Estatistica Experimental Completa PDF

Prof.
Sidnei Tavares dos Reis 1
1. INTRODUO A ESTATSTICA EXPERIMENTAL
1.1. Introduo
1.1.1 Porque usar a estatstica?

A estatstica ser usada para descrever os procedimentos de coletar, organizar, analisar e
apresentar os resultados da manipulao dos dados provenientes das investigaes cientficas. Antes
de os dados poderem ser analisados, eles devem ser coletados e os conhecimentos dos princpios
bsicos da estatstica devem ser considerados para auxiliar os investigadores no planejamento de
seus experimentos. comum observar inmeras publicaes cientficas apresentando mtodos
estatsticos baseados em tcnicas de anlises usadas especificamente para planejar experimentos.
Aps os dados terem sido coletados, eles devem ser organizados e analisados. O uso de tcnicas e
mtodos estatsticos adequados essencial para a validade de concluses que sero obtidas.
Um exemplo, ilustrativo de tal fato so as instalaes de concreto para granjas de sunos,
introduzidas em nosso pas no final da dcada de 60, preconizadas como um avano tecnolgico
que permitia maior eficincia no controle sanitrio. Aps sua implantao, os produtores
perceberam um aumento de mortalidade de leites antes da desmama.
Especialistas da rea, verificaram que as mortes eram causadas pela deficincia de ferro
(anemia ferropriva). A incorporao de ferro rao, no resolveu o problema, uma vez que os
leites no tinham acesso as mesmas. Alternativamente, a utilizao de injees em dose alta e
nica daquele elemento foi a soluo proposta para o controle da mortalidade. Para os animais
assim tratados, observou-se um aumento na incidncia de doenas bacterianas, como a diarria.
Comprovou-se posteriormente que o excesso de Fe beneficiava o crescimento da populao
bacteriana patognica, comprometendo o animal.
Porm, a anemia ferropriva no existia nos leites criados soltos ou com acesso restrito
terra. As infeces bacterianas eram mais freqentes devido s condies sanitrias mais frgeis,
mas quando ocorriam, no comprometiam to seriamente os leites porque o nvel circulante de Fe
era restrito, entretanto, suficiente para o balano metablico. O nvel circulante era mantido pelo
hbito freqente dos leites de revirarem o solo, ingerindo-o em pequenas quantidades.
A partir destes fatos e informaes decidiu-se suprir um cocho de terra nas instalaes
cimentadas para verificar se os leites o procurariam, estabelecendo assim nveis adequados de Fe
que impedissem a anemia ferropriva e reduzissem a ocorrncia de doenas bacterianas oportunistas.
Esta situao ilustra a metodologia cientfica pela qual um fenmeno pode ser
estudado e a necessidade de interveno estatstica no decorrer do processo.
Inicialmente, a observao do fenmeno: a anemia ferropriva passou a se manifestar
Estatstica Experimental Aplicada Fitotecnia e Zootecnia

Prof. Sidnei Tavares dos Reis 2
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

A instalao do experimento demanda o conhecimento de tcnicas experimentais

relativas seleo dos animais a serem utilizados e aplicao adequada e uniforme dos
tratamentos a serem testados, bem como de delineamentos experimentais apropriados s
condies restritas de amostragens e/ ou infra-estrutura que eventualmente surgirem.
A coleta dos resultados demanda a mensurao da resposta desejada por meio apropriado
e o conhecimento da natureza dessa resposta.
A compactao dos resultados implica na aplicao das estatsticas descritivas para cada
grupo experimental, definindo seus valores mais provveis (mdias) e suas instabilidades (desvios
padres).
O teste de hiptese necessita de conhecimento de inferncia estatstica e clculo de
probabilidade.
Finalmente, a concluso tentativa exigir procedimentos estatsticos que permitam
diferenciar ou no os grupos experimentais, comparaes estas amparadas pelo conhecimento do
pesquisador sobre o fenmeno estudado. Aqui, ele utilizar o processo indutivo para, a partir de um
ensaio em particular, generalizar seus resultados obtidos.
1.1.2 Conceitos bsicos

Tipos de dados
Os dados coletados na investigao cientfica podem ser classificados como qualitativos ou
quantitativos. As variveis qualitativas podem ser classificadas ainda como nominais, para as
quais no existe nenhuma ordenao nas suas possveis realizaes, ou como ordinais, para as
quais os seus possveis resultados podem ser ordenados por algum critrio especfico. Constitui--se
em um exemplo de dados nominais a classificao da cor da flor de uma espcie que pode ser
branca, violeta e vermelha. Essa classificao pode ser registrada numericamente por 1, 2 e 3,
respectivamente. Isso, no entanto, no afeta a classificao do tipo dos dados, pois no se pode
afirmar que 1 seja menor que 2 ou que 3 seja maior que 1. J a varivel altura de plantas, que pode
assumir as classificaes baixa, mdia e alta, um exemplo de dados qualitativos ordinais.
As variveis quantitativas, ao contrrio das qualitativas que apresentam as qualidades (ou
atributos) de um elemento pesquisado, representam as possveis realizaes como nmeros,
resultantes de uma contagem ou mensurao. Essas variveis podem ser divididas em dois tipos:
(a) variveis quantitativas discretas, cujas possveis realizaes formam um conjunto finito ou
enumervel de nmeros, o qual resultante, geralmente, de contagem. Pode se exemplificar esse
tipo de varivel pelo nmero de leites com peso abaixo de um valor considerado limite entre uma

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.).
c) Unidade experimental ou parcela

a unidade que vai receber o tratamento e fornecer os dados que devero refletir seu efeito
(planta ou um grupo delas; uma rea com plantas ou um vaso, placa de petri com meio de cultura,
box com aves, baia com bovinos)

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.

