Documentos

163

ISSN 1517-8498
Novembro/2003

Agrobiologia

Tcnicas Experimentais aplicadas s Cincias

Agrrias

Repblica Federativa do Brasil

Luiz Incio Lula da Silva
Presidente
Ministrio da Agricultura, Pecuria e Abastecimento
Roberto Rodrigues
Ministro
Empresa Brasileira de Pesquisa Agropecuria - Embrapa
Conselho de Administrao
Jos Amauri Dimrzio
Presidente
Clayton Campanhola
Vice-Presidente
Alexandre Kalil Pires
Dietrich Gerhard Quast
Srgio Fausto
Urbano Campos Ribeiral
Membros
Diretoria Executiva da Embrapa
Clayton Campanhola
Diretor Presidente
Gustavo Kauark Chianca
Herbert Cavalcante de Lima
Mariza Marilena T. Luz Barbosa
Diretores Executivos
Embrapa Agrobiologia
Jos Ivo Baldani
Chefe Geral
Eduardo Francia Carneiro Campello
Chefe Adjunto de Pesquisa e Desenvolvimento
Rosngela Straliotto
Chefe Adjunto Administrativo

ISSN 1517-8498
Novembro/2003
Empresa Brasileira de Pesquisa Agropecuria
Centro Nacional de Pesquisa em Agrobiologia
Ministrio da Agricultura, Pecuria e Abastecimento

Documentos 163
Tcnicas Experimentais aplicadas s Cincias
Agrrias

Janana Ribeiro Costa

Seropdica RJ
2003

Exemplares desta publicao podem ser adquiridas na:

Embrapa Agrobiologia
BR465 km 7
Caixa Postal 74505
23851-970 Seropdica/RJ, Brasil
Telefone: (0xx21) 2682-1500
Fax: (0xx21) 2682-1230
Home page: www.cnpab.embrapa.br
e-mail: sac@cnpab.embrapa.br
Comit Local de Publicaes:

Eduardo F. C. Campello (Presidente)

Jos Guilherme Marinho Guerra
Maria Cristina Prata Neves
Vernica Massena Reis
Robert Michael Boddey
Maria Elizabeth Fernandes Correia
Dorimar dos Santos Felix (Bibliotecria)

Expediente:
Revisor e/ou ad hoc: Guilherme Montandon Chaer
Normalizao Bibliogrfica: Dorimar dos Santos Flix
Editorao eletrnica: Marta Maria Gonalves Bahia
1 impresso (2003): 50 exemplares

COSTA, J. R. Tcnicas experimentais aplicadas s cincias agrrias.

Seropdica: Embrapa Agrobiologia, 2003. 102 p. (Embrapa Agrobiologia.
Documentos, 163).
ISSN 1517-8498
1. Agricultura. 2. Cincia agrria. I. Embrapa. Centro Nacional de
Pesquisa de Agrobiologia (Seropdica, RJ). II. Ttulo. III. Srie.

CDD 630
Embrapa 2003

6. Referncias Bibliogrficas
BANZATTO, A. D.; KRONKA, S. do N. Experimentao agrcola.
Jaboticabal: FUNEP, 1989. 249 p.
BEARZOTI, E.; OLIVEIRA, M. S. Estatstica bsica. Lavras: UFLA,
1997. 191 p.
FISHER, R. A. The design of experiments. Edinburgh: Oliver and
Boyd, 1935.
HINKELMANN, K.; KEMPTHORNE, O. Design and analysis of
experiments. New York: J. Wiley, 1994. 631 p.
MEAD, R.; CURNOW, R. N. Statistical methods in agriculture
and experimental biology. New York: Chapman and Hall, 1983.
335 p.
NOGUEIRA, M. C. S. Estatstica experimental aplicada
experimentao agrcola. Piracicaba: USP-ESALQ, 1997. 250 p.
PIMENTEL GOMES, F. Curso de estatstica experimental. 13. ed.
Piracicaba: Nobel/USP-ESALQ, 1990. 468 p.
RAMALHO, M. A.; FERREIRA, D. F.; OLIVEIRA, A. C. de. A
experimentao em gentica e melhoramento de plantas.
Lavras: UFLA, 2000. 326 p.
STEEL, R. G. D.; TORRIE, J. H.; DICKEY, D. A. Principles and
procedures of statistics. 3. ed. New York: McGraw-Hill, 1997. 666
p.

102

Autor

Janana Ribeiro Costa

Pesquisadora da Embrapa Agrobiologia.
E-mail: janaina@cnpab.embrapa.br

Obteno da produo mxima de milho (ton/ha)

Aqui cabe esclarecer que o sinal da estimativa do coeficiente
2 determina se a varivel dependente y (no exemplo, produo),
ter um valor mximo ou mnimo. Se

2 negativo, y ter um

mximo; caso contrrio, se 2 for positivo, y ter um mnimo. No

exemplo 5.7.3.1), para obteno da produo mxima de milho
necessrio antes maximizar a funo de regresso polinomial
quadrtica, ou seja, derivar esta equao e igualar a zero:

y i = 8,8421 + 0,0950X i 0,00050X i2

dy i
= 0 + 0,0950 0,00100X i
dX i
dy i
=0
dX i
Xi =

0 + 0,0950 0,00100X i = 0

0,0950
= 95 kg/ha (Dose de adubo nitrogenado que levar a
0,00100

uma produo mxima).

Substituindo Xi = 95 na equao de y i obtm-se a produo

mxima de milho:

y i = 8,8421 + 0,0950.(95) 0,00050.(95) 2

y i = 8,8421 + 0,0950.(95) 0,00050.(95) 2
yi = 13,3546 ton/ha (produo mxima de milho para dose de
adubo nitrogenado de 95 kg/ha).

101

b1 =

P1 (X i ).y i

i =1

3 P (X i )
i =1

2
1

(2).27,5 + (1).32,0 + (0).37,5 + (1).42,6 + (2).37,8 31,2

=
= 1,0400
3.(10)
3.[(-2)2 + (1) 2 + (0) 2 + (1) 2 + (2) 2 ]

b 2 =

P2 (X i ).y i

i =1

3 P (X i )
i =1

2
2

(2).27,5 + (1).32,0 + (-2).37,5 + (-1).42,6 + (2).37,8 - 19,0

=
= 0,4523
3.[(2) 2 + (1) 2 + (-2) 2 + (-1) 2 + (2) 2 ]
3.(14)

Lembrando que:
P1(Xi) = x i =

X i 60 X i
=
2
30
30
2

n 2 1 Xi

P2(Xi) = x
=
2 2
12
30

Portanto:

y i = b 0 + b1 P1 (X1 ) + b 2 P2 (X1 )
2

X
X

y i = 11,8267 + 1,0400 i 2 0,4523 i 2 2

30

30

Resolvendo a equao acima tem-se:

y i = 8,8421 + 0,0950X i 0,00050X 2i
(Equao da Regresso Quadrtica)
y =
+ X
X 2
o

Os valores observados (yi) e estimados (y i ) para cada dose de

adubo nitrogenado esto apresentados a seguir:
Xi

yi

y i

0
30
60
90
120

27,5
32,0
37,5
42,6
37,8

8,8421
11,2421
12,7421
13,3421
13,0421
100

A preocupao crescente da sociedade com a preservao e a

conservao ambiental tem resultado na busca pelo setor produtivo de
tecnologias para a implantao de sistemas de produo agrcola com
enfoque ecolgicos, rentveis e socialmente justos. O enfoque
agroecolgico do empreendimento agrcola se orienta para o uso
responsvel dos recursos naturais (solo, gua, fauna, flora, energia e
minerais).
Dentro desse cenrio, a Embrapa Agrobiologia orienta sua
programao de P&D para o avano de conhecimento e
desenvolvimento de solues tecnolgicas para uma agricultura
sustentvel.

2
i

Apresentao

A agricultura sustentvel, produtiva e ambientalmente equilibrada

apoia-se em prticas conservacionistas de preparo do solo, rotaes de
culturas e consrcios, no uso de adubao verde e de controle
biolgico de pragas, bem como no emprego eficiente dos recursos
naturais. Infere-se da que os processos biolgicos que ocorrem no
sistema solo/planta, efetivados por microrganismos e pequenos
invertebrados, constituem a base sobre a qual a agricultura
agroecolgica se sustenta.
O documento 163/2003 atende uma demanda daqueles que atuam na
pesquisa agropecuria, principalmente estudantes e profissionais
recm ingressados na rea, disponibilizando, de forma objetiva e
prtica, conceitos de estatstica aplicados experimentao em
Cincias Agrrias. Na verdade, existem poucas publicaes sobre o
referido tema e este documento serve de roteiro para orientar aspectos
bsicos do planejamento da experimentao de campo e anlise dos
resultados obtidos.

SUMRIO

FV

1)

Noes bsicas de experimentao agrcola ..........................................................

2)

Distribuio de freqncias.....................................................................................

10

2.1) Definio.............................................................................................................

10

2.2) Freqncia..........................................................................................................

10

2.3) Natureza da distribuio ......................................................................................

19

Estatsticas descritivas ............................................................................................

20

3.1) Medidas de posio.............................................................................................

20

3.2) Medidas de disperso..........................................................................................

23

3.3) Medidas de assimetria e curtose..........................................................................

27

Testes de comparaes mltiplas ...........................................................................

29

4.1) Contrastes ortogonais de mdias.........................................................................

29

4.2) Teste t de Student ...............................................................................................

33

4.3) Teste de Tukey ...................................................................................................

39

4.4) Teste de Duncan.................................................................................................

41

4.5) Teste de SNK (Student Newman Keuls)...............................................................

43

4.6) Teste de Scott-Knott............................................................................................

46

5) Anlise de varincia.......................................................................................................

54

5.1) Princpios bsicos da experimentao .................................................................

54

5.2) Pressuposies bsicas da anlise de varincia ..................................................

55

5.3) Delineamento Inteiramente Casualizado (DIC) .....................................................

56

5.4) Delineamento em Blocos Casualizados (DBC) .....................................................

61

5.5) Experimentos fatoriais .........................................................................................

66

5.6) Experimentos em parcelas subdivididas...............................................................

74

5.7) Anlise de regresso...........................................................................................

87

6) Referncias Bibliogrficas.............................................................................................

102

3)

4)

GL

SQ

QM

Prob>F

(Doses)

45,3160

11,3290

13,122

0,0005

Regresso Linear

32,4480

32,4480

37,586

0,0000

Regresso Quadrtica

8,5952

8,5952

9,956

0,0100

Desvio

4,2728

2,1364

2,475

0,1340

Erro

10

8,6333

0,8633

Total

14

CV (%) =

7,86

Mdia geral:

11,83

Nmero de observaes:

15

Observa-se no quadro anterior que tanto a regresso linear quanto a

quadrtica foram significativas ao nvel de significncia estabelecido
de 5% (Prob<0,05). O coeficiente de determinao (R2) para a
regresso linear e quadrtica foram respectivamente:

R 2 (Linear) =

32,4480
.100 = 71,6% ;
45,3160

R 2 (Quadrtica) =

8,5952
.100 = 19,0% .
45,3160

Apesar do R2 da regresso quadrtica ter sido baixo (19%), deve-se

observar o valor de Prob>F do Desvio. Se este valor for maior que
0,05, indicando que o desvio foi no significativo, deve-se, portanto,
considerar a equao de regresso significativa de maior grau, no
caso, a quadrtica:

y i = 0 + 1 X + 2 X 2 = b 0 + b1 P1 (X 1 ) + b 2 P2 (X 1 )
em que:
5

b o = y =

yi

i =1

3x 5

177,4
= 11,8267
15
99

Para cada nvel de X tem-se ento:

Nveis

Dose de adubo

Totais yi (das 3 repeties)

P1(Xi)

P2(Xi)

27,5

-2

+2

30

32,0

-1

-1

60

37,5

-2

90

42,6

+1

-1

120

37,8

+2

+2

Total

177,4

As somas de quadrados (SQs) da regresso linear e quadrtica so

dadas por:
SQRegresso 1(Linear) =

P1 (X i ).y i
i =1

3 P12 (X i )
i =1

+ (0).37,5 + (1).42,6 + (2).37,8]2 973,44

= [(2).27,5 + (1).32,0
=
= 32,4480
2
3.(10)
3.[(-2) + ( 1) 2 + (0)2 + (1)2 + (2) 2 ]

SQRegresso 2 (Quadrtica) =

P2 (X i ).y i
i =1

3 P22 (X i )
i =1

[(2).27,5 + ( 1).32,0 + (-2).37,5 + (-1).42,6 + (2).37,8] 2

361
=
= 8,5952
2
2
2
2
2
3.[(2) + ( 1) + (-2) + (-1) + (2) ]
3.(14)

SQDesvio = SQ Doses SQRegresso 1 SQRegresso 2

=

45,3160

32.4480

8,5952

= 4,2728

O quadro de anlise de varincia com o desdobramento dos graus

de liberdade da fonte de variao doses em graus de liberdade
devido a regresso polinomial est apresentado a seguir.
98

Tcnicas Experimentais aplicadas s

Cincias Agrrias
Janana Ribeiro Costa

1. Noes bsicas de experimentao agrcola

A Estatstica Experimental a cincia que tem como objetivo
estudar experimentos (ensaios), englobando etapas como o
planejamento, execuo, coleta e anlise dos dados experimentais
e interpretao dos resultados obtidos. Ela foi proposta inicialmente
na rea de cincias biolgicas por Ronald A. Fisher em 1919. Fisher
props o uso da anlise de varincia (ANAVA) como ferramenta
para anlise e interpretao de dados. A ANAVA permite a
decomposio do grau de liberdade e da soma de quadrados total
em somas de quadrados correspondentes s fontes de variao
previamente definidas no planejamento do experimento.
A fase de planejamento do experimento merece considervel
ateno por parte do pesquisador pois dela depender o sucesso da
anlise e interpretao dos resultados sendo, portanto,
recomendvel uma consulta a um estatstico antes da instalao do
experimento.
O planejamento envolve etapas como:
a) Formulao de hipteses
A hiptese estatstica formulada denominada hiptese de nulidade
e simbolizada por Ho. Suponha que se deseja estudar qual estirpe
de bactria diazotrfica endoftica (considerando, por exemplo, trs
estirpes diferentes) proporcionar maior peso da parte rea de
cana-de-acar. No exemplo, Ho seria: no existem diferenas
significativas entre os efeitos das estirpes (ou seja, qualquer
diferena observada devida a fatores no controlados). Ho poder
ser aceita ou rejeitada; caso seja rejeitada, aceitaremos uma
07

hiptese denominada alternativa, simbolizada por H1 que no

exemplo seria: os efeitos das estirpes diferem significativamente
entre si (ou as estirpes se comportam de modo diferente quanto ao
peso da parte area).

tem-se que P1(Xi) = xi; em que x i = X i X = X i 60 com i =1, 2, ...,

q
30
5. Portanto,

b) Escolha dos fatores e seus respectivos nveis

P1 (X1 = 0) =

Fatores (ou tratamentos) so aqueles que o pesquisador tem

interesse em estudar o seu efeito sobre as variveis respostas. As
subdivises de um fator so os nveis dos mesmos. Por exemplo, se
o interesse for planejar um experimento para se estudar o efeito de
6 tipos diferentes de rotaes de cultura, o fator em estudo
rotao e os nveis deste fator so os 6 tipos de rotao.
Em alguns casos, como por exemplo nos experimentos fatoriais ou
em parcelas subdivididas, dois ou mais fatores so estudados.
Suponha que se deseja estudar o efeito de 2 variedades de cana de
acar e 3 doses de nitrognio; neste caso se trata de um
experimento em fatorial 2x3, em que se tem dois fatores (variedade
e dose de nitrognio); 2 nveis do fator variedade e 3 nveis do fator
dose de nitrognio.
Um fator pode ser classificado em:

0 60
= 2
30

P1 (X 2 = 30) =

30 60
= 1
30

P1 (X 3 = 60) =

60 60
=0
30

P1 (X 4 = 90) =

90 60
= +1
30

P1 (X 5 = 120) =

120 60
= +2
30

e tem-se que P2(Xi) = x i2

b.1) Qualitativo: quando os nveis do fator so categorias, atributos.

Por exemplo: nome de variedades de cana de acar (SP701143 e
SP813250); mtodos de extrao de DNA (Cullen, Smalla, Sebach);
origem de solos (MG, RJ, BA, SP); etc.
b.2) Quantitativo: quando os nveis do fator so mensuraes de
valores reais. Normalmente os nveis so valores numricos
acompanhados de uma unidade de medida. Por exemplo: dose de
nitrognio (0, 25 e 50 Kg/ha); concentraes de antibitico (25, 50,
100, 200 g/ml), etc.
c) Escolha da parcela (unidade experimental)

n2 1
52 1
= [P1 (X i )] 2 _
= [P1 (X i )] 2 2
12
12

com i =1, 2, ..., 5. Portanto,

P2 (X1 = 0) = (2) 2 2 = +2
P2 (X 2 = 30) = (1) 2 2 = 1
P2 (X 3 = 60) = (0) 2 2 = 2
P2 (X 4 = 90) = (+1) 2 2 = 1
P2 (X 5 = 120) = (+2) 2 2 = +2 .

