s4
(0,987) (0,988) (0,989) (0,990)

o,9ss
o,986
(0,991} (0,991)

15
0,998
(0,999)

o,9&;
o,987
o,99o
(0,992) (0,992) (0,994)

o,937
o,94o
o,946
o,95o
o,954
o,958
o,96o
o,963
~.96s o,967 .o,969 o,97o
(0,956) (0,958) (0,962) (0,965) (0,968) (0,970) (0,972) (0,971t) (0,975) (0,971) (0,978) (0,979)

o,97
(0,983)

0,841
0,847
(0,871) (0,817)

0,858
0,868
0,877
0,884
0,891
0,896
0,902
0,906
0,911
(0,826) (0,894) (0,901) (0,907) (0,912) (0,917) (0,921) (0,925) (0,928)

0,915
(0,932)

0,930
(0,944)

0,751
0,759
(0,787) (0,794)

0,774
0,788
0,799
0,810
0,819
0,827
0,835
(0,808) (0,819) (0,829) (0,838) (0,846) (0,854} (0,860}

0,842
0,848
0,854
(0,866} (0,872) (0,877)

0,878
(0,897)

o,73
0,742
0,753
0,763
o,773
0,781
0,789
0,797
(0,762) (0,773) (0,783) (0,792) (0,801) (0,809) (0,816) (0,822)

0,827
(0,849}

15

20

0,674
0,683
0,701
o,7!6
(0,713) (0,721) (0,737) (0,750)

25.

o,61o
o,620
o,638
o,654
o,669
o,682
o,695
o,7o6
(0,649) (0,658) (0,675) (0,689) (0, 703) (0, 715) (O, 727) (O, 737)

o,717
o,n6 o,735 o,744
o,n9
(O, 746) (0, 755) (O, 763) (O, 771) (0,802)

30

0,556
0,566
0,584
(0,594) (0,604) (0,621)

o,667
o,677
0,687
o,69
(0,697) (0,707) (0,716) (0,724)

40

o,471
0,481
0,499
o, 516
o,53l
0,546
0,559
o,572
o,ss3
0,594
o,6o5
o,615
0,656
<o;son (0,516) (0,534) (0,550l (0,564) (0,578} <o,591l (0,60J) (0,614) (0,624) (0,634) (0,643) co,6s3)

50 I

0,601
o,616
o,631
o,644
o,56
(0,636) (0,651) (0,664) (0,676) (0,687)

0,408
o.417
0,435
0,451
0,466
o,48o
0,493
(0,441) (0,450) (0,467) (0,483) (0,497) (0,511) (0,524)

0,734
(0,759)

o,506
0,517
o,528
0,539
0,549
0,592
(0,535) (0,547} (0,557) (0,567) (0,577) (0,618)

100 I

0,243
o,250
0,263
o,275
o,287
0,298
o,3os
0,318
o,328
o,337
0,346
o,355
o,394
(0,266) (0,273) (0,286) (0,298) (0,309) (0,320) (0,331) (0,341) {0,350} (0,360) (0,368) {0,377) (0,416)

500 I

0,057
0,059
o,o6:i
0,066
0,070
0,073
0,076
0,079
0,083
0,085
0,088
0,09I
0,105
(0,06j) (0,065) (0,:>69) (0,073) (0,076) (0,080) (0,083) (0,086) (0,089) (0,092) (0,095} (0,098) (9,11})

1000

0,029
0,030
0,032
(0,032) (0,033} (0,035)

0,034
0,036
0,038
0,039
0,041
0,043
0,044
0,046
0,047
0,055
,037) (0,039) (0,041) (0,043) (0,044) (0,046) (0,048) (0~050) (0,051) (0,059)
-10-

l.Jl

l-'

~
;i

.,..., .,...,

.-...,

"\ .

.,

.,

-""\

--\

...-..,

,,

_....,

"

........_

'> /'"'\

" _,

...--.._ -~

...--.._

" '"""\

'"'I

.-...,

'"'I

..-..,

._,_

'"'I

...--.._

...--.._

'"""\

__.,~I

'i!
;j

t
.I

.._,
L,,

Tabela 16. Continuao .

15

-o,s

10

0,995
(0,998)

o,996
o,996
0,996
o,997
o,997
o,997
o,997
o,998
o;998
0,998
o,998
o,998
(0,998) (0,998) (0,998) (0,999) (0,999) (0,999) (0,999) (0,999) (0,999) (0,999) (0,999) (0,999)

0,974
(0,984)

0,976
0,978
0,980
0,981
0,983
0,984
0,985
0,986
0,987
0,987
0,988
0,991
(0,985) (0,986) (0,988) (0,989) (0,989( (0,990) (0,991) (0,991 ) (0,992) (0,992) (0,993) (0,994)

0,943
(0,960)

0,946
0,951
0,955
0,958
0,961
0,964
0,966
0,968
0,969
0,971
0,972
0,978
(0,962) (0,965) (0,968) (0,970) (0,973) (0,974) (0,976) (0,977) (0,979) (0,980) (0,981) (0,984)

10

0,853
(0,882)

0,859
0,869
0,878
0,885
0,892 '' 0,898
0,903
0,908
0,913
0,917
0,920
0,934
{0,886) (0,895) (0,902) (0,908) (0,9U) (0,918) (0,923) (0,926) (0,930) (0,933) (0,936) (0,947)

15

0,767
(0,802)

o;775. o,789
o,80l
o,81Z
o,,21
o,a3o
o,8J7
o,B44
(0,808) (0,820) (0,831) (0,840) (0,848) (0,855) (0,862) (0,868)

20

0,693
(O, 729)

0,101
o,n7 0,731 0,744 0,755 0,766 o,77s o,784 o;792 0,800 0.,806 (0, 835)
(0,737) (0,751) (0,764) (0,775) (0,785) (0,795) (0,803) (0,811) (0,818) .(0,825) (0,831) (O, 856)

25 I 0,629

o,639
0,656
,671
o,685
0,697
0,709
o,7~9
o,729
(0,675) (0,691) (0,705) (0,717) (0,729) (0,739) (0,749) (0,758)

0,576
(0,613)

0,585
0,603
0,618
0,633
0,646
O,58
0,969
0,680
0,690
0,699
o, 708 o, 744
(0,622) (0,638) (0,652) (0,666) (0,678) (Q,689) (0, 700) (O, 710) (0,719) (O, 727) (0,735) (0,769)

40

I 0,490
(0,526)

50

I 0,427
(,459)

100 1 a,257

1
.