1.1.3 unidade experimental ou parcela

Na experimentao de campo, com plantas o tamanho e a forma das parcelas so bastante
variados, em funo de:
a) Material com que se est trabalhando: em funo da cultura que est sendo estudada,
devemos aumentar ou diminuir o tamanho das parcelas, por exemplo, parcelas para cultura da
cana-de-acar devem ser maiores que aquelas para a cultura da soja.
b) Objetivo da pesquisa: tambm influencia no tamanho da parcela. Por exemplo se desejamos
estudar o efeito da profundidade de semeadura do sorgo sobre o desenvolvimento inicial das
plantas, no necessrio trabalhar com parcelas to grandes quanto as que seriam necessrios
para estudo de produo da cultura em diferentes espaamentos.
c) Nmeros tratamento em estudo: quando o nmero de tratamentos muito grande, como
ocorre em experimentos de melhoramento gentico vegetal, o tamanho de parcelas deve ser
reduzido, para diminuir a distncia entre parcelas extremas, visando homogeneidade entre elas.
d) Quantidade disponvel sementes: outro fator que pode limitar o tamanho das parcelas,
principalmente em ensaios de introduo de novos materiais genticos.
e) Uso de mquinas agropecurias: nos experimentos onde necessrio o uso de mquinas
agropecurias como tratores e colheitadeira, o tamanho da parcela deve ser obrigatoriamente
grande.
f) rea total disponvel para pesquisa: freqentemente, o experimentador tem que ajustar seu
experimento ao tamanho da rea disponvel, que em geral pequena, o que resulta na utilizao
de parcelas pequenas.
g) Custo, tempo e mo-de-obra: muitas vezes o custo muito alto das parcelas o fator e limitante
do tamanho das parcelas, outras vezes, a falta de tempo do pesquisador para poder obter as
observaes em parcelas muito grandes e outras vezes, ainda, a falta de mo-de-obra para as
operaes durante a conduo do experimento.
No que se refere forma das parcelas, vrios experimentos, com diferentes culturas,
mostram que, para se obter maior preciso, as parcelas devem ser relativamente compridas e
estreitas, pois, com esta forma, possvel que um maior nmero de parcelas estejam localizadas em
qualquer mancha de alta ou de baixa fertilidade do solo que porventura possa haver, ao passo que
uma parcela quadrada pode chegar a coincidir com a mancha toda, apresentando, por este motivo,
produes exageradamente altas ou baixas.
Para parcelas de tamanho pequeno, o efeito da forma muito pequeno, quase nulo, porm,
em parcelas maiores, ela pode ser considervel.

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:
FIGURA 1. Esquema representativo de uma parcela.
Nos experimentos em casa de vegetao, para a constituio de cada parcela, podemos

utilizar um conjunto de vasos ou, ento, um nico vaso com 2 a 3 plantas e, s vezes, uma nica
planta constituindo a unidade experimental.
Em experimentao de laboratrio, uma amostra simples do material poder constituir a
parcela; porm, s vezes, necessrio utilizar amostras compostas. Na amostra obtida de cada
parcela, devem ser feitas diversas determinaes, das quais obtida uma mdia para representar o
valor observado nessa parcela. No devemos confundir as diferentes determinaes da mesma
amostra de material, com as repeties do experimento.
At o momento consideramos apenas experimentos de campo, onde estamos inferindo
apenas a respeito das plantas, porm quando a parcela constituda por animais, as consideraes

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 Princpios bsicos da experimentao

A pesquisa cientfica est constantemente utilizando-se de experimentos para provar suas
hipteses. claro que os experimentos variam de uma pesquisa para outra, porm todos eles so
regidos por alguns princpios bsicos, necessrios para que as concluses que venham a ser obtidas,
se tornem vlidas.
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.
1.1.4.2 Casualizao (aleatorizao)

Apesar de se ter usado a repetio, pode acontecer que a variedade A tenha produzido
mais por ter sido beneficiada por qualquer fator, como por exemplo, ter todas as suas parcelas em
reas de maior fertilidade.
Para evitar que uma das variedades seja sistematicamente favorecida por qualquer fator
externo, procedemos a casualizao das variedades s parcelas. Isto , eles so designados s
unidades experimentais de forma totalmente casual.

O princpio da casualizao tem por finalidade propiciar a todos os tratamentos a mesma

probabilidade de ser destinado a qualquer parcela (unidade) experimental, seja ela favorvel ou no.
A casualizao tem por objetivo assegurar uma estimativa no viciada do erro experimental,
das mdias dos tratamentos e das diferenas entre mdias.
- Sem casualizao (com repetio)
- Com casualizao (com repetio)
Se, aps a repetio e a casualizao, a variedade A apresentar maior produtividade, de

se esperar que esta concluso seja realmente vlida.
Na experimentao com animais, quando a amostra total disponvel para o ensaio for
uniforme (condio esta nem sempre verdadeira), imprescindvel que cada animal seja
direcionado a um tratamento por sorteio. Animais que se deixam capturar mais facilmente, do lote
reservado ao ensaio, se colocados em um mesmo grupo experimental, podem compromet-lo
confundindo o temperamento deles (ou alguma patologia implcita) com o efeito do tratamento.
Sabemos que as respostas biolgicas so variveis em magnitude, dependendo dos
indivduos onde foram coletadas. Portanto ser preciso dar a cada grupo experimental a mesma
chance de arrebanhar r indivduos com variaes semelhantes. Isto apenas ser obtido atravs da
casualizao.

1.1.4.3 Controle local (controle do erro experimental)

Este princpio freqentemente utilizado, mas no de uso obrigatrio, pois, podemos
realizar experimentos sem utiliz-lo. Este consiste em distribuir as variedades no campo sempre em
reas mais homogneas possveis, quanto s condies de tipo de solo, umidade, porosidade, etc.,
podendo haver variaes acentuadas de uma rea para outra. Estas reas assim formadas so
chamadas blocos. Cada bloco deve ser o mais uniforme possvel, isto , a variao dentro do bloco
deve ser a menor possvel, enquanto que a variao entre blocos pode ser grande.
Quando tivermos diversos tratamentos a comparar, cada bloco ser constitudo por um
grupo de parcelas que deve ser mltiplo do nmero de tratamentos.
A finalidade do princpio de controle local dividir um ambiente heterogneo em sub-
ambientes homogneos e tornar o delineamento experimental mais eficiente, pela reduo do erro
experimental.
Quando se usa o controle local, o delineamento experimental conhecido como blocos
casualizados. Quando no se usa o controle local, mas apenas repetio e casualizao, temos o
delineamento inteiramente canalizado.
Em experimentao animal o controle local pode ser dividido em:
1.1.4.3.1 Uniformidade dos animais experimentais
Parece lgico que os animais participantes de um ensaio tenham as mesmas caractersticas

antes de aplicarmos os tratamentos que desejamos testar. Mesmo sexo; idade e grau de sangue
traduzem esta condio de uniformidade. Na realidade, porm, nem sempre isto conseguido. A
dificuldade de sexagem em aves, a variao etria ou em peso, grau de sangue desconhecido, todas
essas situaes so comuns em nossos experimentos. Cada fator presente no lote disponvel, ento
heterogneo, implica em um efeito adicional sobre a resposta medida, superestimando a variao
individual, j que atuam independentemente sobre cada indivduo.
Como corrigir esta influncia para manter o principio da uniformidade? O controle desses
fatores pela escolha de um delineamento adequado poder ser a soluo. Mas para isto, devermos
observar o seguinte: cada tratamento dever reunir uma amostra equivalente, ainda que no
uniforme. Por exemplo, se em um grupo experimental h 6 machos e 3 fmeas, todos os demais
grupos devero ser igualmente constitudos. Este procedimento garantir uma comparao justa de
mdias e possibilitar a estimativa da variao individual, uma vez que o efeito dos fatores
circunstanciais (no caso, sexo) poder ser controlado pela anlise.