Parcela a unidade experimental que receber o tratamento. A

parcela pode assumir diferentes formas e tamanhos. Por exemplo,
uma parcela poder ser constituda por uma ou vrias plantas; um
vaso contendo uma ou mais plantas; uma placa de Petri com
08

97

A anlise de varincia para os dados do exemplo 5.7.3.1) :

FV

GL

SQ

QM

Prob>F

Doses

45,3160

11,3290

13,122

0,0005

Erro

10

8,6333

0,8633

Total

14

Rejeita-se Ho, concluindo-se pela existncia do efeito de doses

crescentes de adubo nitrogenado sobre a produo do milho (Prob
< 0,05).
Considerando o modelo de regresso polinomial de 2O grau a
seguir, foi realizada a anlise de regresso:

y i = o + 1 X i + 2 X i2 + i
reescrevendo este modelo pela expresso alternativa:
yi = bo + b1P1(Xi) + b2P2(Xi) + i ;

i =1, 2, ...,5.

As hipteses testadas no modelo de regresso adotado so:

i) Ho: b1 = 0

vs

H1: b1 0.

ii) Ho: b2 = 0

vs

H1: b2 0.

Para obteno das somas de quadrados das regresses linear e

quadrtica necessrio antes calcular os coeficientes dos
polinmios P1(Xi) e P2(Xi).
Seja:

X=

1 n
1
X i = (0 + 30 + 60 + 90 + 120) = 60 ;
n i =1
5

q = 30 (correspondendo a 30-0 ou 60-30 ou 90-60 ou 120-90)

96

determinado meio de cultura; uma rea com vrias plantas; um

animal; etc.
d) Escolha do delineamento experimental
Delineamento experimental o plano de distribuio dos
tratamentos na rea experimental. Como exemplo de delineamentos
tem-se o delineamento inteiramente casualizado (DIC), o
delineamento em blocos casualizados (DBC), o delineamento em
quadrados latinos (DQL), os delineamentos em blocos incompletos
(por exemplo, os ltices, blocos aumentados, etc.).
e) Escolha das variveis a serem analisadas
Variveis respostas ou variveis dependentes ou simplesmente
variveis so caractersticas obtidas em cada parcela. Os dados
(observaes) so realizaes de uma varivel e sero analisados
para verificar se h diferena entre os nveis dos fatores
(tratamentos). Assim, exemplos de variveis so: produo de gros
de feijo; altura de plantas de milho; pH, teor de Ca, Mg e P em
amostras de solo; nmero de plantas de cana-de-acar atacadas
por cercosporiose; etc.
Uma varivel tambm pode ser classificada, semelhantemente aos
fatores (tratamentos), em:
e.1) Qualitativa
e.1.1) Nominal: quando so categorias, atributos, sem uma
ordenao natural. Por exemplo: cor dos gros do feijoeiro (marrom,
preto, branco); textura do solo (arenoso, argiloso, silte); etc.
e.1.2) Ordinal: quando so atributos com uma ordenao natural.
Por exemplo: suscetibilidade do cafeeiro ferrugem (alta, mdia,
baixa); nota para o ataque de cercosporiose em cana-de-acar
(escala de 1, para ausncia da doena, at 9, para o mximo de
doena); etc.
e.2) Quantitativa
e.2.1) Discretas: quando so contagens de nmeros inteiros
positivos com uma ordenao natural. Por exemplo: nmero de
09

chuvas em 2002 superior a 80 mm/h (ex. 20 chuvas); nmero de

plantas atacadas com a broca do fruto do cafeeiro (ex. 200 plantas);
nmero de minhocas encontradas em determinada amostra de solo
(ex. 50 minhocas).

Pk (X i ).y i
i =1

, associada a 1 grau de liberdade.

SQRegresso k =
n
2
r Pk (X i )

e.2.2) Contnuas: quando so mensuraes de valores reais;

normalmente existe uma unidade de medida acompanhando a
varivel. Por exemplo: produtividade (100,0 kg/ha); renda
(R$2050,73/ms); altura (2,5 m); dimetro (8,18 cm); peso (98,5 g);
pH (5,5); teor de P, Ca, Mg, K, matria orgnica, etc.

O coeficiente de determinao (R2) em experimentos com repetio

dado por:
SQ Re gresso k
2
R 2 (%) =
.100 , 0 R 100.
SQTratamen to

f) Anlise dos dados obtidos com o experimento.

5.7.3.1) Exemplo de anlise de regresso em dados com

repetio: modelos de regresso polinomial

2) Distribuio de freqncias
2.1) Definio
Consiste em uma funo que associa os valores que uma varivel
assume com suas freqncias de ocorrncia, podendo ser elas
absolutas, relativas ou porcentuais.

i =1

Um experimento foi instalado conforme o delineamento inteiramente

casualizado, com trs repeties para testar o efeito de 5 doses de
adubo nitrogenado (0, 30, 60, 90 e 120 kg/ha). Os resultados
obtidos em ton/ha de milho so:
Rep\Doses

30

60

90

120

8,6

10,5

12,5

12,6

13,7

2.2) Freqncia

9,5

10,0

12,8

15,1

12,8

uma medida que quantifica a ocorrncia dos valores de uma

varivel.

9,4

11,5

12,2

14,9

11,3

Total

27,5

32,0

37,5

42,6

37,8

2.2.1) Freqncia absoluta (fa) o nmero de observaes

ocorridos em cada classe da varivel estudada.
2.2.2) Freqncia relativa (fr) dada pela diviso da fa pelo
nmero total (n) de dados ou observaes:
fr =

fa .
n

2.2.3) Freqncia porcentual (fp) dada pela multiplicao de fr

por 100:

fp (%) = fr.100 .

O modelo do exemplo anterior adotado foi:

y ij = + d i + ij ;

i =1, 2,..., 5 e j = 1, 2, 3.

em que yij o valor observado referente a i-sima dose de adubo

nitrogenado na j-sima repetio; di a i-sima dose de adubo
nitrogenado e ij o erro experimental associado a yij com i N (0,
2) e independentes.
As hipteses testadas na anlise de varincia so:
Ho: d1 = d2 = ... = dn = 0 ; i=1, 2, ..., n
H1: pelo menos um di difere de 0.

10

95

2
P2(Xi) = x i2 n 1 ;

Exemplo 1. No quadro a seguir est disposta a atividade agrcola

predominante em cada uma das 20 propriedades rurais do
municpio Vida Alegre.

12

P3(Xi) = x 3i
P4(Xi) = x i4
P5(Xi) = x 5i

3n 2 7
.x i ;
20

3n 13 2 3(n 1)(n 9)
;
.x i +
14
560
2

5(n 2 7) 3 15n 4 230n 2 + 407

.x i +
xi ;
18
1008

Xi so os nveis da varivel independente;

1 n
X i a mdia dos nveis de X;
n i =1

q amplitude entre dois nveis consecutivos de X;

n o nmero de nveis da varivel independente (X).
O estimador de quadrados mnimos de bk, dado por:
n

b k =

Pk (X i ).y i

i =1

Soja

Olericultura

Leite

Soja

Soja

Milho

Milho

Leite

Cana-de-acar

Trigo

Milho

Milho

Leite

Soja

Trigo

Milho

Laranja

Milho

Olericultura

A varivel em estudo, atividade agrcola, classificada como

qualitativa nominal. Uma maneira mais informativa de descrever o
conjunto de dados do Exemplo 1 atravs da distribuio de
freqncias das categorias desta varivel, podendo ser feita por
meio de representao tabular ou grfica.

em que,

X=

Milho

r Pk2 (X i )

a) Representao tabular:
Tabela 1. Distribuio de freqncia das atividades agrcolas de 20
propriedades rurais do municpio de Vida Alegre
Atividade predominante

fa

fr

fp (%)

Milho

0,3500

35,0

Soja

0,2000

20,0

Leite

0,1500

15,0

Trigo

0,1000

10,0

em que,

Olericultura

0,1000

10,0

Pk(Xi) so os coeficientes do polinmio ortogonal de grau k

associado ao nvel do fator;

Cana-de-acar

0,0500

5,0

Laranja

0,0500

5,0

yi o total do nvel i da varivel dependente (y);

Total

20

1,0000

100,0

i =1

Fonte: Apostila de Estatstica Bsica (Bearzoti & Oliveira, 1997).

r o nmero de repeties.
A hiptese de nulidade Ho: bk = 0 e a hiptese alternativa H1: bk
0. A soma de quadrados da regresso de grau k, na anlise de
varincia, dada por:
94

11

b) Representao grfica:
Grfico uma figura para ilustrao de fenmenos ou tendncias
onde existem escalas definidas.
Para a representao grfica de variveis qualitativas, como o
caso do Exemplo 1, os grficos mais utilizados so:
Grfico de linhas: possui dois eixos, com fa ou fr ou fp
disposta no eixo vertical e as classes (categorias) da varivel
dispostas no eixo horizontal.

y i = o + 1 X i + 2 X i2 + 3 X 3i + ... + p X ip + i

(i)

com i = 1, 2, ..., n ; i N(0, 2) independentes. 0, 1, ..., n so

parmetros da regresso a serem estimados.

ig
o
O
le
ric
...
C
an
a.
..
La
ra
nj
a

Tr

Le
ite

Yi= bo + b1P1(Xi) + b2P2(Xi) + ...+ bpPp(Xi) + i

ja

M
ilh
o

0.4
0.3
0.2
0.1
0

O modelo de regresso polinomial de grau p, para uma nica

varivel independente representado por

Considerando n pares de dados (y1, X1), (y2, X2), ..., (yn, Xn) em que
n>p e que os nveis referentes a varivel X so todos eqidistantes,
ou seja, X1=X1; X2=X1+q, X3=X2+q , ..., Xn=Xn-1+q, o modelo em (i)
pode ser reescrito como:

fr

So

Anlise de regresso em dados com repetio: modelos de

regresso polinomial

Atividade

Figura 1. Grfico de linhas representando a distribuio de freqncia relativa referente

atividade agrcola predominante em propriedades do municpio de Vida Alegre.

com i = 1, 2, ..., n ; i N(0, 2) independentes. b0, b1, ..., bn so

parmetros da regresso a serem estimados e Pk(Xi) sendo um
polinmio ortogonal de ordem k = 1, 2, ..., p que deve atender s
seguintes restries:
i) P0(Xi)=1;
n

ii) Pk (X i ) = 0 ;
i =1
n

'
iii) Pk (X i ).PK' (X i ) = 0 para k k ;
i =1
n

iv) Pk2 (X i ) 0 .
i =1

Os valores de Pk(Xi) (k =1, 2, ...,p), quando os nveis da varivel X

so eqidistantes, podem ser obtidos atravs das seguintes
expresses:
P1(Xi) = xi ; em que x i =

12

93

Xi X
;
q

(325)2

0.4
0.3
0.2
0.1
0

10

M
ilh
o

393,6650 408,7525 - 15,0875

b 1 =
=
= -0,0073 (estimativa de b1),
2062,5000
2062,5000

fr

12,577
325
b o =
(0,0073).
= 1,2577 + 0,2373 = 1,4950 (estimativa de bo).
10
10

Atividade

O modelo de regresso ajustado (estimado) :

2

La
ra
nj
a

O
le
ric
...
C
an
a.
..

Tr
ig
o

10 + 15 + ... + 55
2

(325).(12,577 )
10

Le
ite

b1 =

10.(1,388) + 15.(1,426) + ... + 55.(1,139)

ja

em que

Grfico de barras ou colunas: semelhantes aos grficos de

linhas, com a diferena que so usadas barras (colunas) ao
invs de linhas.

So

y i = b o + b1X i

Figura 2. Grfico de barras verticais representando a distribuio de freqncia relativa

referente atividade agrcola predominante em propriedades do municpio de Vida Alegre.

y i = 1,4950 0,0073X i .

O R foi de:
R2 =

0,1104
.100 = 90%
0,1255

indicando que 90% da variao na densidade do solo explicada

pelo modelo de regresso utilizado.
No quadro a seguir para cada valor de Xi tem-se o valor observado,
o estimado e o desvio correspondente.
Xi
10
15
20
25
30
35
40
45
50
55
Total
Mdia

yi (valores observados)
1,388
1,426
1,393
1,341
1,26
1,16
1,177
1,153
1,14
1,139
12,577
1,2577

y i (valores estimados)

yi - y i

1,422
1,386
1,349
1,313
1,276
1,240
1,203
1,167
1,130
1,094
12,577
1,2577

-0,034
0,040
0,044
0,029
-0,016
-0,080
-0,026
-0,014
0,010
0,045
0
0

92

Setograma (grfico circular ou grfico de setores): grfico

circular no qual os setores correspondem as categorias com
reas proporcionais as freqncias de cada classe. Para
construo do setograma necessrio obter o ngulo
referente ao setor de cada categoria, por meio de uma regra
de trs. Por exemplo, para a atividade milho do Exemplo 1,
tem-se a regra de trs para as freqncias porcentuais dada
por:
100%
35%

______
______

360 o
X

x = 126 o.
E assim por diante so calculados os outros ngulos
correspondentes aos setores das outras categorias que sero
traados no grfico.

13

H1: b1 0.

Laranja

As somas de quadrados para o exemplo anterior foram:

Cana
Olericultura

Milho

(325).(12,577)

10.(1,388) + 15.(1,426) + ... + 55.(1,139)

SQRegresso =
10
(325)2
10 2 + 15 2 + ... + 55 2
10

Trigo
Leite

Soja

Figura 3. Setograma representando a distribuio de freqncia relativa referente

atividade agrcola predominante em propriedades do municpio de Vida Alegre.

Exemplo 2. O quadro seguinte apresenta o nmero de lagartas

rosca encontradas em cada um dos 16 canteiros de um viveiro de
mudas de eucalipto.
1
4
3
5

1
2
1
0

3
4
2
0

5
4
1
4

A varivel nmero de lagartas rosca classificada como quantitativa

discreta. A distribuio de freqncias para variveis quantitativas
discretas so semelhantes das variveis qualitativas, como no
caso do Exemplo 1, com os valores inteiros que a varivel assume
podendo ser considerados como categorias ou classes naturais.

SQRegresso =

[393,6650 408,7525]2
2062,5000

(-15,0875) 2
= 0,1104
2062,5000

SQTotal = 1,388 2 + 1,426 2 + ... + 1,139 2 (12,577)

10

SQTotal = 15,9436 15,8181 = 0,1255

SQDesvios = 0,1255 0,1104 = 0,0151
O Quadro de anlise de varincia resultante :
FV

GL

SQ

QM

Prob>F

Regresso

0,1104

0,1104

58,105

0,0001

Desvios

0,0151

0,0019

Total

0,1255

a) Representao tabular:
Tabela 2. Distribuio de freqncia do nmero de lagartas rosca
em canteiros de um viveiro de eucalipto
No de lagartas rosca
0
1
2
3
4
5
Total

fa
2
4
2
2
4
2
16

fr
0,1250
0,2500
0,1250
0,1250
0,2500
0,1250
1,0000

fp (%)
12,5
25,0
12,5
12,5
25,0
12,5
100,0

Da Tabela de F tem-se que F(0,05; 1; 8) 5,32 e como 58,105 > 5,32,

rejeita-se Ho ao nvel de 5% de significncia. Atualmente, os
programas computacionais apresentam uma coluna a mais no
quadro de anlise de varincia correspondente a Prob>F, no
havendo a necessidade de procurar o valor de F em Tabela.
Quando Prob>F for menor que 0,05, significa que o teste F foi
significativo, ou seja, o pesquisador poder rejeitar Ho e aceitar H1.
No exemplo, conclui-se ento que as densidades (g/cm3) em
diferentes profundidades X (cm) podem ser explicadas por meio do
seguinte modelo de regresso linear:

Fonte: Notas de aula.

14

91

SQDesvios = ( y i y i ) 2 = SQTotal SQ Re gesso , associada a (ni =1

2) graus de liberdade.

A representao grfica tambm semelhante do Exemplo 1, com

os valores inteiros no eixo horizontal, representando as classes da
varivel (nmero de lagartas).
Exemplo 3. Considere os valores a seguir referentes ao dimetro
altura do peito (DAP), em cm, de 54 rvores de um talho

A deciso de rejeitar Ho ao nvel de significncia se dar se

QM Re gresso
= F F(, 1, n-2)
QMDesvios

10,7

17,2

21,2

22,9

24,2

25,9

28,8

32,8

36,1

12,4

17,6

21,6

23,3

24,4

26,1

29,5

33,6

37,5

em que F(, 1, n-2) o valor tabelado obtido atravs da Tabela de FSnedecor para o nvel de significncia, 1 e (n-2) graus de
liberdade.