0,884
o,851
o,as7
o,a6z
(0,874) (0,879) (0,883) (0,902)

(0,667)

30

'

15

o,738
0,747
0,755
0,788
(0,766) (0,774) (0,781) (0,811)

o,soo
0,517
0,533
0,548
0,562
0,574
0,586
o,597
0,608
0,618
o,627
0,668
(0,534) (0,551) (0,566) (0,580) (0,593i (0,605) (0,616) (.0,627) (0,637) (0,646) (0,655) (0,693)
0,436
0,452
0,468
0,482
0,496
0,508
0,520
0,531
0,542
0,552
O,S62
0,604
(0,468) (0,484) (0,499) (0,513) (0,526) (0,538) (0,549) (0,560) (0,570) (0,580) (0,589) (0,629)
0,263

0,276

0,288
0,299
0,310
o,3zo
o,33o
o,J39
(0,311) (0,322) (0,333) (0,343) (0,353) (0,362)

o,349
o,357
o,366
o,4o4
(0,371) (0,379) (0,388) (0,426)

(0,280)

{0,286) (0,299)

500

0,061
(0,067)

0,063
0,067
0,070
0,073
0,077
0,0&0
0,083
0,086
0,089
0,092
0,109
O,Jl95
(0,069) (0,073) (0,076) (0,080) (0,083) (0,087) (0,090) (0,093) (0,096) (0,099) (0, 102) {0, ll6)

1000

0,031
(0,034)

0,032
0,034
0,036
o, 057
0,038
0,040
0,041
0,049
0,043
0,045
O,46
0,048
(0,036) (0,038) (0,039) (0,041) (0,043) (0,045) (0,047) (0,048) (0,050) (0,052) (0,053) (O, 061)

Tabela 16. Continuao.


5

-0,5

16

lO

15

o,996
(0,998)

o,996
o,~96
o,997
v,9 97
o,99i
o,997
o,998
o,998
o,998
0,998
o,998
o,999
(0,998) (0,998) (0,999) (0 ,9 Y9) (0,999) (0,999) (0,999) (0,999) (0,999) (0,999) (0,999) (0,999)

0,977
(O, 986)

O, 9'18
O, 980
O, 982
(0,986) (0, 988) (O, 989)

o, 949
(O, 964)

10

0,865
(0,891)

0 ,985
0,986
0,987
0,988
0,988
0,989
0,991
0,984
O, 983
(0, 990) (0,990) (0,991) (0,992) (0,992) (0,992) (0,993) (0 ,993) (0,995)
0,966
0,968
0,970
0,972
0,973
0,974
0,979
o, 964
0,951
0,955
0,958
0,962
(0,96) (0,969) (0,971) (0,973) (O, 975) (0,976) (0,978) (0,979) (0,980) (0,981) (0,982) (0,986)
.o, 9)8
0,870
0,879
0,886
0,893
0,899
0,905
0,910
0,914
0,918
0,922
0,925
(0,895) (0,902) (0,909) (0,914) (0,919) (0,924) (0,927) \0,931) (0,931<) (0,937) (0,940) (O, 950)

15

0,782
(0,815)

0,789
0,802
0,81)
0,823
0,831
0,839
0,846
0,853
0,859
0,865
(0,821) (0,831) (0,841) (0,849) (0,857) (0,864) (0,870) (0,875) (0,881) (0,885)

20

O, 710
(0,745)

o,718
o,732
o,745
o,757
o,76S
~.778
o,786
0,794
0,802
0,809
0,815
o,s'2
(0,752) (0,765) (0,777) (G,J87) (0,796) . (0,805) (0,813) (0,820) (0;827) (0,833) (0,839) (0,862)

25

0,648
(0,683)

0,656
0,672
0,686
0,699
0,711
0,722
0,732
0,741
0,750
0,758
0,765
0,796
(0,691) (0,706) (0,719) (0,730) (0,741) (0,751) (0,760) (0,769) (0,776) (0,783) (0,790) (0,819)

30

0,594
(0,630)

0,60)
0,619
0,634
0,648
0,660
0,672
0,683
0,693
0,702. 0,711
0,719
0,754
(0,638) (0,653) (0,667) (0,680) (0,691) (0,702) (0,712) (0,721) (0,730) (0,738) (0,745) (0,777)

40

0,509
(0,543)

0,518
0,534
0,549
0,563
0,576
0,589
0,600
0,611
0,621
0,630
0,639
0,678
(0,552) (0,567) (0,582) (0,595) (0,607) (0,619) (0,629) (0,640) (0,649) (0,658) (0,667) (0,703)

50

0,444
(0,476)

0,453
0,469
0,483
0,497
0,510
0,522
(0,485) (0,500) (0,514) (0,528) (0,540) (0,552)

100

0,270
(0,293)

0,276
0,289
0,300
0,311
0,322
0 ,332
0,342
0,351
0,360
0,368. 0,377
0,414
(0,299) (O,Jll) (0,323) (0,334) (O,J4t.j (0,354) (0,364) (0,373) (0,382) (0,390) (0,398) (0,436)

500

0,065
(0,071)

