Escolar Documentos
Profissional Documentos
Cultura Documentos
1.1. Introduo
quando os leites deixaram de ter acesso terra. A necessidade de Fe devia ser suprida por aquele
elemento ali existente. Com este raciocnio dedutivo, o pesquisador passou a formular uma
hiptese: os nveis metablicos de Fe foram controlados pelos prprios animais quando estes
tiveram acesso terra.
Os resultados tambm sugeriram outra hiptese: o excesso de ferro circulante, provido pela
dose nica injetvel, aumentou a freqncia e a gravidade de doenas bacterianas.
At aqui, apenas a lgica e o julgamento crtico foram convocados pela metodologia. A
comprovao das hipteses formuladas ir depender de mtodos essencialmente estatsticos:
a) Instalao do experimento e obteno dos resultados sob condies que desejamos testar.
b) Compactao desses dados, para caracterizar como eles se manifestam mais freqentemente.
c) Teste de hiptese, onde a hiptese formulada confrontada com hipteses alternativas que
tambm poderiam explicar o fenmeno, caso a inicial seja rejeitada.
d) Concluso tentativa, em bases probabilsticas, que tambm exige grande parcela de lgica e
conhecimento tcnico envolvido no fenmeno.
O fluxograma a seguir ilustra os passos da metodologia cientfica e as intervenes da
Estatstica (E) e da lgica (L) no decorrer de uma pesquisa.
Observao do fenmeno
L
Raciocnio dedutivo
L
Formulao de hiptese
E
Instalao do experimento
E
Coleta de resultados
E
Compactao dos resultados
E
Teste de hiptese
E+L
Concluso tentativa
categoria normal e anormal (0, 1, 2, ...); (b) variveis quantitativas contnuas, cujos possveis
valores formam um intervalo de nmeros reais resultantes em geral de mensuraes. So exemplos
de variveis contnuas: o peso de animais, o volume de rvores, o dimetro de colmo de plantas de
milho, o peso de matria verde ou de matria seca de uma leguminosa, entre outros.
Populao e amostra
A anlise estatstica est calcada em poder obter concluses sobre um grupo de medidas de
uma varivel que est sendo estudada. O conjunto total de medidas, sobre o qual se deseja
retirar concluses, denominado de populao ou universo. As populaes de interesse so, em
geral, muito grandes ou at mesmo infinitas, embora algumas vezes possam ser bem pequenas.
So exemplos de populaes de interesse: o conjunto de todas as plantas de milho de um
determinado hbrido semeadas em um dado ms e sob os mesmos tipos de tratos culturais; a
produo de leite de uma gerao controlada especfica de animais da raa holandesa em uma
determinada regio sob as mesmas condies de manejo; o nmero de nematides por dm3 de solo
em uma regio.
Se a populao sob estudo for muito pequena pode ser prtico obter todas as suas medidas.
Infelizmente, nas situaes reais de interesse da pesquisa cientfica as populaes de interesse so
muito grandes para permitirem que sejam obtidas todas as medidas. Nessas situaes razovel
obter um subconjunto de todas as medidas dessa populao. Esse subconjunto conhecido
como amostra. Pelas concluses obtidas na amostra, possvel realizar uma extrapolao para as
caractersticas da populao da qual a amostra foi obtida.
Tem-se como objetivo da inferncia estatstica produzir afirmaes vlidas sobre uma dada
caracterstica da populao de interesse para o investigador, com base nas informaes colhidas na
parte dessa populao que foi amostrada. A forma de retirar a amostra da populao de suma
importncia, alm disso, em virtude de existirem vrias maneiras de faz-lo, um ramo da estatstica,
denominado amostragem, surgiu.
Muitas formas de descrever as caractersticas de uma populao so disponibilizadas em
vrias referncias na literatura. Em muitas situaes, uma preponderante quantidade de medidas
ocorre em torno de uma determinada quantidade. Essas quantidades, em que a maioria das medidas
ocorre em suas proximidades, so denominadas de medidas de tendncia central. possvel
encontrar populaes que possuem um valor igual ou muito similar dessas medidas de tendncia
central, embora elas sejam populaes bastante distintas. Essa distino devida, entre outras
razes, disperso das medidas ao longo dessas posies centrais. As quantidades usadas para
avaliar essa caracterstica so denominadas de medidas de disperso ou de variao.
Os valores das medidas de posio ou de disperso so denominados de parmetros se eles
se referirem a quantidades de uma populao. Os cientistas esto sempre discutindo sobre
parmetros e procurando retirar concluses a respeito deles. Por outro lado, se essas quantidades se
referem aos valores de uma amostra, ento, so denominadas estimativas e as expresses
matemticas, que so funes das mensuraes amostrais, estimadores ou estatsticas.
Amostras aleatrias
Para validade das concluses que so feitas a respeito da populao e em razo das inmeras
maneiras existentes de se extrarem as amostras de uma populao, necessrio retir-las de uma
maneira aleatria. Para amostrar a populao aleatoriamente necessrio que cada membro da
populao tenha probabilidade conhecida e que os elementos sejam independentemente
selecionados. Em outras palavras, alm de cada indivduo possuir chance no-nula de pertencer
amostra, a seleo de um deles, de forma alguma, ir influenciar a seleo de outro.
OBS: Ao se mencionar o termo "amostra" significar implicitamente que o investigador tomou
uma "amostra aleatria".
A experimentao agropecuria tem por objetivo o estudo dos experimentos, isto , seu
planejamento, execuo, anlise dos dados obtidos e interpretao dos resultados.
Relacionado a essas etapas da experimentao agropecuria, existem alguns conceitos, que
passaremos a enunciar:
a) experimento ou ensaio
um trabalho previamente planejado, que segue determinados princpios bsicos e no qual
se faz a comparao dos efeitos de tratamentos.
b) Tratamentos
o mtodo, elemento ou material, cujo efeito queremos medir ou comparar em um
experimento (variedade de cana; hbrido de sorgo, cultivar de soja, adubao do milho espaamento
etc.).
d) delineamento experimental
o plano utilizado na experimentao e implica na forma como os tratamentos sero
designados s unidades experimentais e em um amplo entendimento das anlises a serem feitas
quando todos os dados estiverem disponveis. (DIC, DBC, DQL, Delineamento em parcelas
subdivididas).
Em uma pesquisa cientifica, o procedimento geral o de formular hipteses e verific-las,
diretamente ou atravs de suas conseqncias. Para tanto, necessrio um conjunto de
observaes ou dados e o planejamento de experimentos , ento, essencial para indicar o
esquema sob o qual as hipteses possam ser testadas.
As hipteses so testadas por meio de mtodos de anlises estatsticas que dependem do
modo como as observaes ou dados foram obtidos e, desta forma, o planejamento de
experimento e a anlise dos resultados esto intimamente ligados e devem ser utilizados em uma
certa seqncia nas pesquisas cientficas.
O que nos obriga a utilizar a anlise estatstica para testar as hipteses formuladas e a
presena, em todas as observaes, de efeitos de fatores no controlados (que podem ou no ser
controlveis), que causam a variao. Entre os fatores ditos no controlveis, podemos citar em
condies de campo: pequenas diferenas de fertilidade do solo; ligeiras variaes de
espancamentos; profundidade de semeadura pouco maior ou menor que a prevista no trabalho;
variao na constituio gentica das plantas; pequenas variaes nas doses de adubos, inseticidas,
herbicidas. Esses efeitos, que sempre ocorrem, no podem ser conhecidos individualmente e tendem
a mascarar o efeito do tratamento em estudo. Na experimentao com animais: o sexo; a idade e
grau de sangue, o peso, etc
O conjunto dos efeitos de fatores no controlados denominado de variao do acaso ou
variaes aleatrias, ou seja, erro experimental.
Visando tornar mnima a variao do acaso, o experimentador deve fazer o planejamento
do experimento, de tal forma, que consiga isolar os efeitos de todos fatores que podem ser
controlados.
Durante a instalao e execuo do experimento, o experimentador deve procurar diminuir
o efeito dos fatores no controlados.
Portanto, resumindo, variaes do acaso so variaes que ocorrem nos experimentos
atribudas a efeitos de fatores no controlados, que afetam os resultados do experimento.
O tamanho e a forma timos para a parcela sero aqueles que resultem na menor variao
entre parcelas dentro do bloco.
Em alguns experimentos, devemos separar as bordaduras, para evitar a influncia sobre
a parcela dos tratamentos aplicados nas parcelas vizinhas e, neste caso, teremos a rea total e a
rea til da parcela, sendo que os dados a serem utilizados na anlise estatstica sero aqueles
coletados os apenas na rea til da parcela.
Em determinados experimentos, deseja se acompanhar o crescimento das plantas atravs de
uma anlise de crescimento, que feito por meio de dados fisiolgicos obtidos em amostragens
semanais ou quinzenais de plantas. Nesses experimentos, devem ser separadas, nas parcelas,
algumas linhas da cultura onde sero feitas as amostragens, deixando-se outros para a produo
conforme Figura 1:
passam a ser outras, tais como: a uniformidade dos animais, a uniformidade de aplicao dos
tratamentos e uniformidade do meio em que ser realizada a experimentao.
1.1.4.1 Repetio
Repetio o nmero de vezes que um tratamento ocorre no experimento.
Ao se comparar, por exemplo, duas variedades de milho (A e B), plantadas em duas
parcelas e, constituda por trs linhas de 10 cm de comprimento, apenas o fato da variedade A ter
apresentado uma maior produo que a varivel B, no suficiente para concluir que a variedade
A mais produtiva que a B, pois esse melhor desempenho poder ter ocorrido por simples
acaso, ou ter sido influenciado por fatores estranhos. Por outro lado, se as duas variedades tivesse
sido plantadas em vrias parcelas e ainda assim, verificamos que a variedade A apresentou, em
mdia, maior rendimento, ento, j existe um indicativo de que ela seja mais produtiva.
Em condies de campo temos:
- Sem repetio
- Com repetio
No caso de experimentao animal, preciso deixar claro que, geralmente cada indivduo
uma repetio. Avaliaes concomitantes de um mesmo animal, por exemplo, duas ou trs alquotas
de seu soro, no fornecero duas ou trs repeties da resposta estudada, e sim duas ou trs rplicas
(sem valor algum como repeties experimentais) cuja mdia definir a resposta nica daquele
animal. As rplicas so utilizadas quando a mensurao de uma resposta est sujeita a erros de
manipulao (laboratorial ou humana), justificando que o seu valor mdio retrataria melhor aquela
resposta para um animal.
As principais funes da repetio so:
- Permitir uma estimativa do erro experimental ( uma medida da variao que existe entre
observaes de parcelas tratadas semelhantemente):
Atravs da repetio que nos possvel estimar o erro experimental, o qual indispensvel na
construo de testes de hipteses. Em um experimento sem repetio, no sabemos dizer se uma
diferena constatada entre tratamentos pode ser explicada como uma diferena entre tratamentos ou
entre parcelas experimentais.
- Aumentar a preciso do experimento;
- Aumentar a preciso das estimativas obtidas nos experimentos;
- Ampliar o alcance da inferncia pela repetio do experimento no tempo e no espao.
s vezes parece que um tratamento pode ser aplicado sem maiores problemas e que os
animais iro desfrut-lo igualmente. preciso um pouco de experincia para verificar que nem
sempre isto alcanado, face a algum tipo de problema tcnico ou de infra-estrutura. Por exemplo,
em uma baia com 16 leites (onde cada um ser uma repetio) um comedouro mal projetado no
proporcionar a mesma facilidade de alimentao a todos os animais da baia. Ento, a variao
individual ser superestimada por conter o efeito individual que normalmente existiria acrescido da
hierarquia observada entre eles.
Se os tratamentos so impostos por injees, o grupo controle precisa receber uma de igual
volume, de material inerte (soro fisiolgico). Assim, todos os animais sofrero o mesmo estresse,
sem que haja o confundimento deste com o efeito de cada tratamento.
Os diferentes anestsicos testados em um ensaio, precisam guardar a devida proporo
dose/peso do animal para cada indivduo. Obedecer mesma quantidade de anestsico para animais
de pesos distintos dentro do mesmo tratamento superestimar a variao individual onde, por
definio, o tratamento aplicado por unidade de peso vivo.
Este princpio, portanto, visa garantir as mesmas condies do agente causador de resposta
sobre cada animal. Muitas vezes este princpio violado, como em infeces experimentais de
camundongos com 90 cercrias de Schistosoma mansoni. O clculo da dose infestante feito por
estimativa de gotas amostradas de uma soluo com cercrias em suspenso. A variao real da
carga comprometer a variao individual superestimando-a.
Infelizmente o no atendimento deste princpio no pode ser corrigido por estratgia alguma
porque o fator externo atuante confunde-se com cada tratamento.
A1 A2 A3 A4 A5 B1 B2 B3 B4 B5 C1 C2 C3 C4 C5 D1 D2 D3 D4 D5 E1 E2 E3 E4 E5
1 2 3 4 5
C3 C2 D5 A4 E4
6 7 8 9 10
D1 A2 D4 E3 E2
11 12 13 14 15
B4 A5 B3 A3 A1
16 17 18 19 20
D2 E5 E1 C1 B2
21 22 23 24 25
C5 C4 B1 D3 B5
P1 P2 P3 P4 P5
Bloco I B D A C E
Bloco II A C D E B
Bloco III C D A B E
Bloco IV E B A C D
linha 1 C E B A D
linha 2 E A C B D
linha 3 B D A E C
linha 4 E B D C A
linha 5 A C E D B
Alertamos novamente para o fato de que o uso do controle local acarreta sempre uma
reduo no nmero de graus de liberdade do resduo, o que constitui uma desvantagem. Entretanto,
essa desvantagem geralmente compensada, pois ocorrer tambm uma reduo na soma de
quadrados do resduo e obtemos maior preciso, pois h uma reduo na varincia residual, devida
ao fato de isolarmos o efeito de fatores que normalmente seriam includos no resduo.
probabilidade de conseguirmos esse objetivo com o nmero de repeties que podemos utilizar seja
pequena, melhor deixarmos o experimento para uma outra ocasio, em que tenhamos recursos
suficientes para realiz-lo com o nmero de repeties adequado.
experimento. Para evitar essa perda de tempo e de recursos, primordial o planejamento adequado
do experimento.
Ao iniciar o planejamento de um experimento, o pesquisador deve formular uma srie de
quesitos e buscar respond-los. Como exemplo, podemos citar:
e) Objetivos: expor claramente as questes que devem ser respondidas pela pesquisa.
Devemos enumerar os objetivos como: determinar, avaliar, comparar, etc...
h) Material e mtodos
1) Localizao do experimento: indicar o lugar onde se realizar o experimento,
especificando o tipo de solo, acidez, topografia; necessidade ou no de calagem, irrigao e
drenagem. sempre interessante fazermos uma anlise de solo antes da instalao do experimento.
2) Materiais:
Especificar as variedades, hbridos ou cultivares; os adubos; fungicidas; herbicidas;
inseticidas; calcrio, raa e grau sanguneo dos animais e outros produtos e os equipamentos que
sero utilizados.
Os tratamentos devem ser indicados da forma mais completa possvel. Se forem variedades,
citar os nomes (comum e cientfico) e as origens; se adubao, indicar as frmulas, os produtos, as
porcentagens de nutrientes, poca e forma de aplicao; se inseticidas, fungicidas ou herbicidas,
mencionar os produtos e as dosagens. Se vai fornecer raes para animais descrever suas frmulas
percentuais e sua composio. tambm conveniente, mencionarmos o custo de cada tratamento,
visando estudos econmicos posteriores.
A adubao, se for uniforme, citar os adubos empregados, porcentagem de nutrientes, poca
e forma de aplicao, especificando a quantidade a ser utilizada por par cela e por hectare.
Na semeadura ou plantio, indicar a poca de semeadura, o poder germinativo das sementes e
a quantidade de sementes a ser utilizada. No caso de plantio, especificar a procedncia das mudas e
a quantidade a ser utilizada.
3) Mtodos
Indicar o delineamento que ser utilizado apresentando um croqui da parcela e o esquema
de instalao do experimento, detalhando: espaamento utilizado, nmero de sementes ou mudas
por cova ou por metro de sulco, nmero de plantas na parcela, nmero de plantas na rea til da
parcela, rea total da parcela, rea til da parcela, rea de cada repetio ou bloco, rea total do
experimento e o esquema de anlise de varincia tambm, se for o caso, o nmero de anos em que o
experimento ser repetido. No caso de experimentos com animais, anotar o nmero de animais por
parcela, a quantidade de rao e sua descrio, qual volumoso foi fornecido, a raa dos mesmos,
entre outras.
Descrever todas as metodologias utilizadas para obteno dos materiais e para a realizao
de posteriores anlises necessrias a coleta de dados.
4) Oramento:
Fornecer uma estimativa dos gastos a serem realizados com: construo, mo-de-obra,
servios de terceiros, equipamentos, materiais de consumo, combustveis, manuteno de
equipamentos, aquisio de animais, custo das raes experimentais e assepsia e higiene, dirias e
imprevistos (10% do custo total do projeto).
conveniente frisar, mais uma vez, a importncia que tem o planejamento do experimento,
pois, de nada adiantar um experimento bem conduzido, se ele estiver baseado em um planejamento
inadequado.
Em condies de campo:
2- Dados gerais:
a) solo: tipo, acidez, porcentagem de nutrientes etc.;
b) cultura anterior;
c) data da semeadura ou plantio;
d) datas das aplicaes dos adubos;
e) datas das irrigaes (se foram feitas);
f) apreciao sobre as condies climticas reinantes durante a execuo do experimento e
opinio do pesquisador a respeito da influncia sobre a cultura e, se possvel, indicar temperaturas
mximas e mnimas, precipitao, insolao, umidade do ar, ventos e outros fatores;
3 - Tratos culturais:
Dar o nmero de cultivos, capinas, pulverizaes e polvilhamentos, indicando as respectivas
datas.
c) Vacinaes;
d) Possveis distrbios durante a fase experimental (falta de apetite, doenas, etc);
e) Nmero de alimentaes ao dia;
f) As sobras de raes;
g) Peso das fezes e volume de urina, quando necessrios; e
h) As variveis as quais so objetivos da pesquisa (produo de leite, ganho de peso,
converso alimentar, entre outras.)
2. TESTES DE SIGNIFICNCIAS
nmero de tratamentos variando de 5 a 100 e com os valores das diferenas reais entre tratamentos
fixadas utilizando diferentes nmero de erros padres.
Quando eles consideraram 2 erros padres de diferena entre as mdias de tratamento, os
testes de Duncan, Student-Newman-Keuls (SNK) e o LSD apresentaram poder emprico semelhante
e com magnitude da ordem de 22%. O teste t-Bayesiano foi o que apresentou o maior poder para
esta situao (33%) e o teste de Tukey o menor poder (1%). Para as situaes de 6 ou mais erros
padres, o poder emprico dos diferentes testes foram semelhantes ao caso anterior, diminuindo,
entretanto, a magnitude da diferena entre eles. oportuno salientar que o teste de Tukey
fortemente afetado pelo nmero de tratamentos, ou seja, quanto mais tratamentos forem avaliados,
menor o poder do teste. Com 100 tratamentos, por exemplo, o poder de detectar diferenas de 6
erros padres inferior a 50%, ao passo que com 5 tratamentos o valor de 88%.
Um ltimo aspecto a ser considerado, quando se escolhe um teste, a ambigidade dos seus
resultados. Essa ambigidade um complicador adicional nas interpretaes e nas decises a serem
tomadas pelo "experimentador". Como ilustrao, ser considerado um exemplo envolvendo trs
linhagens e cujo resultado da aplicao do teste de comparaes mltiplas foi:
Linhagens Mdias
1 14,65 a
2 12,34 ab
3 10,42 b
favorvel. O poder do teste, para diferenas menores entre os nveis de tratamentos (2 erros
padres), foi praticamente o dobro do teste de Duncan, t e SNK. As maiores discrepncias
ocorreram em relao ao teste de Tukey, com poder superior a 8 vezes ou mais em algumas
circunstncias. O nico teste que apresentou poder semelhante ao de Scott e Knott (SK) foi o t-
Bayesiano. Com maiores diferenas entre os nveis de tratamentos, seis erros padres ou mais, os
resultados foram semelhantes aos obtidos por Perecin & Barbosa (1988).
Yij = + i + + eij
Em que:
Yij o valor observado na j-sima repetio do i-simo tratamento, sendo i= 1, 2, ..., n e j = 1, 2, ...,
r;
uma constante inerente ao modelo;
Yij= i + eij
Em que
i o valor mdio do i-simo tratamento.
Pode-se demonstrar que um estimador no viesado da mdia de tratamento :
Y
j =1
ij
i = Yi. =
r
E (Yi. ) = i
2
V (Yi. ) =
r
QME
V (Yi. ) =
r
Yi. i
V (Y )
i.
tem distribuio de t de student com (r-1)n graus de liberdade do erro. Ento, pode-se deduzir o
intervalo de confiana para i com coeficiente de confiana 1-, por:
QME
IC( i ,1 ) : YI . t / 2;( r 1) n V (YI . ) = YI . t / 2;( r 1) n
r
em que:
t/2 o quantil da distribuio de t de student, que deixa uma probabilidade de /2 acima
do mesmo, para (r-1 )n graus de liberdade do resduo.
Quando se deseja comparar dois nveis de tratamentos, isto , testar a hiptese H0: i = i,
com ii, utiliza-se um estimador no viesado da diferena (D), entre eles. A inferncia sobre a
diferena equivalente a inferir sobre a igualdade dos tratamentos. Se essa diferena for nula, eles
sero iguais; caso contrrio, sero diferentes. Assim, um estimador no viesado da diferena entre
dois nveis de tratamento i e i', com ii', dado por:
D = Yi. Yi '.
Demonstra-se que:
E ( D) = i i '
22
V ( D) =
r
cujo estimador :
2QME
V ( D) =
r
Ento, o intervalo de confiana para as diferenas entre duas mdias de tratamento, com
coeficiente de confiana de 1-, dado por.
2QME
IC( i i ' ,1 ) : D t / 2;( r 1) n V ( D) = D t / 2;( r 1) n
r
e verificarmos que a
i =1
i = a1 + a2 + ... + an = 0 , dizemos que Y constitui um
claro que com um grupo de mdias podemos formar um nmero muito grande de
contrastes. Numa anlise estatstica devemos formular aqueles que sejam de maior interesse para o
pesquisador.