13,8

18,8

21,8

23,5

24,4

26,1

30,2

34,2

38,1

14,6

19,2

22,2

23,8

24,6

26,8

30,9

34,5

39,0

O coeficiente de determinao (R2) a estatstica dada por:

16,1

20,5

22,3

23,9

24,8

27,5

31,3

34,7

39,7

16,8

20,9

22,8

24,2

25,5

28,1

32,0

35,5

41,2

R 2 (%) =

SQ Re gresso
.100 , 0 R2 100.
SQTotal

O R2 procura quantificar a proporo da variao da varivel y que

explicada pelo modelo de regresso. Quanto mais prximo de 100
estiver R2, melhor a qualidade de ajuste do modelo de regresso
aos dados.
5.7.2.1) Exemplo de anlise de regresso em dados sem
repetio
Um estudo foi realizado sobre zonas de compactao em perfis de
um solo, obtendo-se os seguintes dados de densidade (g/cm3) em
diferentes profundidades X (cm)
Total
X (cm)
y (g/cm3)

10

15

20

25

30

35

40

45

50

55

325

1,388 1,426 1,393 1,341 1,260 1,160 1,177 1,153 1,140 1,139 12,577

Primeiramente, para a realizao de uma distribuio de freqncias

de uma varivel contnua, os dados devem ser ordenados em ordem
crescente para uma melhor manipulao dos mesmos.
Depois segue-se a um algoritmo para a obteno da distribuio de
freqncias. Neste algoritmo, alguns passos so diferenciados se os
dados so referentes a uma populao ou a uma amostra.
i) Para populao: escolher um nmero de classes (k) entre 5 e 20.
Para amostra:
Tamanho da amostra (n)

Nmero de classes (k)

At 100

> 100

O modelo adotado foi:

yi = b0 + b1Xi + i ,

A varivel DAP classificada como quantitativa contnua. A

distribuio de freqncias para variveis quantitativas contnuas
so diferentes daquelas discretas e das variveis qualitativas.

i=1, 2, ..., 10 e

E as hipteses testadas foram:

i N (0, 2).

5 log10 n

ii) Calcular a amplitude total (A) dos dados:

A = MVO mvo

Ho: b1 = 0

90

15

n
n

Xi yi

i =1
i =1
Xi yi
i =1
n
.
b1 =
2
n

Xi
n
i =1
2
Xi
i =1
n

em que MVO o maior valor observado e mvo o menor valor

observado;

iii) Calcular a amplitude de classe (c):

c=

A + x
(populao)
k

ou

c=

A + x
(amostra)
k 1

em que x a preciso de medida (menor valor detectvel pelo

instrumento ou mtodo de medio). O valor de c dever ser
arredondado para o mesmo nmero de casas decimais dos dados;

A partir destes estimadores tem-se o modelo de regresso linear

simples estimado (ajustado):

y i = b o + b1 X i .

iv) Calcular o limite inferior da 1a classe (LI1):

LI1 = mvo

x
c
(populao) ou LI1 = mvo (amostra);
2
2

v) Calcular o limite superior da 1a classe (LS1):

LS1 = LI1 + c
LS1 alm de limite superior da 1a classe, tambm o limite inferior
da 2a classe:
LS1 = LI2

5.7.2) Anlise de regresso em dados sem repetio

Seja a hiptese de nulidade em uma anlise de regresso Ho: b1 = 0
e a hiptese alternativa H1: b1 0, o esquema da anlise de
varincia da regresso para se testar estas hipteses :
FV

GL

SQ

QM

Regresso

SQRegresso

SQRegresso/1

QMRegresso/QMDesvios

Desvios

n-2

SQDesvios

SQDesvios /(n-2)

Total

n-1

SQTotal

LS2 = LI2 + c
e assim sucessivamente at terminar as k classes;
vi) Calcular as freqncias absolutas (fa) e, opcionalmente, as
relativas (fr) e porcentuais (fp) de cada classe:
Aplicando-se ento o algoritmo nos dados do Exemplo 3,
considerando que eles so referentes a uma populao tem-se:
i) Escolhe-se, por exemplo, k = 10 classes;
ii) A = 41,2 10,7 = 30,5;
iii) c =

30,5 + 0,1
= 3,06 = 3,1(arredondando) ;
10

Em que as somas de quadrados (SQs) so dadas pelas seguintes

expresses:
2
n

i
n
n
SQTotal = ( y i y) 2 = y i2 i =1 , associada a (n-1) graus de
i =1
i =1
n
liberdade.
2

n X n y
i i
n
X i y i i =1 i =1

n
n
, associada a 1 grau de
SQRegresso = ( y i y) 2 = i =1

i =1
n X

i
n
i =1
2
Xi
i =1
n

liberdade.

16

89

A princpio, qualquer relao funcional entre um conjunto de

variveis regressoras e um conjunto de variveis dependentes,
representada por y = f(X1, X2, ..., Xk), pode ser chamada de modelo
de regresso, sendo tal modelo fixo para determinado conjunto de
dados.
Normalmente esta relao funcional desconhecida e uma funo
alternativa pode ser usada para aproximar f como, por exemplo, os
modelos polinomiais que esto includos entre os tipos de modelos
de regresso linear simples e so amplamente utilizados (Nogueira,
1997).
Um modelo de regresso linear dito simples quando envolve
somente uma varivel regressora X. Os exemplos anteriores a) e c)
se enquadram em casos de regresso linear simples. J o exemplo
b) tpico de regresso linear mltipla pois envolve mais de uma
varivel regressora (no caso, duas). O exemplo d) um caso de
regreso linear mltipla multivariada (mltipla pois apresenta 3
variveis regressoras e multivariada pelas duas variveis respostas,
y1 e y2, utilizadas).
Sejam n pares de dados de duas variveis (Xi, yi) com i = 1, 2, ..., n.
Admitindo que a relao entre yi e Xi uma reta, tem-se o modelo
de regresso linear simples:
yi = b0 + b1Xi + i
em que i o erro experimental associado a observao yi; b0 e b1
so parmetros correspondentes ao coeficiente linear ou termo
constante (intercepto da reta) e coeficiente angular ou de regresso,
respectivamente. Os estimadores de quadrados mnimos de b0 e b1
so dados por:
n

Xi
b o = i =1 b1 i =1
n
n

yi

88

= y b1 X

Observao: Note que, como os dados tm apenas uma casa

decimal aps a vrgula, o x 0,1, se houvesse 2 casas aps a
vrgula, x seria 0,01 e assim por diante.
iv) LI1 = 10,7

0,1
= 10,65
2

v) LS1 = 10,65 + 3,1 = 13,75

LI2 = LS1 =13,75
LS2 = 13,75 + 3,1 = 16,85 e assim por diante.
a) Representao tabular:
Tabela 3. Distribuio de freqncia do dimetro altura do peito
(DAP), em cm, de 54 rvores de um talho
Classes de DAP Ponto mdio

fa

fr

dfr

fp (%)

[10,65; 13,75)

12,2

0,0370

0,0119

3,70

[13,75; 16,85)

15,3

0,0741

0,0239

7,41

[16,85;19,95)

18,4

0,0741

0,0239

7,41

[19,95; 23,05)

21,5

0,1667

0,0538

16,67

[23,05; 26,15)

24,6

14

0,2592

0,0836

25,92

[26,15; 29,25)

27,7

0,0741

0,0239

7,41

[29,25; 32,35)

30,8

0,0926

0,0299

9,26

[32,35; 35,45)

33,9

0,0926

0,0299

9,26

[35,45; 38,55)

37,0

0,0741

0,0239

7,41

[38,55; 41,65)

40,1

0,0555

0,0179

5,55

54

1,0000

Total

100,00
Fonte: Notas de aula.

b) Representao grfica:
Normalmente em grficos de distribuio de freqncias de
variveis quantitativas contnuas usa-se no eixo vertical do grfico a
densidade de freqncia (df) de cada classe dada por:

17

densidade de freqncia (df) = freqncia da classe

amplitude da classe
Assim, pode-se usar a densidade de freqncia absoluta (dfa) ou a
relativa (dfr) ou, ainda, a porcentual (dfp) obtidas, respectivamente,
por:

fa
dfa =
c

fr
dfr =
c

fp
dfp = .
c

Na Tabela 3 foram apresentadas as dfrs (com c=3,1). O uso de df

se torna importante nas situaes onde as amplitudes de classes (c)
so desiguais e, tambm, permite o clculo de freqncias a partir
de reas do grfico. Mas se c igual para todas as classes pode-se
utilizar, no eixo vertical do grfico, tanto freqncias como
densidades de freqncia.
Visto o conceito de df, os dois grficos mais usais para distribuio
de freqncias de variveis contnuas so o histograma e o polgono
de freqncia.
b.1) Histograma: semelhante ao grfico de barras, com barras
dispostas lado a lado, e larguras iguais s amplitudes de classes.
dfr

T1'

Variedades\Linhas

T2'

T1

17,80

17,40

T2

19,10

bc

19,10 ab

T3

20,50

ab

19,80

T4

21,18

17,40

Mdias seguidas de mesma letra no diferem entre si pelo teste de Tukey (Prob > 0,05).

5.7) Anlise de regresso

5.7.1) Caractersticas
Na pesquisa agropecuria freqente o interesse no estudo de
relaes funcionais entre variveis quantitativas, como por exemplo:
a) Estudar a resposta na produo de gros (y) em funo de
doses (X) de nitrognio aplicadas ao solo, simbolizado por y =
f(X);
b) Estimar o volume de madeira (y) em rvores de um povoamento
florestal sem ter que derrub-las, atravs da medida de seus
dimetros (X1) e alturas (X2), simbolizado por y = f(X1, X2);
c) Expressar a curva de crescimento (y) de aves em funo do
tempo (X), simbolizado por y = f(X)

10
.6
5
13
.7
5
16
.8
5
19
.9
5
23
.0
5
26
.1
5
29
.2
5
32
.3
5
35
.4
5
38
.5
5
41
.6
5

0.1
0.08
0.06
0.04
0.02
0

Os resultados do teste de Tukey comparando as mdias das

Variedades para 1 e 2 linhas de irrigao est apresentado a seguir:

DAP

Figura 4. Histograma de distribuio de freqncia relativa referente ao dimetro

altura do peito (DAP), em cm, de 54 rvores de um talho.

18

d) Determinar como o nmero de brotos (y1) e seu peso seco (y2)

so afetados pelas doses de meio de cultura MS (X1), de
sacarose (X2) e pH (X3), simbolizado por y1, y2 = f(X1, X2, X3).
As variveis ys dos exemplos anteriores que se deseja descrever
so chamadas variveis dependentes ou respostas e as variveis
Xs so denominadas independentes ou regressoras.
Na natureza, certamente uma varivel y que se deseja descrever,
determinada por um conjunto de outras variveis, X1, X2, ......, Xk.

87

O polgono deve ser unido, no eixo horizontal, nos pontos:

69,6
= 17,40
4

0.1 dfr
0.08
0.06
0.04
0.02
0

43.2

_______

Variedade 4/ Linha 2 = T4 T2' =

3,1
= 43,2 .
2

40.1

79, 2
= 19,80
4

41,65 +

37

_______

Variedade 3/ Linha 2 = T3 T2' =

c
2

33.9

76, 4
= 19,10
4

Variedade 2/ Linha 2 = T T

30.8

_______
'
2 2 =

3,1
= 9,1
2

27.7

69,6
= 17,40
4

10,65

9.1

Variedade 1/ Linha 2 = T T

LSk +

em que LSk o limite superior da ltima classe (k). No Exemplo 3 os

pontos de unio ao eixo horizontal so:

- Comparando Mdias de T para T2' :

_______
'
1 2 =

c
2

24.6

84,7
= 21,18
4

LI1

21.5

Variedade 4/ Linha 1 = T T

82,0
= 20,50
4

18.4

_______
'
4 1 =

b.2) Polgono de freqncia: quando as amplitudes de classe (c) so

iguais, o polgono obtido pela unio dos pontos mdios das
classes, nas alturas correspondentes s dfs.

15.3

_______

Variedade 3/ Linha 1 = T3 T1' =

76,4
= 19,10
4

12.2

_______

Variedade 2/ Linha 1 = T2 T1' =

DAP

Figura 5. Polgono de freqncia relativa referente ao dimetro altura do peito (DAP),

em cm, de 54 rvores de um talho.

Teste de Tukey:

DMS = q

QMErro Mdio
r

sendo q para =0,05; I = 4 tratamentos principais (Variedades) e

n ' = 21 q = 3,95:
GLErro Mdio =

DMS = 3,95

1,0207
= 2,00 .
4

86

2.3) Natureza da distribuio

O objetivo da distribuio de freqncia descrever o
comportamento da varivel. A natureza desse comportamento pode
ser simtrica, assimtrica direita ou esquerda, como pode ser
visualizado na Figura 6. Adiante ser visto como se quantifica a
assimetria.

19

i)

SQ Variedade /Linha 2 = SQ T/T2' =

1
(294,8)2
(
69,62 + 76,42 + 79,22 + 69,6 2 )
4
16

SQ T/T2' = 5449,4800 5431,6900 = 17,7900.

Para certificar se o clculo das somas de quadrados do

desdobramento Variedades dentro de Linhas foi realizado
corretamente basta verificar:

Simtrica

ii)

iii)

SQ T + SQ T x T ' = SQ T / T1' + SQ T / T2'

26,9635 + 17,9184 = 27,0919 +17,7900
44,8819 = 44,8819 ok!

Assimtrica direita

A anlise de varincia para o desdobramento T/T :

Assimtrica esquerda

Figura 6. Natureza da distribuio dos dados i) simtrica, ii) assimtrica direita ou

iii) assimtrica esquerda.

GL

SQ

QM

Prob>F

T/T1'

(I-1) = 4-1 =3

27,0919

9,0306

8,848

0,0005

T/T2'

(I-1) = 4-1 =3

17,7900

5,9300

5,810

0,0047

21

1,0207

Erro Mdio

3) Estatsticas descritivas
3.1) Medidas de posio
Definio: um nmero que descreve um conjunto de dados, pela
indicao da posio que o conjunto ocupa na escala de valores
possveis que a varivel em questo pode assumir.
3.1.1) Mdia (X ou Me)
i =1

Da anlise de varincia anterior observa-se que houve diferena

significativa entre efeitos de Variedades (T), no comprimento da
banana, tanto para 1 linha de irrigao quanto para 2 linhas de
irrigao (Prob < 0,05). Podemos ento utilizar, por exemplo, o teste
de Tukey para comparar as mdias de T (Variedades) para T1' (1
linha de irrigao) e tambm para T2' (2 linhas de irrigao).
Mdias:

Xi

Me =

FV

- Comparando Mdias de T para T1' , do Quadro 3 pode-se obter:

Variedade 1/ Linha 1 = T T1' =

20

71,2
= 17,8 0
4

85

Linha 1/ Variedade 4 = 21,18

Linha 2/ Variedade 4 = 17,40

Para o Exemplo 3 a mdia :

a
b

Me =

d) Comparaes entre mdias de tratamentos principais dentro de

cada nvel de tratamento secundrio (mdias de Variedades dentro
de cada Linha T/T):

Propriedades da mdia:
i) Somando-se uma constante K a todos os dados, a mdia (Me)
tambm acrescida de K:

Esta comparao envolve os dois erros por meio de um erro mdio,

sendo portanto um pouco mais complicada que as demais.

QMErro Mdio =

QMErro (a ) + (K 1).QMErro (b)

K

QMErro Mdio =

1,0011 + (2 1).1,0403
= 1,0207 .
2

O nmero de graus de liberdade (n) associado a este Erro Mdio

calculado de modo aproximado pela frmula de Satterthwaite:
[QMErro (a ) + ( K 1).QMErro (b)] 2
n =
[QMErro (a ) ]2 [(K 1)QMErro (b)]2
+
GLErro (a )
GLErro (b)
'

n' =

[1,0011+ (2 1).1,0403]
= 20,67 21 (arredondando).
[1,0011] 2 [(2 1).1,0403] 2
+
9
12

Do Quadro 3 obtm-se:
SQ Variedade /Linha 1 = SQ T /T1' =

Me(x + K ) = Me( x ) + K ;
ii) Multiplicando-se K a todos os dados, a mdia tambm
multiplicada por K:

Me(x.K ) = K.Me ;
iii) A soma dos desvios (dis) em relao a mdia zero:
di = x i Me ;
Exemplo 4. Para as N = 3 observaes (xi) a seguir, os desvios di
em relao a mdia so:

Observao: GLErro (a) n ' [GLErro (a) + GLErro (b)].

1
(314,3) 2
71,2 2 + 76,4 2 + 82,0 2 + 84,7 2
4
16

SQ T/T1' = 6201,1225 6174,0306 = 27,0919;

84

10,7 + 12,4 + L + 39,7 + 41,2

= 25,9.
54

xi

di

3-5 = -2

5-5 = 0

7
Mdia (Me) =

7-5 = 2
N

di =

i =1

iv) A mdia minimiza a soma dos quadrados dos desvios (SQD), ou

seja, o valor da SQD seria aumentada se colocssemos qualquer
outro valor que no Me.
2

SQD = [x i Me ] .
N

i =1

21

Observaes: A mdia muito influenciada por valores

discrepantes, extremos. Ela a medida de posio mais utilizada.
3.1.2) Mediana (Md)
o valor que precedido e seguido pelo mesmo nmero de
observaes, em um conjunto de dados ordenados.
Exemplo 5. Para as N = 5 observaes (xi) a seguir, a mediana :
x1

x2

x3

x4

x5

10

15

40

Da anlise de varincia anterior observa-se que houve diferena

significativa entre efeitos de Linhas (T), no comprimento da banana,
somente para a Variedade 4 (Prob < 0,05). Para as demais
variedades T1,T2 e T3 no houve diferenas significativas (Prob >
0,05) entre 1 e 2 linhas de irrigao no comprimento do fruto central
da terceira penca de banana. Podemos ento utilizar, por exemplo,
o teste de Tukey para comparar as mdias de T (1 e 2 Linhas de
irrigao) para T4 (Variedade 4).
Mdias:

84,7
= 21,18
4
_______
69,6
Linha 2/ Variedade 4 = T2' T4 =
= 17,40
4
_______

Linha 1/ Variedade 4 = T1' T4 =

Md = 10 (este valor precedido e seguido por duas observaes).