1.1.4.3.2. Uniformidade na aplicao dos tratamentos
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.
1.1.4.3.3. Uniformidade do meio
A exemplo das dificuldades encontradas para a obteno de amostra uniforme e, em alguns

casos, na aplicao uniforme dos tratamentos, podem ocorrer problemas de infra-estrutura ou
temporais para a instalao de um ensaio.
Todas as repeties no cabem em um mesmo recinto ou no esto totalmente disponveis

ao mesmo tempo.
O problema poder ser resolvido se todos os tratamentos testados estiverem sempre sob as
diversas condies de meio ou temporais. Assim sendo, cada tratamento dever estar igualmente
representado em cada recinto ou em cada tempo. Deste modo, as comparaes de suas mdias sero
justas j que os mesmos estiveram sob as mesmas condies. Atravs de um delineamento

adequado, os efeitos de recinto ou temporais podero ser medidos e a estimativa da variao

individual ser obtida sem o concurso dos mesmos.
A observao desses princpios bsicos definir um ensaio mais eficiente e sensvel por
resultar em um valor mais realstico da variao individual.
- sem repetio, sem casualizao e sem controle local.
- com a repetio, com Casualizao, com controle local
O controle local constitui restries impostas na casualizao para corrigir o efeito da

variao conhecida ou suspeita do material experimental. Considerando o controle local temos os
seguintes tipos de delineamento (delineamento experimental o modo de dispor as parcelas no
experimento):
- Delineamento inteiramente casualizados (DIC) - sem controle local;
- Delineamento em blocos casualizados (DBC) - controle feito atravs de blocos em uma direo.

- Delineamento em quadrado latino (DQL)- controle feito atravs de blocos horizontais e

verticais
Observaes:
- Quando o ambiente reconhecidamente homogneo, dispensamos os blocos, entretanto, se
houver dvidas quanto homogeneidade, recomenda-se a sua utilizao;
- Em certos tipos de experimentos, os blocos no contm todos os tratamentos, e so chamados
blocos incompletos;
- em certos casos, os blocos so constitudos de mais de uma repetio dos tratamentos
(normalmente, cada bloco contm todos tratamentos uma nica vez ou em igual nmero de
vezes).
1.1.4.4 Relaes entre os princpios bsicos da experimentao e os delineamentos

experimentais
Fisher desenvolveu uma tcnica que teve grande repercusso na pesquisa cientfica. Esta
tcnica foi denominada de Anlise de varincia e consiste na decomposio dos graus de
liberdade e da varincia total de um material heterognio em partes atribudas a causas conhecidas e
e independentes e a poro residual de origem desconhecida e de natureza aleatria.
Em outras palavras, a tcnica da anlise de varincia a que nos permite fazer parties dos
graus de liberdade (denotados G.L.) e das somas de quadrados (denotadas S.Q), sendo que cada
uma das partes nos proporciona uma estimativa de varincia (denominada de quadrado mdio e
denotada por Q.M.)
Para podermos utilizar a metodologia estatstica nos resultados de um experimento,
necessrio que o mesmo tenha considerado pelo menos os princpios da repetio e da
casualizao, a fim de que possamos obter uma estimativa vlida para o erro experimental,
permitindo-nos a aplicao dos testes de significncia (teste de comparaes mltiplas)
Ao fazer um experimento considerando apenas esses dois princpios, sem utilizar o princpio
do controle local, temos o delineamento inteiramente casualizado ou inteiramente ao acaso. Neste
delineamento, que deve ser utilizado apenas quando tivermos absoluta certeza da homogeneidade
das condies experimentais, as parcelas que recebero cada um dos tratamentos so determinadas
de forma inteiramente casual, atravs de um sorteio, para que cada unidade experimental tenha a
mesma probabilidade de receber qualquer um dos tratamentos estudados, sem qualquer restrio no
critrio de casualizao.

EXEMPLO - Considere que estamos planejando um experimento de competio de

cultivares de alfafa para o a produo de feno, com 5 cultivares, denotados por A, B, C, D e E, e 5
repeties, no delineamento inteiramente casualizado. Para procedermos ao sorteio, devemos
numerar parcelas de 1 a 25 e colocar os tratamentos em seqncia:
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
E a seguir, atravs de uma tabela de nmeros aleatrios ou fichas numeradas ou de um jogo

de loto, sortear uma seqncia de nmeros de 1 a 25.
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
Este delineamento e freqentemente utilizado em ensaio de laboratrio e em casas de

vegetao, nos quais as condies experimentais podem ser perfeitamente controladas e, nele temos
apenas duas causas ou fontes de variaes que so tratamentos (causa conhecida, ou fator
controlado) e resduo ou erro (causa desconhecida, de natureza aleatria, que reflete o efeito dos
fatores no controlados). Considerando o exemplo anterior o esquema de anlise de varincia do
experimento ser:
Causa (fonte) de variao (F.V.) Graus de liberdade (G.L.)

Tratamentos 4 (t-1)
Resduo 20 t(r-1)
Total 24 tr-1
Onde t = nmero de tratamentos e r = o nmero de repeties.