De um modo geral, no conhecemos as mdias verdadeiras, de forma que o verdadeiro valor
do contraste tambm nos desconhecido. Conhecendo as estimativas das mdias, podemos calcular
as estimativas dos contrastes. Ento, para um contraste de mdias em sua forma geral:
n
Y = c1m1 + c2 m2 + .... + cn mn = ci = 0
i =1
obtemos a estimativa:
Y = c1m 1 + c2 m 2 + .... + cn m n
EXEMPLO 2.1- As mdias de produo de milho para silagem (em t/ha), num estudo de
consrcio na cultura foram as seguintes:
1 = 53,5 t/ha
1 - Milho (0,90x 0,30 m) monocultivo - m
2 = 56,5 t/ha
2 - Milho (0,80 x 0,30 m) monocultivo - m
3 = 62,0 t/ha
3 - Milho (0,80x 0,30 m) + amendoim forrageiro- m
4 = 60,4 t/ha
4 - Milho (0,80x 0,30 m) + feijo guandu - m
Y m + m 2 m 3 + m 4
Y1' = = 1 = 6, 2 t / ha
2 2 2
Isto nos indica que o grupo em monocultivo produz em mdia 6,2 t/ha de forragem a
menos que o grupo em consrcio.
Para os outros 2 contrastes, verificamos que:
1) o tratamento em monocultivo, no espaamento (0,90x0,30 m) produz em mdia 3,0 t/ha de
forragem a menos que no espaamento (0,80 x 0,30 m);
2) o consrcio: Milho + amendoim produz em mdia 1,6 t/ha de forragem a mais que o consrcio:
Milho + feijo.
Y1 = a1m 1 + a2 m 2 + .... + an m n
Y2 = b1m 1 + b2 m 2 + .... + bn m n
nas quais as mdias estimadas foram calculadas com r1, r2, .... rn repeties, respectivamente.
A estimativa de covarincia entre essas duas estimativas de contrastes definida por:
(Y , Y ) = a bV (m ) + a b V (m ) + .... + a b V (m )
COV 1 2 1 1 1 2 2 2 n n n
si2
i) =
Lembrando que V ( m
ri
2
(Y , Y ) = (a b + a b + .... + a b ) s
COV 1 2 1 1 2 2 n n
r
que o caso mais freqente.
c) Contrastes ortogonais
Na prtica, a ortogonalidade entre dois contrastes indica uma independncia entre suas
comparaes, ou seja, a variao de um contraste inteiramente independente da variao do outro.
A condio necessria e suficiente para que dois contrastes sejam ortogonais entre si que a
covarincia entre eles seja nula, isto :
a1b1 2 a2b2 2 ab
s1 + s2 + .... + n n sn2 = 0
r1 r2 rn
n
a1b1 a2b2 ab ai bi
r1
+
r2
+ .... + n n = 0 ou
rn
i =1 ri
=0
Se, alm das varincias, os nmeros de repeties tambm forem iguais, a condio de
ortogonalidade fica:
n
a1b1 + a2b2 + .... + anbn = 0 ou a b = 0
i =1
i i
Observaes:
1) Trs ou mais contrastes sero ortogonais entre si se eles forem ortogonais dois a dois,
2) Num experimento com I tratamentos, podemos formular vrios grupos de contrastes ortogonais
entre si, porm cada grupo ter apenas (I - 1) contrastes.
Dados os contrastes:
Y1 = m1 + m2 - m3 -m4
Y2 = m1 -m2
Y3 = m3 - m4
para Y1 e Y3
n
ai bi (1)(0) (1)(0) (1)(1) (1)(1)
i =1 ri
=
6
+
6
+
4
+
5
1 1 1
= 00 + = 0
4 5 20
para Y2 e Y3
n
ai bi (1)(0) (1)(0) (0)(1) (0)(1)
i =1 ri
=
6
+
6
+
4
+
5
= 0+0+0+0 = 0
d) Varincia de um contraste
Consideremos um contraste em sua forma geral:
n
Y = c1m1 + c2 m2 + .... + cn mn = ci = 0
i =1
(Y , Y ) = c 2V (m ) + c 2V (m ) + .... + c 2V (m )
V (Y ) = COV 1 2 1 1 2 2 n n
e, se todas as mdias possurem o mesmo numero de repeties, que o caso mais freqente, temos:
2 n 2
2
( 2 2 s
V (Y ) = c1 + c2 + ..... + cn )
r i =1
2 s
= ci
r
para o contraste Y2
Como as mdias possuem o mesmo nmero de repeties:
2
2 s 0, 45
(
2
V (Y2 ) = c1 + c2
r
)
= 12 + (1)2
6
= 0,15
para o contraste Y3
Como as mdias possuem nmeros diferentes de repeties:
c32 c42 2
V (Y1 ) = + s
r3 r4
(1)2 (1)2
= + 0, 45 = 0, 20
4 5
s(Y ) = V (Y )
s(Y3 ) = V (Y3 ) = 0, 20 = 0, 4 t / ha
Este teste, que serve para confrontar mdias ou grupos de mdias se utiliza de contrastes de
mdias. Consideremos, ento, um contraste de mdias em sua forma geral:
n
Y = c1m1 + c2 m2 + .... + cn mn = ci = 0
i =1
Y 0 Y 0
t= =
V (Y ) s(Y )
estimativa ( Y ) difere significativamente de zero (valor que deveria assumir se a hiptese H0: as
mdias ou grupos de mdias confrontadas no contraste no diferem entre si, ou H0: m1 = m2 = ...=
mn, fosse verdadeira).
Embora no seja muito freqente, s vezes existe interesse em se comparar a estimativa do
contraste com um valor arbitrrio, A. Neste caso, a estatstica t ser calculada por:
Y A
t=
s(Y )
Outra aplicao comum do teste t na comparao de uma mdia com um valor
estabelecido. Consideremos os dados de uma amostra de n elementos:
x1 x2 x3 xn
, a
A partir desses valores observados, podemos calcular a estimativa da mdia, m
estimativa de varincia, s2, e o erro padro da mdia estimada, s ( m
) e, admitindo um valor
conhecido A. a estatstica t sera:
m A
t=
s(m )
Em qualquer das aplicaes do teste t, o valor da estatstica t deve ser comparado (em valor
absoluto) com os valores crticos de t, tabelados em funo do numero de graus de liberdade
associado varincia e do nvel de significncia do teste, como veremos nos exemplos seguintes:
1 Testemunha m 1 = 21,57
2- Sulfato de amnio m 2 = 27,76
3- Salitre do Chile m 3 = 24,58
4- Uria m 4 = 28,44
5- Nitroclcio de Cubato m 5 = 28,85
6 Nitroclcio de Cubato + Enxofre m 6 = 28,30
Y = 5m1 m2 m3 m4 m5 m6
Com estimativa
Y = 5m 1 m 2 m 3 m 4 m 5 m 6
= 5(21,57) 27, 76 24,58 28, 44 28,85 28,30
= 30, 08 kg / parcela
que nos indica que os adubos nitrogenados proporcionam, em mdia, um aumento de produo de
2
2
( 2 2 s
V (Y ) = c1 + c2 + ..... + c6
r
)
0, 64
= 52 + (1)2 + (1) 2 + (1) 2 + (1) 2 + (1) 2
4
= 4,80
O erro padro do contraste :
Y 0 30,08
t= = = 13,74**
V (Y ) 2,19
m A 3.454 3.000
t= = = 3, 29**
s( m ) 138
Esse valor da estatstica t deve ser comparado com os valores crticos da tabela para 17
graus de liberdade (nmero de graus de liberdade para a estimativa de varincia), que so: 5% =
1,740 e 1% = 2,567 e verificamos que o teste significativo ao nvel de 1% de probabilidade, o que
nos permite concluir que a produo mdia de leite significativamente superior a 3.000 L/ms.
dados. Para sua aplicao correta, exige apenas que o teste F da anlise de varincia para
tratamentos seja significativo, pois quando isto ocorre, indica que devemos ter pelo menos um
contraste de mdias significativo.
A estatstica do teste, denotada por s, calculada por:
s = ( I 1) F V (Y )
onde:
I o nmero de tratamentos do experimento;
F o valor crtico da tabela, ao nvel a de probabilidade (geralmente 5%), em funo dos nmeros
de graus de liberdade de tratamentos e do resduo.
EXEMPLO 2.6 - Considerando os dados dos adubos nitrogenados para alfafa, em que o
teste F para tratamentos foi significativo ao nvel de 1% de probabilidade, verificar pelo teste de
Scheff se existe diferena ao nvel de 5% de probabilidade, entre o Nitroclcio de Cubato (com e
sem enxofre) e os demais adubos nitrogenados.
O contraste que nos fornece esta comparao :
A estimativa
Y = 2m 2 + 2m 3 + 2m 4 3m 5 3m 6
= 2(27, 76) + 2(24,58) + 2(28, 44) 3(28,85) 3(28,30)
= 9,89 kg / parcela
s2
( )
V (Y ) = c22 + c32 + c42 + c52 + c62
r
0, 64
= 22 + 22 + 22 + (3) 2 + (3) 2
4
= 4,80 kg / parcela
kg/parcela ( Y /6) .
s
=q = q.s(m )
r
onde:
q- a amplitude total estudentizada, cujo valor encontrado em tabelas, em funo do nmero de
tratamentos (I) e do nmero de graus de liberdade do resduo (n'), geralmente ao nvel de 5% de
probabilidade.
Y = m i m k
e comparamos | Y | com . Se | Y | , o contraste e significativo ao nvel de probabilidade
testado, indicando que as 2 mdias testadas no contraste diferem entre si a esse nvel de
probabilidade.
EXEMPLO 2.7 - Para as mdias dos tratamentos do Exemplo 2.4, verificar quais delas
diferem entre si pelo teste de Tukey, ao nvel de 5% de probabilidade.
- o valor da d.m.s. obtido por:
(q para 6 tratamentos e 15 G.L. a 5% = 4,60)
s
=q s = Q.M .R e s
r
s = 0, 64 = 0,8 kg / parcela
r = 4 4 = 2
0,8
= 4, 60 x = 1,84 kg / parcela
2
Devemos agora calcular as estimativas dos contrastes das mdias, duas a duas, e para tanto,
embora no seja uma exigncia do teste, conveniente considerar as mdias em ordem
5 , m 4 , m 6 , m 2 , m 3 , m 1 .
decrescente: m
Y1 = m 5 m 4 = 0, 41NS kg/parcela
Y2 = m 5 m 6 = 0,55 NS kg/parcela
Y = m m = 1, 09 NS kg/parcela
3 5 2
Y6 = m 5 m 3 = 4, 24* kg/parcela
Y5 = m 5 m 1 = 7, 28* kg/parcela
Y = m m = 0,14 NS kg/parcela
6 4 6
Y7 = m 4 m 2 = 0, 68NS kg/parcela
Y8 = m 4 m 3 = 3,86* kg/parcela
Y = m m = 6,87* kg/parcela
9 4 1
Concluso: as mdias que entraram nos contrastes cujas estimativas esto assinaladas com
asterisco diferem entre si ao nvel de 5% de probabilidade.
Outra forma de apresentar resumidamente o resultado do teste de Tukey atribuindo-se
letras iguais a mdias semelhantes e letras distintas a mdias que diferem entre si.
Assim, temos:
m 5 = 28,85 kg/parcela a
m 4 = 28,44 kg/parcela a
m 6 = 28,30 kg/parcela a
m 2 = 27,76 kg/parcela a
m 3 = 24,58 kg/parcela b
m 1 = 21,57 kg/parcela c
Mdias seguidas de mesma letra no diferem entre si pelo teste de Tukey a 5% de probabilidade.
Conclumos pois, que todos os adubos proporcionam aumento na produo da alfafa, pois
todos diferiram da testemunha (1) e apresentaram maior produo. Entre os adubos testados; o
nico que no deve ser recomendado para esta cultura o Salitre do Chile (3), que, apesar de diferir
da testemunha (1), foi significativamente inferior a todos os outros adubos, que apresentaram
produes semelhantes.
Observao: se as 2 mdias confrontadas no contraste no possurem o mesmo numero de
repeties, podemos aplicar o teste de forma aproximada, calculando-se o valor da d.m.s., agora
representada por ', como:
1
' = q V (Y )
2
Onde:
Y = m i m k
m i = ri repeties
m k = rk repeties
Sendo
1 1 2
V (Y ) = + s
ri rk
s
Di = zi = zi s( m )
r
onde:
zi a amplitude total estudentizada, cujo valor encontrado em tabelas, em funo do numero de
mdias abrangidas pelo contraste (i) e do nmero de graus de liberdade do resduo (n'), geralmente a
5% de probabilidade.
- Se Y Di, o contraste significativo, indicando que devemos rejeitar H0; conclumos que as
mdias contrastadas diferem entre si e passamos a testar contrastes que abrangem um menor
nmero de mdias.
EXEMPLO 2.8 - Vamos exemplificar com as mesmas mdias j testadas pelo teste de
Tukey, e vamos verificar quais dessas mdias diferem entre si pelo teste de Duncan ao nvel de 5%
de probabilidade.
Para aplicao do teste de Duncan, as mdias devem ser obrigatoriamente colocadas em
ordem decrescente. Logo:
m 5 = 28,85 kg/parcela
m 4 = 28,44 kg/parcela
m 6 = 28,30 kg/parcela
m 2 = 27,76 kg/parcela
m 3 = 24,58 kg/parcela
m 1 = 21,57 kg/parcela
Y1 = m 5 m 1 = 7, 28 kg / parcela
D6 = z6 .s (m )
s 0, 64
s (m ) = = = 0, 40 kg / parcela
r 4
D6 = 3,36 x0, 40 = 1,34 kg / parcela
Y2 = m 5 m 3 = 4, 27 kg / parcela
Y = m m = 6,87 kg / parcela
3 4 1
D5 = z5 .s (m )
s 0, 64
s (m ) = = = 0, 40 kg / parcela
r 4
D5 = 3,31x0, 40 = 1,32 kg / parcela
Y3 >D5, Y3 significativo e m4 m1
Y4 = m 5 m 2 = 1, 09 kg / parcela
Y5 = m 4 m 3 = 3,86 kg / parcela
Y = m m = 6, 73 kg / parcela
6 6 1
D4 = z4 .s (m )
s 0, 64
s (m ) = = = 0, 40 kg / parcela
r 4
D4 = 3, 25 x0, 40 = 1,13 kg / parcela
Como Y 4 < D4, o contraste no significativo, e conclumos que m5 = m2; ligamos por uma
barra essas 2 estimativas de mdias, e no podemos mais comparar mdias que esto dentro dessa
barra.
Y7 = m 6 m 3 = 3, 72 kg / parcela
Y = m m = 6,19 kg / parcela
8 2 1
D3 = z3 .s (m )
s 0, 64
s (m ) = = = 0, 40 kg / parcela
r 4
D4 = 3,16 x0, 40 = 1, 26 kg / parcela
Y9 = m 2 m 3 = 3,18 kg / parcela
Y10 = m 3 m 1 = 3, 01 kg / parcela
O valor de D2 calculado por:
z2 para 2 mdias e 15 G.L do resduo a 5% 3,01
D2 = z2 .s (m )
s 0, 64
s (m ) = = = 0, 40 kg / parcela
r 4
D3 = 3, 01x0, 40 = 1, 20 kg / parcela
m 5 = 28,85 kg/parcela a
m 4 = 28,44 kg/parcela a
m 6 = 28,30 kg/parcela Ou a
m 2 = 27,76 kg/parcela a
m 3 = 24,58 kg/parcela b
m 1 = 21,57 kg/parcela c
Concluso: mdias ligadas por uma barra, no diferem entre si pelo teste de Duncan ao
nvel de 5% de probabilidade ou, Mdias seguidas de mesma letra no diferem entre si pelo teste de
Duncan a 5% de probabilidade.
Conclumos pois, que todos os adubos proporcionam aumento na produo de alfafa, pois
todos diferiram da testemunha (1) e apresentaram maior produo. Entre os adubos testados, o
nico que no deve ser recomendado para esta cultura e o Salitre do Chile (3), que, apesar de diferir
da testemunha (1), foi significativamente inferior a todos os outros adubos, que apresentaram
produes semelhantes.
Observaes:
1) Neste exemplo, o teste de Duncan apresentou resultados idnticos aos do teste de Tukey, o que
nem sempre ocorre, pois freqentemente, o teste de Duncan acusa diferenas significativas entre
mdias que no diferiram pelo teste de Tukey.
2) Quando as mdias no forem igualmente repetidas, o teste ser apenas aproximado, calculando-
se a amplitude total mnima significativa, denotada por Di, por:
1
Di' = zi V (Y )
2
Onde:
1 1
V (Y ) = + s 2
ri rk
Y1 = m 1 m p
Y2 = m 2 m p
Y
( I 1) = m ( I 1) m p
1 1 2
V (Y ) = + s (i=1, 2,......, I e i p
ri rp
s (Y ) = V (Y )
d ' = td .s(Y )
onde:
td o valor dado na tabela para uso no teste de Dunnett (5% e 1%), em funo do nmero de graus
de liberdade de tratamentos (I - 1) e do nmero de graus de liberdade do resduo.
Todo | Y | d ser significativo, indicando que a mdia da testemunha (ou padro) difere
significativamente da mdia do tratamento com ela comparado.
Todo | Y | < d ser no significativo e as mdias desse contraste no diferem entre si.
EXEMPLO 2.9 - Utilizando o Exemplo 2.4, podemos aplicar o teste de Dunnett a cada
contraste que permite comparar a mdia da testemunha (sem adubo) com cada mdia de adubo
nitrogenado. Temos que: td para 5 G.L. de tratamentos com 15 G.L. do resduo = 2,82.
1 1
V (Y ) = + 0, 64 =0,32
4 4
s (Y ) = V (Y ) = 0, 32 = 0,57 kg / parcela
d ' = 2,82 x0, 57 = 1, 61 kg / parcela
Os contrastes so:
Y1 = m 2 m 1 = 6,19* kg/parcela
Y2 = m 3 m 1 = 3, 01* kg/parcela
Y = m m = 6,87* kg/parcela
3 4 1
Y4 = m 5 m 1 = 7, 28* kg/parcela
Y6 = m 6 m 1 = 6, 73* kg/parcela
Verificamos, portanto, que todos os adubos diferem da testemunha e foram mais eficientes
que ela.
controle totalmente desta taxa de erro. Essa contradio provavelmente explicada em funo do
modo de estimao da taxa de erro emprica, em ambos os casos. Sabe-se que a estimativa da taxa
de erro varia se forem consideradas as situaes de hiptese nula em todos os contrastes, ou se
forem consideradas em apenas alguns casos. Esse teste tambm dependente da amplitude
estudentizada.
A DMS (Wp) para o teste de SNK definida por:
1 QME
W p = q ( p , v, ) V ( D ) = q ( p, v , )
2 r
Onde:
q ( p, v, ) o valor da tabela de Tukey ao nvel de probabilidade em funo do nmero de
mdias (p) abrangidas pelo contraste e os graus de liberdade do resduo.
r o denominador usado para os clculos das mdias.
A tabela da amplitude total estudentizada (q) a mesma da adotada para o teste de Tukey.
Observe que a expresso semelhante do mtodo de Duncan.
EXEMPLO 2.10 Os dados seguintes referem-se aos pesos totais em kg das parcelas num
experimento com frangos de corte, onde foram comparados quatro raes. O delineamento
experimental foi inteiramente casualizado com seis repeties, e cada parcela foi um lote de 10
frangos. Com base nos resultados temos ento: t=4, r=6, QM resduo = 1,11 e G.L. resduo = 20 e a
seguintes mdias de tratamentos:
m 4 = 19,3 kg
m 2 = 18,00 kg
m 3 = 17,5 kg
m 1 = 16,0 kg
Yi = m 4 m 1 = 3,3kg
QME 1,11
Wp 4 = q4 . = 3,96 x = 1, 7
r 6
Y2 = m 4 m 3 = 1, 7 kg
Y = m m = 2, 0 kg
3 2 1
QME 1,11
Wp 3 = q3 . = 3,58 x = 1,54
r 6
Y4 = m 4 m 2 = 1, 3 kg
Y5 = m 2 m 3 = 0, 5 kg
Y = m m = 1,5 kg
6 3 1
QME 1,11
Wp 2 = q2 . = 2,95 x = 1, 27
r 6
m 4 = 19,3 kg a
m 2 = 18,00 kg b
m 3 = 17,5 kg b
m 1 = 16,0 kg c
( )
2
T 2 T 2 T1 + T2
B0 = 1 + 2
k1 k2 k1 + k2
k1 g
T1 = Y(i ) e T2 = Y (i )
i =1 i = k1 1
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.
i. Determinar o valor da estatstica da seguinte forma:
B
= x 02
2( 2) 0
QME
em que 02 o estimador de mxima verossimilhana de Y2 . Seja sY2 = o estimador
r
no viesado de Y2 e v os graus de liberdade associados a este estimador.
1 g
02 =
g + v i =1
(Yi Y ) 2 + v.sY2
( )
2
T 2 T 2 T1 + T2
B0 = 1 + 2
k1 k2 k1 + k2
21,162 (22, 72 + 23,58 + 28,14) 2 (21,16 + 22, 72 + 23,58 + 28,14)2
B0 = +
1 3 4
= 10, 01
A estimativa 02 :
1 g
2
=
0
g + v i =1
(Yi Y ) + v.sY2
1 g 10,19
02 =
4 + 20 i =1
(21,16 23,90) 2 + ... + (28,14 23,90) 2 + 20.
6
1
02 = [ 26,98 + 33,9667] = 2,5394
24
Assim
B
= x 02
2( 2) 0
23,9701
= x = 12, 9879
2( 2) 2, 5394
2
O valor de (0,05;(4 /( 2)) 8,65. Como > 8,65, rejeita-se H0, ou seja, dois grupos so
1 g
2
=
0
g + v i =1
(Yi Y ) + v.sY2
1 g 10,19
02 =
3 + 20 i =1
(21,16 22, 4867) 2 + ... + (23,58 22, 48670) 2 + 20.