Observao: Se o nmero de observaes (N) for par, toma-se a
mdia dos dois valores centrais.
Exemplo 6. Para as N = 4 observaes (xi) a seguir, a mediana :
x1

x2

x3

x4

10

14

20

Md =

10 + 14
= 12 .
2

Propriedades da mediana:

DMS = q

ii) Md (x.K) = K.Md (x);

QMErro (b)
r

sendo q para =0,05; K = 2 tratamentos secundrios (Linhas) e

GLErro (b) = 12 q = 3,08:

DMS = 3,08

i) Md (x+K) = Md (x) +K;

1,0403
= 1,57 .
4

O contraste entre T1' e T2' para T4 :

iii) A mediana o valor que minimiza a soma dos mdulos dos

desvios:

xi a

Teste de Tukey:

mnima se a = Md(x).

Observao: A Md uma medida de posio para medidas

assimtricas.

22

y = T1' T2' = 21,18 17, 40 = 3,78 .

3,78 > 1,57 portanto T1' T2' para T4. Ou seja, para Variedade 4 (T4),
1 linha de irrigao ( T1' ) proporcionou significativamente maior
comprimento (cm) do fruto central da terceira penca de banana do
que 2 linhas de irrigao ( T2' ). Colocando as letras do teste:

83

3.1.3) Moda (Mo)

SQ T ' /T1 = 2478,4000 2478,0800 = 0,3200;

SQ Linha /Variedade 2 = SQ T ' /T2 =

1
(152,8) 2
76,4 2 + 76,4 2
4
8

SQ T ' /T2 = 2918,4800 2918,4800 = 0,0000;

1
(161,2) 2
SQLinha / Variedade 3 = SQ T ' / T3 = 82,0 2 + 79,2 2
4
8
SQ T / T3 = 3249,1600 3248,18 = 0,9800;
'

SQLinha / Variedade 4 = SQ T ' / T4 =

1
(154,3) 2
(
84,7 2 + 69,6 2 )
4
8

x2

x3

x4

x5

12

18

Mo = 9 (valor mais freqente; apareceu duas vezes no conjunto de

dados).

ii) Mo (x.K) = K.Mo (x).

'

SQ T + SQ T x T = SQ T ' /T1 + SQ T ' /T2 + SQ T ' /T3 + SQ T ' /T4

11,8828 + 17,9184 = 0,3200 + 0,0000 + 0,9800 + 28,5012.

Observaes: A Mo tambm uma medida de posio para

medidas assimtricas. Ela ainda menos afetada por valores
extremos do que a mediana. Para variveis contnuas, onde difcil
encontrar um mesmo valor repetido duas ou mais vezes, a moda
calculada de outra maneira, atravs do denominado mtodo de
Czuber; porm, tal mtodo no ser discutido neste material.

3.2) Medidas de disperso

29,8012 = 29,8012 ok!

'
A anlise de varincia para o desdobramento T /T :

FV

GL

SQ

QM

Prob>F

T ' /T1

(K-1) = 2-1 =1

0,3200

0,3200

0,308

0,6347

T /T2

(K-1) = 2-1 =1

0,0000

0,0000

0,000

0,9975

T ' /T3

(K-1) = 2-1 =1

0,9800

0,9800

0,942

0,4341

T ' /T4

(K-1) = 2-1 =1

28,5012

28,5012

27,397

0,0346

Erro (b)

12

12,4838

1,0403

82

x1

i) Mo (x+K) = Mo (x) +K;

Para certificar se o clculo das somas de quadrados do

desdobramento Linhas dentro de Variedades foi realizado
corretamente basta verificar:

'

Exemplo 7. Para as N = 5 observaes (xi) a seguir, a moda :

Propriedades da moda:

SQ T ' / T4 = 3004,5625 2976,0613 = 28,5012.

'

o valor mais freqente no conjunto de dados.

Definio: grandeza numrica que descreve a variabilidade em um

conjunto de dados.
3.2.1) Amplitude (A)
A = MVO - mvo
Trata-se da diferena entre o maior valor observado (MVO) e o
menor valor observado (mvo) como j foi visto anteriormente.

23

Exemplo 8. Considere dois conjuntos de dados (X e Y) medidos em

metro (m):

-1,5=1,5 < 1,56 portanto T1 = T2 e assim continua as

comparaes entre as outras mdias de variedades duas a duas.

Totais
X

16

16

16

41

95

11

21

31

41

110

b) Comparaes entre mdias de tratamentos secundrios (mdias

de Linhas - T ' ):
Comparando a mdia de T1' com a de T2' pelo teste de Tukey, do
Quadro 3 pode-se obter:

A (X) = 41 6 = 35;
A (Y) = 41 6 = 35.
X e Y apresentam mesma amplitude (A), portanto o conjunto X
apresenta claramente menor variabilidade (maior uniformidade) que
o conjunto Y.
Observao: A amplitude muito influenciada por valores extremos,
uma vez que calculada a partir deles. Assim, a medida que
aumenta N, aumenta a chance de encontrar valores extremos,
aumentando, portanto, a amplitude.
3.2.2) Varincia (Var) e Desvio padro (DP)
So medidas baseadas em todos os dados, a partir dos desvios em
relao a mdia.

Varincia (Var ou ): mdia dos quadrados dos desvios

(tambm chamada de quadrado mdio), cuja expresso
dada por:
2

[x i Me ]
N

2 =

(populao) ou 2 =

i =1

[x i Me ]

i =1

n 1

N
n

xi
xi
N
n
i =1

i =1

2
2
xi
xi
N
n
(populao) ou 2 = i =1
(amostra).
2 = i =1
N
n 1

24

rI

314,3
= 19,64
4x 4

T2' =

DMS = q

TT '

rI

294,8
= 18,43
4x 4

QMErro (b)
r.I

sendo q para =0,05; K = 2 tratamentos secundrios (Linhas) e

GLErro (b) = 12 q = 3,08:

DMS = 3,08

1,0403
= 0,78
4.4

O contraste entre T1' e T2' :

y = T1' T2' = 19,64 18, 43 = 1,21 .

(amostra).

Ou ainda, pelas expresses alternativas:

2

TT '

1,21 > 0,78 portanto T1' T2' .

T1' =

c) Comparaes entre mdias de tratamentos secundrios dentro de

cada nvel de tratamento principal (mdias de Linhas dentro de cada
Variedade - T ' /T):
Do Quadro 3 obtm-se:

SQ Linha /Variedade 1 = SQ T ' /T1 =

1
(140,8) 2
71,2 2 + 69,6 2
4
8

81

TTi e TTi ' : total do tratamento principal i e do tratamento

secundrio i ' , respectivamente.
Ti e Ti ' : mdia do tratamento principal i e do tratamento
secundrio i ' , respectivamente.
As comparaes de mdias que o pesquisador pode ter interesse
em um experimento em parcelas subdivididas so as seguintes:
a) Comparaes entre mdias de tratamentos principais (mdias de
Variedades - T):

Desvio padro (DP ou ): a raiz quadrada da varincia,

cuja expresso dada por:
= 2 (populao)

Para o Exemplo 8 tem-se:

6 2 + 16 2 + 16 2 + 16 2 + 412

Var(X) =

140,8
T1 =
=
= 17,6
rK
4x 2
DMS = q

TT2

152,8
T2 =
=
= 19,1
rK
4x 2

QMErro (a )
r.K

sendo q para =0,05; I = 4 tratamentos principais (Variedades) e

GLErro (a) = 9 q = 4,41:

DMS = 4,41

1,0011
= 1,56 .
4.2

O contraste entre T1 e T2 :

y = T1 T2 = 17,6 19,1 = 1,5 .

Lembrando a interpretao do teste Tukey:
Se y DMS as mdias dos dois tratamentos em comparao
podem ser consideradas estatisticamente diferentes.

= 2 (amostra).

2 , maior a variabilidade do
Observaes: Quanto maior 2 ou
conjunto de dados. O DP tem a vantagem, em relao a Var, de
possuir a mesma unidade dos dados (por exemplo, se a unidade de
medida dos dados kg, a do DP tambm ser kg enquanto que a
da Var ser kg2), facilitando, assim, a visualizao do quanto, em
mdia, os dados se desviam da mdia.

Comparando, por exemplo, a mdia de T1 com a de T2 pelo teste de

Tukey, do Quadro 3 pode-se obter:

TT1

ou

5
6 2 + 112 + 212 + 312 + 412

Var(Y) =
5

(95) 2
5 = 2485 1805 = 136,00 m2;
5

(110) 2
5 = 3240 2420 = 164,00 m2;
5

DP(X) =

136 = 11,66 m;

DP(Y) =

164 = 12,81 m.

Propriedades da varincia e do desvio padro:

i) Somado-se uma constante K a todos os dados, a Var e o DP no
se alteram:
Var( x + K ) = Var (x ) ;

DP( x + K ) = DP(x ) ;
ii) Multiplicando-se K a todos os dados, a Var fica multiplicada por K2
e o DP por K.
Var(x.K) = K2[Var(x)];
DP (x.K) = K [DP (x)];

80

25

iii) O DP em relao a mdia mnimo ao invs de qualquer outro

valor devido ao fato da mdia ser o valor que torna mnima a soma
de quadrados do desvio (SQD).
3.2.3) Coeficiente de Variao (CV)

DP
CV (%) =
.100 .
Me

FV

GL

SQ

QM

Prob>F

Bloco

15,7535

5,2512

5,245

0,0229

Variedades (T)

26,9635

8,9878

8,978

0,0045

Erro (a)

9,0102

1,0011

Parcelas

15

51,7272

11,8828

11,8828

11,422

0,0055

17,9184

5,9728

5,741

0,0338

Erro (b)

12

12,4838

1,0403

94,0122

'

Linhas ( T )

O CV uma medida relativa, porcentual, pois o desvio e a mdia

possuem a mesma unidade.

Tx T

'

Exemplo 9. Considere os pesos (Kg) de animais de dois rebanhos

diferentes:

Total

31

CV (a) (%)

5,26

Rebanho A

Rebanho B

CV (b) (%)

5,37

70

490

90

510

80

480

100

500

Me

85

495

DP

11,18

11,18

claro que pelos valores de pesos tratam-se de rebanhos de idades

diferentes. Os rebanhos A e B possuem o mesmo DP, porm,
bvio que diferenas de 5 kg, por exemplo, possuem um peso
relativo muito maior no rebanho A do que no rebanho B. Assim,
poderamos afirmar que a variabilidade do rebanho A maior do
que a do rebanho B. Isto pode ser comprovado pelos valores de CV
dos dois rebanhos:
11,18
CV (Rebanho A):
x 100 = 13,15% ;
85
CV (Rebanho B): 11,18 x 100 = 2,26% .
495

26

Mdia geral ( y) : 19,0

Nmero de observaes:

Nos experimentos em parcelas

coeficientes de variao (CV):

32

subdivididas

tem-se

dois

Para parcelas:

CV (a ) =

QMErro (a )
1,0011
.100 =
.100 = 5,26% ;
y
19,0

Para subparcelas:

CV (b) =

QMErro (b)
1,0403
.100 =
.100 = 5,37% .
y
19,0

Considere:
I: nmero de tratamentos principais, I = 4 variedades;
K: nmero de tratamentos secundrios, K = 2 linhas de irrigao;
r: nmero de blocos, r = 4 blocos;

79

SQ Parcelas = 11645,5650 - 11593,8378 = 51,7272 ;

Observao: O CV por ser adimensional til na comparao entre

conjuntos de dados com mesma unidade mas permite, tambm, a
comparao da variabilidade entre conjuntos de dados referentes a
diferentes caractersticas.

SQ Erro (a) = SQ Parcelas SQ Blocos SQ Variedades

SQ Erro (a) = 51,7272 15,7535 26,9635 = 9,0102.

necessrio tambm fazer um outro quadro auxiliar com a

combinao entre os nveis dos dois fatores (variedades e linhas de
irrigao) para o clculo da soma de quadrados do tratamento da
subparcela (linhas de irrigao) e da interao variedades x linha
(T x T).
Quadro 3. Quadro auxiliar com os totais de todas as repeties para
cada combinao entre os nveis dos fatores T e T.
Linhas\Variedades

T1

T2

T3

T4

Totais

71,2 (4)

76,4

82,0

84,7

314,3(16)

T2'

69,6

76,4

79,2

69,6

294,8

Totais

140,8(8)

152,8

161,2

154,3

609,1

'
1

3.3) Medidas de assimetria e curtose

Em estatstica, freqentemente interessante saber se a populao
da qual a amostra foi coletada pode ser descrita por uma curva
normal. Isso pode ser verificado por meio das seguintes medidas:
3.3.1) Coeficiente de assimetria (As): medida que quantifica o
distanciamento de um conjunto de dados em relao simetria. O
coeficiente As dado por:
m3

As =
d
(x i x )
n

sendo m 3 =

m3
d3

i =1

e d2 = 2 (varincia populacional) ou

(varincia amostral).
2

Do Quadro 3 possvel obter:

1
SQ Linhas = (314,32 + 294,8 2 ) - 11593,8378
16
SQ Linhas = 11605,7206 11593,8378 = 11,8828;
SQ Variedades x Linhas (T x T ' ) =

1
(71,2 2 + 69,6 2 + ... + 69,6 2 ) - C SQ Variedades SQLinhas
4

positivo (As > 0) : indica uma assimetria direita,

negativo (As < 0) : indica uma assimetria esquerda,

Se As
zero (As = 0) : indica uma simetria (amostra pode ser considerada vinda de uma

distribuio normal).

SQ Variedades x Linhas (T x T ) = 11650,6025 11593,8378 26,9635

11,8828 = 17,9184;

Na Figura 6 pode ser visto a natureza do comportamento de uma

varivel, se simtrica, assimtrica direita ou assimtrica
esquerda.

SQ Erro (b) = SQ Total SQ Parcela SQ Linhas SQ Variedades x

Linhas

Observao: Na prtica os valores de As dificilmente sero zero,

podendo ser prximos de zero.

SQ Erro (b) = 94,0122 51,7272 11,8828 17,9184 = 12,4838.

3.3.2) Coeficiente de curtose (K): medida que quantifica o grau de

achatamento da distribuio de freqncia de um conjunto de
dados, tendo a curva normal como referncia. O coeficiente K
dado por:

'

E o quadro de anlise de varincia para os dados do exemplo 5.6.5)

conforme o esquema em parcela subdividida :

78

27

K=
(x i x )
n

sendo m 4 = i =1

Considerando que a unidade de clculo a subparcela, do Quadro

de dados podemos tirar:

m4
m4
=
d 2 .d 2 d 4

e d2 = 2 (varincia populacional) ou

(varincia amostral).
2

(609,1) 2
= 11593,8378;
C=
32
SQ Blocos =

> 3 : indica uma distribuio afiada chamada leptocrtica,

Se K < 3 : indica uma distribui o achatada chamada platicrtica,

= 3 : indica uma distribuio semelhante a normal chamada mesocrtic a.

1
(156,4 2 + 155,12 + 142,6 2 + 155,0 2 ) 11593,8378
8

SQ Blocos = 11609,5913 11593,8378 = 15,7535;

2

SQ Total = 19,0 + 17,1 + . . . + 16,4 + 18,6 11593,8378

SQ Total = 11687,8500 11593,8378 = 94,0122.