1000

0,033
(0,037)

o,o93
o;o96
o,o99
o,n3
0,087 o,o90
0,061
0,070
0,074
0,077
0,081
0,084
(0,073) (0,077) (0,080) (0,084) (0,087i (0,090) (0, 094) (0,097) (O, 100) (0,103) (0,106) (0,120)
0,047
0,048
0,050
0,052
0,059
0,045
0,034
0,036
0,038
0,040
0 , 042
0,043
(0,038) (0,040) (0,042) (0,043) (0 , 045) (0,047) (0,049) (0,050) (0,052) (0,053) (0, 055) (0,063)

0,890
0,870
(0,890) (O, 907)

0,534
0,545
0,555
0,565
0,574
0,615
(0,563) (0,573) (0,583) (0,592) (0,601) (0,640)

.p..
\.J1

-~i

1-j

~~~-~~~~~~~~~~-~~~-~-~~~-~-0~~--0~1~
~

.i

,j
!'
-1-'

'-',
.~:-

Tabela 16. Continuao.


s 17

"'

-o,s

0,998

lO

15

0,999
0,998
0,998
0,998
0,998
(0,9 99) (0,999) (0,999) (0,999) (0,999)

0,996
(0,998)

0,998
0,998
0,997
0,997
0,997
0,996
(0,998) (0,999) (0,999) (0,999) (0,999) (0,999)

o, 97 9
(0, 987)

0,992
0,990
0,989
0,989
0 , 988
0,987
0 ,987
0,986
0 .~ 8 5
0,983
0,982
0,980
(0,988) (0,989) (0,990) (0, 9 90) (0,991) (0,992) (0,992) (0,993) (0,99J) (0,993) (0,994) (0,995)

o, 953
(0,967)

0,971
O, 965
0,9 6 9
O, 962
0,967
O, 959
O, 955
(0,969) (0,971) (0,973) (0,9/5) (0, 977) (0,978) (0,979)

10

0,875
(0,899)

o, 91) 0,91Y 0,923 0,926 0,929 0,941


0,900
0,894
0,887
0,911
0,879
0,906
(O, 903) (O, 909) (O, 915) (O, 920) (0, 925) (O, 928) (O, 932) (O, 935) (0, 938) (O, 941) (0, 943) (O, 9531

15

0,796
(0,1126)

0,896
0,876
0,848
0,872
0,~41
0,866
0,833
0,861
0,824
0,855
0,813
0,802
(0,832) (0,842) (0,850) (0,858) (0 , 865) (0,871) (O, 877) (0,882) .(0,887) (0,891) (0,895) (0,912)

0,726
(O, 759)

0,849
0,824
0,818
0,811
0,804
0,797
0,788
0,779
0,769
0,759
0,746
0,733
(0,765) (0,777) (O, 788) (O, 798) (0,807) (0,815) (0,822) (0,829) (0,835) (0,841) (O,B46) (0,868)

25

0,665
(0, 699)

0,804
0,775
0,768
0,760
0,7 5 2
0,743
0,734
0,724
0,7[2
0,700
0,687
0,672
(0,706) (0,719) (0,732) (0,743) (0,753) (0,762) (0,771) (0,778) (0,786) (0,793) (0,799) (0,826)

30

0,612
(0,646)

0,762
0,729
0,722
O, 713
0,705
0,695
0,685
0,674
0,662
0,649
0,635
0,620
(0,654) (0,668) (0,681) (0,693) (0,704) (0,714) (0,723) (0,732) (0,740) (0,748) (0,755) (0,785)

40

0,526
(0,56.0 )

0,565
0,550
0,535
(0,568) (0,583) (0,596)

50 I

o,461
(0,493)

o,568
o,558
o,347
o,536
o,524
o,512
o,499
o,484
_0,469
(0,500) (0,515) (0,529) (0, 542) (0,5~3) (0,565) (0,575) (0,585) (0,595)

100

0,283
(0,306)

0,424
0,387
0,379
0,370
0,362
0,343
0,312
0,353
0,333
0,301
0,323
0,289
(0,312) {0,323) (0,335) (0,345) (O, 356) (O, 365) (O, 375) (0, 384) (0,392) (0,401) (0,409) (0,445)

500

0,069 '
(0,07'5)

0,070

0,074

0,077

0,081

{0,077)

(0,081)

(0,084)

(0,087)

0,035
(0,039)

0,061
0,053
0,052
0,050
o,049
0,047
0,045
0,043
0,042
0,038 ~ 0,040
0,036
(0,040) (0,042; ,0,043) (0,045) (0,049) (0,099) (0,051) (0,052) (0,054) (O,OSS) (p,057) (0,065)

20

1000 I

(0.~99)

0,912
(0.~80)

0,981
0,976
0,974 . 0;975
(0,981) (0,982) , (0,983) (0,986)

1:

0,688
0,651
0,642
0,633
0,623
0,6 13
0,602
0,59i
0,578
(0,609) (0,621) (0,632) (0,642) (0,652) (0,661) (0,669) (0,677) (O, 712)
o,577
(0,604)

0,625
o,586
(0,612) (0,650)

0,116 .
0,103
0,100
0,097
0 , 094
0,091
0,087
0,084
(0,091) (0,094) {0,097) (0,101) (0,104) (0,107) (0,110) (0.124)

!
,..-

l. Continuao.
5

= 18
-0,5

3
5 I

!:i

o
o, 997

o, 997
(0,999)

O, 997
O, 997
(O, 999) (O, 999)

o, 981
(0, 988)

(O, 989) (O, 990_)

0,957
(0,970)

o,973
0,971
o,99
o,97
0,965
0,962
0,959
(0,971) (0,973) (0,975) (0 ,977) (0,979) (0,980) (0,981)

o, 982

o, 983

(O, 999)

O, 985

lO

15

0,999
0,998
0,998
0,~98
0,998
0,998
0,998
0,998
0,998
(0,999) (0,999) (0,999) (O, 9991 (C, 999) (0, 999i (O, 999) (0, 999) (0, 999)
0 , 986

(O, 991) (0 ,991)

0,992
0,991
0,~90
0,9YO
0,985
0,986
0,988
0,987
(0,992) (0,992) (O, 993) (O, 993) (O, 994) (O, 994) (O, 994) (G, 995)
o,9o2
0,976
0,977
o,97
0,974
(0,982) (0,983) (0,984) (0,984) (0,987)

10

0,883
(0, 906)

15

0,808
(0, 837)

o, 945
0,933
0,930
0,927
0,924
0,920
0,916
0,912
0,907
0,901
0,895
0,887
(0,909) (O, 916) (O, 921) (O, 925) (0,929) (0,933) (0,936) (0,939) (0,942) (0,944) (0,947) (0, 956)
o, 842 0,~49 0,856 0,862 0,868 0,873 0,878 0,882 0,900
0,834
0,824
0,814 .
(0,842) (0,851) (0,859) (0,866) (0,872) (0,878) (0,883) (0,888) (0 , 893) (0,897). (0,901) (O, 916)

20

0,740
(O, 772)

o, 855
o,sJ2
o,826
o:s2o
o,B13
o,8o6
o,798
o,790
o,78t
o,7~1
o,759
o,747
(0,778) (0,789) (0,799) (0,808) (0,816) (0,823) (0,830) (J,837) (0,843) (0,848) (0,853) (0, 87:.)

25

0,680
(O, 713)

0,~12
0,784
0,777
0,770
0,72
0,754
0,145
0,736
0,725
0,714
0,701
0,688
(0,720) (0,732) (0,744) (0,7 54) (IJ,763) (0,772) (0,780) (0,788) (0,795) (0,801) (0,807) (0,833)

0,628
(0,661)

0,771
0,740
0,732
0,724
0,716
0,.707
0,697
O,b~7
0,676
0,663
0,650
0,636
(0,669) (0,682) (0,694) (0, 705 ) (0, 716) (0, 725) (0, 7J4) (n, 742) (0, 750) (O, 757) (O, 764) (O, 793)

40 I

0,543
(0,575)

0,698
0,662
0,654
0,645
o,6 J 5
0,625
0,615
0,604
0,5 92
o,566 0,5 79
0,551
(0,583) (0,597) (U ,6l0) (0,622 ) (0,633) (0,644) (0,654) (0,663 ) (0,671) (0,680) (0,688) (0,721 )

50

0,477
(0,508)

0,513
0,500
0,485
(0,516) (0,530) (0,543)

0,295
(0,318)

0,434
0,397
0,389
0,381
0,372
0,364
0,354
0,344
G,J31o
0,324
0,313
0,301
(0,324) (0,335) (0,346) (0,357) (0,361) (0,376) (0,385) (0,291,) (0,403) (0,411) (0,419) (0,455)

500

0,072
(0,079)

0,097
0, 094
O, 091
O, 088
, 084
0,081
0,078
0,074
(0,081) (0,084) co,o88l (0,09ll co,o94J (0,09Bl (0,101) 0,104J

. 1000

0,037
(0,041)

0,063
0,055
0,054
0,052
0,051
0,049
0,047
0,045
0,044
0,040 ' 0,042
0,038
(0,042) (0,043) (0,045) (0,047) (0,049)' (0,051) (0,052) (0,054) (0,056) (0,058) (0,059) (0,067)

30

100

0,635
0,~97
0,589
0,579
0,5'0
0,560
0,549
0,538
0,526
(,555) (0,566) (0,577) (0,587) (0,597) (0,606) (0,615) (0,623) (0,659)

O, 100

co,to7)

'~

O, 120
0,.106
0,103
(O,llal (0,113) (0,127)

,Vl
V1

',t_
-~

'~"'

iJ