6
1
02 = [3, 0099 + 33,9667] = 1,6777
23
Assim
B
= x 02
2( 2) 0
2, 6401
= x = 2,1633
2( 2) 1, 6777
2 NS
O valor de (0,05;(3/( 2)) 7,133, logo como < 7,133 , aceita-se H0, ou seja, os
s12
Ento:
F= 2
s2
Consideraremos sempre s12 > s22 , de forma que F > 1, o que caracteriza o teste unilateral.
a) H 0 : 12 = 22
s12 386,38
Ento:
F= 2 = = 1,33NS
s2 291,32
Sob a hiptese da nulidade, o teste deveria dar 1,00.
Esta discrepncia observada, sob H0 foi casual, ou realmente 12 > 22 ? Isto e o que o teste
F nos responde.
Para tanto, devemos consultar a tabela que nos fornece os valores crticos de F, em funo
dos nmeros de graus de liberdade de s12 e s22 e do nvel de significncia desejado.
N2 N1 1 2 . . 6 . . 20 . .
1
2
.
.
28 2,45
.
.
OBS: Fc > Ftab significativo, Rejeitamos H0.
Fc < Ftab No significativo, no rejeitamos H0.
Sob H0, a probabilidade de termos um valor F 2,45, por simples acaso 0,05, ou seja:
s12 1.561,33
Temos, pois:
F= 2 = = 5,36**
s2 291,32
NS
5% = 2,45
F da tabela (6 x 28 g.l.) *
1% = 3,53
**
REPETIES
TRATAMENTOS
1 2 3 4
1 10,3 11,6 11,7 11,4
2 11,8 10,0 11,9 10,2
3 9,9 9,6 10,4 10,0
4 12,3 11,5 12,3 9,9
5 11,7 10,7 12,1 10,8
Vemos que dentro de um mesmo tratamento, o valor observado nas diferentes repeties
no o mesmo, pois estes valores esto sujeitos a uma variao ambiental 2. J, quando passamos
de um tratamento para outro, os dados tambm no so iguais, pois estes dados tambm esto
sujeitos a uma variao ambiental 2, acrescida ainda de uma variao devida aos efeitos de
- a diferena entre 10,3 e 11,8 e devida a variao ambiental 2 + a variao devido a tratamentos,
T2 .
Os Quadrados Mdios (Q.M.), obtidos pelos quocientes das Somas de Quadrados (S.Q.)
pelos Graus de Liberdade (G.L.) correspondentes, constituem estimativas de varincia. Desta forma
o Quadrado Mdio do Resduo (Q.M.Res) e uma medida da variao ambiental e, portanto, estima a
variao residual 2. Por sua vez, o Quadrado Mdio de Tratamentos (Q.M.Trat) estima a varincia
residual acrescida de uma possvel varincia devida aos tratamentos.
A estatstica F obtida por:
Q.M . Trat. 2 + 4 T2
F= =
Q.M . Res 2
Vemos ento que, se no houver efeito de tratamentos, os dois quadrados mdios (Q.M.Trat
e Q.M.Res) estimam a mesma varincia e, portanto, qualquer diferena em ordem de grandeza que
ocorrer entre eles dever ser puramente casual.
As tabelas com os valores crticos de F a um certo nvel de probabilidade, nos mostram,
admitida a hiptese da nulidade (H0) como verdadeira, qual o valor mximo que a relao entre eles
poder assumir. Assim sendo, sempre que o valor de F calculado igualar ou superar o valor tabelado
devemos rejeitar H0 em favor de H1 e conclumos que pelo menos dois tratamentos possuem efeitos
diferentes.
Todas as consideraes feitas para tratamentos valem para qualquer outra causa de variao
devida a fatores controlados, como o bloco, por exemplo. Assim, o teste de F para blocos aplicado
calculando-se:
3.1. Introduo
O delineamento inteiramente casualizado o mais simples de todos os delineamentos
experimentais e os experimentos instalados de acordo com este delineamento so denominados de
experimentos inteiramente casualizados ou experimentos inteiramente ao acaso.
Esse delineamento apresenta as seguintes caractersticas:
a) utiliza apenas os princpios da repetio e da casualizao, deixando de lado o princpio do
controle local e, portanto, as repeties no so organizadas em blocos;
b) os tratamentos so designados s parcelas de forma inteiramente casual, com nmeros iguais ou
diferentes de repeties por tratamento.
1 2 3 4 5
6 7 8 9 10
11 12 13 14 15
A1 A2 A3 B1 B2 B3 C1 C2 C3 D1 D2 D3 E1 E2 E3
1 2 3 4 5
B2 C2 C1 A3 E1
6 7 8 9 10
D1 D3 B3 E2 A2
11 12 13 14 15
C3 E3 A1 B1 D2
onde:
eij = efeito dos fatores no controlados na parcela, ou seja, erro experimental aleatrio associado a
cada observao.
As hipteses bsicas que devemos admitir para a validade da anlise de varincia so as
seguintes:
a) Aditividade: os efeitos dos fatores que ocorrem no modelo estatstico devem ser aditivos.
b) Independncia: os erros ou desvios eij devidos ao efeito de fatores no controlados, devem ser
independentes.
Isto implica em que os efeitos de tratamentos sejam independentes, que no haja correlao
entre eles. Isto pode no ocorrer quando os tratamentos so nveis crescentes de adubos, inseticidas,
fungicidas, herbicidas, protenas, entre outros, ocasio em que a anlise de varincia deve ser feita
estudando-se a regresso.
d) Normalidade: os erros ou desvios eij devidos aos efeitos de fatores no controlados, devem
possuir uma distribuio normal de probabilidades.
Isto implica em que os dados experimentais se ajustem a uma distribuio normal de
probabilidades.
No constitui fato raro a constatao de que uma ou mais dessas hipteses bsicas no se
verifique e, ento, antes de se proceder anlise de varincia, os dados experimentais devem ser
transformados, de tal forma que as suposies bsicas sejam atendidas.
Um dos casos mais freqentes de no satisfao das hipteses bsicas aquele em que no
existe homocedasticidade, ou seja, a varincia no a mesma nos diferentes tratamentos. Isto
caracteriza o que denominamos de heterocedasticidade ou heterogeneidade dos erros e pode ser de 2
tipos.
- Heterocedasticidade irregular: ocorre quando certos tratamentos apresentam maior variabilidade
que outros, como por exemplo, nos experimentos com inseticidas, nos quais considerado um
grupo de parcelas no tratadas (testemunha). De um modo geral, verificamos que o nmero de
insetos nas parcelas tratadas menor e mais homogneo do que o da testemunha, que apresenta uma
maior variabilidade.
2
sMax
HC = 2
sM in
Onde:
2
sMax a maior varincia;
e comparamos seu valor com os valores crticos de H( g , r 1) , da Tabela 8 de Pearson & Hartley
(1970).
ri =1
i
r=
g
Este teste eficiente para g12 e todos os grupos com o mesmo nmero de repeties.
Alm deste, existem outros testes para verificao de homocedasticidade, como o teste de
Cochran e o teste de Bartlett, porm, o de Hartley e de aplicao mais simples.
EXEMPLO 3.1. Num experimento visando o controle do pulgo (Aphis gossypii Glover) em
cultura de pepino, utilizou 6 repeties dos seguintes tratamentos:
A- Testemunha
B -Azinfs etlico
C- Supracid 40CE dose 1
D- Supracid 40CE dose 2
E -Diazinon 60CE
Repeties
Trat. Totais S2
1 2 3 4 5 6
A 2.370 1.687 2.592 2.283 2.910 3.020 14.862 233.749,60
B 1.282 1.527 871 1.025 825 920 6.450 75.558,80
C 562 321 636 317 485 842 3.163 40.126,17
D 173 127 132 150 129 227 938 1.502,27
E 193 71 82 62 96 44 548 2.791,87
Pela Tabela, vemos que as varincias no parecem ser homogneas e, para verificar a
hiptese da homocedasticidade, aplicamos o teste de Hartley:
2
S Max 233.749, 60
HC = 2 = = 155, 60**
S Min 1.502, 27
Pela Tabela 8, para 5 grupos e 5 graus de liberdade, obtemos H5%= 16,3 e H1%= 33,0. Como
HC H (5, 5)1% , rejeitamos a hiptese da homocedasticidade e conclumos pela
controlam melhor a praga, a amplitude de variao ser baixa (por exemplo, entre 5 e 50 insetos). A
transformao logartmica aconselhvel nestes casos.
Observao: verificada a necessidade de transformao, os dados sero transformados e
toda a anlise estatstica (anlise de varincia, testes de comparaes mltiplas e desdobramento dos
graus de liberdade de tratamentos) dever ser feita com os dados transformados. Se houver interesse
em ilustrar com as mdias no transformadas, as mesmas no devero ser calculadas a partir dos
dados originais e sim, aplicando mdia dos dados transformados a operao inversa da
transformao. Por exemplo, se a transformao utilizada foi a de raiz quadrada de x + 0,5, a mdia
no transformada ser calculada elevando-se a media transformada ao quadrado e subtraindo-se 0,5.
Se a heterocedasticidade for irregular, para elimin-la, podemos, simplesmente eliminar os
tratamentos discrepantes ou, caso isto no seja possvel ou recomendvel, subdividi-los em grupos e
test-los separadamente, atravs de resduos apropriados a cada grupo.
Repeties
Tratamentos Totais
1 2 .... j .... J
j
1 y11 y12 y1j y1J y
j =1
1j = T1
j
2 y21 y22 y2j y2J y
j =1
2j = T2
. . . . .
. . . . .
. . . . .
j
i yi1 yi2 yij yiJ y j =1
ij = Ti
. . . . .
. . . . .
. . . . .
j
I yi1 yi2 yij yiJ y j =1
Ij = TI
I j
y
i =1 j =1
ij =G
I J
G
y
i =1 j =1
ij
I
3) yi = y
i =1
ij = total de um tratamento
1
y1 = T1 = y1 j
i =1
T y i =1
ij
4) yi = i = a mdia de tratamentos
j j
1
T1 y
i =1
1j
y1 = =
j j
Pelos conceitos da estatstica a medida de uma variao dada por: Soma de Quadrados,
que mede a variao da amostra .
Ento, em um experimento inteiramente casualizado, temos:
Mede toda variao ocorrida no experimento representada pela disperso entre cada
observao e a mdia geral do experimento.
Para obtermos uma frmula que permita o calculo de forma mais rpido, desenvolvemos o
quadrado e obtemos:
I J I J
G2 I J
S .Q.Total = ( yij y ) 2 yij2 y 2
ij C
i =1 j =1 i =1 j =1 IJ i =1 j =1
I
2) S .Q. Entre Trat = J (y
i =1
i y ) 2
1 I 2
S .Q. Entre Trat = Ti C
J i =1
J
I
3) S .Q. Dentro trat. = ij i
i =1 j =1
( y y ) 2
Mede a variao ocorrida em um experimento devido ao efeito de fatores do acaso (fatores
no controlados), representada pela disperso entre as observaes de cada tratamento e suas
respectivas mdias.
Entidade Bsica
Variao total = Variao entre trat. + Variao dentro trat.
( yij y ) ( yi y ) ( yij yi )
A cada um dos valores observados na Tabela 3.2, podemos associar o modelo estatstico do
delineamento e, para o valor observado no tratamento i na repetio j, temos:
yij = + ti + eij
de onde tiramos:
eij = yij ti
Devemos agora buscar obter as estimativas dos parmetros e ti (i = 1, 2, ..., I) e, para tanto,
nos utilizamos do mtodo dos quadrados mnimos, que consiste em tornar mnima a soma de
quadrados dos desvios. Ento:
I j I j
e = ( y
i =1 j =1
2
ij
i =1 j =1
ij ti )2
I j
fazendo e
i =1 j =1
2
ij =z (, ti ) , temos
I j
z (, ti ) = ( yij ti ) 2
i =1 j =1
Para minimizar essa funo, devemos deriv-la parcialmente em relao a cada um dos
parmetros e ti (i = 1, 2..., I) e igualar essas derivadas a 0.
z (, ti ) I j
= 2 ( yij ti ) = 0
i =1 j =1
z (, ti ) j
= 2 ( yij ti ) = 0
ti j =1
I I J
IJ + J ti = yij = G
i =1 i =1 j =1
J
J + Jti = yij = Ti (i = 1, 2, ....., I )
j =1
Este sistema, denominado sistema de equaes normais, tem I+1 equaes a I+1 incgnitas
( t1 , t 2 , ...... t I , ) e no consistente, pois a soma das I equaes de tratamentos igual a
t = 0
i =1
i
G
IJ = G =
IJ
T
J + Jti = Ti ti = i
J
Obtidas as estimativas dos parmetros do modelo estatstico, podemos passar ao clculo das
somas de quadrados.
A soma de quadrados total corresponde soma dos quadrados dos desvios de todos os dados
em relao a mdia, ou seja:
I J
S .Q.Total = ( yij ) 2
i =1 j =1
e, isto equivale a
I J
S .Q.Total = y ij2 C
i =1 j =1
onde
2
I J
yij 2
C= =G
i =1 j =1
IJ IJ
S .Q.Trat = (t12 + t12 + .... + t12 ) + (t22 + t22 + .... + t22 ) + (tI2 + tI2 + .... + tI2 )
ento:
T 2
T
2
T
2
S .Q.Trat = J 1 + 2 + .... + I
J J J
e desenvolvendo os quadrados:
J J J J J J
1 2 G G2
S .Q.Trat = (T1 + T22 + ... + TI2 ) 2 G + IJ 2 2
J IJ I J
2
1 G
S .Q.Trat = (T12 + T22 + ... + TI2 )
J IJ
1
S .Q.Trat = (T12 + T22 + ... + TI2 ) C
J
ou
1 I 2
S .Q.Trat = Ti C
J i =1
Resta agora calcularmos a soma de quadrados devida ao efeito dos fatores no controlados
ou acaso, isto , falta calcular a soma de quadrados do resduo.
Se, da soma de quadrados de todas as parcelas subtrairmos a soma de quadrados devida aos
parmetros estimados, vamos obter a soma de quadrados do resduo, ou seja:
I J
S .Q.Re s = yij2 S .Q.Parm( , t1 , t2 , ...., tI )
i =1 j =1
A soma de quadrados de parmetros obtida pela soma dos produtos de cada parmetro
pelo respectivo segundo membro da equao normal, isto :
G T T T
S .Q.Parm = G + 1 T1 + 2 T2 + .... + I TI
IJ J J J
G 2 T12 T2 T2
S .Q.Parm = + T1 + 2 T2 + .... + I TI
IJ J J J
G2 1 2
S .Q.Parm = (T1 + T22 + .... + TI2 ) (T1 + T2 + .... + TI )
IJ J
Substituindo a mdia pelo seu valor e lembrando que a soma dos totais de tratamentos o
total geral G, vem
G2 1 I 2 G
S .Q.Parm = + Ti G
IJ J i =1 IJ
Ou
1 I 2
S .Q.Parm = C Ti C
J i =1
I J
1 I 2
S .Q.Re s = yij2 (C + Ti C )
i =1 i = j J i =1
Ou
I J
1 I 2
S .Q.Re s = yij2 C ( Ti C )
i =1 i = j J i =1
Desta forma, vemos que realmente a soma de quadrados do resduo pode ser obtida por
diferena entre a soma de quadrados total e a soma de quadrados de tratamentos.
Calculadas as somas de quadrados, podemos montar o quadro de anlise de varincia do
experimento. Assim, para um experimento inteiramente casualizado, com I tratamentos e J
repeties, a anlise de varincia pelo teste F e apresentada na Tabela 3.3
dos tratamentos. Os dados referentes aos nmeros de pulges coletados 36 horas aps a
pulverizao, transformados em ln(x), so apresentados na Tabela 3.4.
Repeties
Trat Totais Mdia S2
1 2 3 4 5 6
A 7,7706 7,4307 7,8602 7,7332 7,9759 8,0130 46,7836 7,7973 0,0443
B 7,1562 7,3311 6,7696 6,9324 6,7154 6,8244 41,7291 6,9548 0,0583
C 6,3315 5,7714 6,4552 5,7589 6,1841 6,7358 37,2369 6,2062 0,1496
D 5,1533 4,8442 4,8828 5,0106 4,8598 5,4250 30,1757 5,0293 0,0514
E 5,2627 4,2627 4,4067 4,1271 4,5643 3,7842 26,4077 4,4013 0,2488
182,3330 6,0778
I J
G = yij = (7, 7706 + 7, 4307 + .... + 4,5643 + 3, 7842) = 182,3330
i =1 j =1
2
I J
yij
i =1 j =1 G 2 (182,3330) 2
C= = = = 1.108,1774
IJ IJ 5 x6
Logo:
I J
S .Q.Total = ( yij y )2 =
i =1 j =1
= (7,7706 6,0778) 2 + (7, 4307 6,0778)2 + ... + (4,5643 6,0778) 2 + (3,7842 6,0778) 2 = 48, 6754
I J
S .Q.Total = y ij2 C = (1.156,8528) 1.108,1774 = 48,6754
i =1 j =1
Este valor representa a variao total no nmero de pulges coletados 36 horas aps a
pulverizao.
J demonstramos que
I
1 I 2
S .Q. Entre Trat = J ( yi y ) 2 ou S .Q.Trat = Ti C
i =1 J i =1
Portanto:
I
S .Q. Entre Trat = J ( yi y ) 2 = 6 (7, 7973 6, 0778) 2 + .. + (4, 4013 6, 0778) 2 = 45,9143
i =1
Ou
1 I 2 1
S .Q.Trat =
J i =1
Ti C = (46, 7836 2 + 41, 72912 + .... + 26, 4077 2 ) 1.108,1774 = 45,9143
6
Ento:
I J
S .Q. Dentro trat. = ( yij yi ) 2 =
i =1 j =1
= (7, 7706 7, 7973) + ... + (8, 0130 7, 7973) 2 +
2
= 2, 7611
ou
S .Q.Re s = S .Q.Total - S .Q.Trat.
Este valor representa a variao no nmero de pulges devido ao acaso (erro experimental).
Observe que o tratamento E (Diazinon 60CE), foi o que contribuiu para o maior erro experimental,
ou seja possui o maior erro experimental. A variao devido aos fatores no controlados no
explicada pelo modelo.
Obtemos, pois, a anlise de varincia mostrada na Tabela 3.5.
2 - Efeito de Tratamentos
Antes de aplicarmos o teste de comparao mltipla, vamos verificar o efeito de
tratamentos, como segue:
T
ti = i
j
T 46, 7836
tA = A = 6, 0778 = 1, 7195
j 6
T 41, 7291
tB = B = 6, 0778 = 0,8771
j 6
T 37, 2369
tC = C = 6, 0778 = 0,1284
j 6
T 30,1757
tD = D = 6, 0778 = 1, 0485
j 6
T 26, 4077
tE = E = 6, 0778 = 1, 6765
j 6
Observe que o tratamento que tem a menor mdia, apresenta resultados negativos e, entre os
resultados negativos, o que for menor, apresenta a menor mdia.
Em qualquer experimento a soma dos efeitos dos tratamentos ser igual a zero, ou seja:
t
eij = yij ti
eij = y ij ti
ei =1 J =1
ij =0
yij = + ti + eij
Ti
=
J
Logo:
Ti 46, 7836
A = = = 7, 7973
J 6
De modo anlogo, obtemos:
B = 6,9549
C = 6,2062
D = 5,0293
E = 4,4013
O erro padro dessas mdias calculado por:
s
DMS () = q = q . s( x )
r
s
DMS () = q = q . s( x ) = 4,16 x0,1357 = 0,5645
r
Toda diferena entre 2 mdias que seja igual ou superior a 0,5645 significativa.
O teste feito com as mdias transformadas, mas, para efeito de ilustrao, podemos
apresentar as mdias dos nmeros de pulges coletados, fazendo a operao inversa da
transformao, no caso, calculando a exponencial ( e x ) .
Nas condies do presente experimento, verificamos que o produto que melhor controlou o
pulgo na cultura do pepino foi o Diazinon 60CE (130 cm3/100 L de gua), pois ele diferiu
significativamente de todos os outros produtos e da testemunha, e apresentou o menor nmero de
pulges coleta dos 36 horas aps a pulverizao.
Logo:
0,3324
C.V . = x100 = 5, 47%
6, 0778
O coeficiente de variao mede a preciso do experimento, ou seja, quanto menor, maior a
preciso. O seu valor dependente do tipo de varivel em que se esta trabalhando.
S .Q.Parmetros 45,9143
R2 = x100 = x100 = 94,3275%
S .Q.Total 48, 6754
O ajuste do modelo yij = + ti + eij aos dados explica 94,3275% da variao total dos
dados experimentais.
Q.M .Re s y x CV
CV = x100 Q.M .Re s =
y 100
s Q.M .Re s q
DMS () = q =q . = . Q.M .Re s
r r r
q y x cv
DMS () = .
r 100
Temos uma entidade que expressa quanto a DMS representa em porcentagem da mdia
geral, representada abaixo:
100 . DMS () q
= .CV
y r
y _____ 100
DMS _____ x
Ento:
y = 6,0778
Este resultado significa que s foram detectadas diferenas entre 2 mdias de tratamentos
pelo teste de Tukey quando iguais ou superior a 9,3% da mdia geral.
Fixando o valor de x, o qual denotado por d.
q
d= xCV
r
e resolvendo para r:
2
q x CV
r =
d
Onde:
d a preciso da deteco entre 2 mdias;
q a amplitude estudentizada obtida atravs no nmero de tratamento (v1) e do grau de liberdade
do resduo (v2) associa a um nvel , geralmente, 0,05 ou 0,01.
Atravs desta frmula podemos calcular o nmero de repeties, fixando a preciso de
deteco entre duas mdias (d), como por exemplo:
Quantas repeties devemos usar em um novo experimento para encontrar diferenas entre
duas mdias de 7% da mdia geral.
2 2
q x CV 4,16 x 4, 52
r = = = 10, 37 10 R e p.
d 7
Observe que no exemplo 3.5, o nmero de repeties foram 6. podemos ainda calcular o
novo valor de DMS, ou seja, 7% da mdia geral, o que corresponde a dizer:
0,07 x 6,0778=0,4255
EXEMPLO 3.3. Os dados da Tabela 3.7 referem a produes de matria seca de cultivares de
sorgo, em t/ha.