Para o clculo da soma de quadrados de parcelas, necessrio

fazer um quadro auxiliar com os totais das parcelas.
Quadro 2. Quadro auxiliar com os totais das parcelas
Tratamentos

Repeties
T1
1

Figura 7. Grfico dos diferentes graus de achatamento relativos a uma distribuio de

freqncia

Exemplo 10. Seja as seguintes N = 4 observaes, a mdia ( x ) e a

varincia (d2)destas observaes dadas por
x1

x2

x3

x4

d2

15

16

17

12,5

37,25

T2

T3

T4

39,0

41,5

38,0

156,4 (8)

34,7

37,8

42,2

40,4

155,1

32,4

36,8

36,0

37,4

142,6

35,8

39,2

41,5

38,5

155,0

Totais

140,8(8)

152,8

161,2

154,3

609,1

Do Quadro 2 calculamos:

1
SQ Variedades = (140,8 2 + 152,8 2 + 161,2 2 + 154,32 ) - 11593,8378
8
SQ Variedades = 11620,8013 11593,8378 = 26,9635;

SQ Parcelas =

28

37,9

(2)

Totais

1
(37,9 2 + 34,7 2 + ... + 37,4 2 + 38,5 2 ) - 11593,8378
2

77

fruto central da terceira penca de banana esto dispostos na Tabela

8 a seguir.
Tabela 8. Comprimento (cm) do fruto central da terceira penca de
banana para um experimento em blocos casualizados (DBC), com 4
repeties, em esquema de parcela subdividida com 4 variedades
de banana (T1, T2, T3 e T4) nas parcelas e 2 linhas de irrigao ( T1' =
1 linha e T2' = 2 linhas) nas subparcelas
T1
'
1

T2
'
2

'
1

T3
'
2

'
1

m4 =

( 2 12,5) 4 + (15 12,5) 4 + (16 12,5) 4 + (17 12,5) 4 12754,25

=
= 3188,563 ;
4
4

As =

252
37,25 37,25

K=

Tratamentos
Repeties

(2 12,5) 3 + (15 12,5) 3 + (16 12,5) 3 + (17 12,5) 3 1008

= 252 ;
=
4
4

m3 =

T4
'
2

'
1

Totais

m3
= 1,108 (As < 0 Assimetria a esquerda);
d3

3188,563
= 2,30 (K < 3 Distribuio platicrtica).
(37,25).(37,25)

4) Testes de comparaes mltiplas

'
2

19,0

18,9

19,2

19,8

20,8

20,7

21,1

16,9

156,4

17,1

17,6

19,5

18,3

20,9

21,3

22,7

17,7

155,1

17,5

14,9

17,5

19,3

18,6

17,4

21,0

16,4

142,6

17,6

18,2

20,2

19,0

21,7

19,8

19,9

18,6

155,0

Y1 = a1m1 + a2m2 + ...+ anmn

Totais

71,2

69,6

76,4

76,4

82,0

79,2

84,7

69,6

609,1

Y2 = b1m1 + b2m2 + ...+ bnmn

4.1) Contrastes ortogonais de mdias

Definio: So combinaes lineares dadas por:

5.6.6) Croqui de campo

T2
BL I

T2'

BL II

'
1

T4

T1'

T2'

'
2

'
2

T3

T4
BL III

T2'

'
1

'
1

T1'

T1'

'
2

'
2

76

T2'

'
2

i =1

i =1

i =1

a i , bi L ci = 0 ,

em que:
a1, b1, c1, ..., an, bn, cn so os coeficientes dos contrastes;

'
1

T3

T2'

'
1

T2
'
2

sendo a soma dos coeficientes de cada contraste igual a zero:

T2'
T4

'
1

T2

T1'

T2'

T1
'
2

YI-1 = c1m1 + c2m2 + ...+ cnmn

T3

T2

'
1

T1
BL IV

T1'

T3
'
2

T1'
T1

'
1

T1

m1, m2, ..., mn so mdias dos tratamentos 1, 2, ...,n.

T2'

Dois contrastes so ditos ortogonais quando h uma independncia

entre suas comparaes, ou melhor, quando a variao de um
contraste independente da variao do outro. A exigncia para

T4

T1'

T1'

29

que dois contrates sejam ortogonais que a covarincia (Cov) entre

eles seja nula:
Cov( Yi , Yi ' ) = 0.
Seja s i2 a varincia do tratamento i e ri o nmero de repeties do
tratamento i, a covarincia entre dois contrastes dada por uma das
seguintes expresses:

Se

s12 s 22 ... s 2n

r1 r2 ... rn :

a b
a i b i 2 a 1 b1 2 a 2 b 2 2
s 2 + L + n n s 2n .
s1 +
si =
i =1 ri
rn
r2
r1
n

Cov(Y1, Y2) =

Se

s12 = s 22 =...= s 2n

r1 r2 ... rn :

ab
ab
a b
a b
Cov(Y1, Y2) = i i = 1 1 + 2 2 + L + n n .
i =1 ri
r1
r2
rn
n

Se s12 = s 22 =...= s 2n e r1 = r2 =...= rn :

n

Cov(Y1, Y2) = a i b i = a 1 b1 + a 2 b 2 + L + a n b n .
i =1

A varincia (Var) de um contraste Y :

c i2
(se s12 = s 22 =...= s 2n =s2)
i =1 ri
ou
2
n c
Var (Y) = i s i2 (se s12 s 22 ... s 2n ).
i =1 ri
n

Var (Y) = s 2

O erro padro do contraste Y :

s(Y) =

Var (Y) .

30

5.6.3) Desvantagem
H uma reduo do nmero de graus de liberdade do erro,
comparativamente ao esquema fatorial, reduo esta decorrente da
existncia de dois erros, o erro (a) referente s parcelas e o erro (b),
correspondente s subparcelas dentro das parcelas.
5.6.4) Modelo
subdividida

estatstico

do

experimento

em

parcela

O modelo a seguir corresponde a um modelo de um DBC em

esquema de parcela subdividida:

y ijk = + j + i + ij + k + ( ) ik + e ijk
em que y ijk o valor observado referente a parcela que recebeu o isimo nvel do tratamento principal e o k-simo nvel do
tratamento secundrio no j-simo bloco; representa uma
constante geral associada a esta varivel aleatria; j o efeito do jsimo bloco; i o efeito do i-simo nvel do tratamento principal; ij
= ()ij o efeito residual das parcelas, caracterizado como
componente do erro (a); o efeito do k-simo nvel do tratamento
secundrio; ()ij o efeito da interao do i-simo nvel do
tratamento principal com o k-simo nvel do tratamento secundrio
e eijk representa o efeito residual das subparcelas, caracterizado
como componente do erro (b).
Sobre as distribuies de ij e eijk pode-se considerar as seguintes
pressuposies: i) ij N(0, 2 ); ii) eijk N(0, 2 ); iii) ij e eijk so
no correlacionados.
5.6.5) Exemplo de parcela subdividida
Foi realizado um experimento em blocos casualizados com 4
repeties, no esquema de parcelas subdivididas. Os tratamentos
das parcelas foram 4 variedades de banana (T1, T2, T3 e T4) e os
tratamentos das subparcelas foram uma e duas linhas de irrigao
( T1' = 1 linha e T2' = 2 linhas). Os dados do comprimento (cm) do

75

5.6) Experimentos em parcelas subdivididas

5.6.1) Caractersticas
O esquema experimental em parcelas subdivididas se caracteriza
como sendo uma variao do experimento fatorial com dois fatores
(Steel et al., 1997). A principal caracterstica destes experimentos
que as parcelas so divididas em subparcelas. Os tratamentos das
parcelas so chamados de primrios ou principais e so dispostos
segundo um tipo qualquer de delineamento, sendo os mais usados
os delineamentos em blocos casualizados, com o objetivo de
procurar controlar a variabilidade que possa haver no material
experimental. Os tratamentos das subparcelas so chamados
secundrios e so dispostos aleatoriamente dentro de cada parcela.
Assim, cada parcela funciona como um bloco para os tratamentos
secundrios. Primeiro casualizam-se os nveis do fator primrio nas
parcelas de cada bloco; em seguida, casualizam-se os nveis do
fator secundrio nas subparcelas de cada parcela. Pimentel Gomes
(1990) e Hinkelmann & Kempthorne (1994), dentre outros autores,
so unnimes em afirmar a maior preciso existente no teste de
tratamentos secundrios.

Observaes: Em um experimento com I tratamentos, o nmero

mximo de contrastes ortogonais possveis dado por I-1
comparaes. Os contraste so formulados de acordo com o
interesse do pesquisador.
Exemplo 11. Considere as mdias de produtividade de gros (t/ha)
de 4 cultivares de milho:

1 = 5,2
m
2 = 3,3
m
3 = 4,0
m
4 = 9,0
m
r1 = r2 = r3 = r4 = 5 e s12 = s 22 = s 32 = s 24 = s 2 = 0,19.

i) Escolher os (I-1) = 4-1 = 3 contrastes:

Y1 = m1 + m2 m3 m4

em que

a1=1, a2 =1, a3 = -1, a4= -1

5.6.2) Vantagens

Y2 = m1 m2

em que

a1=1, a2 = -1, a3 = 0, a4= 0

Os experimentos em parcelas subdivididas apresentam uma grande

utilidade na pesquisa agropecuria, alm de outras diversas reas.

Y3 = m3 m4

em que

a1= 0, a2 = 0, a3 = 1, a4 = -1.

Tais experimentos so teis em situaes como: a) quando os

nveis de um dos fatores exigem grandes quantidades de material
experimental (por exemplo, nveis de irrigao), devendo ser
casualizados nas parcelas; b) quando informaes prvias
asseguram que as diferenas entre os nveis de um dos fatores so
maiores que as do outro fator; c) quando se deseja maior preciso
para comparaes entre nveis de um dos fatores; d) quando existe
um fator de maior importncia (que dever ser casualizado na
subparcela) e outro de importncia secundria, sendo este includo
para aumentar a extenso dos resultados e e) nas situaes
prticas, onde difcil a instalao do experimento no esquema
fatorial.

74

ii) Verificar se o somatrio dos coeficientes de cada contraste igual

a zero:
4

Y1 a i = 1 + 1 1 1 = 0
i =1
4

Y2 b i = 1 1 + 0 + 0 = 0
i =1
4

Y3 c i = 0 + 0 + 1 1 = 0.
i =1

31

iii) Verificar se a covarincia entre dois contrastes igual a zero:

4

,Y
) = a b = 1.1 + 1.(1) + (1).0 + (1).0 = 0
Cov(Y
1
2
i i

Aplicando o teste de Scott-Knott para variedades dentro de cada

nvel de inoculante tem-se:

i =1

- Variedade dentro do inoculante 1:

Variedade

Mdias

Resultado do teste

i =1

231,4

385,3

1, Y
3 ) = a c = 1.0 + 1.0 + (1).1 + (1).(1) = 0
Cov(Y
i i
,Y
) = b c = 1.0 + (1).0 + 0.1 + 0.(1) = 0.
Cov(Y
2
3
i i
i =1

iv) Calcular a varincia de cada contraste:

12 + 12 + (1) 2 + (1) 2
a i2
= 0,1520
= 0,19
i =1 ri
5

A variedade 2 apresentou peso do colmo estatisticamente superior

ao da variedade 1 quando foi utilizado o inoculante 1 (Prob<0,05).

) = s2
Var (Y
1

2
2
2
2
2
) = s 2 b i = 0,19 1 + (1) + 0 + 0 = 0,0760
Var (Y
2

i =1 ri
5

2
2
2
2
2
n
3 ) = s 2 c i = 0,19 0 + 0 + 1 + (1) = 0,0760.
Var (Y

i =1 ri
5

v) Calcular o erro padro de cada contraste:

1 ) = Var (Y
1 ) = 0,1520 = 0,3899 t/ha
s( Y
) = Var(Y
) = 0,0760 = 0,2757 t/ha
s( Y
2
2
3 ) = Var (Y
3 ) = 0,0760 = 0, 2757 t/ha.
s( Y
vi) Calcular as estimativas destes contrastes:

- Variedade dentro do inoculante 2:

Variedade

Mdias

Resultado do teste

209,0

374,8

A variedade 2 apresentou peso do colmo estatisticamente superior

ao da variedade 1 quando foi utilizado o inoculante 2 (Prob<0,05).
- Variedade dentro do inoculante 3:
Variedade

Mdias

Resultado do teste

244,3

379,3

A variedade 2 tambm apresentou peso do colmo estatisticamente

superior ao da variedade 1 quando foi utilizado o inoculante 3
(Prob<0,05).

= 5,2 + 3,3 4,0 9,0 = -4,5 t/ha

Y
1
= 5,2 3,3 = 1,9 t/ha
Y
2
= 4,0 9,0 = -5,0 t/ha.
Y
3

32

73

vii) Concluses dos contrates:

- Inoculante dentro da variedade 2:

Inoculantes

Mdias

Resultado do teste

385,3

374,8

379,3

1 +m
2 m
+m
4
'= m
a) Y
3
= -2,25 t/ha
1
2

O contraste Y1 nos indica que o grupo das cultivares 1 e 2 produz

em mdia 2,25 t/ha a menos que o grupo das cultivares 3 e 4.

Tambm no houve diferenas significativas (Prob>0,05) com

relao ao peso do colmo entre os 3 inoculantes utilizados para a
variedade 2.
b) Estudar o comportamento das variedades para cada inoculante
Do Quadro 1 tem-se:
SQ Variedade / I1 =

1
(2466, 4) 2
(925,4 2 + 1541,0 2 )
= 47370,4200
4
8

SQ Variedade / I2 =

1
(2334,8) 2
(835,8 2 + 1499,0 2 )
= 54979,2800
4
8

1
(2494,2) 2
2
2
SQ Variedade / I3 = (977,1 + 1517,1 )
= 36450,0000.
4
8
FV

GL

SQ

QM

Prob>F

Variedade / I1

47370,4200

47370,4200

25,700

0,0001

Variedade / I2

54979,2800

54979,2800

29,828

0,0001

Variedade / I3

36450,0000

36450,0000

19,775

0,0005

Erro

15

27648,1067

1843,2071

Neste segundo desdobramento da interao (variedade dentro de

inoculante) conclui-se que as duas variedades apresentaram pesos
de colmos diferentes (Prob<0,05) para cada inoculante utilizado (I1
ou I2 ou I3).

72

'=
b) Y
2

1 m

m
2 = 1,9 t/ha
1
1

O contraste Y2 nos indica que a cultivar 1 superou em mdia a

produo da cultivar 2 em 1,9 t/ha.

3 m

'= m
c) Y
4 = 5,0 t/ha.
3
1

O contraste Y3 nos indica que a cultivar 3 produziu em mdia 5,0

t/ha a menos que a cultivar 4.

4.2) Teste t de Student

4.2.1) Teste t para contrastes ortogonais
Consideraes:
- O teste t pode ser usado para contrastes ortogonais, sugeridos
pela estrutura dos tratamentos.
- De acordo com Banzatto & Kronka (1989), deve-se escolher os
contrastes antes de avaliar os dados ou, se possvel, na fase de
planejamento do experimento para evitar que sejam escolhidos
contrastes correspondentes as maiores diferenas observadas entre
mdias, o que aumentaria, assim, a probabilidade de erro tipo I ().
O consiste no erro que se comete ao rejeitar Ho, sendo que ela
verdadeira.
Dada uma hiptese de nulidade (Ho) e sua hiptese alternativa (H1)
dada por:

33

Ho: Y= 0, ou seja, as mdias ou grupos de mdias comparadas no

contraste no diferem entre si.

variedades e inoculantes, recomenda-se proceder o desdobramento

da interao V x I para certificar tal informao.

H1: Y 0, ou seja, pelo menos uma mdia difere das demais ou um

grupo de mdias difere de outro grupo.

O desdobramento, no caso deste exemplo com dois fatores, pode

ser realizado das seguintes maneiras:

A estatstica t calculada por:

a) Estudar o comportamento dos inoculantes para cada variedade

t=

Do Quadro 1 tem-se:

0
0
Y
Y
=
)
(Y
) s(Y
V

a estimativa do contraste de interesse e s(Y

) a estimativa
sendo Y
do erro padro do contraste.
A estatstica t comparada (em valor absoluto) com um valor
tabelado (tt), procurando-se na Tabela de t (encontrada em livros de
estatstica) o nmero de graus de liberdade (GL) associado a
varincia e o nvel de significncia . Se t < tt, aceita-se a
hiptese Ho e conclui-se que as mdias ou os grupos de mdias em
comparao so iguais; caso contrrio, se t tt, rejeita-se a
hiptese Ho e conclui-se que as mdias ou o grupo de mdias em
comparao so diferentes.
Exemplo 12. Aplicar o teste t nos contrates Y1, Y2 e Y3 do Exemplo
11, considerando que o GLErro da anlise de varincia 16.
Y1 = m1 + m2 m3 m4
Y2 = m1 m2
Y3 = m3 m4

= -4,5 t/ha
Y
1

Y2 = 1,9 t/ha
= -5 t/ha
Y
3

SQ Inoculante / V2 =

1
( 4557,1) 2 = 221,9017.
(1541,0 2 + 1499,0 2 + 1517,12 )
4
12

FV

GL

SQ

QM

Prob>F

Inoculante / V1

2555,5617

1277,7808

0,693

0,5110

Inoculante / V2

221,9017

110,9508

0,060

0,9427

Erro

15

27648,1067

1843,2071

Neste primeiro desdobramento da interao (inoculante dentro de

variedade) conclui-se que tanto para variedade 1 quanto para a
variedade 2, no h diferena significativa (Prob>0,05) no peso do
colmo entre os trs inoculantes aplicados.
Aplicando o teste de Scott-Knott para inoculantes dentro de cada
nvel de variedade tem-se:

) = 0,2757 t/ha
s( Y
3

- Inoculante dentro da variedade 1:

4,5 0
= 11,541
0,3899

t t ( Y1 ) para =0,05 e GL Erro=16 t t ( Y1 ) = 2,12

34

1
( 2738,3) 2 = 2555,5617;
(925,4 2 + 835,8 2 + 977,12 )
4
12

) = 0,3899 t/ha
s( Y
1

s(Y ) = 0,2757 t/ha

- Teste t para Y1:

t c( Y1 ) =

SQ Inoculante / V1 =

Inoculantes

Mdias

Resultado do teste

231,4

209,0

244,3

Realmente, no houve diferenas significativas (Prob>0,05) com

relao ao peso do colmo entre os 3 inoculantes utilizados para a
variedade 1.
71

SQ Variedades x Inoculantes = 140612,1900 - 137834,7267 1812,4900 =

964,9733.