~~~~~~~~~~~~~~~~~~~~~~~0~~~~~~

0~~

~~
~~

'~

l~
'

;1
,,

.1:'Vl

ft

-0,5

s
10

t:l

10

15

0,997
(0,999)

0,997
0,997
0,998
0,998
o,998
o,998
0,998
o,998
o;998
o,998. o;999
0,999
(0,999) (0,999) (0,999) (0,999) (0,999) (0,999) (0,599) (0,999) (0,999) (0;999) (0,999) (0,9~9)

O, 983
(0,989)

O, 984
o, 985
o, 986 O, 987 o, 988
(0,990) (0,991) (0,991) (0,992) (0,992)

o, 961
(O, 972)

O, 962
O, 965
(0,974) (0,976)

0,891
(0,913)

0,895
0,902
0,907
0,913
o, 921 0,925 0,928 0,931 0,934 0.,937 0,947
0,917
(0,916) (0,921) (0,926) (0,930) (0,9)1,) (O, 937) (0,940) (0,943) (0,945) (0,948) (0,949) (0,958)

15 I 0,820

O, 989
o, 989
o, 990 0,.990 o, 991 O, 991 o, 993
(0,993) (0,993) (0,994) (0,994) (0,994) (0,995) (0,996)

O, 968
O, 970
O, 971
o. 973 0,975 0,976
(0,977) (0,979) (0,980) (0, 981) (0,982) (O,S83)

0,977
(0,934~

0,978
(0,985)

0,979
0,983
(0,935) (0,983)

(0,784)

0,825
0,834
0,843
0,851
o,as7
0,861,
0,869
o,B75
o,a79
0,884
0,888
o, 905
(0,851) (0,859) (0,867) (0,873) (O,g79) (0,885) (0,889) (0,894) (0,898) (0,902) (0,905) (0,920)
0,760
0,771
0,782
0,791
0,800
0,808
0,815
0,822
0,"828
0,833
0,839
0,86l
(0,789) (0,800) (0,809) (0,817) (0,825) (0,832) (0,838) (0,841,) (0,850) (0,855) (0,859) (0,879)