Repeties
Tratamentos Totais
1 2 3 4 5 6
1 - NK300 (Hb.) 10,27 11,55 11,68 11,38 11,20 11,24 67,32
2 - SORDAN 67 (Hb.) 9,77 9,96 10,18 11,94 10,43 10,49 62,77
3 - PIONEER 988 (Hb.) 9,86 9,59 9,99 10,43 - - 39,87
I J
G = yij = 400, 49
i =1 j =1
2
I J
yij
i =1 j =1 G 2 (400, 49)2
C= = = = 5.950, 4533
IJ IJ 27
Logo:
I J
S .Q.Total = y ij2 C = (10, 27 2 + 9, 77 2 + .... + 20,922 ) C
i =1 j =1
I J
S .Q.Total = y ij2 C = (6.650,6435) 5.940, 4533 = 710,1902
i =1 j =1
I
Ti 2
S .Q.Trat = C
i =1 ri
e, sendo a soma de quadrados do resduo obtida por diferena obtemos a Tabela 3.8
analisada, com um grau de confiana superior a 99% de probabilidade. Na prtica, conclumos que
os cultivares de sorgo testados apresentam diferenas quanto produo de matria seca.
Ti
=
ri
67,32 62, 77
1 = = 11, 22 t / ha 2 = = 10, 46 t / ha
6 6
39,87 105,06
3 = = 9,97 t / ha 4 = = 21, 04 t / ha
4 5
125, 47
5 = = 20,91 t / ha
6
e os erros padres das mdias so
DMS () = q.s( x1 )
Os contrastes que nos fornecem as comparaes entre as mdias com 6 repeties so:
y1 = m 5 - m 1 = 9, 69* t / ha m 5 m1
y 2 = m 5 - m 2 = 10, 45* t / ha m 5 m2
y3 = m 1 - m 2 = 0, 76 NS t / ha m 1 = m2
b) Para comparar as mdias dos tratamentos com 6 repeties com a mdia do tratamento
com 5 repeties (m4).
Para este caso, como as mdias que entram nos contrastes no possuem o mesmo numero de
repeties, o valor da diferena mnima significativa calculado por
1 1 1
DMS '1 ( '1 ) = q V ( y 4 ) = onde V ( y 4 ) = + .0, 4510 = 0,1654
2 5 6
logo
1
DMS '1 ( D '1 ) = 4, 20 (0,1654) = 1, 21 t / ha
2
Os contrastes que nos fornecem as comparaes entre as mdias com 6 repeties e a mdia
com 5 repeties so:
y 4 = m 4 - m 1 = 9, 79* t / ha m 4 m1
y5 = m 4 - m 2 = 10,55* t / ha m 4 m2
y 6 = m 4 - m 5 = 0,10 NS t / ha m 4 = m5
c) Para comparar as mdias dos tratamentos com 6 repeties com a mdia do tratamento
com 4 repeties (m3).
Tambm neste caso as medias que entram nos contrastes no so igualmente repetidas e o
valor da diferena mnima significativa calculado por:
1 1 1
DMS '2 ( '2 ) = q V ( y7 ) = onde V ( y 7 ) = + .0, 4510 = 0,1879
2 6 4
logo
1 1
DMS '2 ( '2 ) = q V ( y7 ) = 4, 20 (0,1879) = 1, 29 t / ha
2 2
y 7 = m 1 - m 3 = 1, 25NS t / ha m 1 = m3
y8 = m 2 - m 3 = 0, 49 NS t / ha m 2 = m3
y9 = m 5 - m 3 = 10,94* t / ha m 5 m3
d) Para comparar a mdia do tratamento com 5 repeties (m4) com a mdia do tratamento
com 4 repeties (m3).
Ainda neste caso as mdias que entram no contraste no possuem o mesmo nmero de
repeties e o valor da diferena mnima significativa calculado por:
1 1 1
DMS '3 ( '3 ) = q V ( y10 ) = onde V ( y10 ) = + .0, 4510 = 0, 2030
2 5 4
logo
1 1
DMS '3 ( '3 ) = q V ( y10 ) = 4, 20 (0, 2030) = 1,34 t / ha
2 2
Portanto
As mdias dos tratamentos com seus respectivos erros padres e o resultado do teste de
Tukey so apresentados na Tabela 3.9.
TABELA 3.9. Produes mdias de matria seca com seus erros padres, em t/ha, e resultado do
teste de Tukey.
Verificamos, ento, que nas condies do experimento, o nico hbrido que apresentou
produo de matria seca semelhante da variedade SART foi o PIONEER 93, que no diferiu
dela, sendo que os outros hbridos apresentaram produes de matria seca significativamente
inferiores s da variedade SART e do hbrido PIONEER 93.
4 - Aplicao do teste de Scheff para comparar o grupo dos hbridos com a variedade
O contraste que nos permite fazer a comparao do grupo dos hbridos com a variedade :
Y = m1 + m2 + m3 + m4 - 4m5
cuja estimativa
y = m 1 + m 2 + m 3 + m 4 - 4m 5
y = 11, 22 + 10, 46 + 9,97 + 21,01-4(20,91) = 30,98* t / ha
12 12 12 12 (4)2
V( y ) = + + + + 0, 4510 = 1,5560
6 6 4 5 6
m1 + m2 + m3 + m4
indicando que devemos rejeitar H0 H 0 = = m5 com um grau de confiana
4
superior a 95% de probabilidade. Na prtica conclumos que a variedade SART produz, em mdia,
7,75 t/ha (30,98/4=7,75) de matria seca a mais que a mdia dos hbridos.
Logo:
0, 67
C.V . = x100 = 4,52%
14,83
O coeficiente de variao foi pequeno, demonstrando preciso no experimento.
O ajuste do modelo yij = + ti + eij aos dados explica 98,60% da variao total dos dados
experimentais.
A D C B C
B B A B
D A
Porm altamente recomendvel que estes blocos sejam alocados a campo da forma
tradicional, conforme regras j vistas anteriormente no captulo 1 e ilustrado no esquema a seguir:
1o BLOCO A C D E B
2 o BLOCO D C E B A
3 o BLOCO D A C E B
4 o BLOCO B D A E C
No que se refere distribuio dos blocos no campo, eles podem ficar juntos ou ser
espalhados por toda a rea em estudo. Porm, geralmente eles so colocados uns prximos aos
outros, visando com isto uma maior facilidade nos trabalhos de campo, durante a execuo do
experimento.
As principais vantagens desse delineamento so:
a) controla as diferenas que ocorrem nas condies ambientais, de um bloco para outro;
b) permite, dentro de certos limites, utilizar qualquer nmero de tratamentos e de blocos;
c) conduz a uma estimativa mais exata para a varincia residual, uma vez que a variao ambiental
entre blocos isolada;
d) a anlise de varincia relativamente simples, sendo apenas um pouco mais demorada que a do
delineamento inteiramente casualizado, visto que existe mais uma causa da variao que deve ser
isolada.
E F B A
C B A C
A D B C
onde:
Blocos
Tratamentos Totais
1 2 .... .... j .... J
j
1 y11 y12 .... y1j y1J y j =1
1j = T1
j
2 y21 y22 .... y2j y2J y
j =1
2j = T2
. . . . .
. . . . .
. . . . .
j
i yi1 yi2 .... yij yiJ y j =1
ij = Ti
. . . . .
. . . .... . .
. . . . .
j
I yi1 yi2 .... yij yiJ y j =1
Ij = TI
j j j j I j
Totais y
j =1
i1 = B1 y
j =1
i2 = B2 .... y
j =1
ij = Bi y
j =1
iJ = BJ y
i =1 j =1
ij =G
yij = + ti + b j + eij
de onde tiramos:
eij = yij ti b j
Para obteno das estimativas dos parmetros , ti (i=1, 2, ..., I) e bj (j=1, 2, ..., J), vamos
nos utilizar do mtodo dos quadrados mnimos, que consiste em minimizar a soma dos quadrados
dos desvios, ou seja:
I J I J
e = ( y
i =1 j =1
2
ij
i =1 j =1
ij ti b j ) 2
Definindo Z como uma funo que fornece a soma de quadrados de todos os erros (mtodo
dos quadrados mnimos).
I j
temos
I j
z (, ti , b j ) = ( yij ti b j ) 2
i =1 j =1
z (, ti , b j ) I j
= 2 ( yij ti b j ) = 0
i =1 j =1
z (, ti , b j ) j
= 2 ( yij ti b j ) = 0
ti j =1
z (, ti , b j ) j
= 2 ( yij ti b j ) = 0
b j j =1
I J I J
IJ + J ti + I bi = yij = G
i =1 j =1 i =1 j =1
J J
J + Jti + bi = yij = Ti (i = 1, 2, ....., I )
j =1 j =1
j I
I + ti + Ib j = yij = B j ( J = 1, 2, ....., J )
j =1 i =1
I J
t = 0
i =1
i b
j =1
j =0
G
IJ = G =
IJ
Ti
J + Jti = Ti ti =
J
b
J + Jb j = b j b j = i
I
As somas de quadrados para o total e para tratamentos so obtidas do mesmo modo que as
do delineamento inteiramente casualizado, ou seja:
2
I J
I J
yij 2
S .Q.Total = y ij2 C onde C = =G
i =1 j =1
i =1 j =1 IJ IJ
1 I 2
S .Q.Trat = Ti C
J i =1
A soma de quadrados de blocos correspondente soma dos quadrados dos efeitos de blocos
e, como cada bloco contm todos os tratamentos, cada efeito de bloco ocorrer I vezes, logo:
B 2
B
2
B
2
1 2
S .Q.Blo cos = ( B1 + B22 + .... + B 2j ) 2 ( B1 + B2 + .... + BJ ) + IJ 2
I
1
S .Q.Blo cos = ( B12 + B22 + .... + B 2j ) C
I
ou:
1 J 2
S .Q.Blo cos = Bj C
I J =1
I J
S .Q.Re s = yij2 S .Q.Parm( , t1 , t2 , ...., tI , b1 , b2 ,....bJ )
i =1 j =1
onde a S.Q.Parm obtida pela soma dos produtos de cada parmetro pelo correspondente
segundo membro da equao normal, ou seja:
G T T T
S .Q.Parm = G + 1 T1 + 2 T2 + .... + I TI +
IJ J J J
B B B
+ 1 B1 + 2 B2 + .... + j B j
I I I
G2 1 2
S .Q.Parm = + (T1 + T22 + ... + Ti 2 ) (T1 + T2 + ... + T j )
IJ j
1
+ ( B12 + B22 + ... + B 2j ) ( B1 + B2 + ... + B j )
I
G2 1 i 2 G2 1 j 2 G2
S .Q.Parm = + Ti + Bj
IJ j i =1 IJ I j =1 IJ
ou
1 i 2 1 j 2
S .Q.Parm = C + i
j i =1
T C + Bj C
I j =1
Logo
S .Q.Re s = S .Q.Total ( S .Q.Trat + S .Q.Blo cos)
EXEMPLO 4.1. Estudou-se o efeito do Promalin sobre frutos de macieiras (Malus spp) cultivares
Brasil e Rainha, com 4 repeties dos seguintes tratamentos:
1 - 12,5 ppm de Promalin em plena florao.
2 - 25,0 ppm de Promalin em plena florao.
3 - 50,0 ppm de Promalin em plena florao.
4 - 12,5 ppm de Promalin em plena florao + 12,5 ppm de Promalin no incio da frutificao.
5 - Testemunha.
TABELA 4.4.1. Croqui da distribuio dos tratamentos e pesos mdios dos frutos nas parcelas
(gramas)
Os valores dos pesos mdios dos frutos nas parcelas devem ser agrupados como na Tabela
4.4.2.
Blocos
Tratamentos Totais Mdias
1 2 3 4
1 142,36 144,78 145,19 138,88 571,21 142,80
2 139,28 137,77 144,44 130,61 552,10 138,03
3 140,73 134,06 136,07 144,11 554,97 138,74
4 150,88 135,83 136,97 136,36 560,04 140,01
5 153,49 165,02 151,75 150,22 620,48 155,12
Totais 726,74 717,46 714,42 700,18
2.858,80 142,94
Mdias 145,35 143,49 142,88 140,04
ti = i
j
T 571, 20
t1 = 1 = 142,94 = 0,138
j 4
T 552,10
t2 = 2 = 142,94 = 4,915
j 4
T 554,97
t3 = 3 = 142,94 = 4,198
j 4
T 560, 04
t4 = 4 = 142,94 = 2,93
j 4
T 620, 48
t5 = 5 = 142,94 = 12,18
j 4
Observe que o tratamento que tem a menor mdia, apresenta resultados negativos e, entre os
resultados negativos, o que for menor, apresenta a menor mdia.
Em qualquer experimento a soma dos efeitos dos tratamentos ser igual a zero, ou seja:
t
b j = i
I
B 726, 74
b1 = 1 = 142,94 = 2, 408
I 5
B 717, 46
b2 = 2 = 142,94 = 0,552
I 5
B 714, 42
b3 = 3 = 142,94 = 0, 056
I 5
B 700,18
b4 = 4 = 142,94 = 2,904
I 5
Observe que o bloco que tem a menor mdia, apresenta resultados negativos e, entre os
resultados negativos, o que for menor, apresenta a menor mdia.
Em qualquer experimento a soma dos efeitos dos blocos ser igual a zero, ou seja:
J
eij = yij ti b j
eij = yij ti b j
Em qualquer experimento a soma das estimativas dos erros ser igual a zero, ou seja:
I J
e
i =1 J =1
ij =0
yij = + ti + b j + eij
2
I J
yij 2 2
C=
i =1 j =1 = G = (2.858,80) = 408.636,8720
IJ IJ 5x4
I J
S .Q.Total = ( yij y ) 2 =
i =1 j =1
= (142,36 142,94)2 + (144, 78 142,94) 2 + ... + (151, 75 142,94)2 + (150, 22 142,94) 2 = 1.273,9522
I J
S .Q.Total = y ij2 C = (142,3662 + 144, 782 + .... + 151,752 + 150, 222 ) C
i =1 j =1
I J
S .Q.Total = y ij2 C = (409.910,8242) 408.636,8720 = 1.273,9522
i =1 j =1
ou
1 I 2 1
S .Q.Trat =
J i =1
Ti C = (571, 212 + 552,102 + .... + 620, 482 ) 408.636,8720 = 794,9298
4
Este valor representa a variao no peso dos frutos de macieira devido ao efeito de
tratamentos.
Para completar a anlise de varincia, resta-nos calcular as somas de quadrados para blocos
e para o resduo. A soma de quadrados para blocos, conforme vimos, calcula da por:
J
1 J 2
S .Q. Blo cos = I ( y1 y ) 2
J =1
ou S .Q.Blo cos = BJ C
I j =1
J
S .Q. Blo cos = I ( y1 y ) 2 = 5 (145,35 142,92) 2 + .... + (140, 04 142,92) 2 = 72, 6976
J =1
ou
1 J 2 1
S .Q.Blo cos =
I j =1
BJ C = (726, 742 + 717, 462 + 714, 422 + 700,182 ) C
5
1 J 2 1
S .Q.Blo cos =
5 j =1
BJ C = (2.043.547,85) 408.636,8720 = 72, 6976
5
Este valor representa a variao no peso dos frutos de macieira devido ao efeito de blocos.
e, a soma de quadrados do resduo obtida da seguinte maneira:
I J J
S .Q. Dentro trat. = ( yij yi ) 2 I ( y1 y ) 2
i =1 j =1 J =1
ou
I J J
S .Q. Dentro trat. = ( yij yi ) 2 I ( y1 y ) 2 =
i =1 j =1 J =1
(142,36 142,80) 2 + ... + (138,88 142,80) 2 +
2 2
= + (139, 28 138, 03) + ... + (130, 61 138, 03) + ...
... + (153, 49 155,12) + ... + (150, 22 155,12)
2 2
{
= 25,192475 + 97, 774500 + 61,828275 + 158,193400 + 136, 033800 }
5 x [5, 798464 + 0,304704 + 0, 003136 + 8, 433216]
= 479, 0224 72, 6976 = 406,3248
ou
5% = 3, 26
Para tratamentos 4 x 12 g.l
1% = 5, 41
5% = 3, 49
Para blo cos 3 x 12 g.l
1% = 5,95
caracterstica analisada, a esse nvel de probabilidade, com um grau de confiana superior a 99% de
probabilidade.
Prtica: os nveis de Promalin testados agem de modo diferente sobre o peso mdio dos
frutos da macieira, existindo pelo menos dois nveis que proporcionam pesos diferentes.
b) Para Blocos
Estatstica: o teste no foi significativo ao nvel de 5% de probabilidade; no podemos
rejeitar H0 ( 2B = 0 ) e conclumos que os blocos possuem efeitos semelhantes sobre a caracterstica
Observao: conforme foi visto na concluso prtica para blocos, como o teste F no foi
significativo (P>0,05), o ensaio poderia ter sido realizado no delineamento inteiramente
casualizado. Poderamos, ento, pensar em refazer a anlise do experimento como inteiramente
casualizado, aumentando, conseqentemente, o nmero de graus de liberdade do resduo e,
obteramos.
A rigor, embora seja utilizado algumas vezes, este procedimento no vlido, tendo em
vista a distinta casualizao utilizada nos dois delineamentos, o que lhes confere uma estrutura
totalmente diversa.
Ti
= i= 1, 2, 3, ......, I
J
Logo:
Ti 571, 21
1 = = = 142,80 g
J 4
analogamente, obtemos:
2 = 138, 03 g
3 = 138, 74 g
4 = 140, 01 g
5 = 155,12 g
s
DMS () = q = q . s( )
r
5 = 155,12 g a
1 = 142,80 g ab
4 = 140, 01 g b
3 = 138, 74 g b
2 = 138, 03 g b
Tratamentos Mdias
1 - 12,5 ppm de Promalin em plena florao 142,80 ab
2 - 25,0 ppm de Promalin em plena florao 138,03 b
3 - 50,0 ppm de Promalin em plena florao 138,74 b
4 - 12,5 ppm de Promalin em plena florao + 12,5 ppm de Promalin no incio da frutificao 140,01 b
5 - Testemunha. 155,12 a
s( ) 2,91 g
DMS 13,12 g
Mdias seguidas de mesma letra no diferem entre si pelo teste de Tukey (p > 0,05) .
Na prtica, isto nos indica que estes reguladores de crescimento no influenciaram o peso
mdio dos frutos, pois, a produo foi estatisticamente igual testemunha. Apenas o nvel de 12,5
ppm regulador de crescimento Promalin, apresentou frutos com peso semelhante ao da testemunha,
com os demais nveis apresentando pesos inferiores a ela. Com base nos resultados obtidos para
peso dos frutos de macieira, o uso do regulador de crescimento nas doses e combinaes utilizadas
no influncia o peso mdio dos frutos de macieira, sendo aconselhvel a no utilizao dos
mesmos.
5,82
C.V . = x100 = 4, 07%
142,94
O coeficiente de variao do experimento baixo, indicando boa preciso.
O ajuste do modelo yij = + ti + b j + eij aos dados explica 82,23% da variao total dos
dados experimentais.
Q.M .Re s y x CV
CV = x100 Q.M .Re s =
y 100
s Q.M .Re s q
DMS () = q =q . = . Q.M .Re s
r r r
q y x cv
DMS () = .
r 100
Temos uma entidade que expressa quanto a DMS representa em porcentagem da mdia
geral, representada abaixo:
100 . DMS () q
= .CV
y r
y _____ 100
DMS _____ x
Ento:
y = 142,94
q0,05 (5 12) = 4, 51
Este resultado significa que s foram detectadas diferenas entre 2 mdias de tratamentos
pelo teste de Tukey quando iguais ou superior a 9,3% da mdia geral.
Fixando o valor de x, o qual denotado por d.
q
d= xCV
r
e resolvendo para r:
2
q x CV
r =
d
Onde:
d a preciso da deteco entre 2 mdias;
q a amplitude estudentizada obtida atravs no nmero de tratamento (v1) e do grau de liberdade
do resduo (v2) associa a um nvel , geralmente, 0,05 ou 0,01.
Atravs desta frmula podemos calcular o nmero de repeties, fixando a preciso de
deteco entre duas mdias (d), como por exemplo:
Quantas repeties devemos usar em um novo experimento para encontrar diferenas entre
duas mdias de 7% da mdia geral.
2 2
q x CV 4, 51x 4, 07
r = = = 6,88 7 R e p.
d 7
Observe que na Tabela 4.4.2, o nmero de repeties foram 4. Podemos ainda calcular o
novo valo de DMS, ou seja, 7% da mdia geral, o que corresponde a dizer:
0,07 x 142,94=10,01
b) falha do experimentador na coleta dos dados (por exemplo, inclui a produo da bordadura na da
rea til da parcela);
c) extravio da ficha onde esto anotados os dados da parcela;
d) a parcela apresenta um valor muito discrepante dos demais e no considerado para efeito de
anlise;
e) a parcela apresenta um valor duvidoso.
Blocos
Tratamentos Totais
1 2 .... j .... J
1 T1
2 T2
.
.
.
i Yij T
. .
. .
. .
I TI
Totais B1 B2 .... B BJ
De acordo com o modelo estatstico do delineamento, o valor que deveria ter sido observado
na parcela :
yij = + ti + b j + eij
yij = + ti + b j + eij
A melhor estimativa da parcela perdida aquela que torna mnimo o efeito dos fatores no
controlados, ou seja,
eij = 0
Logo:
yij = + ti + b j
Ti B
yij = + + j
J I
ou:
Ti B j T B G
yij = + = i + j
J I J I IJ
Entretanto, pelo quadro de dados, vemos que:
Portanto:
ou
ou ainda
( IJ I J + 1) yij = IT + JB G '
IT + JB G '
yij =
( I 1)( J 1)
onde:
I = numero de tratamentos do experimento;
T = total das parcelas existentes no tratamento que teve a parcela perdida;
J = numero de blocos do experimento;
B = total das parcelas existentes no bloco que teve a parcela perdida;
G' = total de todas as parcelas existentes no experimento.
2
I 1 B
FC = U = yij
I I 1
S2
v( m k ) =
J
ao passo que, a mdia do tratamento que teve a parcela perdida (i) apresenta uma varincia
um pouco maior, estimada por:
S2 I
v( m k ) = + S2
J J ( J 1)( I 1)
S
S( m k ) =
J
1 I 2
S( m i ) = + S
J J ( J 1)( I 1)
EXEMPLO 4.2 - Na Tabela 4.5.1 so apresentados os dados de peso mdio dos frutos da macieira
do Exemplo 4.1, supondo perdida a parcela correspondente ao tratamento 5 (Testemunha) no
segundo bloco.