E o quadro de anlise de varincia para os dados do exemplo 5.5.5)

conforme o esquema fatorial 3x2 :
FV

GL

SQ

QM

Prob>F

Bloco

3806,8083

1268,9361

0,688

0,5730

(Tratamentos)

(5)

(140612,1900)

28122,4380

15,257

0,0000

Variedades (V)

137834,7267

137834,7267

74,780

0,0000

Inoculantes (I)

1812,4900

906,2450

0,492

0,6211

VxI

964,9733

482,4867

0,262

0,7731

Erro

15

27648,1067

1843,2071

Total

23

172067,1050

Como t c ( Y1 ) > t t ( Y1 ) -11,541 > 2,12 rejeita-se Ho: Y1 = 0 e

portanto m1+ m2 m3 + m4 (os dois grupos de mdias de cultivares
diferem entre si ao nvel de 5% de significncia)
- Teste t para Y2:

t c ( Y2 ) =

1,9 0
= 6,892
0,2757

t t ( Y2 ) para =0,05 e GL Erro=16 t t ( Y2 ) = 2,12

Como t c( Y2 ) > t t ( Y2 ) 6,892 > 2,12 rejeita-se Ho: Y2 = 0 e
portanto m1 m2 (a mdia da cultivar 1 difere da cultivar 2 ao nvel
de 5% de significncia)
- Teste t para Y3:

CV (%) =

14,12

Mdia geral:

303,98 Nmero de observaes:

24

t c( Y3 ) =

Aplicando o teste de Scott-Knott para variedades (pois esta fonte de

variao foi significativa: Prob<0,05) tem-se:
Variedades

Mdias

Resultado do teste

228,2

379,8

Aplicando o teste de Scott-Knott para inoculantes, apesar de seu

efeito ter sido no significativo (Prob>0,05), tem-se:
Inoculantes

Mdias

Resultado do teste

308,3

291,8

311,8

Embora a interao V x I no seja significativa (Prob > 0,05),

indicando no haver uma dependncia entre os efeitos dos fatores

70

5,0 0
= 18,136
0,2757

t t ( Y 3) para =0,05 e GL Erro=16 t t ( Y2 ) = 2,12

Como t c( Y3 ) = > t t ( Y 3) 18,136 > 2,12 rejeita-se Ho: Y3 = 0 e
portanto m3 m4 (a mdia da cultivar 3 difere da cultivar 4 ao nvel
de 5% de significncia).
4.2.2) Teste t para comparao de duas mdias
Passos para realizao do teste:
i) Definir a hiptese de nulidade: Ho: y1 = y 2 ;
ii) Estabelecer o nvel de significncia ();
iii) Calcular a mdia de cada grupo ( y i );
iv) Calcular a varincia de cada grupo (s i2 ) ;

35

v) Calcular a varincia ponderada s 2p , por meio da expresso:

s 2p =

(n 1 1)s 12 + (n 2 1)s 22
;
n1 + n 2 2

SQ Tratamento =

vi) Calcular a estatstica t, por meio da expresso:

t=

y1 y 2
1
1 2
+
s p
n1 n 2

1
(925,4 2 + 835,8 2 + 977,12 + 1541,0 2 + 1499,0 2 + 1517,1) 2217619,2150
4

SQ Tratamento = 2358231,4050 2217619,2150 = 140612,1900.

2

SQ Total = 238,1 + 223,6 + . . . + 298,4 + 363,8 2217619,2150

SQ Total = 2389686,3200 2217619,2150 = 172067,1050.

SQ Erro = 172067,1050 3806,8083 140612,1900 = 27648,1067.

vii) Encontrar o valor Tabelado de t (tt) procurando na Tabela de t o

valor correspondente a combinao entre o nvel de significncia
estabelecido, , e o grau de liberdade (GL) dado por n1 + n2 2;
viii) Concluir o resultado do teste:
Se t < tt, aceita-se a hiptese Ho e conclui-se que as duas mdias
em comparao so iguais;
Se t tt, rejeita-se a hiptese Ho e conclui-se que as duas mdias
em comparao so diferentes.
3

Exemplo 13. Foi avaliado o volume estimado (em m /ha) de

madeira produzida por 2 espcies de eucalipto. Verifique se h
diferena entre as mdias das 2 espcies por meio do teste t.
Espcie

Volume (m3/ha)

24

26

29

32

38

60

63

71

36

SQ Bloco = 1 (1819,5 2 + 1941,7 2 + 1802,4 2 + 1731,82 ) 2217619,2150

6
SQ Bloco = 2221426,0233 2217619,2150 = 3806,8083.

Deve-se montar um quadro auxiliar com os totais de todas as

repeties para cada combinao entre os nveis dos fatores.
Quadro 1. Quadro auxiliar com os totais de todas as repeties para
cada combinao entre os nveis dos fatores.
I1

I2

I3

Totais

V1

925,4 (4)

835,8

977,1

2738,3 (12)

V2

1541,0

1499,0

1517,1

4557,1

2334,8

2494,2

7295,4

Totais
() os

2466,4

(8)

valores dentro de parnteses correspondem ao nmero de parcelas que deu origem a cada total.

Do Quadro 1 obtm-se:
SQ Variedades =

1
(2738,3 2 + 4557,12 ) 2217619,2150
12

SQ Variedades = 2355453,9417 2217619,2150 = 137834,7267.

SQ Inoculantes =

1
(2466, 4 2 + 2334,8 2 + 2494,2 2 ) 2217619,2150
8

SQ Inoculantes = 2219431,7050 2217619,2150 = 1812,4900.

SQ Variedades x Inoculantes = [SQ V, I C] SQ Variedades SQ
Inoculantes
1

SQ Variedades x Inoculantes = (925,4 2 + L + 1517,12 ) 2217619,2150 137834,7267 1812,4900

4

69

peso do colmo (ton/ha). Os dados esto apresentados na Tabela 7 a

seguir.
Tabela 7. Peso do colmo (ton/ha) para os 6 tratamentos de um
experimento em blocos casualizados (DBC), com 4 repeties, em
esquema fatorial 2x3
Repeties

Tratamentos

Totais

i) Hiptese de nulidade: Ho: y1 = y 2 ;

ii) =0,05;
iii) y1 = 29,80 e

y 2 = 64,67;

iv) s 12 = 30,20 e s 22 = 32,33 ;

(5 1).30,20 + (3 1).32,33
= 30,91;
5+32

1 V1I1

238,1

256,0

267,7

163,6

925,4

2 V1I2

223,6

217,0

184,7

210,5

835,8

3 V1I3

286,8

205,8

231,6

252,9

977,1

4 V2I1

347,5

403,9

347,0

442,6

1541,0

5 V2I2

351,2

452,5

396,9

298,4

1499,0

6 V2I3

372,3

406,5

374,5

363,8

1517,1

vii) tt(1,2) para =0,05 e GL = 5 + 3 2 = 6 tt(1,2) = 2,447;

Totais

1819,5

1941,7

1802,4

1731,8

7295,4

viii) Comparando a mdia da espcie 1 com a mdia da espcie 2

de eucalipto:

vi) t (1, 2 ) =

29,80 64,67
1 1
+ 30,91
5 3

= -8,588;

t(1,2)> tt(1,2)

5.5.6) Croqui de campo

BL I

BL II

-8,588= 8,588 > 2,447 Rejeita-se Ho Portanto y1 y 2 (a

mdia da espcie 1 de eucalipto difere da mdia da espcie 2 de
eucalipto ao nvel de 5% de probabilidade).

4.2.3) Teste t para comparao de duas mdias em uma anlise

de varincia

A diferena mnima significante (DMS ou LSD-Least Significant

Difference) entre duas mdias pelo teste t de dada por:

BL III

BL IV

4
1

1
5

Assim, os valores das somas de quadrados para o exemplo 5.5.5)

so:
2

C=

v) s 2p (1, 2 ) =

(7295,4)
= 2217619,2150.
24

68

DMS = t t

2.QME
r

em que tt o valor de t tabelado, o qual corresponde o valor obtido

da combinao entre o nvel de significncia estabelecido () e o
grau de liberdade do erro (GLE) da anlise de varincia, na Tabela
unilateral de t. O QME o quadrado mdio do erro da anlise de
varincia e r o nmero de repeties de cada tratamento.

37

Quando o valor absoluto da diferena entre duas mdias for igual ou

maior que a DMS, as mdias podem ser consideradas
estatisticamente diferentes.
Exemplo 14. Foi realizada a anlise de varincia para os dados de
porcentagem de absoro de gua de 5 linhagens de feijo, com 3
repeties por linhagem. O valor do grau de liberdade do erro (GLE)
foi 10 e o quadrado mdio do erro (QME) foi 4,08. Compare as
mdias dos tratamentos a seguir pelo teste t:

y1 = 95,5
y 2 = 87,8
y 3 = 86,9
y 4 = 26,3
y 5 = 108,2
i) tt para =0,05 e GLE = 10 tt = 2,228;
ii) DMS = 2,228

5.5.3) Desvantagens
como os tratamentos correspondem a todas as combinaes
possveis entre os nveis dos fatores, o nmero de tratamentos a ser
avaliado pode aumentar muito, no podendo ser distribudos em
blocos completos casualizados devido exigncia de
homogeneidade das parcelas dentro de cada bloco. Isto pode levar
a complicaes na anlise, sendo preciso lanar mo de algumas
tcnicas alternativas (como por exemplo, o uso de blocos
incompletos).
A anlise estatstica e a interpretao dos resultados pode tornar-se
um pouco mais complicada que nos experimentos simples.
5.5.4) Modelo estatstico do fatorial
O modelo a seguir corresponde a um modelo de um delineamento
em blocos casualizados (DBC) em esquema fatorial com 2 fatores
( e ), mas pode ser estendido para os casos em que h mais
fatores, incluindo os fatores isolados e as interaes duplas, triplas e
outras entre os fatores.

y ijk = + j + i + k + ( ) ik + e ijk

2.(4,08)
= 3,67;
3

em que, y ijk o valor observado referente a parcela que recebeu o

iii) Coloque as mdias em ordem decrescente e faa a diferena

entre elas duas a duas, comeando da diferena entre a maior e a
menor mdia e assim por diante:

y 5 =108,2
y1 = 95,5
y 2 = 87,8
y 3 = 86,9
y 4 = 26,3

38

i-simo nvel do fator e o k-simo nvel do fator no j-simo bloco;

representa uma constante geral; j representa o efeito do j-simo
bloco; i representa o efeito do i-simo nvel do fator ; representa
o efeito do k-simo nvel do fator ; ()ik representa a interao
entre o efeito do i-simo nvel do fator e o efeito do do k-simo
nvel do fator e eijk representa o erro experimental associado
observao yijk, suposto ter distribuio normal com mdia zero e
varincia comum.
5.5.5) Exemplo de fatorial
Em um experimento em blocos casualizados com 4 repeties, no
esquema fatorial 2x3 foi avaliado o efeito de 2 variedades de canade-acar (V1 e V2) e 3 tipos de inoculantes (I1, I2 e I3) quanto ao

67

5.5) Experimentos fatoriais

y 5 - y 4 = 108,2-26,3 = 81,9

81,9 > 3,67

y5 y 4 ;

5.5.1) Caractersticas

y 5 - y 3 = 108,2-86,9 = 21,3

21,3 > 3,67

y5 y3 ;

Em alguns experimentos, o pesquisador avalia dois ou mais tipos de

tratamentos e deseja verificar se h interao entre estes tipos. Tais
experimentos so denominados experimentos fatoriais e os tipos de
tratamentos so denominados fatores. As categorias (subdivises)
de cada fator so ditas nveis do fator. Como exemplo, considere um
experimento em que se comparou o efeito de 3 estirpes de rizbio
(BR 9001, BR 9004 e BR 4812) e o efeito de um determinado fungo
(presena e ausncia do fungo) na varivel nmero de ndulos
produzido pelo feijo. Neste caso, existem dois fatores: estirpe de
rizbio e a ocorrncia do fungo. Os nveis do fator estirpe so 3 (BR
9001, BR 9004 e BR 48122) e do fungo so 2 (presena e
ausncia).

y 5 - y 2 = 108,2-87,8 = 20,4

20,4 > 3,67

y5 y 2 ;

y 5 - y1 = 108,2-95,5 =12,7

12,7 > 3,67

y 5 y1 ;

y1 - y 4 = 95,5-26,3 = 69,2

69,2 > 3,67

y1 y 4 ;

y1 - y 3 = 95,5-86,9 = 8,6

8,6 > 3,67

y1 y 3 ;

y1 - y 2 = 95,5-87,8 = 7,7

7,7 > 3,67

y1 y 2 ;

y 2 - y 4 = 87,8-26,3 = 61,5

61,5 > 3,67

y2 y4 ;

y 2 - y 3 = 87,8-86,9 = 0,9

0,9 < 3,67

y 2 = y3 ;

Costuma-se representar o fatorial pela multiplicao dos nveis. No

exemplo anterior o fatorial 3x2 (fatorial 3 por 2), assim fica claro
que existem dois fatores, o primeiro fator com 3 nveis de estirpe e o
segundo com 2 nveis de fungo. O nmero total de tratamentos
avaliados tambm dado pela multiplicao dos nveis, ou seja, no
exemplo so avaliados 3x2 = 6 tratamentos avaliados (1: BR 9001
na presena do fungo; 2: BR 9004 na presena do fungo; 3: BR
4812 na presena do fungo; 4: BR 9001 na ausncia do fungo; 5:
BR 9004 na ausncia do fungo; 6: BR 4812 na ausncia do fungo.
Se fossem, por exemplo, 3 fatores com 5, 2 e 3 nveis para cada
fator respectivamente, a representao seria: fatorial 5x2x3, sendo
avaliado um total de 30 tratamentos e assim por diante.

y 3 - y 4 = 86,9-26,3 = 60,6

60,6 > 3,67

y3 y 4 ;

Vale lembrar que os experimentos fatoriais no so delineamentos e

sim um esquema de desdobramento de graus de liberdade de
tratamentos, e podem ser instalado em qualquer dos delineamentos
experimentais, DIC, DBC, etc. (Banzatto & Kronka, 1989).
5.5.2) Vantagens
- Permite estudar os efeitos principais dos fatores e os efeitos das
interaes entre eles.

66

iv) Coloque letras iguais para mdias semelhantes e letras distintas

para mdias que diferem entre si e interprete o teste.

y 5 =108,2 a
y1 = 95,5 b
y 2 = 87,8 c
y 3 = 86,9 c
y 4 = 26,3 d
A linhagem 5 foi a que apresentou maior porcentagem de absoro
de gua diferindo das demais linhagens (Prob < 0,05).

4.3) Teste de Tukey

A diferena mnima significante (D.M.S.) entre duas mdias pelo
teste de Tukey dada por:

39

DMS = q

QME
r

em que q um valor tabelado, o qual corresponde o valor obtido da

combinao entre o nmero de tratamentos (I) e o grau de liberdade
do erro (GLE) da anlise de varincia, para um nvel de significncia
estabelecido (). O QME e r j foram descritos no teste t.
A interpretao a mesma do teste t, ou seja, quando o valor
absoluto da diferena entre duas mdias for igual ou maior que a
DMS, as mdias podem ser consideradas estatisticamente
diferentes.
Exemplo 15: Compare as mdias dos tratamentos do Exemplo14
pelo teste de Tukey.
i) q para =0,05; I = 5 tratamentos e GLE = 10 q = 4,65;

4,08
= 5,42;
ii) DMS = 4,65
3
iii) y 5 - y 4 = 81,9 > 5,42

y5 y 4 ;

y 5 - y 3 = 21,3 > 5,42

y5 y3 ;

1
SQ Bloco = ( 253,6 2 + 250,7 2 + 249,0 2 + 218,8 2 + 215,0 2 ) 70460,3205
4
SQ Bloco = 70815,7225 70460,3205 = 355,4020.