0,695
(0,727}

0,702
0,715
0,726
0,737
0,747
0,756
0,764
0,772
0,779
0,786
0,792
0,819
(0,733) (0,744 ) (0,755) (0,765) (0,774) (0,782) (0.789) (0,796) (0,803) (0,809) (0,815) (0,839)

30

0,644
(0,676)

0,651
0,664
0,677
0,683
0,699
0,708
0,718
0,726 .
0,734
0,742
0,749
0,779
(0,682) (0,695) (0,706) (0,717) (0,727) (0,736) (0,744) (0,752) (0,759) (0,766) (0,773) (0,800)

40 I

o,559
(0,590)

0,566
0,580
0,593
o,6o5
0,617
0,627
0,637
o,6.17
0,656
0,664
0,672
o, li:. I
(0,597) (0,611) (0,623) (0,635) (0,645) (0,655) (O,65) (0,6i4) (0,682) (0,690) (0,697) (O, 729)

so I

o,493
(0,523)

o,5oo o,514 0,527 o,539 o,55l 0,562 o,sn o,582 0,591 0,600 0,608 o,645
(0,530) (0,543) (0,556) (0,568) (0,579) (0,589) (0,599) (0,608) (0,617) (0,625) (0,633) (0,668)

0,307
(0,330)

0,313
0,324
o, 335
0,346
0,355
0,365
0,374
(0,336) (0,347) (O, 358) (0,368) (0,377) (0,387) (0,396)

(0.~04)

0,391
0,399
0,407
0,443
(0,413) (0,421) (0,428) (0,464)

0,076
(0,083)

0,078
O,81
0,088
0,085
0,091
0,094
0,098
0,101
(0,084) (0,088) (0,092) (0 , 095) (0,098) (0,102) (0,105) (0,108)

0,104
0,107
0,110
0,124.
(0,111) (0,114) (O,i17) (0,131)

(0,847)

20 I. 0,753

251
.

100

500

1000 I o,o39
(0,042)

"'

Continuao.

o,04o
0,042
o,o44
0,046
(0,043) (0,045) (0,047) (0,049)

0,383

0,047
0,049
o,o5l
o,52
o,os4
o,o56
o,o57
o,065
(0,051) . (0,053) (0,054) (0,056) (0,058) (0,060) (0,061) (0,069)

Tabela 16 . Co~tinuao.
m

s "' 20
- -----~-~

10

-o , s

20
25
30

lO

0,997
0,998
0,998
0,998
0,998
(0,999) (0,999) (0,999) (0,999) (0,9 99)

0, 984
(0,990)

O, 985
O, 986
O, 987
O, 988
{0,991) (0,991) (0 ,992) (0,993)

0,%4
(O, 975)

0,965
0,968
0,970
O,Y72
0,974
0,975
0,976
(0,976) (0,977) (0,979) (0,980) (0,98 1) (0,982) (0,983)

0,899

(0, 918)
15

0,997
(0,999)

0,998
0,998
0,9 98
0,998
0,999
0,999
0,999
(0,999) (0,999) (0,9 9Y ) (0,999) (0,999) (0,999) (1,000)

O, 989
O, 989
O, 990
O, 990
(0,993) (0,993) (0,994) (0,9'o)

O, 991
(0,994)

C, 9 77
0,979
(il,%4) (0,985)

O, 991

O, 992

O. 993

(0,995) (0,995) (0,996


3,9 79
0,980
0,98'
(0,985) (0,986) (0,989)

0,902
0,908
0,913
0,918
0,92 2
0,926
0,929
0,932
0,935
0,938
0,940
(0,921) (0,926) (0,930) (0,931,) (0,938) (0,941) (0;943) (0,946) (0,948) (0,950) (0,952)

0,9!.3
(0,9.)0)

0,864
0,851
0,858
0,86~
0,871
0 ,876
0,881
0,885
0,889
0,893
O, S09
(0,867) (0,874) (0,&80) (0,88 5) (0,890) (0,895) (0, 89 9) (0,903) (0,906) (0 ,910 ) (0,923 )

(0,855)

0,835
(0 , 860)

O, 766
(0 , 795)

O, S 7
0,712
0,782
0,7~2
0,801
0,809
0,816
0,823
0,829
0,835
0,841
0,846
(0,800) (0,809) (0,818) (0,826) (0,833) (0,839) (0,845) (0,851) (0,.856) (0,&61) (0,865) (O, 884)

0,830

0,326
0,715
0,727
O,i38
0, 748
0,757
0 ,766
0,773
0, 781
0,788
0,794
0,800
(0,745) (0,756) (0,766) (0 ,77>) (0,783) (0 ,791) (0,798) (0,804) (O,l1) 10,817) (0,822) (0,329)
0,744. 0,751
0,758
0,305
il, 736
0,658 : 0,665
0,677
0,689
0,700
0,710
0,719
0,728
(0,689)
(0,695) (0,707) (0,718) (0,728) (0,7 37) (0,746) (0,753) (0, i6l) (0,768) (0,774) (0,781) (0,807
0,708
(O, 739)

40

0,573
(0,604)

50

0,507
(0,537)

100

319
(0,342)

O,6
0,658
0,581
0,594
0,606
0,618
0 ,62 9
0,!39
0,649
(0,611) (0,621,) (0,635) (0,64 ) (0,657) (0,666) (0,675) (0,68!;) (0,692)
0,602
0,593
0,552
0,563
0,573
0,583
Q,5ll,
0,528
0,540
(0,544) (0,557) (0,569) (0.580) (0,5 90) (0,600) (0,610) (O, 61\1) (0,627)
0,401
, 393
0,366
0,375
0,35 '
0,356
0,325
0,336
0,31,6
(O, 34 7) (0, 358) (0,36 9) (0, 378) (0,)88) (0,397) ( 0,4Q6) (O, 41~) (0,422)