Blocos
Tratamentos Totais
1 2 3 4
1 142,36 144,78 145,19 138,88 571,21
2 139,28 137,77 144,44 130,61 552,10
3 140,73 134,06 136,07 144,11 554,97
4 150,88 135,83 136,97 136,36 560,04
5 153,49 Y52 151,75 150,22 455,46
Totais 726,74 552,44 714,42 700,18 2.693,78
IT + JB G '
yij =
( I 1)( J 1)
2
I J
yij 2 2
C=
i =1 j =1 = G = (2.843, 22) = 404.194, 9984
IJ IJ 5 x4
I J
S .Q.Total = y ij2 C = (142,3662 + 144, 782 + ..149, 442.. + 151, 752 + 150, 222 ) C
i =1 j =1
I J
S .Q.Total = y ij2 C = (405.011,5374) 404.194,9984 = 816,5490
i =1 j =1
1 I 2 1
S .Q.Trat = Ti C = 4 (571, 212 + 552,102 + .... + 604,902 ) 404.194,9984 = 463, 9583
J i =1
1 J 2
S .Q.Blo cos = BJ C = (726,742 + 701,882 + 714, 422 + 700,182 ) C
I j =1
1 J 2
S .Q.Blo cos = BJ C = (404.286,91) 404.194,9884 = 91,9178
5 j =1
1 = 142,80 g
2 = 138, 03 g
3 = 138, 74 g
4 = 140, 01 g
5 = 151, 23 g
S 23, 6975
S( m1 ) = S( m 2 ) = S( m 3 ) = S( m 4) = = = 2, 43 g
J 4
1 I 2
S( m 5 ) = + S
J J ( J 1)( I 1)
1 5
S( m 5 ) = + 23, 6975 = 2,90 g
4 4 x (3) x (4)
A diferena mnima significativa para comparar as mdias dos tratamentos sem parcela
perdida entre si, :
s 5 trat
DMS () = q = q . s( 1 ) = 4,57 x 2, 43 = 11,11 = 4,57
r 11g.l Res
A diferena mnima significativa para comparar as mdias dos tratamentos sem parcela
perdida ( k ) com a mdia do tratamento com parcela perdida ( i )
1
DMS '( ') = q V ( y ) = onde Y = k i
2
Logo
S2 S2 I
V ( y ) = V ( ik) + V ( i ) = + + S2
J J J ( J 1)( I 1)
ou
2 I 2
V ( y ) = + S
J J ( J 1)( I 1)
2 5
V ( y ) = + 23, 6975 = 14,3172
4 4 x(3)(4)
portanto
1 1
DMS '( ') = q V ( y ) = 4,57 14,3172 = 12, 23
2 2
5 = 151, 23 g a
1 = 142,80 g ab
4 = 140, 01 g ab
3 = 138, 74 g b
2 = 138, 03 g b
Tratamentos Mdias
1 - 12,5 ppm de Promalin em plena florao 142,80 ab
2 - 25,0 ppm de Promalin em plena florao 138,03 b
3 - 50,0 ppm de Promalin em plena florao 138,74 b
4 - 12,5 ppm de Promalin em plena florao + 12,5 ppm de Promalin no incio da frutificao 140,01 ab
5 - Testemunha. 151,23 a
S( m1 ) = S( m 2 ) = S( m 3 ) = S( m 4) 2,43 g
S( m 5 ) 2,90 g
DMS 11,11 g
DMS 12,23
Mdias seguidas de mesma letra no diferem entre si pelo teste de Tukey (p > 0,05).
Na prtica, isto nos indica que estes reguladores de crescimento no influenciaram o peso
mdio dos frutos, pois, a produo foi estatisticamente igual testemunha. Apenas o nvel de 12,5
ppm regulador de crescimento Promalin, apresentou frutos com peso semelhante ao da testemunha,
com os demais nveis apresentando pesos inferiores a ela. Com base nos resultados obtidos para
peso dos frutos de macieira, o uso do regulador de crescimento nas doses e combinaes utilizadas
no influncia o peso mdio dos frutos de macieira, sendo aconselhvel a no utilizao dos
mesmos.
4,87
C.V . = x100 = 3, 43%
142,16
O coeficiente de variao do experimento baixo, indicando boa preciso.
Entretanto, se a homogeneidade das parcelas dos blocos nos permitir, podemos utilizar 2 ou
mais repeties dos tratamentos dentro de cada bloco, que fica com um nmero maior de parcelas.
Este procedimento nos permite obter um maior nmero de graus de liberdade para o resduo, com o
mesmo nmero de parcelas. No exemplo com 2 tratamentos, se utilizssemos 3 repeties dos
tratamentos por bloco; obteramos o seguinte esquema de anlise varincia:
Porm, esse desdobramento no tem interesse prtico, de forma que podemos trabalhar com
o resduo de 19 graus de liberdade.
A designao dos tratamentos s parcelas feita de forma casual dentro de cada bloco, isto
, procedemos como se tivssemos 6 tratamentos e efetussemos sua casualizados dentro de cada
bloco. Deste modo, poderamos obter, por exemplo, a seguinte constituio para os blocos:
Bloco I A2 B1 B3 A3 A1 B2
Bloco II B2 B3 A3 B1 A2 A1
Bloco III A1 B3 B1 A3 B2 A2
Bloco IV B1 A3 A2 B3 B2 A1
Para ilustrar a obteno da anlise e a interpretao dos resultados obtidos, vamos nos
utilizar do Exemplo 4.3.
Cada tratamento foi repetido 2 vezes em cada um dos 4 blocos. Na Tabela 4.6.1 so
apresentados os dados obtidos para uma das caractersticas estudadas.
TABELA 4.6.1. Alturas mdias das plantas do mamoeiro aos 147 dias aps a semeadura, em cm.
Tratamentos
Blocos Totais
A B C
1 136,11 105,29 79,82 77,90 63,96 77,08 540,16
2 98,82 86,80 56,30 64,35 59,54 55,78 421,59
3 108,80 109,71 66,94 62,11 65,24 66,11 478,91
4 92,40 70,50 43,83 36,32 61,87 43,74 348,66
Totais 808,43 487,57 493,32 1.789,32
2
I J k
yij
i =1 j =1 k =1 G 2 (1.789,32) 2
C= = = = 133.402, 7526
IJK IJK 3x 4 x 2
I J k
S .Q.Total = y ijk2 C = (136,112 + 105, 292 + .... + 61,87 2 + 43, 742 ) C
i =1 j =1 k =1
I J k
S .Q.Total = y ijk2 C = ( 146.678,87 ) 133.402, 7526 = 13.276,1142
i =1 j =1 k =1
1 I
1
S .Q.Trat =
JK
T i =1
i
2
C = (808, 432 + 487, 57 2 + 493, 32 2 ) 133.402, 7526 = 8.428, 2714
8
1 J
1
S .Q.Blo cos =
IK
B
j =1
2
J C = (540,162 + 421,592 + 478,912 + 348, 662 ) C
6
1 J
1
S .Q.Blo cos =
6 j =1
BJ2 C = ( 136.738,26 ) 133.402, 7526 = 3.335,5036
6
Ti Ti
i =
r JK
logo
Ti T 808, 43
A = = i = = 101, 05 cm
r JK 8
B = 60,95 cm
C = 61, 67 cm
Com um erro padro
s 3 trat
DMS () = q = q . s( x ) = 3, 61
r 18 g.l. Res
A = 101, 05 a
C = 61, 67 b
B = 60,95 b
Tratamentos Mdias
A -Semeadura direta no campo 105,05 a
B- Semeadura em recipientes a pleno sol 60,95 b
C- Semeadura em recipientes no ripado 61,67 b
S( x ) 3,24
DMS 11,70
Mdias seguidas de mesma letra no diferem entre si pelo teste de Tukey (p > 0,05).
Concluses: no presente trabalho, constatamos que, para a altura das plantas do mamoeiro
aos 147 dias aps a semeadura, aconselhvel fazer o plantio direto no campo e que a semeadura
em recipientes a pleno sol e ripado no possui influncia sobre o desenvolvimento em altura das
plantas do mamoeiro.
5. EXPERIMENTOS FATORIAIS
5.1. Introduo
Nos experimentos mais simples comparamos tratamentos de apenas um tipo ou fator,
permanecendo os demais fatores constantes. Assim, nesses experimentos, quando comparamos
inseticidas, todos os demais fatores, como, por exemplo: variedades, adubaes, tratos culturais etc.,
devem ser mantidos constantes, isto , devem ser os mesmos para todos os inseticidas estudados.
Entretanto, existem casos em que vrios fatores devem ser estudados simultaneamente para
que possam nos conduzir a resultados de interesse. Para tanto, nos utilizamos dos experimentos
fatoriais, que so aqueles nos quais so estudados, ao mesmo tempo, os efeitos de dois ou mais tipos
de tratamentos ou fatores.
Cada subdiviso de um fator denominada de nvel do fator e os tratamentos nos
experimentos fatoriais consistem de todas as combinaes possveis entre os diversos fatores nos
seus diferentes nveis.
Por exemplo, podemos, num experimento fatorial, combinar 2 Variedades de cana-de-
acar, com 3 diferentes Herbicidas. Ento, teremos um fatorial 2x3, com os fatores: Variedades
(V) e Herbicidas (H), sendo que o fator Variedades ocorre em 2 nveis (V1 e V2) o fator Herbicidas
ocorre em 3 nveis (H1, H2 e H3) e os 6 tratamentos so:
Outro exemplo
- podemos, num experimento fatorial 3x3x2, combinar 3 Variedades (V1, V2 e V3) 3 Adubaes
(A1, A2 e A3) e 2 pocas de plantio (E1 e E2) e teremos 18 tratamentos, que so todas as
combinaes possveis dos 3 fatores em seus diferentes nveis.
Os 18 tratamentos so:
C0 C1 Totais
A0 14 23 37
A1 32 53 85
Totais 46 76 112
Graficamente:
60
53
50
C dentro A1
A dentro C1
A1
40
32
30
23
A dentro de C0 A0
20 C dentro A0
14
10
0
C0 C1
A dentro de C0 + A dentro de C1
Efeito principal de A =
2
18 + 30
Efeito principal de A = = 24
2
C dentro de A 0 + C dentro de A1
Efeito principal de C =
2
9 + 21
Efeito principal de C = = 15
2
A dentro de C0 + A dentro de C1
Efeito principal de A =
2
A C A0C0 + A1C1 A0C1
Efeito principal de A = 1 0
2
( A C + A0C0 ) ( A1C1 + A0C1 )
Efeito principal de A = 1 0
2
A1 A0 85 37
Efeito principal de A = = = 24
2 2
Analogamente:
C1 + C0 76 + 46
Efeito principal de C = = = 15
2 2
A dentro de C1 A dentro de C0
Efeito int erao de AxC =
2
30 18
Efeito int erao de AxC = =6
2
C dentro de A1 C dentro de A0
Efeito int erao de CxA =
2
21 9
Efeito int erao de CxA = =6
2
Vemos, ento, que tanto faz calcular a interao AxC como a interao CxA.
Examinando o quadro auxiliar, j podemos ter uma indicao da existncia ou no da
interao. Devemos observar como o A se comporta na ausncia de C (A dentro C0) e na presena
de C (A dentro C1) e como o C se comporta na ausncia de A (C dentro A0) e na presena de A (C
dentro A1).
Se o comportamento for o mesmo, tanto na ausncia como na presena, no se constata
interao.
Graficamente, podemos considerar:
Calagens (C ) 1 g.l.
Tratamentos 5 g.l. Adubaes ( A) 2 g.l.
Interao CxA 2 g .l.
Esquema de anlise de varincia, com desdobramento dos graus de liberdade de
tratamentos, de acordo com o esquema fatorial 2x3:
onde:
eijk = erro experimental independe, associado a todas as observaes ( yijk ) que por hiptese
tem distribuio normal com mdia zero e varincia 2.
E1 = Eucalyptus citriodora
E2 = Eucalyptus grandis
As alturas mdias das mudas, em cm, aos 80 dias de idade, so apresentadas na tabela 5.2.1.
TABELA 5.2.1. Alturas mdias das mudas, em cm, aos 80 dias de idade.
Repeties
Tratamentos Totais
1 2 3 4
1 -R1E1 26,2 26,0 25,0 25,4 102,6
2- R1E2 24,8 24,6 26,7 25,2 101,3
3- R2E1 25,7 26,3 25,1 26,4 103,5
4- R2E2 19,6 21,1 19,0 18,6 78,3
5- R3E1 22,8 19,4 18,8 19,2 80,2
6- R3E2 19,8 21,4 22,8 21,3 85,3
551,2
I J
G = yij = (26, 2 + 26, 0 + .... + 22,8 + 21,3) = 551, 2
i =1 j =1
2
I J
yij 2 2
C=
i =1 j =1 = G = (551, 2) = 12.659, 23
IJ IJ 6 x4
Logo:
I J
S .Q.Total = y ij2 C = (26, 22 + 26, 02 + .... + 22,82 + 21,32 ) C
i =1 j =1
I J
S .Q.Total = y ij2 C = ( 12.858,02) 12.659,23 = 198, 79
i =1 j =1
J demonstramos que
1 I 2
S .Q.Trat = Ti C
J i =1
Portanto:
1 I 2 1
S .Q.Trat = Ti C = 4 (102, 62 + 101, 32 + .... + 85,32 ) 12.659,23 = 175, 70
J i =1
Q.M .Re s 1, 28
CV = x100 = x100 = 4,92
x 22,97
O que, em funo da caracterstica dos dados estudados, constitui um bom coeficiente.
S .Q.Trat 175, 70
R2 = = = 0,8839
S .Q.total 198, 79
Este coeficiente indica que 88,39% da variao total dos dados foi explicado pelo modelo
considerado.
Observe que o coeficiente de determinao proveniente da soma de quadrados de
tratamentos em relao soma de quadrados totais, o que significaria dizer:
5% = 2, 77
Para tratamentos 5 x 18 g.l
1% = 4, 25
Re cipientes ( R) = 2 g.l
Tratamentos 5 g.l Espcies ( E ) = 1 g.l
Interao RxE = 2 g.l
Para o clculo das somas de quadrados correspondentes aos efeitos principais dos fatores e a
interao entre eles, devemos organizar um quadro auxiliar, relacionando os nveis dos 2 fatores:
R1 R2 R3 TOTAIS
E1 102,6 (4) 103,5 (4) 80,2 (4) 286,3 (12)
E2 101,3 (4) 78,3 (4) 85,3 (4) 264,9 (12)
Totais 203,9 (8) 181,8 (8) 165,5 (8) 551,2 (24)
1
S .Q.Re cipientes = (203,92 + 181,82 + 165,52 ) 12.659,23 = 92,86
8
1
S .Q.Espcies = (286,32 + 264,92 ) 12.659,23 = 19, 08
12
1
S .Q.R, E = (102, 62 + 103,52 + .... + 85,32 ) 12.659,23 = 175, 70
4
F da Tabela
5% = 3,55
R e Interao 2 x 18 g.l
1% = 6, 01
5% = 4, 41
E 1 x 18 g.l
1% = 8, 29
Verificamos que o teste F para a Interao RxE foi significativo (P< 0,01), indicando existir
uma dependncia entre os efeitos dos fatores: Recipientes e Espcies.
Ento, as concluses que poderamos tirar da Tabela 5.2.2, para Recipientes e para Espcies,
ficam prejudicadas, pois:
os efeitos dos recipientes dependem da espcie utilizada; ou
os efeitos das espcies dependem do recipiente utilizado.
Ento, devemos proceder ao desdobramento da Interao RxE, o que pode ser feito de duas
maneiras:
a) para estudar o comportamento das espcies dentro de cada recipiente;
b) para estudar o comportamento dos recipientes dentro de cada espcie.
1 203,92
S .Q.Espcies dentro de R1 = (102, 62 + 101,32 ) = 0, 21
4 8
1 181,82
S .Q.Espcies dentro de R2 = (103,52 + 78,32 ) = 79,38
4 8
1 165,52
S .Q.Espcies dentro de R3 = (80, 22 + 85,32 ) = 3, 25
4 8
Verificao:
S .Q.E d . R1 + S .Q.E d . R2 + S .Q.E d . R3 = S .Q.E + S .Q.RxE
= 0, 21 + 79,38 + 3, 25 = 63, 76 + 19, 08 82,84 = 82,84
Concluses:
a) Quando se utiliza o recipiente: saco plstico pequeno (R1) no h diferena significativa
(p>0,05) para o desenvolvimento das mudas das 2 espcies;
b) Quando se utiliza o recipiente: saco plstico grande (R2) h diferena significativa (p<0,01) no
desenvolvimento das mudas das 2 espcies, sendo melhor para Eucalyptus citriodora (E1).
c) Quando se utiliza o recipiente: laminado (R3) no h diferena significativa (p>0,05) para o
desenvolvimento das mudas das 2 espcies.
Graficamente:
110
E1 E2
100
Altura (cm)
90
80
70
R1 R2 R3
Recipientes
1 286,32
S .Q.Re cipientes dentro de E1 = (102, 62 + 103,52 + 80, 22 ) = 87,12
4 12
1 264,92
S .Q.Re cipientes dentro de E2 = (101,32 + 78,32 + 85,32 ) = 69,50
4 12
Verificao:
S .Q.R d . E1 + S .Q.R d . E2 = S .Q.R + S .Q.RxE
= 87,12 + 69,50 = 92,86 + 63, 76 156, 62 = 156, 62
Concluses:
a) Os 3 recipientes tm efeitos diferentes (p < 0,01) sobre o desenvolvimento de mudas de
Eucalyptus citriodora (E1) .
b) Os 3 recipientes tm efeitos diferentes (p < 0,01) sobre o desenvolvimento de mudas de
Eucaliptus grandis (E2).
Graficamente:
110
R1 R2 R3
100
Altura (cm)
90
80
70
E1 E2
Eucaliptos
s Q.M .Re s 1, 28
s( ) = = = = 0,57 cm
r r 4
5% = 3, 61
q 3 x 18 g .l
1% = 4, 71
s
DMS ()0,05 = q = q . s( ) = 3, 61x0,57 = 2, 06 cm
r
s
DMS ()0,01 = q = q . s( ) = 4, 71x0,57 = 2, 69 cm
r
Concluso: para o Eucalyptus citriodora (E1) os melhores recipientes foram: o saco plstico
pequeno (R1) e o saco plstico grande (R2) que determinaram desenvolvimento de mudas
significativamente maior que o laminado (R3) sem diferirem (R1 e R2) entre si.
b) Recipientes d. E2
s Q.M .Re s 1, 28
s( ) = = = = 0,57 cm
r r 4
5% = 3, 61
q 3 x 18 g .l
1% = 4, 71
s
DMS ()0,05 = q = q . s( ) = 3, 61x0,57 = 2, 06 cm
r
s
DMS ()0,01 = q = q . s( ) = 4, 71x0,57 = 2, 69 cm
r
Concluso: para o Eucalyptus grandis (E2) o melhor recipiente foi o saco plstico pequeno
(R1) que determinou desenvolvimento de mudas significativamente maior que o saco plstico
grande (R2) e que o laminado (R3).
Espcies Recipientes
Saco plstico pequeno Saco plstico grande Laminado
(R1) (R2) (R3)
Eucalyptus citriodora (E1) 25,65 a A 25,88 a A 20,05 b A
Eucalyptus grandis (E2) 25,33 a A 19,58 b B 21,33 b A
Letras iguais entre si, minscula na linha, no diferem entre si pelo teste de Tukey (P>0,05).
Letras iguais entre si, maiscula na coluna, no diferem entre si pelo teste de F (P>0,05).
s Q.M .Re s
s( ) = =
r 8
BLOCOS
TRATAMENTOS TOTAIS
1 2 3 4 5 6
N0P0K0 3.029 3.857 2.448 2.448 3.543 4.314 19.639
N0P0K1 2.438 3.086 3.771 4.657 1.962 3.210 19.124
N0P1K0 3.448 3.600 3.895 4.267 3.086 3.657 21.953
N0P1K1 3.533 5.048 3.467 4.095 1.876 2.895 20.914
N1P0K0 3.362 3.714 3.429 3.190 2.686 4.038 20.419
N1P0K1 4.905 6.295 4.924 4.952 5.381 5.543 32.000
N1P1K0 4.171 3.114 4.124 3.981 3.038 3.590 22.018
N1P1K1 4.476 4.752 4.848 4.676 6.829 3.771 29.352
TOTAIS 29.362 33.466 30.906 32.266 28.401 31.018 185.419
2
I J
yij
i =1 j =1 G 2 (185.419) 2
C= = = = 716.254.283
IJ IJ 8 x6
I J
S .Q.Total = y ij2 C = (3.0292 + 3.857 2 + .... + 6.8292 + 3.7712 ) C
i =1 j =1
I J
S .Q.Total = y ij2 C = (766.099.509) 716.254.283 = 49.845.226
i =1 j =1
1 I 2 1
S .Q.Trat =
J i =1
Ti C = (19.6292 + 20.4192 + .... + 29.3522 ) 716.254.283 = 26.748.233
6
Para completar a anlise de varincia, resta-nos calcular as somas de quadrados para blocos
e para o resduo. A soma de quadrados para blocos, conforme vimos, calculada por:
1 J 2 1
S .Q.Blo cos =
I j =1
BJ C = (29.3622 + 33.4662 + ... + 28.4012 + 31.0182 ) C
8
1 J 2 1
S .Q.Blo cos =
8 j =1
BJ C = (718.388.615) 716.254.283 = 2.134.332
8
S .Q.Trat 26.748.233
R2 = = = 0,5793
S .Q.total 49.845.226
Este coeficiente indica que 57,93% da variao total dos dados foi explicado pelo modelo
considerado.
5% = 2, 29
Para tratamentos 7 x 35 g.l
1% = 3, 21
5% = 2, 49
Para blo cos 5 x 35 g.l
1% = 3, 61
Efeito de N 1 g.l.
Efeito de P 1 g.l.
Efeito de K 1 g.l.
Efeito da Interao NxP 1 g.l.
Efeito da Interao NxK 1 g.l.
Efeito da Interao PxK 1 g.l.
Efeito da Interao NxPxK 1 g.l.
Tratamentos 7 g.l.