1
SQ Tratamento = (291,12 + 343,8 2 + 291,6 2 + 259,6 2 ) 70460,3205
5
SQ Tratamento = 71188,7140 70460,3205 = 728,3935.
SQ Total = 72,82 + 58,32 + . . . + 27,42 + 39,02 70460,3205
SQ Total = 73209,0700 70460,3205 = 2748,7495.
SQ Erro = 2748,7495 355,4020 - 728,3935 = 1664,9540.
E o quadro de anlise de varincia para os dados do Exemplo 5.4.5)
:
FV

GL

SQ

QM

Prob>F

Bloco

355,4020

88,8505

0,640

0,6441

Cobertura morta

728,3935

242,7978

1,750

0,2100

Erro

12

1664,9540

138,7462

Total

19

2748,7495

CV (%) =

19,83

y 5 - y 2 = 20,4 > 5,42 y 5 y 2 ;

Mdia geral:

59,4

y 5 - y1 = 12,7 > 5,42 y 5 y1 ;

Como Prob > 0,05 para cobertura morta, conclui-se que as quatro
coberturas mortas tiveram influncia semelhante no peso seco do
brcolis. Neste caso, no h necessidade de aplicao de um teste
de comparao mltipla.

y1 - y 4 = 69,2 > 5,42 y1 y 4 ;

y1 - y 3 = 8,6 > 5,42

y1 y 3 ;

y1 - y 2 = 7,7 > 5,42

y1 y 2 ;

y 2 - y 4 = 61,5 > 5,42

y2 y4 ;

y 2 - y 3 = 0,9 < 5,42

y 3 - y 4 = 60,6 > 5,42

y 2 = y3 ;
y3 y 4 ;
40

Nmero de observaes:

20

Observao: Se o valor de F para tratamento for significativo a

determinado nvel de significncia, o pesquisador pode usar um
teste de comparao mltipla para comparar as mdias dos
tratamentos (caso este seja qualitativo), diz-se ento que o teste
usado protegido; caso contrrio, se F for no significativo, o
pesquisador poder optar ou no pelo uso do teste e, ento, diz-se
que o teste no protegido.

65

5.4.7) Esquema de anlise de varincia do DBC com fontes de

variao e graus de liberdade

iv)

y 5 =108,2 a

Considerando a mesma representao da Tabela 5, porm aqui, as

repeties representam os blocos, o quadro de anlise de varincia
para os dados de um delineamento em blocos casualizados (DBC)
expresso de uma maneira geral por:
FV

GL

SQ

J-1

1 J 2
Bj C
I j=1

Tratamento

I-1

1
2
Ti C
J i =1

SQTrat./GLTrat

Erro

(I-1)(J-1)

SQTotal -SQBlocoSQTrat.

SQErro/GLErro

Total

IJ-1

2
y ij C

Bloco

CV(%)=

QM

y 2 = 87,8 c
y 3 = 86,9 c

y 4 = 26,3 d
SQBloco/GLBloco QMBloco/QMErro

4.4) Teste de Duncan

QMTrat./QMErro

I ,J

i , j=1

QMErro
.100
y
I ,J

y = y ij / I.J
i , j=1

No exemplo 5.4.5) tem-se:

- Delineamento: DBC;
- Tratamentos: I = 4 tipos de cobertura morta (sorgo, crotalria,
milheto e vegetao espontnea);
- Repeties: J = 5;
- Varivel a analisar: peso seco (g/parcela).
Assim, os valores das somas de quadrados para o exemplo 5.3.5)
so:

64

y1 = 95,5 b

A diferena mnima significante (DMS) entre duas mdias pelo teste

de Duncan dada por:

DMS = z n

QME
.
r

No teste de Duncan, se esto envolvidos I tratamentos no estudo,

necessrio calcular I-1 DMSs. O que diferencia uma DMS da outra
o valor de zn que um valor tabelado, o qual corresponde ao valor
obtido da combinao entre o nmero de mdias ordenadas
abrangidas na comparao (n), e o grau de liberdade do erro (GLE)
da anlise de varincia, ao nvel de significncia estabelecido (). O
QME e r j foram descritos nos testes anteriores.
Para realizao deste teste deve-se tambm ordenar as mdias em
ordem decrescente e ir fazendo a diferena sempre entre a maior e
menor mdia, observando assim, o nmero (n ) de mdias
ordenadas abrangidas na comparao.
A interpretao a mesma dos testes anteriores, ou seja, quando o
valor absoluto da diferena entre duas mdias for igual ou maior que
a D.M.S, as mdias podem ser consideradas estatisticamente
diferentes. A nica diferena que na comparao entre duas
mdias deve-se considerar o valor de DMS correspondente ao n em
questo. Com o exemplo seguinte ficar mais fcil o entendimento.

41

Exemplo 16: Compare as mdias dos tratamentos do Exemplo 14

pelo teste de Duncan.
i) Como no exemplo tem-se I=5 mdias de tratamentos necessrio
calcular z5, z4, z3, e z2 , ou seja, necessrio o clculo de zI = z5 at
z2:

Tabela 6. Peso seco (kg/parcela) de brcolis em um experimento

em blocos casualizados (DBC) com 5 repeties em que foi avaliada
a influncia de 4 tipos de cobertura morta (1: sorgo, 2: crotalria; 3:
milheto e 4: vegetao espontnea)
Rep. \ Trat.

Total

z5 para =0,05; n = 5 e GLE = 10 z5 = 3,430;

72,8

69,0

45,3

66,5

253,6

z4 para =0,05; n = 4 e GLE = 10 z4 = 3,376;

58,3

64,1

60,9

67,4

250,7

50,4

72,1

67,2

59,3

249,0

51,6

73,6

66,2

27,4

218,8

59,0

65,0

52,0

39,0

215,0

Total

292,1

343,8

291,6

259,6

1187,1

Mdia

58,4

68,8

58,3

51,9

z3 para =0,05; n = 3 e GLE = 10 z3 = 3,293;

z2 para =0,05; n = 2 e GLE = 10 z2 = 3,151;
ii) Calcula-se ento as I-1= 4 DMSs:

4,08
DMS5 = 3,430
= 4,00 ;
3
DMS 4 = 3,376

4,08
= 3,94 ;
3

DMS3 = 3, 293

4,08
= 3,84 ;
3

4,08
DMS 2 = 3,151
= 3,67.
3
iii) Lembrando que as mdias colocadas em ordem decrescente
so:

y 5 =108,2
y1 = 95,5
y 2 = 87,8

Correo (C)

C=

= 70460,3205

n = 4.5 = 20

5.4.6) Croqui de campo

BL I

BL II

BL III

BL IV

BL V

A disposio dos tratamentos realizada de forma aleatria dentro

dos blocos.

y 3 = 86,9
y 4 = 26,3
42

59,4
(1187,1)2/20

63

5.4.2) Vantagens

E as diferenas entre elas duas a duas:

- Controla diferenas nas condies ambientais de um bloco para

outro.

y 5 - y 4 = 81,9

2 ), uma
- Leva a uma estimativa mais exata da varincia residual (
vez que a variao ambiental entre blocos isolada.

y 5 - y 3 = 21,3

y 5 - y 2 = 20,4 n = 3 compara-se 20,4 com a DMS3

20,4 > 3,84

y5 y 2 ;

5.4.3) Desvantagens

y 5 - y1 = 12,7 n = 2 compara-se 12,7 com a DMS2

12,7 > 3,67

y 5 y1 ;

y1 - y 4 = 69,2 n = 4 compara-se 69,2 com a DMS4

69,2 > 3,94

y1 y 4 ;

- H uma reduo no nmero de graus de liberdade do erro pois o

DBC utiliza o princpio do controle local.

n = 5 compara-se 81,9 com a DMS5

n = 4 compara-se 21,3 com a DMS4 21,3 > 3,94

- O nmero de tratamentos a ser utilizado limitado pela exigncia

de homogeneidade dentro dos blocos, no podendo ser muito
elevado.

y1 - y 3 = 8,6

5.4.4)Modelo estatstico do DBC

y 2 - y 4 = 61,5 n = 3 compara-se 61,5 com a DMS3

y ij = + b j + t i + e ij
y

em que, ij representa a observao do i-simo tratamento no jsimo bloco; representa uma constante geral associada a esta
varivel aleatria; bj representa o efeito do j-simo bloco; ti
representa o efeito do i-simo tratamento; e eij representa o erro
experimental associado a observao yij, suposto ter distribuio
normal com mdia zero e varincia comum.

81,9 > 4,00 y 5 y 4 ;

n = 3 compara-se 8,6 com a DMS3 8,6 > 3,84

y1 - y 2 = 7,7

y5 y3 ;

y1 y 3 ;

n = 2 compara-se 7,7 com a DMS2 7,7 > 3,67 y1 y 2 ;

61,5 > 3,84

y 2 - y 3 = 0,9

n = 2 compara-se 0,9 com a DMS2 0,9 < 3,67

y 3 - y 4 = 60,6

n = 2 compara-se 60,6 com a DMS2 60,6 > 3,67

y2 y4 ;

y 2 = y3 ;
y3 y 4 .

iv) Coloque letras iguais para mdias semelhantes e letras distintas

para mdias que diferem entre si e interprete o teste.

y 5 =108,2 a

5.4.5) Exemplo de DBC

y1 = 95,5 b

Estudou-se a influncia de 4 tipos de cobertura morta (sorgo,

crotalria, milheto e vegetao espontnea) no peso seco de
brcolis. O experimento foi instalado em DBC com 5 repeties. Os
dados de peso seco esto dispostos na Tabela 6 a seguir.

y 2 = 87,8 c
y 3 = 86,9 c
y 4 = 26,3 d
4.5) Teste de SNK (Student Newman Keuls)
A diferena mnima significante (DMS) entre duas mdias pelo teste
de SNK dada por:

62

43

QME
.
r

DMS n = q n

O procedimento para a realizao deste teste bastante

semelhante ao do teste de Duncan. A diferena que nas DMSs do
SNK so usados os valores tabelados de qn ao invs de zn, ou seja,
deve-se procurar o valor tabelado na Tabela de q ao nvel de
significncia estebelecido (), correspondente a combinao entre o
nmero de mdias abrangidas na comparao (n) e o grau de
liberdade do erro (GLE) da anlise de varincia.
Exemplo 17. Compare as mdias dos tratamentos do Exemplo 14
pelo teste de SNK.

E o quadro de anlise de varincia para os dados do Exemplo 5.3.5)

:
FV

GL

SQ

QM

Prob>F

Variedades

13019,0330

4339,6776

5,668

0,0056

Erro

20

15314,0178

765,7009

Total

23

28333,0508

CV (%):

18,41

Mdia: y :

150,31

Nmero de observaes:

24

q5 para =0,05; n = 5 e GLE = 10 q5 = 4,65;

Como Prob < 0,05 (valor fornecido por alguns programas

computacionais de anlise de varincia), conclui-se que h
diferena estatstica significativa entre as mdias de peso seco da
parte area das quatro variedades de cana-de acar. Deve-se
ento aplicar algum dos testes de comparao mltipla nestas
mdias.

q4 para =0,05; n = 4 e GLE = 10 q4 = 4,33;

5.4) Delineamento em Blocos Casualizados (DBC)

q3 para =0,05; n = 3 e GLE = 10 q3 = 3,88;

5.4.1) Caractersticas

i) Como no exemplo tem-se I=5 mdias de tratamentos,

necessrio calcular q5, q4, q3, e q2 , ou seja, necessrio o clculo
de qI = q5 at q2:

q2 para =0,05; n = 2 e GLE = 10 q2 = 3,15;

ii) Calcula-se ento as I-1= 4 DMSs:

Os tratamentos so distribudos aleatoriamente em blocos (princpio

do controle local) de modo que haja maior uniformidade possvel
dentro de cada bloco.

DMS5 = 4,65

4,08
= 5,42 ;
3

DMS 4 = 4,33

4,08
= 5,05 ;
3

O DBC possui os trs princpios bsicos da experimentao:

casualizao, repetio e controle local e, portanto, as repeties
so organizadas em blocos.

DMS 3 = 3,88

4,08
= 4,52 ;
3

DMS2 = 3,15

4,08
= 3,67.
3

Normalmente, o delineamento mais utilizado em condies de

campo. A eficincia do DBC depende da uniformidade dentro de
cada bloco, podendo haver heterogeneidade entre blocos. Os
blocos podem ser instalados na forma quadrada, retangular ou
irregular, desde que seja respeitada a uniformidade dentro do bloco.

44

O nmero de parcelas por bloco igual ao nmero de tratamentos,

ou seja, cada bloco dever conter todos os tratamentos.

61

O quadro de anlise de varincia para os dados da Tabela 5 :

FV
Tratamento
Erro

GL

SQ

QM

I-1

1 I 2
Ti C
J i =1

SQTrat./GLTrat.

QMTrat./QMErro

I(J-1)

Total

IJ-1

iii) Lembrando que as mdias colocadas em ordem decrescente

so:

y 5 =108,2
y1 = 95,5

SQTotal SQTrat. SQErro/GLErro

I ,J

y 2 = 87,8

i , j=1

y 3 = 86,9

2
y ij C

CV(%)= QMErro .100

y 4 = 26,3

E as diferenas entre elas duas a duas:

I ,J

y = y ij / I.J
i , j=1

No exemplo 5.3.5) tem-se:

y 5 - y 4 = 81,9

n = 5 compara-se 81,9 com a DMS5 81,9 > 4,65

y5 y 4 ;

y 5 - y 3 = 21,3

n = 4 compara-se 21,3 com a DMS4 21,3 > 4,33

y5 y3 ;

- Delineamento: DIC;

y 5 - y 2 = 20,4 n = 3 compara-se 20,4 com a DMS3

- Tratamentos: I = 4 variedades de cana-de-acar (A, B, C, D);

- Repeties: J = 6;
- Varivel a analisar: peso seco da parte area (g/parcela).
Assim, os valores das somas de quadrados para o exemplo 5.3.5)
so:

20,4 > 3,88

y5 y 2 ;

y 5 - y1 = 12,7

n = 2 compara-se 12,7 com a DMS2 12,7> 3,15

y 5 y1 ;

y1 - y 4 = 69,2

n = 4 compara-se 69,2 com a DMS4 69,2 > 4,33

y1 y 4 ;

y1 - y 3 = 8,6

n = 3 compara-se 8,6 com a DMS3 8,6 > 3,88

y1 - y 2 = 7,7

n = 2 compara-se 7,7 com a DMS2 7,7 > 3,15 y1 y 2 ;

SQ Tratamento = 1 (667,59 2 + 1005,30 2 + 1011,87 2 + 922,59 2 ) 542207,25 09

6

y 2 - y 4 = 61,5 n = 3 compara-se 61,5 com a DMS3

SQ Tratamento = 555226,28389 542207,2509 = 13019,0330.

y 2 - y 3 = 0,9

SQ Total = 113,832 + 133,892 + . . . + 922,592 + 153,772 542207,25

y 3 - y 4 = 60,6 n = 2 compara-se 60,6 com a DMS2

SQ Erro = 28333,0508 13019,0330 = 15314,0178.

60

61,5 > 3,88

n = 2 compara-se 0,9 com a DMS2 0,9 < 3,15

SQ Total = 570540,3017 - 542207,2509 = 28333,0508.

45

y1 y 3 ;

y2 y4 ;

y 2 = y3 ;

60,6 > 3,15

y3 y 4 .

v) Coloque letras iguais para mdias semelhantes e letras distintas

para mdias que diferem entre si e interprete o teste.

y 5 =108,2 a
y1 = 95,5 b
y 2 = 87,8 c
y 3 = 86,9 c
y 4 = 26,3 d
4.6) Teste de Scott-Knott

A disposio das repeties de cada tratamento realizada de

forma totalmente aleatria s parcelas.
5.3.7) Esquema de anlise de varincia do DIC com fontes de
variao e graus de liberdade
Imagine um experimento com I tratamentos e cada tratamento com
J repeties representado na Tabela a seguir.
Tabela 5. Representao esquemtica
delineamento inteiramente casualizado

dos

Rep. \ Trat.

y11

y21

y31

yi1

y12

y22

y32

yi2

O procedimento de Scott e Knott (1974) utiliza a razo de

verossimilhana para atestar a significncia de que os n tratamentos
podem ser divididos em dois grupos que maximizem a soma de
quadrados entre grupos (Ramalho et al., 2000).

y13

y23

y33

yi3

y1J

y2j

y3j

yij

Seja por exemplo 3 tratamentos, A, B e C. O processo consiste em

determinar uma partio, em dois grupos, que maximize a soma de
quadrados. Veja que nesse caso so possveis 2n-1 grupos, isto , A
vs B e C, B vs A e C e C vs A e B. Com um nmero pequeno de
tratamentos como o do exemplo, fcil obter todos os grupos.
Contudo, quando o nmero (n) de tratamentos grande, o nmero
de grupos cresce exponencialmente, dificultando a aplicao do
teste. Para atenuar esse problema, basta ordenar as mdias dos
tratamentos. Nessa situao, o nmero de parties possveis
passa a ser obtido por n-1. Uma vez ordenada as mdias, procedese do seguinte modo, fazendo inicialmente o nmero de tratamentos
envolvidos no grupo de mdias considerado(g) igual ao o nmero
total de tratamentos (n).