Se as condies experimentais forem subitamente heterogneas, ou se houver dvidas

quanto sua homogeneidade, devemos utilizar o princpio do controle local, estabelecendo ento,
os blocos, que so grupos de parcelas homogneas, sendo que cada um deles deve conter todos os
tratamentos, igualmente repetidos e aleatorizados.
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
O delineamento assim obtido denominado de delineamento em blocos casualizados e

devemos isolar mais uma fonte (causa) de variao conhecida (fator controlado), que so os blocos.
Como cada bloco deve conter todos os tratamentos, h uma restrio na casualizao, que deve ser
feita designando os tratamentos s parcelas dentro de cada bloco, como mostra a figura anterior.
De todos os delineamentos, este o mais freqentemente utilizado e, quanto maior for a
heterogeneidade das condies experimentais de um bloco para o outro, maior ser a eficincia
deste delineamento em relao ao inteiramente casualizado.
As parcelas dentro do bloco devem ser o mais homogneas possvel, para no mascarar o
efeito de tratamentos, podendo existir heterogeneidade de um bloco para o outro
Para o exemplo com 5 tratamentos e 4 repeties (blocos), a anlise de varincia ser


Tratamentos 4 (t-1)
Blocos 3 (r-1)
Resduo 12 (t-1) (r-1)
Total 19 tr-1
Onde t = nmero de tratamentos e r = o nmero de repeties (blocos).
A utilizao do princpio do controle local sempre conduz a uma reduo no nmero de

graus de liberdade do resduo.
Se as condies forem muito heterogneas, obrigando nos a controlar dois tipos de
heterogeneidade, devemos utilizar um delineamento que exagera no controle local e denominado
de delineamento em quadrado latino (DQL). Em condies de campo no comum a utilizao
do mesmo, porm, com animais freqentemente utilizado. Neste delineamento, o nmero de
repeties deve ser igual ao nmero de tratamentos e, portanto, o nmero de parcelas deve ser um
quadrado perfeito.
A aleatorizao e repeties para um DQL ficam como segue:
Coluna 1 Coluna 2 Coluna 3 Coluna 4 Coluna 5
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

Para um exemplo, em que temos 5 tratamentos (dietas experimentais) e 5 repeties, o

esquema de anlise de varincia ser:

Tratamentos 4 (t-1)
Linha 4 (t-1)
Coluna 4 (t-1)
Resduo 12 (t-1) (t-2)
Total 24 t2-1
Onde t = nmero de tratamentos
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.
1.1.5 Mtodos para aumentar a preciso dos experimentos

A preciso se refere ordem de grandeza da diferena entre dois tratamentos passvel de ser
detectada em um experimento. Os procedimentos que podem nos levar a um aumento da mesma
so: escolha do material experimental, seleo das unidades experimentais, seleo dos tratamentos,
aumento do nmero de repeties, agrupamento das unidades experimentais e tcnicas mais
refinadas.
1.1.5.1 Escolha do material experimental

Para certos tipos de estudos desejvel em material uniforme, cuidadosamente selecionado.
Entretanto, na seleo do material experimental, devemos ter em mente a populao a respeito da
qual desejamos obter as concluses. Portanto, para muitas pesquisas aplicadas no campo da
agropecuria importante utilizar os tipos de materiais experimentais que sero realmente usados
na prtica.

1.1.5.2. Seleo das unidades experimentais

Conforme vimos, o tamanho e a forma das parcelas afetam a preciso. Em geral, a
variabilidade decresce com o aumento do tamanho da parcela, mas, uma vez atingindo um tamanho
ideal, o aumento na preciso diminui, rapidamente com tamanhos maiores. As parcelas retangulares
so mais eficientes na superao da heterogeneidade do solo, uma vez que permite menor variao
dentro da mesma.
1.1.5.3. Seleo dos tratamentos

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

A preciso de um experimento pode sempre ser aumentada por repeties adicionais,
porm, cuidados so necessrio para no exagerar neste nmero de repeties. Por exemplo, para
dobrar o grau de preciso com que dois tratamentos so comparados em um experimento com 4
repeties so necessrias 16 repeties, o que neste caso se tornou adequado, em funo do
pequeno nmero de tratamentos. Porm, se estivssemos testando 5 tratamentos em 4 repeties e
quisermos dobrar a preciso deveramos ter 40 repeties, o que seria um pouco exagerado em
termos prtico.
De um modo geral, para a obteno de uma boa preciso em experimentos de campo com
culturas, so necessrios de 4 a 8 repeties. Para experimentos com animais, quanto maior for o
nmero de repeties maior a preciso, porm, sabemos que nem sempre dispomos de uma
quantidade maior de animais, o que nos forar a decidir qual o melhor delineamento no momento,
entretanto comum repeties com 4 a 5 animais.
Ao planejarmos, um experimento, devemos ter certeza de que conseguiremos detectar uma
diferena real entre tratamentos, na ordem de grandeza em que estamos interessados. Caso a

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.
1.1.5.5 Agrupamento das unidades experimentais

O agrupamento planejado das unidades experimentais envolve o uso do princpio do
controle local. Atravs de certas restries na casualizao dos tratamentos nas parcelas, possvel
remover algumas fontes de variao, tais como variaes na fertilidade ou na disponibilidade de
gua ao longo da rea experimental; efeito de sexo, peso e grau de sangue em animais. O
agrupamento das parcelas de modos diferentes, d origem aos diferentes delineamentos
experimentais.
1.1.5.6 Tcnicas mais refinadas

Uma tcnica errnea pode aumentar o erro experimental e distorcer os efeitos dos
tratamentos. Uma tcnica adequada tem por objetivo:
a) aplicao uniforme dos tratamentos;
b) proporcionar medidas adequadas e no viciadas dos efeitos de tratamentos;
c) prevenir erros grosseiros;
d) controlar influncias externas de forma que todos os tratamentos sejam igualmente
afetados.
1.1.6 planejamento de experimentos

O planejamento constitui a etapa inicial de qualquer trabalho e, portanto, um experimento
tambm deve ser devidamente planejado, de modo a atender aos interesses do pesquisador e as
hipteses bsicas necessrias para a validade da anlise estatstica.
Freqentemente, estatstico consultado para tirar concluses com base em dados
experimentais. Considerando que essas concluses dependem da forma como foi realizado o
experimento, o estatstico solicitar uma descrio detalhada do experimento e de seus objetivos.
Com relativa freqncia, ocorrem casos em que, aps a descrio do experimento, o estatstico
verifica que no pode chegar a concluso alguma, tendo em vista que o experimentador ou no
utilizou um delineamento adequado ou no atendeu s hipteses bsicas necessrias para a validade
da anlise estatstica. Assim sendo, o estatstico pode apenas aconselhar o pesquisador a repetir o

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:
a) Quais as caractersticas que sero analisadas?