Para o clculo das somas de quadrados desses efeitos, inicialmente devemos organizar os
quadros auxiliares, que relacionam os nveis dos fatores dois a dois e, portanto, obteremos 3
quadros auxiliares (N com P; N com K; P com K).
Para a organizao desses quadros, cada valor interno obtido pela soma de 2 totais de
tratamentos, correspondentes aos tratamentos que apresentam aquela combinao de nveis dos
fatores em cada um dos dois nveis do outro fator.
I)
P0 P1 TOTAIS
N0 38.763 (12) 42.867 (12) 81.630 (24)
N1 52.419 (12) 51.370 (12) 103.789 (24)
TOTAIS 91.182 (24) 94.237 (24) 185.419 (48)
II)
K0 K1 TOTAIS
N0 41.592 (12) 40.038 (12) 81.630 (24)
N1 42.437 (12) 61.352 (12) 103.789 (24)
TOTAIS 84.029 (24) 101.390 (24) 185.419 (48)
III)
(12) K0 K1 TOTAIS
P0 40.058 (12) 51.124 (12) 91.182 (24)
P1 43.971 (12) 50.266 (12) 94.237 (24)
TOTAIS 84.029 (24) 101.390 (24) 185.419 (48)
1
S .Q.N = (81.6302 + 103.7892 ) 716.254.283 = 10.229610
24
1
S .Q.P = (91.1822 + 94.237 2 ) 716.254.283 = 194.438
24
Neste caso, a soma de quadrados do efeito conjunto (N, P) no igual a soma de quadrados
de tratamentos e calculada por:
1
S .Q.N , P = (38.7632 + 42.867 2 + 52.4192 + 51.3702 ) 716.254.283 = 10.977.244
12
1
S .Q.N , K = (41.5922 + 40.0382 + 42.437 2 + 61.3522 ) 716.254.283 = 25.237.615
12
S .Q.NxK = S .Q.N , K S .Q.N S .Q.K
Resta apenas calcular a soma de quadrados da interao NxPxK, que obtida por diferena
em relao a soma de quadrados de tratamentos, ou seja:
5% = 4,13
F da Tabela 1 x 35 g .l
1% = 7, 44
Concluso: o adubo nitrogenado (N) e o adubo potssico (K) possuem efeito significativo
(P< 0,01) sobre a produo do cafeeiro e eles esto interagindo, com um adubo influindo na ao do
outro, pois a interao NxK foi significativa (P< 0,01).
Devemos, ento, proceder ao desdobramento da interao NxK, o que pode ser feito de duas
maneiras:
a) para estudar o efeito do N, na ausncia e na presena de K;
b) para estudar o efeito do K, na ausncia e na presena de N.
Concluses:
1) o nitrognio no possui efeito significativo (P> 0,05), quando na ausncia de potssio.
2) o nitrognio possui efeito significativo (P< 0,01), quando na presena de potssio, ou
seja, a presena de potssio estimula o efeito do nitrognio.
Graficamente:
65
60 N0 N1
55
Produo (t/ha)
50
45
40
35
30
K0 K1
2
1 103.789
S .Q.K na presena de N = (42.437 2 + 61.352 2 ) = 14.907.384
12 24
Verificao:
S .Q.K d N 0 + S .Q.K d N1 = S .Q.K + S .Q.NxK
Concluses:
1) o potssio no possui efeito significativo (P>0,05), quando na ausncia de nitrognio.
2) o potssio possui efeito significativo (p< 0,01), quando na presena de nitrognio, ou seja, a
presena de nitrognio estimula o efeito do potssio.
Graficamente:
65
60 K0 K1
55
Produo (t/ha)
50
45
40
35
30
N0 N1
Observao: nos experimentos fatoriais 2x2x2 ou 23, todos os efeitos principais dos fatores
e das interaes entre os fatores possuem 1 grau de liberdade e suas somas de quadrados podem ser
calculadas pelo mtodo dos contrastes de totais de tratamentos, da forma mostrada a seguir.
5.3.1 Obteno das somas de quadrados pelo mtodo dos contrastes de totais de tratamentos
Para o clculo das somas de quadrados correspondentes aos efeitos principais dos fatores e
s interaes entre eles, devemos inicialmente estabelecer os contrastes de totais de tratamentos
correspondentes a esses efeitos.
O contraste que nos fornece o efeito principal de N aquele que compara os dois nveis (0 e
1) de N, ou seja, o contraste que nos fornece N1 vs. N0 e obtido atribuindo-se o coeficiente -1 aos
tratamentos com N0 e +1 aos tratamentos com N1 ou seja:
YN = N 0 P0 K 0 N 0 P0 K1 N 0 P1 K 0 N 0 P1 K1 + N1 P0 K 0 +
+ N1 P0 K1 + N1 P1 K 0 + N1 P1 K1
YP = N 0 P0 K 0 N 0 P0 K1 + N 0 P1 K 0 + N 0 P1 K1 N1 P0 K 0
N1 P0 K1 + N1 P1 K 0 + N1 P1 K1
YK = N 0 P0 K 0 + N 0 P0 K1 N 0 P1 K 0 + N 0 P1 K1 N1 P0 K 0 +
+ N1 P0 K1 N1 P1 K 0 + N1 P1 K1
Para o contraste que nos fornece o efeito da interao NxP, sabemos que ele tem que ser
ortogonal aos contrastes dos efeitos principais, de modo que podemos obt-lo pelo produto
dos coeficientes dos contrastes referentes aos efeitos principais, isto :
YNxP = + N 0 P0 K 0 + N 0 P0 K1 N 0 P1 K 0 N 0 P1 K1 N1 P0 K 0
N1 P0 K1 + N1 P1 K 0 + N1 P1 K1
Existe uma forma prtica de estabelecer todos os contrastes e j calcular suas estimativas,
que obtida por meio da Tabela 5.3.3.
TABELA 5.3.3. Obteno das estimativas dos contrastes de efeitos principais e interaes num
fatorial 2x2x2.
Tratamentos
Efeitos Y
N0P0K0 N0P0K1 N0P1K0 N0P1K1 N1P0K0 N1P0K1 N1P1K0 N1P1K1
N - - - - + + + + 22.159
P - - + + - - + + 3.055
K - + - + - + - + 17.361
NxP + + - - - - + + -5.153
NxK + - + - - + - + 20.469
PxK + - - + + - - + -4.771
NxPxK - + + - + - - + -3.723
Totais 19.639 19.124 21.953 20.914 20.419 32.000 22.018 29.352
(Y )
2
( 22.159 )
2
N
S .Q.N = = = 10.229.610
I
6 x8
rC i
2
i =1
Analogamente:
(Y )
2
( 3.055)
2
P
S .Q.P = = = 194.438
I
6 x8
r C i
2
i =1
(Y )
2
(17.361)
2
K
S .Q.K = = = 6.279.257
I
6 x8
r C i
2
i =1
(Y )
2
( 5.153)
2
NxP
S .Q.NxP = = = 553.196
I
6 x8
r C i
2
i =1
(Y )
2
( 20.469 )
2
NxK
S .Q.NxK = = = 8.728.749
I
6 x8
r C i
2
i =1
( Y )
2
( 4.771)
2
PxK
S .Q.PxK = = = 474.218
I
6 x8
r C i
2
i =1
( )
2
Y NxPxK ( 3.723)
2
S .Q.NxPxK = = = 288.765
I
6 x8
r C i
2
i =1
00 10 20
01 11 21
02 12 22
yijk = + Bi + Pj + K k + PK jk + eijk
onde:
yijk = valor observado referente ao nvel j de fsforo, no nvel k de potssio, submetido ao bloco i;
= uma constante associada a todas as observaes;
Bi = efeito do bloco, com i=1, 2 e 3;
Pj = efeito do nvel j de fsforo, com j= 1, 2 e 3;
eijk = erro experimental independe, associado a todas as observaes ( yijk ) que por hiptese
tem distribuio normal com mdia zero e varincia 2.
Blocos
Tratamentos Totais
1 2 3
P0K0 3.196 3.091 2.781 9.068
P0K1 2.530 3.025 3.286 8.841
P0K2 2.909 3.322 3.047 9.278
P1K0 3.287 3.313 3.332 9.932
P1K1 3.277 3.363 3.320 9.960
P1K2 3.233 3.027 3.519 9.779
P2K0 3.679 3.391 3.639 10.709
P2K1 2.885 3.731 2.944 9.560
P2K2 3.222 3.378 3.423 10.023
Totais 28.218 29.641 29.291 87.150
I J
G = yij = (3.196 + ... + 3.423) = 87.150
i =1 j =1
2
I J
yij 2 2
C=
i =1 j =1 = G = (87.150) = 281.300.833
IJ IJ 9 x3
I J
S .Q.Total = y ij2 C = (3.1962 + .... + 3.4232 ) C
i =1 j =1
I J
S .Q.Total = y ij2 C = (283.282.054) 281.300.833 = 1.981.221
i =1 j =1
1 I 2 1
S .Q.Trat =
J i =1
Ti C = (9.0682 + ... + 10.0232 ) 281.300.833 = 860.855
3
1 J 2 1
S .Q.Blo cos =
I j =1
BJ C = (28.2182 + 29.6412 + 29.2912 ) 281.300.833 = 122.176
9
Este coeficiente indica que 49,62% da variao total dos dados foi explicado pelo modelo
considerado.
K0 K1 K2 Totais
P0 9.068 (3) 8.841 (3) 9.278 (3) 27.187 (9)
P1 9.932 (3) 9.960 (3) 9.779 (3) 29.671 (9)
P2 10.709 (3) 9.560 (3) 10.023 (3) 30.292 (9)
Totais 29.709 (9) 28.361 (9) 29.080 (9) 87.150 (27)
3- Clculo das mdias dos nveis dos fatores e aplicao do teste de Tukey
Examinando o quadro auxiliar, vemos que os totais dos nveis de fsforo e de potssio so
totais de 9 parcelas e, portanto, as mdias dos nveis sero calculadas dividindo-se cada total de
nvel por 9, logo:
s 62.687
S( m ) = = = 83, 46 kg / ha
r 9
DMS () = q.S( m )
3 nveis
q = 3,65 nveis
16 gl
Vemos que apenas P2P0, o que est indicado pelas letras diferentes aps as mdias dos
nveis.
1) Ele pode ser usado quando os tratamentos associados aos nveis de um dos fatores exigem maior
quantidade de material na unidade experimental do que os tratamentos do outro fator. Isto comum
em ensaios de campo ou de laboratrio. Por exemplo, num ensaio de campo um dos fatores poderia
ser: mtodos para preparo do solo, que exigem parcelas grandes. O outro fator poderia ser
variedades, que podem ser comparadas usando parcelas menores.
2) O delineamento pode ser utilizado quando um fator adicional incorporado em um experimento,
para ampliar seu objetivo. Por exemplo: supor que o principal objetivo de um experimento
comparar os efeitos de diversos fungicidas como proteo contra infeco por uma doena. Para
ampliar o objetivo do experimento, diversas variedades so includas, as quais se sabe que diferem
quanto resistncia doena. Aqui, as variedades poderiam ser distribu das nas parcelas e os
fungicidas nas subparcelas.
3) Atravs de prvia informao, sabe-se que maiores diferenas podem ser esperadas entre os
nveis de um certo fator do que entre os nveis do outro fator. Neste caso, os tratamentos com o
fator onde maiores diferenas so esperadas, poderiam ser casualizados nas parcelas, por uma
questo de convenincia.
Em resumo, desde que nos experimentos em parcelas subdivididas a variao entre
subunidades esperada ser menor do que entre unidades (parcelas), o fator que requer menor
quantidade de material experimental, ou que de maior importncia, ou que esperado mostrar
menores diferenas ou para o qual maior preciso desejada por alguma razo, deve ser casualizado
nas subparcelas de cada parcela.
1o BLOCO C B A A B C B A C B C A
3 1 4 2
o
2 BLOCO C A B A C B C A B B C A
4 2 1 3
Do ponto de vista prtico fica mais fcil o plantio nas diferentes pocas na parcela, pois,
trabalha-se com a poca em uma rea maior, dispondo todas as variedades em cada poca.
O esquema de anlise de varincia fica:
1o BLOCO 2 3 1 4 1 3 4 2 3 2 4 1
B A C
o
2 BLOCO 3 1 4 2 2 4 3 1 4 2 1 3
C B A
I J k
G = yijk
i =1 j =1 k =1
2
I J k
yijk 2
C= i =1 j =1 k =1 =
( G)
IJK IJK
I J k
S .Q.Total = S .Q.Subparcelas = y ijk2 C
i =1 j =1 k =1
1 I 2
S .Q.P arcelas = P C
k i =1 ij
1 J
S .Q.Blo cos =
IK
Bj =1
2
J C
1 I
S .Q.Fator A =
JK
A
i =1
i
2
C
1 K
S .Q.Fator B =
IJ
B
k =1
i
2
C
1 I K 2
S .Q.Interao AxB = yik C S .Q. A S .Q.B
J i =1 k =1
S .Q.Re sduo(b) = S .Q.Subparcelas S .Q.Parcelas S .Q.B S .Q. AxB
Blocos
Raes Suplementos Totais
1 2 3 4 5 6
M 107 117 122 111 90 116 663
A
V 89 101 98 101 95 90 574
M 116 136 130 122 117 114 735
B
V 120 125 145 135 120 115 760
M 90 112 99 105 110 114 630
C
V 96 89 92 78 90 93 538
Totais 618 680 686 652 622 642 3.900
Quadro auxiliar I:
Raes
Blocos Totais
A B C
1 196 (2) 236 (2) 186 (2) 618 (6)
2 218 (2) 261 (2) 201 (2) 680 (6)
3 220 (2) 275 (2) 191 (2) 686 (6)
4 212 (2) 257 (2) 183 (2) 652 (6)
5 185 (2) 237 (2) 200 (2) 622 (6)
6 206 (2) 229 (2) 207 (2) 642 (6)
Totais 1.237 (12) 1.495 (12) 1.168 (12) 3.900 (36)
Suplementos
Raes Totais
M V
A 663 (6) 574 (6) 1.237 (12)
B 735 (6) 760 (6) 1.495 (12)
C 630 (6) 538 (6) 1.168 (12)
2.028 (18) 1.872 (18) 3.900 (36)
I J k
G = yijk = 107 + 117 + ... + 90 + 93 = 3.900
i =1 j =1 k =1
2
I J k
yijk 2 2
C= i =1 j =1 k =1 =
( G)
=
( 3.900 )
= 422.500
IJK IJK 3x 2 x6
I J k
S .Q.Total = S .Q.Subparcelas = y ijk2 C =
i =1 j =1 k =1
1 I 2
S .Q.P arcelas = P C
k i =1 ij
1
S .Q.P arcelas = (1962 + .... + 207 2 ) 422.500 = 6.431, 0
2
1 J
S .Q.Blo cos =
IK
B
j =1
2
J C
1
S .Q.Blo cos = (6182 + ... + 6422 ) 422.500 = 678, 7
6
1 I 2
S .Q.Raes = Ai C
JK i =1
1
S .Q.Raes = (1.237 2 + 1.4952 + 1.1682 ) 422.500 = 4.951,5
12
1 K 2
S .Q.Suplementos = Bi C
IJ k =1
1
S .Q.Suplementos = (2.0282 + 1.8722 ) 422.500 = 676, 0
18
1 I K 2
S .Q.Interao RxS = yik C S .Q.R S.Q.S
J i =1 k =1
1
S .Q.Interao RxS = (6632 + .... + 5382 ) 422.500 4.951,5 676, 0 = 741,5
6
S .Q.Re sduo(b) = S .Q.Subparcelas S .Q.Parcelas S .Q.S S .Q.RxS
S .Q.Re sduo(b) = 8.772, 0 6.431, 0 676, 0 741,5 = 923,5
Interpretao:
i) No houve efeito de blocos (peso inicial). O peso inicial dos animais no afetou os resultados
finais.
ii) Houve diferena entre as raes (P<0,01)
iii) Houve diferena entre os suplementos (P<0,01)
iv) A interao entre as raes e os suplementos existe (P<0,05). Logo os fatores so dependentes e
qualquer comentrio ou resultado sobre eles deve ser feito aps o desdobramento da interao.
Resultados:
i) Houve diferena entre os suplementos quanto se utilizou a rao A (P<0,01).
ii) No houve diferena entre os suplementos quando se utilizou a rao B (P>0,05).
iii) Houve diferena entre os suplementos quando se utilizou a rao C (P<0,01).
Verificao:
S .Q. rao d M + S .Q. rao d V = S .Q. rao + S .Q.RxS
Temos, ainda, que combinar o grau de liberdade para o resduo combinado, como segue:
G .L ' =
[Q.M .Re s.(a)] + [ ( K 1) xQ.M .Re s.(b)]
2 2
G .L ' = = 22, 44 22
[80,1] + [ (2 1) x61, 6]
2 2
10 15
Resultados:
i) Houve diferena entre as raes quanto se utilizou o suplemento M (P<0,01).
ii) Houve diferena entre as raes quanto se utilizou o suplemento V (P<0,01).
Suplementos
Raes Totais
M V
A 663 (6) 574 (6) 1.237 (12)
B 735 (6) 760 (6) 1.495 (12)
C 630 (6) 538 (6) 1.168 (12)
2.028 (18) 1.872 (18) 3.900 (36)
Suplementos
Raes Totais
M V
A 110,5 95,7 103,1
B 122,5 126,7 124,6
C 105,0 89,7 97,3
112,7 104,0 108,3
3 raes
q = 3,555 , obtidos por interpolao linear.
22 gl '
e o valor da diferena mnima significativa pelo teste de Tukey ao nvel de 5% de
probabilidade :
Suplementos
Raes Mdias
M V
A 110,5 Aab 95,7 Bb 103,1
B 122,5 Aa 126,7 Aa 124,6
C 105,0 Ab 89,7 Bb 97,3
Mdias 112,7 104,0 108,3
Letras maisculas, distintas na linha, diferem ente si pelo teste de F.
Letras minsculas, distintas na coluna, diferem ente si pelo teste de Tukey (P<0,05).
Concluses:
- O suplemento M proporcionou ganho de peso superior, quando utilizou-se a rao A e C;
- Quando se utiliza a rao B, os suplementos M e V proporcionaram o mesmo ganho de peso dos
animais, portanto, se for utilizar esta rao, selecionar o suplemento de menor custo.
1o Bloco B3 B1 B4 B2 B1 B4 B2 B3 B3 B2 B4 B1 B2 B3 B4 B1
A2 A3 A1 A4
o
2 Bloco B1 B3 B4 B2 B3 B4 B1 B2 B2 B1 B4 B3 B3 B4 B2 B1
A2 A1 A3 A4
o
3 Bloco B4 B1 B3 B2 B3 B4 B1 B2 B2 B4 B1 B3 B1 B2 B4 B3
A3 A2 A4 A1
o
4 Bloco B2 B4 B1 B3 B4 B1 B3 B2 B2 B1 B3 B4 B3 B2 B4 B1
A1 A3 A4 A2
Lembrando que a unidade de clculo a subparcela, a partir dos dados acima, podemos
calcular:
I J k
G = yijk = 42,9 + 41,6 + ... + 56, 6 + 47, 4 = 3.379,8
i =1 j =1 k =1
2
I J k
yijk 2 2
C= i =1 j =1 k =1 =
( G)
=
( 3.379,8 )
= 178.485,13
IJK IJK 4 x4 x4
I J k
S .Q.Total = S .Q.Subparcelas = y ijk2 C =
i =1 j =1 k =1
2 2
S .Q.Total = (42,9 + .... + 47, 4 ) 178.485,13 = 7.797,39
1 J
S .Q.Blo cos =
IK
B
j =1
2
J C
1
S .Q.Blo cos = (965,32 + ... + 743, 92 ) 178.485,13 = 2.842,87
16
Para o clculo da soma de quadrados de parcelas, devemos organizar um quadro auxiliar
que nos fornea os totais das parcelas:
1 I 2
S .Q.Var ( A) = Ai C
JK i =1
1
S .Q.Var ( A) = (679,32 + ... + 977,12 ) 178, 485,13 = 2.848, 02
16
1 I 2
S .Q.P arcelas = P C
k i =1 ij
1
S .Q.P arcelas = (190, 62 + .... + 209, 62 ) 178485,13 = 6.309,19
4
Para calcular a soma de quadrados para Tratamentos de sementes (B) e para a Interao
AxB, devemos organizar o quadro auxiliar que relaciona os nveis dos 2 fatores entre si:
B1 B2 B3 B4 Totais
A1 144,2 (4) 202,5 (4) 183,4 (4) 149,2 (4) 679,3 (16)
A2 203,4 (4) 221,5 (4) 212,4 (4) 217,2 (4) 854,5 (16)
A3 215,7 (4) 205,5 (4) 223,5 (4) 224,2 (4) 868,9 (16)
A4 247,7 (4) 253,7 (4) 230,7 (4) 245,0 (4) 977,1 (16)
Totais 811,0 (16) 883,2 (16) 850,0 (16) 835,6 (16) 3.379,8 (64)
1 K 2
S .Q.Trat.sementes = Bi C
IJ k =1
1
S .Q.Trat.sementes = (811, 0 2 + .... + 835, 6 2 ) 178.485,13 = 170, 53
16
1 I K 2
S .Q. A, B = yik C
J i =1 k =1
1
S .Q. A, B = (144, 22 + .... + 245, 02 ) 178.485,13 = 3.605, 02
4
5% = 3,86
Variedades ( A) 3 x 9 g .l
1% = 6,99
5% = 2,87
Trat. sementes ( B) 3 x 36 g .l
1% = 4, 38
5% = 2,16
Interao AxB 9 x 36 g .l
1% = 2, 96
Pela anlise de varincia, verificamos que existem efeitos significativos (P< 0,01) para
Variedades (A) e para a Interao AxB, no ocorrendo efeito significativo (P>0,05) para
Tratamentos de sementes (B) .