Total

T1

T2

T3

TI

Mdia

y1

y2

y3

de

um

Ti = y ij

i =1

i =1

I ,J

y = y ij / I.J
i , j=1

Correo (C)

I, J
c = y ij / I.J
i , j=1

n=IJ

i) Determinar a partio entre dois grupos que maximiza a soma de

quadrados (SQ) entre grupos. Seja T1 e T2 os totais

46

yI

dados

59

5.3.5) Exemplo de DIC

Suponha que foi avaliado o peso seco da parte area (g/parcela) de
4 variedades de cana-de-acar. O experimento foi instalado em
casa de vegetao. O delineamento foi o inteiramente casualizado
com 6 repeties. Cada parcela era constituda de 1 vaso com 3
plantas. Os dados de peso esto dispostos na Tabela a seguir:
Tabela 4. Peso seco da parte area (g/parcela) de 4 variedades de
cana-de-acar (A, B, C e D) em um delineamento inteiramente
casualizado com 6 repeties
Rep. \ Trat.

113,83

174,94

213,39 166,76

133,89

168,76

86,69

96,15

156,35

157,65 177,88

101,22

144,89

174,44 121,23

95,16

181,57

187,00 180,94

127,34

178,79

192,70 144,61

dos dois grupos com k1 e k2 tratamentos em cada um, a soma de

quadrados Bo estimada por:

T12 T22 (T1 + T2 ) 2

Bo =
+

k1 k 2
k1 + k 2
k1

i =1

i = k1 +1

T1 = y (i ) e T2 = y ( i )
em que y (i ) a mdia do tratamento da posio ordenada i.
Os dois grupos devero ser identificados por meio da inspeo das
somas de quadrados das g-1 parties possveis, sendo g o nmero
de tratamentos envolvidos no grupo de mdias considerado.

131,17

ii) Determinar o valor da estatstica :

. ) 2o
2( 2) o

Total

667,59 1005,30 1011,87 922,59 3607,35 (total geral)

em que o2 o estimador de mxima verossimilhana de 2y dado

Mdia

111,27

por:

167,55

168,65 153,77 150,31 (mdia geral)

Correo (C)

C=

(3607,35)2/24

n = 4.6 = 24

5.3.6) Croqui de campo

= 542207,2509

)
o2 =

1 g
2
2
( y (i ) y) + v.s y

g + v i =1

em que v o grau de liberdade do erro associado a este estimador,

y a mdia das mdias dos g tratamentos e s 2y = QME o

estimador no viesado de 2y , sendo QME o quadrado mdio do

erro e r o nmero de repeties.

iii) Se (2 ;g /( 2 )) rejeita-se a hiptese de que os dois grupos so

58

idnticos em favor da hiptese alternativa de que os dois grupos

diferem. (2 ;g /( 2 )) um valor tabelado obtido na Tabela de

47

Qui-quadrado (encontrada em alguns livros de estatstica),

correspondente a combinao entre o nvel de significncia
estebelecido () e o valor dado por g/(-2) .
iv) No caso de rejeitar esta hiptese, os dois subgrupos formados
sero independentemente submetidos aos passos i) a iii), fazendo
respectivamente g=k1 e g=k2. O processo em cada subgrupo se
encerra ao se aceitar Ho no passo iii) ou se cada subgrupo contiver
apenas uma mdia.
Exemplo 18. Agora vamos aplicar o algoritmo do teste de Scott e
Knott nas mdias do Exemplo 14 em que o quadrado mdio do erro
foi de 4,08 com 10 graus de liberdade, e as mdias das 5 linhagens
de feijo estimadas a partir de 3 repeties foram:

y 4 = y (1) = 26,3
y 3 = y ( 2) = 86,9

alternncia das parcelas evita-se uma possvel vantagem de algum

tratamento. A instalao do DIC no campo experimental exige uma
certa homogeneidade das condies ambientais (como por exemplo
quanto a fertilidade do solo, distribuio uniforme de gua, etc.).
5.3.2) Vantagens
- Possui grande flexibilidade quanto ao nmero de tratamentos e
repeties, sendo dependente, entretanto, da quantidade de
material e rea experimental disponveis.
-

Pode-se ter DIC no balanceado, ou seja, com nmeros de

repeties diferentes entre tratamentos, o que no leva a
grandes alteraes n

a anlise de varincia; mas os testes de comparaes mltiplas

passam a ser aproximados e no mais exatos. O ideal que os
tratamentos sejam igualmente repetidos.

y 2 = y (3) = 87,8

- Considerando o mesmo nmero de parcelas e tratamentos

avaliados, o delineamento que possibilita o maior grau de
liberdade do erro.

y1 = y ( 4) = 95,5

5.3.3) Desvantagens

y 5 = y (5) = 108,2

- Exige homogeneidade das condies experimentais. Se as

condies no forem uniformes, como se esperava antes da
instalao do experimento, toda variao (exceto devida a
tratamentos) ir para o erro, aumentando sua estimativa e
reduzindo, portanto, a preciso do experimento.

lembrando que y (i ) a mdia do tratamento da posio ordenada i,

com i = 1,..., 5.
i) SQ da partio (1) vs (2), (3), (4) e (5)
Bo =

26,3 2
1

(86,9 + 87,8 + 95,5 + 108,2) 2

4

( 26,3 + 86,9 + 87,8 + 95,5 + 108,2)

5

Bo = 691,6900 + 35796,6400 - 32756,4180 = 3731,9120;

5.3.4) Modelo estatstico do DIC

2

y ij = + t i + e ij
em que, y ij representa a observao do i-simo tratamento na jsima repetio; representa uma constante geral associada a esta
varivel aleatria; ti representa o efeito do i-simo tratamento; e eij
representa o erro experimental associado a observao yij, suposto
ter distribuio normal com mdia zero e varincia comum.

48

57

5.2.4) Homogeneidade: os erros devem apresentar varincias

comuns (homogeneidade = homocedasticidade de varincias).

SQ da partio (1) e (2) vs (3), (4) e (5)

Estas pressuposies visam facilitar a interpretao dos resultados

e testar a significncia nos testes de hipteses. Na prtica, o que
pode ocorrer a validade aproximada e no exata de alguma (s)
destas pressuposies; neste caso, o pesquisador no perderia
tanto com a aproximao visto que os testes aplicados na anlise de
varincia so robustos quanto a isto. A homogeneidade de
varincia que, na maioria das vezes, necessria pois, caso no
seja verificada, o teste F e de comparaes mltiplas podero ser
alterados.

Bo =

Quando alguma (s) das pressuposies da anlise no se

verifica(m), existem alternativas que podem ser usadas, entre elas a
transformao de dados com a posterior anlise de varincia
destes dados transformados; ou a utilizao dos recursos da
estatstica no paramtrica.
Feitas as consideraes iniciais necessrias para o entendimento
dos prximos assuntos, iniciaremos agora os conceitos e exemplos
dos delineamentos mais usuais.

(26,3 + 86,9) 2
2

(87,8 + 95,5 + 108,2) 2

( 26,3 + 86,9 + 87,8 + 95,5 + 108,2) 2

5

Bo = 6407,1200 + 28324,0833 - 32756,4180 = 1974,7853;

SQ da partio (1), (2) e (3) vs (4) e (5)
Bo =

(26,3 + 86,9 + 87,8) 2

3

(95,5 + 108,2) 2

(26,3 + 86,9 + 87,8 + 95,5 + 108,2) 2

5

Bo = 13467,0000 + 20746,8450 - 32756,4180 = 1457,4270;

SQ da partio (1), (2), (3) e (4) vs (5)
( 26,3 + 86,9 + 87,8 + 95,5) 2

( 26,3 + 86,9 + 87,8 + 95,5 + 108,2) 2

4
1
5
Bo = 21978,0625 + 11707,2400 - 32756,4180 = 928,8845.
Bo =

108,2 2

A partio (1) vs (2), (3), (4) e (5) foi a que maximizou a soma de
quadrados entre grupos (Bo = 3731,9120).

5.3) Delineamento Inteiramente Casualizado (DIC)

5.3.1) Caractersticas

ii) Considerando g=5, v=10 e y = 26,3 + 86,9 + 87,8 + 95,5 + 108,2 = 80,94

- Os tratamentos so distribudos nas parcelas de forma

inteiramente casual (aleatria).

tem-se:

- O DIC possui apenas os princpios da casualizao e da repetio,

no possuindo controle local e, portanto, as repeties no so
organizadas em blocos.
- Normalmente mais utilizado em experimentos de laboratrio;
experimentos em vasos ou bandejas em casa de vegetao, onde
h possibilidade de controle das condies ambientais. Nos
experimentos em casa de vegetao recomenda-se constantemente
mudar as parcelas de posio para evitar diferenas ambientais
devido a posio da parcela na casa de vegetao. Com esta

56

)
o2 =

4,08
1
(26,3 80,94) 2 + ... + (108,2 80,94) 2 + 10.

5 + 10
3
1
)
2o = [4023,2120 + 13,6000] = 269,1208
15
=

3731,9120
.
=19,0806.
2( 2) 269,1208

49

O valor de 2( 0, 05 ; 5 /( 2 )) = (20, 05 ; 4 , 380 ) 10,089. Como > 10,089

rejeita-se Ho, ou seja dois grupos so formados ao nvel de 5%, o
grupo 1 com apenas o tratamento (linhagem) 4=(1) e o grupo 2 com
os tratamentos 3=(2), 2=(3), 1=(4) e 5=(5).
Deve-se ento repetir o algoritmo apenas para os subgrupos que
contm mais de um tratamento, no caso apenas para o grupo 2.
i) SQ da partio (2) vs (3), (4) e (5)

86,9 2 (87,8 + 95,5 + 108,2)

(86,9 + 87,8 + 95,5 + 108, 2) 2
Bo =
+

1
3
4
2

Bo = 7551,6100 + 28324,0833 - 35796,6400 = 79,0533;

SQ da partio (2) e (3) vs (4) e (5)

(86,9 + 87,8) 2 (95,5 + 108, 2)

(86,9 + 87,8 + 95,5 + 108,2) 2
Bo =
+

2
2
4
2

Bo = 15260,0450 + 20746,8450 - 35796,6400 = 210,2500;

seria possvel realizar testes de hipteses. O uso de um nmero

adequado de repeties, possibilita uma boa estimativa do erro
experimental, melhorando as estimativas de interesse. No entanto, o
nmero de repeties pode ser limitado, por exemplo, pelo nmero
de tratamentos que sero comparados, pela disponibilidade de
material e de rea experimental, entre outros fatores.
5.1.2) Casualizao: refere-se distribuio aleatria dos
tratamentos s parcelas de modo que todas as parcelas tenham a
mesma chance de receber qualquer um dos tratamentos. Com isso,
a casualizao evita que determinado tratamento seja favorecido e
garante que os erros sejam independentes (Mead & Curnow, 1983).
Alguns programas computacionais elaboram planilhas de campo j
com os tratamentos aleatorizados, como por exemplo o MSTAT,
SISVAR e outros.
5.1.3) Controle local: a idia bsica do controle local a partio
do conjunto total de parcelas em subconjuntos (blocos) que sejam
os mais homogneos possveis. Para Hinkelmann & Kempthorne
(1994), o princpio do controle local o reconhecimento de padres
supostamente associados s parcelas. Este princpio utilizado
para atenuar problemas de heterogeneidade ambiental (por exemplo
de solo, de distribuio de gua no caso de experimentos irrigados,
etc).

SQ da partio (2), (3) e (4) vs (5)

(86,9 + 87,8 + 95,5) 2 108,2

(86,9 + 87,8 + 95,5 + 108, 2) 2
+

Bo =
3
1
4
2

5.2) Pressuposies bsicas da anlise de varincia

Para realizao de uma anlise de varincia deve-se aceitar
algumas pressuposies bsicas:

Bo = 24336,0133 + 11707,2400 - 35796,6400 = 246,6133.

5.2.1) Aditividade: os efeitos de tratamentos e erro devem ser

aditivos;

A partio (2), (3) e (4) vs (5) foi a que maximizou a soma de

quadrados entre grupos (Bo = 246,6133).

5.2.2) Independncia: os erros devem ser independentes, ou seja,

a probabilidade de que o erro de uma observao qualquer tenha
um determinado valor no deve depender dos valores dos outros
erros;
5.2.3) Normalidade: os erros devem ser normalmente distribudos;

50

55

ii) Teste de Tukey:

ii) Considerando g=4, v=10 e y =

1 1 QME
DMS = q + .
ri ri' 2

86,9 + 87,8 + 95,5 + 108,2

= 94,60
4

tem-se:

)
o2 =

iii) Teste de Duncan:

1 1 QME
DMS = z n + .
ri ri' 2

1
4,08
(86,9 94,60) 2 + ... + (108,2 94,60) 2 + 10.

4 + 10
3
1
)
o2 = [291,3000 + 13,6000] = 21,7786
14
=

iv) Teste de SNK:

1 1 QME
SNK = q n + .
ri ri' 2

246,6133

.
=15,5810.
2( 2) 21,7786

O valor de (20, 05 ; 4 /( 2 )) = 2(0 , 05; 3,504 ) 10,253. Como > 10,253

'

com ri e ri ' sendo o nmero de repeties do tratamento i e i ,

respectivamente.

rejeita-se Ho, ou seja dois grupos so formados ao nvel de 5%, o

grupo 1 com os tratamentos (linhagens) 3=(2), 2=(3) e 1=(4) e o
grupo 2 com apenas o tratamento 5=(5).
Deve-se ento repetir o algoritmo apenas para o grupo 1.

5) Anlise de varincia

i) SQ da partio (2) vs (3) e (4)

A anlise de varincia (ANAVA) um dos mtodos para anlise dos

dados que visa decompor a variao total entre parcelas em fontes
(causas) de variao devidas a efeitos principais dos fatores, efeitos
de interaes entre fatores, efeitos de aninhamento e resduo (erro).
Para facilitar o entendimento, antes de partirmos para exemplos de
anlises de varincia, necessrio fazer alguns comentrios sobre
os princpios bsicos da experimentao e tambm sobre as
pressuposies da anlise de varincia.

5.1) Princpios bsicos da experimentao

86,9 2 (87,8 + 95,5)

(86,9 + 87,8 + 95,5) 2
Bo =
+

1
2
3
2

Bo = 7551,6100 + 16799,4500 24336,0133 = 15,0417;

SQ da partio (2) e (3) vs (4)

(86,9 + 87,8) 2 95,5

(86,9 + 87,8 + 95,5) 2
+

Bo =
2
1
3
2

Os delineamentos experimentais clssicos so baseados nos trs

conceitos a seguir, estabelecidos por Fisher (1935).

Bo = 15260,0450 + 9120,2500 24336,0133 = 44,2817;

5.1.1) Repetio: refere-se ao nmero de parcelas que recebero

um mesmo tratamento. Os tratamentos devem ser repetidos,
possibilitando, assim, estimar o erro experimental sem o qual no

A partio (2) e (3) vs (4) foi a que maximizou a soma de quadrados

entre grupos (Bo = 44,2817).

54

51

ii) Considerando g=3, v=10 e y =

)
2o =

86,9 + 87,8 + 95,5

= 90,07 tem-se:
3

1
)
o2 = [0,4050 + 13,6000] = 1,1671
12

1
4,08
(86,9 90,07) 2 + (87,8 90,07) 2 + (95,5 90,07) 2 + 10.

3 + 10
3

1
)
o2 = [44,6867 + 13,6000] = 4,4836
13

44,2817
.
= 13,5896.
2( 2) 4,4836

O valor de 2( 0, 05 ; 3 /( 2 )) = (20, 05 ; 2 , 628 ) 7,136. Como > 7,136 rejeita-

O valor de (20, 05 ; 2 /( 2 )) = 2(0 , 05; 1, 752 ) 5,458. Como < 5,458 aceitase Ho, ou seja, os dois grupos so idnticos ao nvel de 5%,
formando um nico grupo com os tratamentos (linhagens) 3=(2) e
2=(3), finalizando assim o algoritmo.
Colocando letras diferentes para mdias distintas e letras iguais
para mdias semelhantes por meio do teste Scott e Knott tem-se
ento:

se Ho, ou seja dois grupos so formados ao nvel de 5%, o grupo 1

com os tratamentos (linhagens) 3=(2), 2=(3) e o grupo 2 com
apenas o tratamento e 1=(4).
Deve-se ento repetir novamente o algoritmo para o grupo 1.
i) SQ da partio (2) vs (3)

86,9 2 87,8
(86,9 + 87,8) 2
Bo =
+

1
1
2
2

Bo = 7551,6100 + 7708,8400 15260,0450 = 0,4050;

Neste caso, a partio (2) vs (3) por ser nica foi a que maximizou a
soma de quadrados entre grupos (Bo = 0,4050).
ii) Considerando g=2, v=10 e y =

)
o2 =

86,9 + 87,8
= 87,35 tem-se:
2

1
4,08
(86,9 87,35) 2 + (87,8 87,35) 2 + 10.

3
2 + 10

52

0, 4050
= 0,4775.
.
2( 2) 1,1671

y 4 = y (1) = 26,3

y 3 = y ( 2 ) = 86,9

y 2 = y (3) = 87,8

y1 = y ( 4 ) = 95,5

y 5 = y (5 ) = 108,2 a
Observaes: Nestes exemplos os resultados de todos os testes
realizados foram iguais mas poderiam ter diferenciado entre um ou
outro teste. Quando o nmero de repeties diferente entre os
tratamentos as DMSs podem ser calculadas por:
i) Teste t:

1 1
DMS = t t + .QME
ri ri'

53