Num mesmo experimento, vrias caractersticas podem ser estudadas; por exemplo, num
experimento com a cultura de milho, podemos determinar: altura das plantas, altura de insero da
primeira espiga, resistncia do colmo penetrao, porcentagem de plantas acamadas, produo de
gros, relao gros/sabugo, produo de forragem para silagens, etc. Portanto, devemos definir
adequadamente quais as caractersticas de interesse, para que as mesmas possam ser determinadas
no decorrer do experimento.
b) Quais os fatores que afetam essas caractersticas?

Relacionar todos os fatores que possuem efeito sobre as caractersticas que sero estudadas,
como por exemplo: variedade ou hbrido, adubao, espaamento, irrigao, sistema de cultivo,
controle de pragas e doenas, uniformidade do meio, etc.
c) Quais desses fatores sero estudados no experimento?

Nos experimentos simples, apenas um tipo de tratamento ou fator pode ser estudado de cada
vez, sendo os demais fatores mantidos constantes. Por exemplo, quando fazemos um experimento
de competio de espaamentos para uma determinada cultura, todos os outros fatores, como
cultivar, adubao, irrigao e tratos culturais devem ser os mesmos para todos os espaamentos.
No caso de experimentos mais complexos, como os experimentos fatoriais e em parcelas sub-
divididas, podemos estudar simultaneamente os efeitos de dois ou mais tipos de tratamentos ou
fatores, como por exemplo, cultivares e adubaes. Se quisermos avaliar o ganho de peso de
bovinos leiteiros, devemos atentar para isolarmos todos os efeitos no controlados, tais como: o
ambiente, a uniformidade de aplicao dos tratamentos, entre outros.
d) Como ser a unidade experimental?

A unidade experimental ou parcela poder ser constituda por uma nica planta ou por um
grupo delas, por um nico animal ou um grupo de animais. Quando utilizamos uma nica planta ou
animal por parcela, se ocorrer qualquer problema, teremos um caso de parcela perdida, o que causa

complicaes na anlise estatstica. Portanto, devemos definir perfeitamente o que constituir a

parcela.
e) Quantas repeties devero ser utilizadas?

O nmero de repeties de um experimento depende do nmero de tratamentos a serem
confrontados e do delineamento experimental escolhido. Quanto maior o nmero de repeties,
maior ser a preciso do experimento. De um modo geral, recomendamos que o nmero de parcelas
experimentais no seja inferior a 20 e que o nmero de graus de liberdade associado aos efeitos dos
fatores no controlados, resduo, no seja inferior a 10.
Sendo estas apenas uma pequena parte das questes que devem ser respondidas ao
planejarmos um experimento, conclumos que o planejamento do experimento deve ser muito bem
feito, para que a anlise estatstica possa ser efetuada de forma adequada e conduza a concluses
vlidas.
No planejamento do experimento, devemos especificar os seguintes itens:

a) Ttulo: o ttulo do trabalho deve ser o mais simples possvel, de forma a no deixar
dvida sobre o objetivo da experimentao. Devemos evitar generalidades ou idia vagas. Por
exemplo, no devemos utilizar Estudo de relaes fisiolgicas e sorgo sacarino e sim "Efeito do
espaamento sobre a produo de silagem em trs cultivares de sorgo sacarino".
b) Responsvel e colaboradores: indicar as pessoas que iro trabalhar na execuo da
pesquisa.
c) Sumrio: contendo todos os tpicos levantados na pesquisa
d) Histrico (Introduo): indicar os motivos que levaram o pesquisador a fazer a

pesquisa.
e) Objetivos: expor claramente as questes que devem ser respondidas pela pesquisa.
Devemos enumerar os objetivos como: determinar, avaliar, comparar, etc...
f) hipteses: expor claramente as hipteses propostas nos objetivos

g) Reviso de literatura: expor os trabalhos mais importantes desenvolvidos sobre o

assunto em questo
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) Tempo de execuo provvel (cronograma de execuo)

Dispor de forma clara, todas a etapas do experimento e seu devido tempo e poca de
execuo.
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.
Durante a execuo do experimento, o pesquisador dever anotar todas as informaes que

Julgarem necessrias, e ao final do projeto, elaborar um Relatrio, no qual deve constar:
1 -O planejamento experimental.
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.
4 - Dados das parcelas:

Devem ser reunidos num quadro todos os dados relativos a cada uma das parcelas,
colocando em cada coluna do quadro, um dos itens:
a) nmero da parcela;
b) data da germinao da maioria das plantas;
c) data da florao da maioria das plantas;
d) data da maturao da maioria das plantas;
e) doenas e pragas que ocorreram;
f) "stand" informar se o "stand" foi uniforme em todas as parcelas; se houver falhas
uniformemente distribudas, indicar o nmero de plantas, hastes ou espigas por parcela ou por metro
quadrado e, se as falhas se apresentarem em manchas, incluir no relatrio um esquema no qual
esteja indicada a distribuio das plantas na parcela;
g) produo - indicar as quantidades de frutos, sementes, gros, algodo em caroo, hastes
de plantas txteis etc. No caso de cereais e leguminosas, convm incluir alm dos dados sobre os
gros e vagens, os que se referem a produo de palha. Existem culturas em que os dados de vem
ser computados na unidade comercial em seus vrios tipos e naqueles de colheita considerada pelo
lavrador regional, como, por exemplo, a cultura do tomate, na qual se deve computar a produo em
peso de frutos por hectare e a produo em caixas dos tipos comerciais extra, especial, primeira e
segunda;
h) outros dados - mencionar outros dados como: peso especfico dos gros, teor de umidade
das sementes, valor qualitativo das fibras, teor de leo nas sementes de mamona, amendoim,
algodo, girassol, soja e colza, teor de sacarose da cana-de-acar ou sorgo sacarino etc.
Avaliao com animais

Com relao aos animais quando utilizados, devemos tambm anotar todos os dados durante
a conduo dos experimentos, tais como.
a) Grau de sangue;
b) Raa;

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.)
5 - Anlise de varincia e concluses:

Ao final do relatrio, o pesquisador dever fazer uma anlise das concluses e dar a
explicao da razo do sucesso ou fracasso do experimento, dando sugestes com respeito
convenincia ou no da continuao do experimento ou de sua alterao no(s) ano(s) seguinte(s).