-Coeficientes de variao:
Nos experimentos em parcelas subdivididas, temos 2 coeficientes de variao:
- para parcelas
-para subparcelas:
4 var iedades
q = 4, 42
9 gl
DMS () = q.S( m ) = 4, 42 x 2, 07 = 9, 2
TA1 679, 3
A1 = = = 42, 5 b
br 4 x4
TA2 854,5
A2 = = = 53, 4 a
br 4 x4
TA3 868,9
A3 = = = 54,3 a
br 4 x4
TA4 977,1
A4 = = = 61,1 a
br 4 x4
4 var iedades
q = 3,81
36 gl
TB1 811, 0
B1 = = = 50, 7 b
ar 4 x4
TB2 883, 2
B2 = = = 55, 2 a
ar 4 x4
TB3 850, 0
B3 = = = 53,1 ab
ar 4 x4
TB4 835, 6
B4 = = = 52, 2 ab
ar 4 x4
4 var iedades
q = 3,81
36 gl
144, 2
Testemunha/Vicland 1 = A1B1 = = 36,1 b
4
202,5
Ceresan/Vicland 1 = A1B2 = = 50, 6 a
4
183, 4
Panogen/Vicland 1 = A1B3 = = 45,9 a
4
149, 2
Agrox/Vicland 1 = A1B4 = = 37,3 b
4
Para a Variedade Vicland 1 (A1), Ceresan M (B2) e Panogen (B3) apresentaram produo
significativamente melhor que Agrox (B4) ou Testemunha (B1).
Se compararmos pelo teste de Tukey, as mdias dos 4 tratamentos de sementes nas demais
Variedades (A2, A3 ou A4), verificaremos que no h diferenas significativas entre elas.
203, 4
Testemunha/Vicland 2 = A 2 B1 = = 50,9 a
4
221,5
Ceresan/Vicland 2 = A 2 B2 = = 55, 4 a
4
212, 4
Panogen/Vicland 2 = A 2 B3 = = 53,1 a
4
218, 2
Agrox/Vicland 2 = A 2 B4 = = 54,3 a
4
215, 7
Testemunha/Clinton = A3 B1 = = 53,9 a
4
205,5
Ceresan/Clinton = A 3 B2 = = 51, 4 a
4
223,5
Panogen/Clinton = A 3B3 = = 55,9 a
4
224, 2
Agrox/Clinton = A 3 B4 = = 56,1 a
4
247, 7
Testemunha/Branch = A 4 B1 = = 61,9 a
4
253, 7
Ceresan/Branch = A 4 B2 = = 63, 4 a
4
230, 7
Panogen/Branch = A 4 B3 = = 57,8 a
4
245, 0
Agrox/Branch = A 4 B4 = = 61,3 a
4
G.L ' =
[Q.M .Re s.(a)] + [ ( K 1) xQ.M .Re s.(b)]
2 2
9 36
Devemos ter sempre:
2
1 811, 0
S .Q. A. d . B1 = (144, 2 2 + ... + 247, 7 2 ) = 1.404,18
4 16
2
1 883, 2
S .Q. A. d . B2 = (202,52 + ... + 253, 7 2 ) = 412, 97
4 16
2
1 850, 0
S .Q. A. d . B3 = (183, 4 2 + ... + 230, 7 2 ) = 324, 77
4 16
2
1 835, 6
S .Q. A. d . B4 = (149, 2 2 + ... + 245, 0 2 ) = 1.292,57
4 16
Verificao:
Verificamos, portanto, que existe maior efeito de Variedades nas sementes no tratadas (B1)
ou tratadas com Agrox (B4).
Para aplicar o teste de Tukey calculamos a DMS;
4 var iedades
q = 3,88
27 gl '
Tratamentos de sementes
Variedades Mdias
Testemunha Ceresan Panogen Agrox
A1 Vicland 1 36,1 Cb 50,6 Ba 45,9 Ba 37,3 Bb 42,5
A2 Vicland 2 50,9 Ba 55,4 ABa 53,1 ABa 54,3 Aa 53,4
A3 Clinton 53,9 ABa 51,4 Ba 55,9 ABa 56,1 Aa 54,3
A4 - Branch 61,9 Aa 63,4 Aa 57,7 Aa 61,3 Aa 61,1
Mdias 50,7 55,2 53,15 52,25
Letras distintas maisculas, na coluna e, minsculas na linha, diferem ente si pelo teste de Tukey
(P<0,05).
Concluses:
- Os tratamentos de sementes melhorou a produo somente quando se utiliza a variedade Vicland
1, sendo recomendado os tratamentos como Ceresan e Panogen.
- Quando no houve tratamento de sementes (testemunha) a variedade Branch apresentou a maior
produo.
- Para os tratamentos Ceresan e Panogen, a variedade Branch, tambm apresentou a melhor
produo, porm quando se aplica o tratamento de semente Agrox, as variedades Vlicland 2
Clinton e Branch apresentam produo iguais entre si e superior a Vincland 1
Esta nova causa de variao: pocas, anos, entre outras considerada como tratamentos
secundrios e o delineamento , ento, considerado como parcelas subdivididas.
Assim, por exemplo, um experimento em parcelas subdivididas com dados de produo de
matria verde para 8 tratamentos, tomados em 2 anos agrcolas seguidos, nas mesmas parcelas,
considerando anos como tratamentos secundrios, e analisando do modo usual.
Igualmente, um experimento com 3 tratamentos e 6 pocas diferentes de coletas para dados
de porcentagem de brix do caldo de cana-de-acar, e os dados so analisados considerando pocas
como tratamentos secundrios.
No entanto, a literatura , considera que pocas ou anos no so casualizados dentro das
parcelas, sugerem uma modificao na anlise usual, isolando do Resduo (b), a interao entre
tratamentos secundrios e blocos.
Assim, para um experimento em parcelas subdivididas, com r Blocos, a Variedades e b
pocas de corte, sugerem o esquema de anlise de varincia seguinte:
Para o clculo da S.Q. Cortes x Blocos, precisamos organizar um quadro auxiliar que
relaciona Cortes e Blocos a partir do qual calculamos a soma de quadrados do efeito conjunto: S.Q.
Cortes, Blocos e, a partir da, a soma de quadrados da interao: S.Q. Cortes x Blocos, por:
B2 B3 B1
A2 16,71 16,70 16,01
BLOCO 1: A3 16,69 17,27 16,43
A1 16,69 16,48 15,54
A4 16,52 16,39 16,48
B2 B1 B3
A3 16,87 17,40 17,20
BLOCO 2: A2 17,23 16,94 16,52
A4 17,00 16,77 17,21
A1 17,30 17,25 16,96
B3 B1 B2
A4 16,18 16,61 15,49
BLOCO 3 A1 16,16 16, 19 16,47
A3 15,90 16,64 16,07
A2 16,75 15,82 16,33
B1 B3 B2
A2 15,42 16,65 16,70
BLOCO 4 A1 15,92 16,82 16,01
A4 16,93 16,97 16,40
A3 16,89 16,49 17,15
Para a anlise de varincia, inicialmente organizamos os dados obtidos para pol% de cana,
da maneira disposta a seguir.
2
I J k
yijk 2 2
C= i =1 j =1 k =1 =
( G)
=
( 795, 52 )
= 13.184, 4181
IJK IJK 4 x3 x 4
I J k
S .Q.Total = S .Q.Subparcelas = y ijk2 C =
i =1 j =1 k =1
1 J
S .Q.Blo cos =
IK
B
j =1
2
J C
1
S .Q.Blo cos = (197, 912 + ... + 198, 612 ) 13.184, 4181 = 4,3956
12
Para o clculo da soma de quadrados para tratamentos A e para o Resduo (a), devemos
organizar um quadro auxiliar que relaciona os nveis de A com Blocos:
1
S .Q. A, blo cos = (48, 712 + ... + 50,302 ) 13.184, 4181 = 6, 0290
3
S .Q. Axblo cos = S .Q.Re s (a ) = S .Q. A, Blo cos S .Q. A S .Q.Blo cos
S .Q. Axblo cos = S .Q.Re s (a ) = 6, 0290 0, 5748 4, 3956 = 1, 0586
O nmero de graus de liberdade para o Resduo (a) dado pelo produto: g.l. A x g.l. Blocos.
Para o clculo da Soma de quadrados para Tratamentos B e para o Resduo (b), devemos
organizar um quadro auxiliar que relaciona os nveis de B, com Blocos:
Ento, Calculamos:
1
S .Q. B = (263, 242 + ... + 266, 652 ) 13.184, 4181 = 0,3829
16
1
S .Q.B, blo cos = (64, 462 + ... + 66,932 ) 13.184, 4181 = 5,8035
4
S .Q.Bxblo cos = S .Q.Re s (b) = S .Q.B, Blo cos S .Q.B S .Q.Blo cos
S .Q.Bxblo cos = S .Q.Re s (b) = 5,8035 0, 3829 4, 3956 = 1, 0250
O nmero de graus de liberdade para o Resduo (b) da do pelo produto: g.l. B x g.l.
Blocos.
Para o clculo da soma de quadrados da Interao AxB, devemos, inicialmente, calcular a
soma de quadrados do efeito conjunto entre A e B, o que pode ser calculado da seguinte maneira:
1
S .Q. A, B = (64,902 + ... + 66, 732 ) 13.184, 4181 = 2, 4771
4
Os valores de F de tabela:
5% = 3,86
Espaamentos ( A) 3 x 9 g .l
1% = 6,99
5% = 5,14
Densidade( B) 2 x 6 g .l
1% = 10,92
5% = 2, 66
Interao AxB 6 x 18 g .l
1% = 4, 01
Verificamos, portanto, que no houve efeito significativo dos fatores estudados sobre os
resultados de pol % de cana
- Comparaes de mdias
Vejamos como seriam as possveis comparaes de mdias, pelo teste de Tukey, para:
a = nmero de tratamentos A=4;
b = nmero de tratamentos B=3;
r = nmero de repeties (bloco) = 4
4 tratamentos A
q = 4, 42
9 gl Res(a)
197, 79
A1 = = 16, 48 a
12
197, 78
A2 = = 16, 48 a
12
201, 00
A3 = = 16, 75 a
12
198,95
A4 = = 16,58 a
12
3 tratamentos B
q = 4,34
6 gl Res (b)
263, 24
B1 = = 16, 45 a
16
265, 63
B2 = = 16, 60 a
16
266, 65
B3 = = 16, 67 a
16
G.L ' =
[Q.M .Re s.(a)] + [( K 1) xQ.M .Re s.(c)]
2 2
9 18
4 tratamentos A
q = 3,88
27 gl '
64,90
A1B1 = = 16, 23 ab
4
64,19
A 2 B1 = = 16, 05 b
4
67,36
A 3B1 = = 16,84 a
4
66, 79
A 4 B1 = = 16, 70 ab
4
G.L ' =
[Q.M .Re s.(b)] + [ ( I 1) xQ.M .Re s.(c)]
2 2
6 18
3 tratamentos B
q = 3,53
24 gl '
64,90
A1B1 = = 16, 23 a
4
64, 47
A1B2 = = 16, 62 a
4
66, 42
A1B3 = = 16, 61 a
4
Os experimentos em quadrados latinos so muito usados nos ensaios com animais, porm,
em pesquisa de laboratrios, em casa de vegetao e tambm a campo, podem ser utilizados.
Suponhamos, por exemplo, que queremos experimentar 5 raes (A, B, C, D, E) em 5 vacas
e Com 5 capins distintos usados para pastagens. Evidentemente aconselhvel um delineamento em
que cada rao seja experimentada em cada uma das vacas e com cada um dos capins. Um tal
delineamento, que um quadrado latino de 5 x 5, poder ter o esquema seguinte.
A B A B C
B A B C A
C A B
A B C D A B C D E
B C D A B C D E A
C D A B C D E A B
D A B C D E A B C
E A B C D
QL 1 QL 2 QL 3
A B C A B C A B C
B C A B C A B C A
C A B C A B C A B
Bancadas
Canaletas de irrigao
B1 B2 B3 B4
C1 A B C D
C2 B C D A
C3 C D A B
C4 D A B C
D A B C
1o) Sorteia-se uma letra
A B C D
para a diagonal e completa em
B C D A
ordem alfabtica
C D A B
D A B C
2o) Com as colunas
A B C D
numeradas faz-se o sorteio das
B C D A
mesmas (1, 4, 2 e 3)
C D A B
1 2 3 4
1 D C A B
3o) Com as linhas
2 A D B C
numeradas faz-se o sorteio das
3 B A C D
mesmas (2, 1, 4 e 3)
4 C B D A
A D B C
Este plano ser instalado no
D C A B
campo. Houve casualizao nas
C B D A
linhas e colunas
B A C D
ek (ij ) = erro experimental associado a todo as observaes ( Yk ( ij ) ) que por hiptese tem
2
distribuio normal com mdia zero e varincia ;
G.L.
Causa da variao G.L.
t=2 t=3 t=4 t=5 t=6 t=7
Tratamentos (t-1) 1 2 3 4 5 6
Linhas (t-1) 1 2 3 4 5 6
Colunas (t-1) 1 2 3 4 5 6
Resduo (t-1)(t-2) 0 2 6 12 20 30
2
Total t -1 3 8 15 24 35 48
2
t t t
yijk
( G)
2
C= i =1 j =1 k =1 = 2
t2 t
t t t
S .Q.Total = y ijk2 C
i =1 j =1 k =1
1 t 2
S .Q.Linhas = Li C
t i =1
1 t 2
S .Q.Colunas = CJ C
t j =1
1 t 2
S .Q.Trat = Tk C
t k =1
Q.M .Re s
CV = x100
x
t t t
G = yijk = 80 + 110 + .... + 90 + 80 = 2.494
i =1 j =1 k =1
2
t t t
yijk 2
C= i =1 j =1 k =1 =
( 2.494 )
= 248.801, 44
t2 (5) 2
t t t
S .Q.Total = y ijk2 C = (802 + 1102 + .... + 802 + 1102 ) 248.801, 44
i =1 j =1 k =1
1 t 2 1
S .Q.Linhas =
t i =1
Li C = (4702 + ... + 4952 ) 248.801, 44
5
S .Q.Linhas = 249.157,2 -248.801,44=355,76
1 t 2 1
S .Q.Colunas = CJ C = (4792 + .... + 4552 ) 248.801, 44
t j =1 5
S .Q.Colunas = 250.563, 20 248.801, 44 = 1.761, 76
Para o clculo da soma de quadrado de tratamentos, temos que montar o quadro auxiliar I:
1 t 2 1
S .Q.Trat = Tk C = (4352 + ... + 4752 ) 248.801, 44
t k =1 5
S .Q.Trat = 251.631, 2 248.801, 44 = 2.829, 76
Interpretao:
i) No houve efeito do peso ao nascer dos leites (linha) no ganho de peso final (P>0,05)
ii) Houve efeito de matrizes (coluna) no ganho de peso final (P<0,01)
iii) Houve efeito de tratamentos no ganho de peso final (P<0,01). A idade de castrao afetou o
ganho de peso final
A comparao dos tratamentos feita aplicando o teste de Dunnett, uma vez que o teste de
Tukey no adequado para este fim.
O teste de Dunnett e aplicado, comparando os tratamentos onde foi realizada a castrao
contra a testemunha, onde no ocorreu a castrao:
1 1 2 1 1
V (Y ) = + s = + x35, 61 = 14, 24
ri rp 5 5
s(Y ) = V (Y ) = 14, 24 = 3, 77
Verificamos, portanto que apenas o peso final do tratamento D (idade de castrao aos 21
dias) supera a testemunha, sendo que os demais embora significativa so piores que a testemunha.
Portanto a idade de castrao que deve ser recomendada para melhorar o peso final de leites 21
dias.
O quadro de media fica da seguinte forma:
8.1. Introduo
A anlise de varincia, como feita usualmente, pressupe a independncia dos efeitos dos
diversos tratamentos utilizados. Quando essa hiptese no se verifica, a anlise de varincia deve
refletir a dependncia entre os efeitos dos tratamentos, sob pena de no ser vlida.
Nos experimentos em que os tratamentos so quantitativos, como, por exemplo: nveis
crescentes de adubo, inseticida, fungicida, idades, entre outros, muitas vezes se justifica a existncia
de uma correspondncia funcional, denominada equao de regresso, que ligue os valores dos
tratamentos (X) aos dados analisados (Y).
Por exemplo, essa correspondncia pode ser sentida no caso seguinte, onde:
X = dose de adubo aplicado;
Y = produo por parcela, obtida para cada x.
X 0 1 2 3 4
Y(kg) 33 39 48 55 63
Verificamos, portanto, que h uma tendncia de aumento na produo (Y) medida que
aumentamos a dose de adubo (X).
Vejamos, ento, como fazer a anlise de varincia para o estudo da regresso. O mtodo a
ser utilizado o dos polinmios ortogonais, que de fcil aplicao quando os nveis que compem
os tratamentos so igualmente espaados, pois nos permitem a utilizao de coeficientes dados em
tabelas.
Repeties
Tratamentos Totais
1 2 3 4
1 -0 134,8 139,7 147,6 132,3 554,4
2- 50 161,7 157,7 150,3 144,7 614,4
3- 100 160,7 172,7 163,4 161,3 658,1
4- 150 169,8 168,2 160,7 161,0 659,7
5- 200 165,7 160,0 158,2 151,0 634,9
6- 250 171,8 157,3 150,4 160,4 639,9
7- 300 154,5 160,4 148,8 154,0 617,7
4.379,1
No entanto, regresso maior que 3o grau no tem interesse prtico, de modo que, na anlise
de varincia, podemos considerar as regresses maiores que 3o grau como uma nica causa de
variao, que denominamos desvios de regresso, ficando para o nosso exemplo, o desdobramento
seguinte:
Como os nveis so eqidistantes (0, 50, 100, 150, 200, 250, 300), esta decomposio pode
ser feita de modo simples pelo mtodo dos polinmios ortogonais, com o auxlio de coeficientes
dados em tabelas.
Montamos, ento, um quadro onde aparecem os totais (Ti) dos tratamentos e os coeficientes
(Ci) a serem usados para os componentes de 1o grau (C1i), 2o grau (C2i) e 3o grau (C3i):
Com estes coeficientes (Ci) e totais (Ti) estabelecemos contrastes ortogonais, sendo um
contraste para a Regresso linear, outro para a Regresso quadrtica e assim por diante.
As tabelas j nos fornecem a soma dos quadrados dos coeficientes (K), e uma constante (M)
que ser utilizada na determinao da equao de regresso.
I
YRL = C1iTi = 3T1 2T2 1T3 + 0T4 + 1T5 + 2T6 + 3T7
i =1
Y 2
S .Q.Y = I
r Ci2
i =1
ento:
( )
2
YRL
S .Q.RL =
r K1
I
YRL = C1iTi = 3(554, 4) 2(614, 4) 1(658,1) + 0(659, 7) +
i =1
( )
2
YRL ( 217, 7 )
2
S .Q.RL = = = 423,15
r K1 4 x 28
Para a regresso quadrtica (RQ), temos
I
YRQ = C2iTi = 5(554, 4) + 0(614, 4) 3(658,1) 4(659, 7)
i =1
( Y )
2
2
S .Q.RQ =
RQ
=
( 657,3) = 1.285,84
r K2 4 x84
( )
2
YRC ( 61, 0 )
2
S .Q.RC = = = 155, 04
r K3 4 x6
5% = 4,32 5% = 3, 07
FTabelado 1 x 21 g.l FTabelado 3 x 21 g.l
1% = 8, 02 1% = 4,87
Y = Y + B1M1P1 + B2 M 2 P2 + B3 M 3 P3 + ......
Y = Y + B1M 1 P1 + B2 M 2 P2
Em que:
G G 4.379,1
Y = ( Mdia geral ) = = = 156, 3964 g
IJ IJ 7 x4
YRL 217, 7
B1 = = = 1,9438
r K1 4 x 28
YRQ 657,3
B2 = = = 1,9563
r K2 4 x84
YRC
B3 =
r K3
2 n2 1
P1 = x P2 = x n = Nmero de nveis = 7
12
e para a cbica:
3n 2 1
P3 = x3 .x
12
272 1
P2 = x = x2 4
12
Logo, a equao de regresso fica:
X X
x uma varivel auxiliar dada por: x=
q
X = mdia dos valores de X:
q a diferena entre dois nveis sucessivos de x = 50. (50 - 0=50; 100 - 50=50, etc)
Logo:
X X X 150
x= =
q 50
Substituindo o valor de x em (1), fica:
2
X 150 X 150
Y = 164, 2216 + 1,9438 1,9563
50 50
X 150
Y = 164, 2216 + 1,9438 + 1,9438
50 50
X 2 300 X + 22.500
1,9563
2.500
X 150
Y = 164, 2216 + 1,9438 + 1,9438
50 50
2
X 2 300 X + 22.500
1,9563
2.500
esperados ( Y ) atravs da equao, e os valores observados (Yobs) pelas mdias dos tratamentos .
Ento, temos :
1.094,80 1.094,72
Podemos verificar se a funo tem mximo ou mnimo. Para tanto, calculamos a derivada
primeira de Y em funo a X:
dY
= 0, 2737 0, 001566 X
dX
A derivada segunda :
d 2Y
= 0, 001566 (a funo tem mximo)
dX 2
0,001566X=0,2737
0,2737
X= = 174, 78 kg / ha
0,001566
170
165
Peso de 1.000 sementes (g)
160
155
145
140
135
0 50 100 150 200 250 300
Doses de gesso (kg/ha)
9 TESTES NO PARAMTRICOS
9.1. Introduo
No captulo 3 vimos as quatro hipteses bsicas que se admitem ao aplicar aos dados
experimentais a anlise da varincia e os testes, tambm chamados provas, geral mente a ele
associados: F, t, de Tukey, de Duncan, de Scott, de Scheff, etc. Todos eles exigem, inclusive, que
os erros experimentais tenham, pelo menos aproximadamente, distribuio normal, distribuio que
tm dois parmetros, a mdia e a varincia 2, e exigem tambm que a varincia seja
aproximadamente a mesma para todos os tratamentos, com relao entre o maior e o menor
quadrado mdio residual que no exceda 7. A falta de normalidade no raro tem uma soluo fcil e
eficiente, que a seguinte. Diz um teorema da Estatstica que, em condies muito gerais, a mdia
aritmtica de n variveis tem distribuio aproximadamente normal, desde que n no seja um
numero muito pequeno. A normalidade j e bastante razovel, em geral para n > 5 ou 6. Assim, se
num experimento com tomateiros, avaliarmos a sanidade de cada parcela por uma nota (de zero a
dez, por exemplo), as notas obtidas no se prestam a aplicao da anlise da varincia, nem de
testes a ela associados. Mas se as notas forem dadas independentemente por vrios observadores
treinados e forem atribudas separadamente a cada tomateiro, a cada parcela corresponder uma
nota mdia, e ento, a essas mdias a anlise da varincia e os testes mencionados podem ser
aplicados sem nenhum problema, se as varincias no forem muito discrepantes. essencial,
porm, que cada observador trabalhe independentemente, sem saber a opinio dos outros e, que
julgue cada planta sem considerar as demais. O mesmo princpio se aplica nas provas de xcara do
caf, em que se faz sua classificao de acordo com a bebida. Nessas provas cada parcela tem vrias
xcaras de caf, que so avaliadas por vrios degustadores previamente selecionados. E a cada
bebida indicada (Rio, Riado, Duro, Apenas Mole, Mole e Estritamente mole) corresponde uma nota,
numa escala convencional. As mdias dessas notas, por parcela, e que so analisadas.