500

0,080
(0,086)

0,081
0,085
0,088
(O, 088) (O, 092) (O, 095)

1000

15

o,

0,041
(0,044)

0,092
(0,09~)

0,674 . 0,682
0,715
(0,699) (0,706) (0,737)
. 0,610
0,618
0,654
(0,635) (0,643) (0,6771
0,409
0,417
0,452
(0,430) (0,438) (0,472)

o ,D95
o,098
o ,lOl
:;,1 0 4
o,l07
o,-ilo
0,113
0,127
(0,1 02) (0,105) (0,108) (0,111) (0,115 ) (0,117) (0,120) (0, .135)

0,042
0,044
0,046
0,048
0,049
0,051
(0,04&' (0,047) (0,049) (0,051) (0,05)) (0,55)

0,053
0,054
0,056
0,058
0,059
0,067
(0,056) (0,05&) (0,060) (0,062) (0,063) (0,071)

---------- -------- ---

.1:'1.11

......

tfi

~J

f-liid"'""" ~v-~"''''"" "c :: .....-.-.""'~..,..~~.,_,_,,,,., .,

.. '

(
(

(
(

458

459

Ta bela 17 . .Va l ores cr ticos para ." .clicaca-o


do t e s t e do si
_
y
nal: P (n .:S B).
B o numero ~e si~ais, considerado sempre
dos dois. N e o numero de blocos.

(
(

(
(

(
(
(

(
(
(

c
(

c
(

(
(

(
(
(
(

(
(
(

c
(

o
1
2
3

menor

Ta bel a 18. Intervalos de confiana para p (em porcentagem), na distribuio binomial, ao nvel de 5% de probabilidade.

N = 5

N=4

N=5

N=6

:.-1"'7

0,0625
0,3125
0,6875

0,0312
0,1875
0,5000

0,0156
0,1094
0,3438

0,0078
o' 06 25
0,2266
0,5000

=7

N=8

o, 0039

0,0352
0,1445
o' 3633

3
4

(
(
(

0,0%;52,2%)
0,5%;71,6%)
5,3%;85 ,3%)
(14, 7%; 94, 7%)

0,0%;45,9%)
0,4%;64.1%)
( 4 '3%; 77' 7%)
(11,8%;83,2% )

0,0%;41,0%)
0,4%;57,8%)
3, 7%; 71, O%)
( 9 ' 9% ; 81 , 6%)
(18,4%;90,1% )

(
(
(

-'--'--'--~.;.;...;.-------~'------"-'~--------

(
(

460
461
l'abeLa.

13. Continua.J.o.
Tabela 19. Limites da distribui~o de H no teste deKruska1-Ha11is, com k = 3 tratamentos, n 1~ n2~ n3~ 6,
onde
P(H ~h) "' a..

(
(

N "" 14

N "" 15

1
2

( 0,0%;23,2%)
( 0,2%;33,9%)
( 1,8%;42,8%)
( 4,7%;50,8%)
( 8,4%;58,1%)
(12' 8%; 64' 9%)
(l7,7%;7l,U)
(23,0%;77,0%)

( 0,0%;21,8%)
( 0,2%;32,07o)
( 1,7%;40,5%)
( 4,3%;48,1%)
( 7,8%;55,1%)
(11,8%;61,6%)
(16,3%;67 ,7%)
(21,3%; 73,4/7,)
(26,6%;78,7%)

(
(

(
(

3
4

5
6
7
8

1
2
3
4
5

(
(

(
(

6
7

8
9

17

( 0,0%;19,5%)
( 0,2%:28,7%)
( l,5%;36,!f%)
( 3,8%;43,4%)
( 6,8%;49,9%)
(10,3%;56,0%)
(14,2%;61,7%)
(18,4%;67 ,1%)
(23,0%;72,2%)
(27 ,8%; 77 ,0%)

==

16

0,0%;20,6%)
0,2%;30,2%)
( 1,6%;38,4%)
4,0%;45,6%)
( 7,3%;52,4%)
(11,0%;58,7%)
(15,2%;64,6%)
09,8%;70,1%)
(24,7%;75,3%)
1l "'

UJ

18

( 0,0%;18,6%)
( 0,1~~;27,4%)
( 1,4%;34,8%)
( 3,6%;41,4%)
( ,4/~;47,6%)
( 9,T~;53,5%)
(13,3%;59,0%)
(17,3%;64,2%)

(21,5%;9,2%)

n2

n3

(2,D/~ ; 74,0%)

(
(

N == 19

( 0,0%;17,7%)
( O,l%;26,1%)
( 1,3%;33,2%)
( 3,4%;39,6%)
( 6,0%;45,6%)
( 9,2%;51,2%)
(12,6%;56,5%)
(16,3%;61,6%)
(20,2%;66,5%)
(24,4%;71,1%)
(28,9%;75,6%)

3
4
5

(
(
(

(
(

(
(

7
8
9

10

20

0,0%;16,8%)
O,l%;24,9%)
1,2%;31,8%)
3,2%;38,0%)
5,7%;43,5%)
8,7%;49,1%)
(11,9%;54,3%)
(15,4%;59,2%)
(19,1%;63,9%)
(23,1%;68,5%)
(27,2%; 72,8%)

Esta tabela foi adaptada a partir de dados de H.


nos (Estatstica E2tperimental No-Paramtrica, 4\1
o, Piracicaba).

Camedi-

a.