2. TESTES DE SIGNIFICNCIAS
2.1 Testes de comparaes mltiplas
2.1.1 Filosofia das comparaes mltiplas

Para se discutir sobre a filosofia das comparaes mltiplas, o aspecto mais importante ter
sempre em mente que toda inferncia realizada est sujeita a erros. Esses erros podem ser
classificados em trs categorias. O primeiro deles o denominado erro tipo I, que refere-se
probabilidade () de rejeitar uma hiptese quando ela verdadeira. O segundo, erro tipo II, refere-
se probabilidade de () de aceitar uma hiptese como verdadeira quando de fato ela falsa. Para o
erro tipo I, nos procedimentos de comparaes mltiplas (PCM), entre outras, existem duas formas
de medir este erro. A primeira refere-se avaliao da probabilidade de se rejeitar uma hiptese
verdadeira em todas as possveis combinaes dos nveis dos tratamentos tomados dois a dois,
sendo conhecida por taxa de erro tipo I por comparao (comparisonwise ou per-comparison error
rate). A segunda forma a medida do erro tipo I como a probabilidade de se realizar pelo menos
uma inferncia errada por experimento e conhecida por taxa de erro tipo I por experimento
(experimentwise error rate).
Finalmente o terceiro tipo de erro ao se realizar uma inferncia, conhecido como erro tipo
III, refere-se probabilidade de classificar um nvel de tratamento como superior ao outro, quando
de fato o segundo nvel supera o primeiro.
Existem vrios testes para comparaes mltiplas. Eles diferem fundamentalmente na
filosofia de controle do erro tipo I, ou seja, testes tais, como o de Duncan e o LSD (baseado na
distribuio de t de student) no controlam a taxa de erro por experimento, mas controlam a taxa de
erro por comparao. Em conseqncia, se por exemplo, forem avaliados 10 tratamentos em 2000
experimentos, a probabilidade de rejeitar pelo menos uma hiptese H0 de igualdade de dois nveis
de tratamento, quando ela verdadeira, isto , cometer o erro tipo I, da ordem de 36,3% para o
teste de Duncan e de 59,1% para o LSD (Bernhardson, 1975). No se deve esquecer que no caso
so possveis 45 pares de combinaes entre as mdias dos tratamentos. Assim, a probabilidade de
se cometer o erro tipo I em um dado experimento da ordem de . Por outro lado, os testes como o
de Tukey e Scheff controlam adequadamente as taxas de erro por experimento e por comparao,
preservando o nvel nominal de significncia ().
O poder do teste, isto , a capacidade de ele identificar todas as diferenas reais entre os
tratamentos pode ser avaliada por meio de simulaes. Em um trabalho a esse respeito, Perecin &
Barbosa (1988) compararam o poder de alguns testes. Para isso, consideraram experimentos com

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
Os resultados do teste nos indicaram que o comportamento da linhagem 1, isto , o efeito do

tratamento 1 (1) igual ao da linhagem 2 (2), e que a linhagem 2 igual a 3, ou seja: 1) 1 = 2 e
2) 2 = 3. No entanto, a linhagem 1 difere da 3, isto , 3) 1 3.
Essas trs proposies so inconcebveis do ponto de vista matemtico, e o que
denominamos de ambigidade dos PCM. Vrios procedimentos alternativos existem na literatura
para contornar esse problema (Hochberg & Tamhane, 1987). Dentre eles, destaca-se o
procedimento de Scott & Knott (1974), que elimina a ambigidade dos resultados.
Como o teste de Scott & Knott (1974) pouco conhecido, necessrio fornecer
informaes sobre o poder e as taxas de erro tipo I. Resultados a esse respeito foram obtidos por
Silva et al. (1998), tambm utilizando simulao. Os resultados obtidos permitiram concluir que as
taxas de erro tipo I, por comparao, estiveram sempre abaixo do nvel nominal de significncia
adotado em amplas situaes experimentais, o que evidentemente uma situao altamente

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).
2.1.2 Procedimentos para comparaes mltiplas (PCM)

Para ilustrar e definir os procedimentos de comparaes mltiplas, necessrio partir de um
modelo estatstico. O modelo adotado o mais simples possvel, contudo, os resultados podem ser
extrapolados para outras situaes mais amplas. Seja o seguinte modelo:
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;
i; o efeito do i-simo nvel de tratamento e

eij o efeito do erro experimental associado a Yij, por hiptese tem distribuio normal com mdia
zero e varincia 2.
Por convenincia, este modelo pode ser reparametrizado, ou seja, reescrito de outra forma,
unindo e i, obtendo-se:
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

Cuja mdia (esperana) e varincia so:
E (Yi. ) = i
2
V (Yi. ) =
r
A estimativa da varincia de Yi. obtida substituindo 2 pela sua estimativa no viesada,
que corresponde ao quadrado mdio do resduo (QME), ou seja:
QME
V (Yi. ) =
r
Demonstra-se tambm que a diferena do valor mdio amostral e o paramtrico, para o

tratamento i, padronizado pela raiz quadrada do estimador da varincia da mdia, isto ,
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
Utilizando esses procedimentos, essas inferncias tm duas importantes limitaes:

i. O coeficiente de confiana 1- s garantido para uma estimativa particular (teste), e no para
uma srie de estimativas (testes);
ii. O coeficiente de confiana 1- garantido somente se a estimativa (teste) no for sugerida pelos
dados.

Em funo disso, h outros mtodos mais versteis que possibilitam a realizao de

comparaes sem essas restries, ou pelo menos com essas restries amenizadas. Alguns deles
sero discutidos a seguir:
2.1.3 Testes de comparaes mltiplas

Os testes de comparaes mltiplas, ou testes de comparaes de mdias, servem como um
complemento do teste F, para detectar diferenas entre os tratamentos. Para uma melhor
compreenso destes testes, so necessrios alguns conceitos, que veremos a seguir:
a) Contrastes de mdias
Se tivermos uma funo linear:
Y = f(x) = a1x1 + a2x2 + ...+ anxn
e verificarmos que a
i =1
i = a1 + a2 + ... + an = 0 , dizemos que Y constitui um
contraste nas variveis x. Ento, se: Y = x1 + x2 - x3 - x4 ,