Mesmo assim, porm, h trabalhos experimentais cujos resultados no se prestam a
aplicao da anlise de varincia nem das provas correlatas de comparao de mdias de
tratamentos. Faz-se necessrio, ento, lanar mo de outros testes, que so chamados no-
paramtricos.
A definio de estatstica no-paramtrica aquela que dispensa o conhecimento da forma e
dos parmetros da funo de distribuio da varivel aleatria em considerao. Mas essa definio
na verdade excluiria vrias provas consideradas no-paramtricas, como a binomial. Um dos testes
no-paramtricos, talvez o de uso mais comum o do qui-quadrado e, que se aplica a dados de
freqncias. Mas h muitos outros, tais como: o teste binomial, o de wilcoxon, o de Kruskal-Wallis,
o de Friedman, o de Kolmogorov-Smimov, entre outros.
Acasalamentos Totais de
Natureza as vacas
Fecundos Infecundos acasalamentos
Charo1esa 515 1287 1802
Indubrasi1 506 665 1171
Ne1ore 58 70 128
1/2 Charo1s Zebu 205 93 298
Totais 1284 2115 3399
Esses dados, sugerem que o gado Charols seja menos fecundo do que os demais gados que
constam da tabela. Para verificar se h diferenas significativas de fecundidade entre esses tipos de
gado, pode-se aplicar o teste 2 , da maneira exposta a seguir.
Comeamos por calcular as freqncias esperadas, admitida a hiptese de que todas as raas
ou mestios se comportem igualmente. Para isto fazemos regras de trs. No caso das vacas
charolesas, o nmero esperado Fe de acasalamentos fecundos seria dado pela regra de trs seguinte:
3399 1284
1802 Fe
1802 x 1284
Fe = = 680, 7
3399
Acasalamentos Totais de
Natureza as vacas
Fecundos Infecundos acasalamentos
Charo1esa 515 (680,7) 1287 (1121,3) 1802
Indubrasi1 506 (442,4) 665 (728,6) 1171
Ne1ore 58 (48,4) 70 (79,6) 128
1/2 Charo1s Zebu 205 (112,6) 93 (185,4) 298
Totais 1284 2115 3399
Os totais marginais, dois em baixo e quatro direita, devem ser os mesmos, quer para as
freqncias esperadas quer para as observadas, salvo para pequenas diferenas de aproximao,
como no caso presente: Da o resultado na tabela, de 2 x 4 = 8 freqncias, apenas (2 - 1) x (4 - 1) =
(1) x (3) = 3 freqncias esperadas podem ser fixadas por uma hiptese que se testa. As restantes se
podem obter por subtrao dos totais marginais. Diz-se, pois, que o 2 que vamos calcular tem 3
graus de liberdade.
O calculo feito pela formula:
( F F )
2
=
2 O e
Fe
Em que:
FO representa a freqncia observada;
Fe a freqncia esperada.
( 515 680, 7 )
2
(1287 1121,3 )
2
( 93 185, 4 )
2
2 = + + ... + =
680, 7 1121,3 185, 4
2 = 204, 45
O valor de 2 obtido, com 3 graus de liberdade comparado com o que se obtm na tabela
13. Para o nvel de 5% a tabela nos d 2 = 7,82 e, para o de 1%, 2 = 11,34. Como o valor de 2
obtido excede o ltimo nvel de significncia, dizemos que h significncia estatstica ao nvel de
1%. Da decorre que e rejeitada a hiptese de propores iguais para acasalamentos fecundos e
infecundos em todos os tipos de vacas estudados, isto , conclui-se que h diferena significativa
entre as fecundidades das raas ou mestios ensaiados.
desvios (se para mais ou para menos) as tabelas de 2 comuns, tais como a tabela 13, podem ser
usadas, mas tomando a metade da probabilidade indicada, isto , os limites de 5% correspondem ao
nvel de significncia de 2,5%, e assim por diante. No caso presente, o 2 unilateral, com 3 graus
de liberdade, ao nvel de 5%, teria como limite de significncia o valor 2 =9,35; o valor
correspondente ao nvel de 1% seria 2 = 12,84, que na tabela aparece como referente ao nvel de
0,5%.
Acasalamentos Totais de
Natureza as vacas
Fecundos Infecundos acasalamentos
Charo1esa 515 1287 1802
Zebu ou azebuada 769 828 1597
Totais 1284 2115 3399
3399 1284
1802 Fe
1802 x 1284
Fe = = 680, 7
3399
As demais freqncias esperadas se podem calcular por subtrao dos totais marginais.
Obtemos assim os nmeros entre parnteses que constam da tabela seguinte.
Acasalamentos Totais de
Natureza as vacas
Fecundos Infecundos acasalamentos
Charo1esa 515 (680,7) 1287 (1121,3) 1802
Zebu ou azebuada 769 (603,3) 828 (993,7) 1597
Totais 1284 2115 3399
2
( 515 680, 7 )2 (1287 1121,3)2 ( 828 993, 7 )
2
= + + ... + =
680, 7 1121,3 993, 7
2 = 137,96
Nota-se, porm, que todos os numeradores so iguais, bastando, pois, calcular um s deles.
Ficando, portanto:
2 1 1 1
2 = ( 515 680, 7 ) + + ... + =
680, 7 1121,3 993, 7
2 = 137,96**
(a x d b x c)
2 =
(a + b) (c + d ) (a + c) (b + d )
Acasalamentos Totais de
Natureza as vacas
Fecundos Infecundos acasalamentos
Charo1esa 515 (a) 1287 (b) a+ b = 1802
Zebu ou azebuada 769 (c) 828 (d) c + d = 1597
Totais a + c = 1284 b + d = 2115 N = 3399
Sempre que a freqncia esperada mnima for pequena (inferior a 20) tradicional o uso da
correo de continuidade ou de Yates, que consiste em subtrair 0,5 da diferena, em valor absoluto,
entre a freqncia observada e a freqncia esperada em todos os casos da tabela de 2 x 2. No caso
vertente a diferena em valor absoluto e 165,7. O 2 com a correo de Yates seria:
2 1 1 1
2 = (165, 7 0,5 ) + + ... + =
680, 7 1121,3 993, 7
2 = 137,13**
Neste caso a correo pouco altera o resultado, como seria de esperar, mas o mesmo no
acontece quando as freqncias so baixas e a diferena entre a freqncia observada e a esperada,
em valor absoluto pequena. Consideremos, por exemplo, os dados da tabela seguinte.
Acasalamentos Totais de
Natureza as vacas
Fecundos Infecundos acasalamentos
1/2 Charo1esa 310 (307,9) 23 (25,1) 333
3/4 Charo1s-Zebu 34 (36,1) 5 (2,9) 39
Totais 344 28 372
2 1 1 1
2 = ( 2,1 0,5) + + ... + =
307,9 25,1 2,96
2 = 1, 06
O valor no corrigido seria 2 = 1,83, que difere bastante do anterior. No caso vertente,
nenhum deles significativo, mas poderia ocorrer que a correo de Yates alterasse a significncia
estatstica do 2 calculado.
O 2 com correo de Yates para tabelas 2 x 2 pode ser calculado por uma frmula anloga
a dada em 9.2.3, que a seguinte:
2 (| a x d b x c | 0,5 N ) 2 x N
=
( a + b ) ( c + d ) ( a + c ) (b + d )
No caso presente obtemos:
O teste de 2 , que neste caso pouco aconselhvel, nos daria 2 = 7,26**, com 1 grau de
liberdade, valor significativo ao nvel de 1%. Com a correo de Yates, atualmente desaconselhada,
obtm-se 2 = 5,17*, valor significativo ao nvel de 5% e correspondente, aproximadamente a uma
probabilidade de 2,3%.
O melhor, porm, fazer o teste de Fisher, de aplicao fcil quando as freqncias so
baixas. Sejam a, b, c, d as freqncias observadas na tabela 2 x 2, como a seguir.
(a + b)! (c + d )! (a + c )! (b + d )! 1
p= x
N! a ! b! c! d !
Em geral o teste se faz considerando a freqncia mnima da tabela. No caso vertente essa
freqncia mnima e b = 2. Calcula-se, pois, a probabilidade de obter um caso como esse ou mais
extremo. isto , de ter b = 0, 1 ou 2.
Obtemos:
p = 0, 0101 = 1, 01%
O teste assim empregado e unilateral, ao contrrio do 2 , que e bilateral. Este clculo nos
d uma probabilidade ligeiramente superior a 1%; temos pois um resultado significativo ao limite
de 5% e tambm, praticamente, significativo ao limite de 1%.
Ser necessrio multiplicar por 2 essa probabilidade para compar-la com a obtida pelo teste
de 2 sem ou com correo de Yates. O teste de Fisher nos d, pois, p = 2 x 1,01 = 2,02%, valor
Outro contraste, ortogonal ao anterior, ser entre as raas Zebus e os mestios Charols-
Zebu, como se v na tabela seguinte.
Acasalamentos Totais de
Natureza as vacas
Fecundos Infecundos acasalamentos
Indubrasil e nelore 564 (625,5) 735 (673,5) 1299
1/2 Charols - Zebu 205 (143,5) 93 (154,5) 298
Totais 769 828 1597
Um terceiro contraste, ortogonal aos dois primeiros, nos dar a comparao entre as raas
zebunas (Indubrasil e Nelore), como se faz pela tabela seguinte.
Acasalamentos Totais de
Natureza as vacas
Fecundos Infecundos acasalamentos
Indubrasil 506 (508,4) 665 (662,6) 1171
Nelore 58 (56,6) 70 (72,4) 128
Totais 564 735 1299
com 3 graus de liberdade, valor que no coincide exatamente com o 2 calculado em 9.2.2, que era
2 = 204,45, tambm com 3 graus de liberdade. Esta diferena em relao s somas de quadrados
na anlise de varincia pouco satisfatria.
Numerosos trabalhos foram feitos para obter uma partio exata do 2 em tabelas de
contingncia, no entanto, o mtodo acima indicado satisfatrio na maioria dos casos e, de
aplicao bem simples .
B 0,5 N 2 B N
t= =
0,5 N N
em que:
B o numero de sinais mais (ou de sinais menos, tanto faz)
0,5 N o valor esperado (a mdia = Np = N(1/2) = 0,5 N), no caso de no haver efeito de
| B 0,5 N | 0,5 | 2 B N | 1
t= =
0,5 N N
| 2 B N | 1 | 2 x 25 40 | 1
t= = = 1, 42
N 40
| 2 B N | 1 | 2 x 28 40 | 1
t= = = 2,37 *
N 40
Calculamos, pois:
( 25 20 )
2
(15 20 )
2
2 = + = 2,50
20 20
preciso considerar, porm, que o teste do sinal, aplicado com o auxlio da tabela 15 e
exato e no tem restries, ao passo que a prova de qui-quadrado apenas aproximada e seu uso
est sujeito s restries vistas. Para N > 20, o teste t, aplicado como visto, no exato, mas tem
aproximao excelente.
B 1
p = = = 0, 0625 = 6, 25%
N 16
100 B
PI =
B + ( N B + 1)
F *[2 B, 2(n B + 1)]
100( N B)
PS = 100
( N B) + ( B + 1)
F *[2( N B), 2( B + 1)]
em que:
PI e PS so o extremo inferior e o superior do intervalo de confiana.
F*[2B, 2(N-B+l)] o valor do F bilateral, com 2B e 2(N-B+l) graus de liberdade, dado pelas tabelas
3 e 4.
F*[2(N-B), 2(B+l)] tem significado similar. No presente caso, temos N = 60, B = 1. Se
adotado o intervalo de confiana de 95% de probabilidade, usamos a tabela 3. E obtemos:
100 x1
PI = = 0, 04%
1 + (60)
F *(2,120)
100 x(59)
PI = 100 = 100 91, 08 = 8,92%
(59) + (2)
F *(118, 4)
y = ar co s eno x /100
820, 7
V ( y) =
N
820, 7 820, 7 1 1
V ( yi yu ) = + = 820, 7 x +
Ni Nu N i Nu
820, 7 1 1
=q +
2 Ni Nu
onde q se tira das tabelas 6, 7 ou 8, para n tratamentos e infinitos graus de liberdade para o resduo.
No exemplo que estamos discutindo h n = 3 tratamentos, com Nl = N2 = N3 = 200 enxertos cada
um. Temos, pois, para qualquer das trs comparaes possveis:
820, 7 1 1
= 3,31 + = 6, 71
2 200 200
Tratamento
Repeties
1 2 3
1 10% (2) 27% (4) 40% (8)
2 15% (3) 28% (5) 70% (12)
3 5% (1) 44% (9) 55% (10)
4 30% (6) 35% (7) 60% (11)
Os nmeros entre parnteses se referem ordem dos dados, desde o menor (5%), que recebe
o nmero 1, at o maior (70%), que recebe o numero 12. A seguir somamos as ordens para cada um
dos 3 tratamentos.
Tratamento 1: R1 = 2 + 3 + 1 + 6 = 12
Tratamento 2: R2 = 4 + 5 + 9 + 7 = 25
Tratamento 3: R3 = 8 + 12 + 10 + 11 = 41
O teste se baseia exclusivamente nestes valores, sem levar em conta se as diferenas entre
os dados originais so pequenas ou grandes. Ele daria, pois, o mesmo resultado para os dados da
tabela 9.6.2, em que a diferena entre os tratamentos bem menor.
Tratamento
Repeties
1 2 3
1 20% (2) 27% (4) 33%(8)
2 25% (3) 28% (5) 40% (12)
3 18% (1) 34% (9) 36% (10)
4 30% (6) 31% (7) 37% (11)
Por outro lado, avaliando diferenas apenas de ordem, sem nenhum critrio quantitativo
mais preciso, a analise no-paramtrica deste tipo dificulta muito a interpretao econmica dos
resultados. Assim sendo, como regra, os mtodos no-paramtricos, que usem estatsticas de ordem,
devem ser evitados, tanto quanto possvel.
Com os valores de R obtidos, calculamos a estatstica H, assim definida:
12 Ri2
H =
( + 1) x n [3 x( N + 1) ]
N N i
em que:
N o numero total de parcelas no experimento;
ni o nmero de repeties do tratamento i;
Ri o somatrio da ordem de cada tratamento em suas repeties.
12 12 + 25 + 41
2 2 2
H = x [3 x13] = 8,115
12 x 13 4
Tratamento
Repeties
1 2 3
1 18% (1) 27% (4) 33% (9)
2 20% (2,5) 28% (5) 34% (10)
3 20% (2,5) 29% (7) 37% (11)
4 29% (7) 29% (7) 38% (12)
40% (13)
Temos duas parcelas empatadas com 20% de plantas doentes e trs empatadas com 29%. As
duas de 20% teriam, na ordem crescente de valores, os nmeros 2 e 3, damos a cada uma o valor
mdio: 2,5. As trs de 29%, dariam os nmeros 6, 7 e 8, recebe cada uma o valor mdio 7.
Note-se que agora temos nmeros distintos de repeties: n1 = 4; n2 = 4; n3 = 5. A
estatstica a calcular agora :
H
H1 =
C
ti (ti2 1)
C = 1 2
N ( N 1)
Em que:
ti o nmero de observaes empatadas em cada grupo de empates.
N ( N 1)
Ri = 2
Esta propriedade permite uma verificao fcil dos clculos. No caso presente temos
N(N+l)/2 = (13)(14)/2 = 91, e realmente R1 + R2 + R3 = 91.
Por outro lado, temos:
12 13 23 55
2 2 2
H =
13 14 x 4 + 4 + 5 [3 x14] = 9, 4
x
No primeiro grupo de empates h duas parcelas empatadas (t1 = 2), e no segundo, trs (t2 =
3). Temos, pois:
2(22 1) + 3(32 1)
C = 1 2 = 0,986
13(13 1)
com probabilidade = 0,009 = 0,9%. O resultado seria, pois, significativo a esse nvel de
probabilidade.
Tambm no caso de empates se usa a tabela de qui-quadrado para avaliar a significncia de
H, quando no se pode aplicar a tabela 17, isto , para numero de tratamentos acima de 3 ou nmero
de repeties em um ou mais tratamentos acima de 6.
B) O experimento tem mais de 3 tratamentos (k > 3) ou mais de 6 repeties para alguns deles ou
todos.
A) Caso de k = 3, ni 6, com = 1, 2, 3.
Comea-se por calcular as mdias das ordens:
Ri
Ri =
ni
Rj :
N ( N + 1) 1 1
ij = x + x ( h )
12 ni n j
Em que:
N o nmero total de parcelas do ensaio;
ni e nj so os nmeros de repeties dos tratamentos i e j; respectivamente;
h um valor retirado da tabela 17.
R1 = 3, 00 R2 = 6, 25 R3 = 10, 25
13 x14 1 1
ij = x + x ( 5, 692 ) = 6, 08
12 4 4
13 x14 1 1
12 = x + x ( 5, 618 ) = 6,53
12 4 4
13 x14 1 1
13 = 23 = x + x ( 5, 618 ) = 6,19
12 4 5
R1 = 3, 25 R2 = 5, 75 R3 = 11, 00
N ( N + 1) 1 1
ij = t x x +
12 ni n j
Em que:
t tirado da tabela 11, com infinitos graus de liberdade ;
n igual ao nmero de contrastes em estudo, que , no mximo, n = (1/2) k(k-l).
n1 = 5, R1 = 70, R1 = 14,00
n 2 = 5, R 2 = 75, R 2 = 15,00
n 3 = 5, R 3 = 100, R 3 = 20,00
n 4 = 10, R 4 = 80, R 4 = 8,00
25 x 26 1 1
12 = 13 = 23 = 2, 64 x x + = 12, 29
12 5 5
25 x 26 1 1
14 = 24 = 34 = 2, 64 x x + = 10, 64
12 5 10
Note-se tambm que o teste feito para comparao de mdias neste caso B corresponde
exatamente ao de Bonferroni.
Blocos
Tratamentos
1 2 3 4 5
1 20% (1) 28% (2) 5% (1) 40% (2) 18% (1)
2 27% (2) 15% (1) 20% (3) 35% (1) 20% (2)
3 40% (3) 60% (3) 15% (2) 60% (3) 25% (3)
Para aplicar o mtodo, comeamos por pr em ordem os dados, dentro de cada bloco,
dando-lhes nmero de 1 a k, onde k o tamanho do bloco. Tais nmeros de ordem aparecem entre
parnteses na tabela 9.8.1. A seguir obtemos as somas desses nmeros (Ri) para cada tratamento:
R1 = 1 + 2 + 1+ 2 + 1 = 7;
R2 = 2 + 1+3 + 1 + 2 = 9;
R3 = 3 + 3 + 2 + 3 + 3 = 14.
12
K = x Ri2 [3b(k + 1)]
bk (k + 1)
Em que:
b o nmero de blocos
k o seu tamanho (nmero de tratamentos).
12
K = x 7 2 + 92 + 142 [3x5 x 4] = 5, 20
5 x3 x 4
Pela tabela 18, esse valor de K ou maior ocorreria com probabilidade de 0,093 ou 9,3% se
fosse vlida a hiptese de nulidade. Assim sendo, se adotado o limite usual de 5% de probabilidade,
o resultado no seria significativo.
No caso de haver mais de 5 tratamentos (k > 5) ou para nmeros de blocos acima dos
mximos previstos na tabela 18, a estatstica K tem distribuio aproximada do qui-quadrado, com
(k-l) graus de liberdade. Assim, por exemplo, se tivermos, num experimento com k = 6 tratamentos,
em 5 blocos casualizados, K = 13,80, buscaramos os limites de significncia na tabela 13.
Obtemos, com 5 graus de liberdade:
Ao nvel de 5%: 11,07
Ao nvel de 1%: 15,09.
bloco
Tratamento
1 2 3 4 5
1 20% (l,5) 28% (2) 5% (1) 40% (2) 18% (1)
2 20% (1,5) 15% (1) 40% (2,5) 35% (1) 20% (2)
3 40% (3) 60% (3) 40% (2,5) 60% (3) 25% (3)
Tal como no teste de Kruskal - Wallis, no caso de empate, atribumos a cada parcela de um
grupo de parcelas empatadas um valor igual media dos nmeros que lhes caberiam, se no
houvesse empate. A nica diferena que agora a ordenao se faz separadamente dentro de cada
bloco.
No exemplo em discusso temos:
Rl = l,5 + 2 + 1 + 2 + 1 = 7,5;
R2 = 1,5 + 1 + 2,5 + 1 +2=8,0;
R3 = 3 + 3 + 2,5 + 3 + 3 = 14,5.
K
K1 =
C
Tj
C = 1 2
bk ( k 1)
I
T j = tij3 k
i =1
6 + 0 + 0 + 0 + 0
C = 1 2 = 0,9
5 x 3 x (3 1)
12
K = x
7,5 2
+ 8, 0 2
+ 14,5 2
[3 x5 x 4] = 6,10
5 x 3 x 4
logo
K 6,10
K1 = = = 6, 78
C 0,9
Este valor excede o limite 6,40, correspondente probabilidade 0,039 ou 3,9%. Assim
sendo, se adotado o limite usual de 5% de probabilidade, o resultado significativo.
Tambm no caso da estatstica Kl recorre-se distribuio de qui-quadrado com (k-l) graus
de liberdade, quando o nmero de tratamentos (k) ou de blocos (b) excede os mximos presentes na
tabela 18.
As comparaes de mdias nos ensaios em blocos casualizados, por mtodos no-
paramtricos comparveis aos de Tukey ou de Bonferroni, exigem tabelas especiais.