UJ

n2

n3

4,622
5,600
5,956
6,489
7,200

0,100
0,050
0,025

4,412
4,533
5,515
5,6lf8
6,303
6,376
6,J82
7,079

0,10')
0,097
0,051
0,04')
0,026
0,020
0,011
0,009

4,4 77
4,546
5,576
5,598
6,394
6,659
7,144

0,, 102
0,099
0,051
0,049
0,025
0,020
0,010

5,604
5. 610
6,500
6,538
7,46 7
7,500

0,050
0,049
0,025
0,025
0,010
0,010

O,Oll

0,004
3

4,700
4,709
5. 727
6,154
6' 746

a.

o' 101

o,092
0,050
0,025
o,010

5,551
5,615
6 '385
6 ,tf36
7,192

'), 051
0,050
o, 025
0,022

4,523
4,549
4,939
5,631
6,410
6,6 76
7,445

o) 103

4,545
4,993
5,626
5,706
6,488
6,752
6,866
7,542
Continua

0,010

o, 099
o, 075

0,050
o' 025
o, 020
o, 010
0,100

o, 075

o, 051
0,046
o, 025
o, 021
o, 019
o, 010

c
(

'

Tabela 19. Continua io

Tabela 19. Continua ao.

(
h

ni

nz

U3

5,554
5,60J
6 '621
6,66 7
7,560
7,590

l1

c
(

a.

Ui

nz

n3

0,052
0,050
0,026
0,024
0,010
0,010

5,600
5,625
5,683
6,725
7,683
7' 725

0,052
0,050
O,Q25
0,025
0,010
0,010

4,500
4,654
5,115
5,654
5,692
6,5 77
6' 731
7,538
7' 731

0,104
o, 097
0,074
0,055
0,049
0,026
0,021
0,011
0,007

4;6U
5,014
_:;. ,024
5,618
6,597
6 , 76
6,943
7,744
7,760

0,100
0,076
0,074
0,050
0,026
0,024
0,020
0,011
0,009

(
(

c
(
(

a.

!,

5,667
5,631
6,595
6,667
7' 724
7,795

0,050
0,049
0,026
0,025
0,010
0,010

4,520
4,523
5,023
5,643
6,671
6,943
7,766

0,101
0,01)9
0,075
0,050
0,025
0,020
0,010

5,656
5,661
6,736
7,750
7,896
7,936

0,051
0,051
0,025
0,025
0,010
0,010

5,721
5, 724
6,783
6,812
7,989
8,000

0,050
0,050
0,025
o, 024 .
0,010
0,010

c
(

(
(
(

'c

'

463

(
(

(
(

Continua

Ui

nz

U3

4,560
5,040
5,660
5,780
6 '740
7,980
8,000

5,752
5' 765
6,838
6,848
3,119
8,124

Di

nz

U3

0,100
0,075
o,051
o, 049
0,025
o, 011
0,009

5,698
5, 729
6,781
6,788
8,012
8,028

0,050
0,050
0,025
0,025
0,010
0,010

o ,050
o, 050

5 '719
5,801
6,877
6,389
8,187
8,222

0,050
0,049
0,026
0,025
0,010
0,010

(:J..

0,025

o,025
o,010
o' 010

Esta tabela foi adaptada a partir de dados de H. Cam


pos (Estatsti ca Experimen tal No-Param trica, 4~
edi=
o, Piracicab a).

f~ - ~"~'"'"~

. . . ,. , ., .

~.7'!"'~~,~~~.. ~~

, , .... ' . """"'""'""""'"''

(
464

(
(

465
Tabela 20. Limites da distribui io da estatrstic a K de
Friedman, para k tr a tamentos e b blo co s, onde P(K_::K ) =a.
0

ko

ko

4,50
6,00
6,50
8,00

0,125
0,069
o ,042
0,005

0,124
0,093
0,039
o'() 24
0,008

o' 142

4,80
5,20
6,40
7,60
3,40
4,57
5,43
6,00
7,14
8,00
8,86

o' 112
0,085
0,051
0,027
0,016
0,008

4,67
5,56
6,00
6,22
6,89
8 '6 7

0,107
0,069
0,057
0,048
0,031
0,010

4,91
5,64
6,54
7,09
8,91
9,46

O, 100
0,062
0,043
0,011
0,007

5,80
6,60
7,00
7,40
8,20
9,00

0,148
0,075
0,054
0,033
0,017
0,002

(
(

(
(
(
(

(
(

4,33
5,33
6,33
7,00
8,33
9,00

0,052
0,029
0,012
0,008

4,75
5,25
6,25
7,00
9,00

0,120
0,079
0,047
0,030
o ,010

4,20
5,00
5,60
6,20
7,40
8,60
9,60

o, 135
o ,092

0,066
0,046
0,026
0,012
0,007

4,67
5,17
6,17
7,17
8,67
9,50

0,108
0,080
0,050
0,028
0,011
0,008

o ,072

(
(

10

(
(

(
(

(
(
(

(
(
(

c
(
(

12

11

Continua

0~027

ko

ko

6,00
6,30
7,50
7,80
8,40
9,30
9,60

0,105
0,094
0,052
0,036
0,019
0,012
0,007

6,12
6,38
7,32
7,80
8,76
9 '72
9,96

0,107
0,093
0,055
0,044
0,023
0,012
0,009

o' 110
0,089
o' 056
0,043
o o 23

6,26
7,63
7,80
9,00
10,37

0,100
0,052
0,041
0,023
0,010

6, 20
6,40
7 40
'
7,60
8,80
10,00
6,30
7,50
7,65
8,85
10,35
10,50

7,20
7,47
8,27
8,53
9,87
10,13

0,117
0,096
0,056
o , 045
0,015
0,008

7,52
7,68
8,80
8,96
10,08
11,52

o, 107
0,094
0,056
o ,049
0,026
0,010

7,40
7,60
8,60
8,80
9,10
11,00

o:o1o

0,100
0,051
0,049
0,025
0,011
0,009

o' 113
0,095
0,060
0,049
0,025
0,010

Esta tabela foi adaptada a partir de dados de H. Cam


pos (Estatsti ca Experimen tal No-Param trica, 49 edio:
Piracicab a).