Y um contraste, visto que; al = 1; a2 = 1; a3 = -1 e a4 = -1 e, portanto: a1 + a2 - a3 - a4 = 1 + 1 + (-1)
+ (-1) = 0.
Se, em lugar das variveis x, tivermos mdias, obteremos um contraste de mdias. Assim, se
num experimento temos 5 tratamentos, cujas mdias verdadeiras so: m1, m2, m3, m4 e m5, as
relaes:
Y1 = m1 + m2 + m3 + m4 - 4m5
Y2 = m1 + m2 - m3 - m4
Y3 = m1 - m2
Y4 = m1 - m3, constituem contrastes de mdias.
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
Verificando os tratamentos, temos que 2 so monocultivo e 2 so em consrcio. Interessa

comparar esses 2 grupos de tratamentos, bem como comparar dentro de cada grupo. Os contrastes
de mdias que nos do essas comparaes so:
Y1 = m1 + m2 - m3 -m4
Y2 = m1 - m2
Y3 = m3 - m4
As estimativas desses contrastes so:
Y 1 = m 1 + m 2 - m 3 - m 4 = 53,5 + 56,5- 62,0- 60,4 = -12,4 t/ha
Y 2 = m 1 - m 2 = 53,5- 56,5 = -3,0 t/ha
Y 3 = m 3 - m 4 = 62,0- 60,4 = 1,6 t/ha.
Observamos que o contraste Y1 compara as mdias do grupo de monocultivo e do grupo em

consrcio, isto e:
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.
b) Covarincia de dois contrastes

Consideremos as duas estimativas de contrastes:
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
s12 s22 s12

COV (Y1 , Y2 ) = a1b1 + a2b2 + .... + anbn
r1 r2 rn
Freqentemente, temos s12 = s22 = .... = sn2 = s 2 ; logo:
(Y , Y ) = a1b1 + a2b2 + .... + an bn

COV
2
s
1 2
r1 r2 rn

Nas anlises de varincia de delineamentos balanceados, todas as mdias possuem o mesmo

nmero de repeties, r, e portanto:
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
se tivermos s12 = s22 = .... = sn2 = s 2 , a condio de ortogonalidade fica:
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.

EXEMPLO 2.2 - Num experimento de competio de cultivares de sorgo, as produes

mdias de matria seca, em t/ha, foram:
m 1 = 11,2 t/ha r1=6
m 2 = 10,5 t/ha r1=6
m 3 = 10,0 t/ha r1=4
m 4 = 21,0 t/ha r1=5
e s12 = s22 = .... = sn2 = s 2 = 0,45
Dados os contrastes:
Y1 = m1 + m2 - m3 -m4
Y2 = m1 -m2
Y3 = m3 - m4
calcular as estimativas desses contrastes e verificar a ortogonalidade entre eles.

- Clculo das estimativas dos contrastes:
Y 1 = m 1 + m 2 - m 3 - m 4 = 11,2 + 10,5 10,0 21,0 = -9,3 t/ha
Y 2 = m 1 - m 2 = 11,2 10,5 = 0,7 t/ha
Y 3 = m 3 - m 4 = 10,0 21,0 = -11,0 t/ha.
- Verificao da ortogonalidade entre os contrastes:

para Y1 e Y2
n
ai bi (1)(1) (1)(1) (1)(0) (1)(0)
i =1 ri
=
6
+
6
+
4
+
5
1 1
= +0+0 = 0
6 6
logo, Y1 e Y2 so ortogonais entre si.

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
logo, Y1 e Y3 no so ortogonais entre si.
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
cuja estimativa : Y = c1m 1 + c2 m 2 + .... + cn m n

Admitindo que todas as mdias sejam independentes, a estimativa de varincia dessa
estimativa de contraste pode ser definida por:
(Y , Y ) = c 2V (m ) + c 2V (m ) + .... + c 2V (m )
V (Y ) = COV 1 2 1 1 2 2 n n
Substituindo as estimativas de varincia das mdias estimadas, obtemos:

2 2 2
s s s
V (Y ) = c 2
1
1
2 2
+ c2 + .... + cn
2 n
r1 r2 rn
Se, s12 = s22 = .... = sn2 = s 2 , teremos.

c12 c22 cn2 2

V (Y ) = + + .... + s
r1 r2 rn
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
EXEMPLO 2.3 - Considerando os dados do Exemplo 2.2, calcular as estimativas de

varincia das estimativas dos contrastes.
para o contraste Y1
c12 c22 c32 c42 2

V (Y1 ) = + + + s
r1 r2 r3 r4
12 11 (1)2 (1)2
= + + + 0, 45
6 6 4 5
10 + 10 + 15 + 12
= (0, 45)
60
= 0,35
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
e) Erro padro do contraste
O erro padro de um contraste, denotado por s (Y ) a raiz quadrada positiva da estimativa

de varincia da estimativa do contraste, ou seja:
s(Y ) = V (Y )
Para os dados do exemplo 2.3, temos:
s(Y1 ) = V (Y1 ) = 0,35 = 0, 6 t / ha
s(Y2 ) = V (Y2 ) = 0,15 = 0, 4 t / ha
s(Y3 ) = V (Y3 ) = 0, 20 = 0, 4 t / ha
2.1.3.1 Teste t de Student

Para a aplicao correta deste teste, devemos considerar os seguintes requisitos bsicos:
a) os contrastes a serem testados devem ser ortogonais entre si;
b) os contrastes devem ser estabelecidos antes de serem examinados os dados (na fase de
planejamento do experimento).
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

do qual obtemos a estimativa: Y = c1m 1 + c2 m 2 + .... + cn m n , que pode ser testada

pelo teste t, calculando-se a estatstica t, dada por:
Y 0 Y 0
t= =
V (Y ) s(Y )

Quando aplicamos o teste t a um contraste, geralmente o interesse verificar se a sua
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:

EXEMPLO 2.4- Num experimento de competio de adubos nitrogenados para o a cultura

da alfafa, foram utilizados 6 tratamentos (5 adubos e 1 testemunha) e 4 repeties, no delineamento
em blocos casualizados.
O esquema de anlise de varincia foi:
Causas de variao G.L.

Tratamentos 5
Blocos 3
Resduo 15
Total 23
Os tratamentos utilizados, com as respectivas mdias de produo, em kg/parcela, foram:
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
e, a estimativa de varincia residual S2 = Q.M.Res = 0,64.

Verificar, pelo teste t, se os adubos nitrogenados possuem efeito sobre produo da alfafa.
O contraste que nos permite fazer essa comparao, e suposto ter sido estabelecido
previamente, :
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
6,02 kg/parcela ( Y /5) em relao testemunha.