(
(

466

467

c
'

Tabe la 21 - Valo res de t (bila tera is)


para aplic ao , ao
teste de Bonf errop .i a n cont raste s (pre
feri-

Ct = 0,05

(
(

c
(

(
(

(
(

c
(

(
(

(
(
(

lO
12
15

3,54
3, l3
2,87
2,78
2,69

3,81
3,34
3,04
2,94
2,84

4,04
3,50
3,17
3,06
2,95

4,22
3,64
3,28
3,15
3,04

4,38
3,76
3,37
3,24
3, ll

4,53
3,86
3,45
3,31
3,18

20
24
30
40
60

4,66
3,95
3,52
3,37
3' 24

2,42
2,39
2,36
2,33
2,30

2' 6f:
2,58
2,54
2,50
2,4 7

2,75
2, 70
2,66
2,62
2,58

2,85
2,80
2,?5
2,71
2,66

2,93
2,88
2,83
2,78
2 '73

3,00
2,94
2,89
2,84
2,79

3,06
3,00
2,94
2,89
2,84

3, ll
3,05
2,99
2,93
2,88

120

2,27
2,24

2,43
2,39

?_,__...Lj.
c;'

2, 62
2,58

2,68
2,64

2, 74
2,69

2,79
2,74

2, 77

00

2,50
a

5
7
10
12
15

4,78
4 ,03
3,58
3,43
3,29

5,25
4,36
3,83
3,65
3,48

2,83

5,60
4,59
4,01
3,80
3,62

5,89
4,78
4,15
3,93
3,74

15

20

25

4,78
4,03
3,58
3,43
3 '29

5,25
4,36
3 ,83
3,65
3,48

5,60
4., 59
4,01
3,80
3,62

5,89
4,78
4,15
3,93
3,74

6,15
4,95
4,27
4,04
3,82

3,16
3,09
3,03
2,97
2,92

3,33
3,26
3,19
3 '12
3,06

3,46
3,38
3,30
3,23
3,16

3,55
3,47
3,39
3,31
3,24

2,86
2,81

2,99
2,94

3,09
3,02

3,~6

3,09

40

45

50

6,36
5,09
4,37
4,13
3,90

6,56
5,21
4,45
4,20
3,97

6,70
5,31
4,53
4 ,26
4,02

6,86
5,40
4,59
4,32
4,07

3,63
3,54
3,46
3,38
3,30

3,70
3,61
3,52
3,43
3,34

3,76
3,66
3,57
3,48
3,39

3,80
3,70
3,61
3,5i
3,42

3,85
3,74
3,65
3,55
3,46

3,2 2
3,15

3,27
3,19

3,31
3,23

3,34
3,26

3 ,3 7
3,29

9,19
6,83
5,52
5,12
4,78

9 , 41
6,9 3
5,60
5,20
4 , 84

9,68
7,06
5,70
5,27
4,90

4,46
4,3 t

4,56
4,4i4,2t
4,1t
3,97
3,83
3,72

6,15
4,95
4,27
4,04
3,82

&,36
5,09
4,37
4,13
3,90

6,56
5,21
4,45
4 '20
3,97

6, 70
5,31
4,53
4' 26
4,02

20
24
30
40
60

3,16
3,09
3,03
2,97
2,92

3,33
3,26
3,19
3,12
3,06

3,46 3,55
3,38 3,4 7
3,30 3,39
3,23 3,31
3,16 3,24

3,63
3,54
3,46
3,38
3,30

3,70
3,61
3,52
3,43
3, 34

3,76
3,66
3,57
3,48
3,39

3,80
3,70
3,61
3,51
3,42

120

2,86
2,81

2,99
2,94

3,09
3,02

3,22
3,15

3,27
3,19

3,31
3,23

3,34
3,26

co

a= 0,05
30
35

lO

= 0,01

3,16
3,09

t Obti do por inter pola o grf ica.


Esta tabe la foi adap tada de dado s de V.
Chew (Com paris ons
Wash ingto n, 1977 ).

c
(

.~~~

3,17
2,84
2,64
2,56
2,49

c
(

nive l a de prob abili dade e com n


grau i de 1ibe rdad e,do
2
ve1m ente orto gona is) esco lhido s prev
iame nte.

_ _ _.:_____---

6,86
5,40
4,59
4,32
4,07

7,51
5,79
4,86
4,56
4,29

4 '73

8,37
6,30
5,20
4,86

4,42

~~,53

3,85
3' 74
3,65
3,55
3,46

4,03
3,91
3 , 80
3,70
3,59

4,15
4,04
3,90
3,79
3,69

4,25

3,37
3,29

3,50
3,40

3,58
3,48

8,00
6,08
5,06

0,01

8,68
6,4 9
5,33
4,95
4,61

4 '71

3,98
3,88
3,76

4,33
4,2t
4,13
3,93
3,81

4,39
4,3t
4 '26
3,97
3,84

4,01
3,89

4,52
4,3 t
4 , 2t
4,lt
3, 93

3,64
3,54

3,69
3,59

3,73
3,63

3 '77
3,66

3,80
3,69

4, l t

8,95
6,67
5,44
5,04

4, l t

Among Trea tmen t Means in an Anal ysis of


Vari ance , USDA,

t"""'~w;;;;;.m

468

(
(

(
(
(

(
(

(
(
(

(
(

(
(
(
(

c
(

(
(

c
(

(
(
(

c
.c
(

Composio e diagramao:

JORGE LUIZ DIORIO


Av. Santa Ceclia, 198- Fone: 34-33-62
Impresso e acabamento:

SERVIOS GRAFICOS DEGASPARI LTDA.


Rua Baro de Piracicamirim, 1928- Fone 33-67-48
13400 Piracicaba- SP