A estimativa de varincia da estimativa do contraste :

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 :
s(Y ) = V (Y ) = 4,80 = 2,19 kg / parcela

Logo: .
Y 0 30,08
t= = = 13,74**

V (Y ) 2,19
Na tabela com os valores crticos de t, temos:

para 15 g.l. resduo: 5% = 2,13 e 1% = 2,95
Como a estatstica t supera (em valor absoluto) o valor crtico ao nvel de 1% de
probabilidade, conclumos que o contraste significativo a esse nvel de probabilidade.
As hipteses que esto sendo testadas so: H0: Y = 0 e H1: Y 0 (bilateral).
Representando graficamente a distribuio de t:

A interpretao a seguinte: admitida a hiptese H0, h apenas 1% de probabilidade de se

obter um valor de t menor que -2,95 ou um valor de t maior que 2,95, por simples acaso.
Desta forma, decidimos rejeitar H0 em favor de H1 e conclumos que existe uma
probabilidade superior a 99% de que o contraste seja diferente de 0, ou seja, existe uma
probabilidade superior a 99% de que os adubos nitrogenados proporcionem um aumento mdio de
6,02 kg/parcela na produo da alfafa, quando comparados com a testemunha (sem adubo).
Se, por razes inerentes experimentao, pudssemos estabelecer de incio H1: Y > 0 (em
vez de Y 0), o teste seria unilateral e o nvel de significncia seria 1%, em vez de 0,5% de
probabilidade.
EXEMPLO 2.5 - Os dados seguintes referem-se a produo de leite (litros/ms). Verificar

se a produo mdia de leite significativamente superior a 3.000 litros/ms.
3.109 3.857 2.318 2.619 3.400 4.224

3.170 3.514 3.679 3.404 2.648 4.146
3.638 3.413 4.050 4.438 2.891 3.648
Com os dados de produo, obtemos:
=3.454 L/ms; s = 586 L/ms; s (m ) = 586/ 18 =138,0

n= 18; m
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.
2.1.3.2 Teste de Scheff

Este teste pode ser aplicado para testar todo e qualquer contraste de mdias, mesmo quando
sugerido pelos dados. freqentemente utilizado para testar contrastes que envolvem grupos de
mdias.
um teste mais rigoroso que o teste t, porm mais flexvel que ele, tendo em vista a no
exigncia de ortogonalidade e nem que os contrastes sejam estabelecidos antes de se examinar os

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.
Se verificarmos que | Y | S, dizemos que o contraste significativo ao nvel de

probabilidade, indicando que os grupos de mdias confrontados no contraste diferem entre si a esse
nvel de probabilidade.
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 :
Y = 2m2 + 2m3 + 2m4 3m5 3m6
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
A estimativa de varincia da estimativa do contraste e:

s2
( )
V (Y ) = c22 + c32 + c42 + c52 + c62
r
0, 64
= 22 + 22 + 22 + (3) 2 + (3) 2
4
= 4,80 kg / parcela
O valor de F da tabela ao nvel de 5% de probabilidade para 5 graus de liberdade de

tratamentos e 15 graus de liberdade do resduo 2,90. Logo:
s = ( I 1) F V (Y ) = (6 1) x 2,90 x 4,80 = 8,34 kg / parcela
Comparando | Y | com s, verificamos que | Y | > s; logo, o contraste significativo ao nvel

de 5% de probabilidade e conclumos que o Nitroclcio de Cubato (com e sem enxofre) apresenta,
em mdia, uma produo superior mdia dos demais adubos nitrogenados da ordem de 1,65
kg/parcela ( Y /6) .
2.1.3.3 Teste de Tukey

O teste de Tukey pode ser utilizado para testar todo e qualquer contraste entre 2 mdias.
um teste muito verstil, mas que no permite comparar grupos entre si. O teste tem por base a
diferena mnima significativa (d.m.s.), representada por (Delta) e calculada por:
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.
s o desvio padro residual = Q.M . res.
r o nmero de repeties das mdias confrontadas no contraste.

Para que o teste seja exato, exige que todas as mdias possuam o mesmo numero de
repeties.
Calculado o valor da diferena mnima significativa (), calculamos todas as estimativas
dos contrastes entre 2 mdias:

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
Calculando as estimativas dos contrastes, obtemos:

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
Y10 = m 6 m 2 = 0,54 NS kg/parcela

Y = m m = 3, 72* kg/parcela
11 6 3
Y12 = m 6 m 1 = 6, 73* kg/parcela

Y13 = m 2 m 3 = 3,18* kg/parcela
Y14 = m 2 m 1 = 6,19* kg/parcela
Y = m m = 3, 01* kg/parcela
15 3 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 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
2.1.3.4 Teste de Duncan

O teste de Duncan fornece resultados mais discriminados que os do teste de Tukey, sendo
menos rigoroso que ele, mas de aplicao mais trabalhosa.
O teste exige que as mdias sejam colocadas em ordem decrescente e que todas elas
possuam o mesmo nmero de repeties, para ser exato.
geralmente aplicado ao nvel de 5% de probabilidade e a significncia do teste indicada
ligando-se por uma barra as mdias que no diferem entre si, embora atualmente se encontrem
trabalhos que indicam sua significncia utilizando o sistema de letras diferentes.
Cada contraste testado envolve apenas 2 mdias, embora a amplitude do contraste possa
abranger um nmero maior de mdias.
Este teste baseia-se na amplitude total mnima significativa, denotada por Di. e que, para
testar um contraste, obtida por:

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.
s o desvio padro residual = Q.M . R e s
r o nmero de repeties das mdias testadas no contraste.

A seguir, calculamos as estimativas dos contrastes que abrangem i mdias, e comparamos
com Di.
- 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.
- Se Y < Di, o contraste no significativo, indicando que no podemos rejeitar H0 e conclumos

que as mdias confrontadas no diferem entre si. Unimos as mdias abrangidas pelo contraste por
uma barra e no podemos mais comparar mdias que estiverem dentro da mesma barra.
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

a) Contraste que abrange 6 mdias
Y1 = m 5 m 1 = 7, 28 kg / parcela
- para testar este contraste, calculamos:

z6 para 6 mdias e 15 G.L do resduo a 5% 3,36
D6 = z6 .s (m )
s 0, 64
s (m ) = = = 0, 40 kg / parcela
r 4
D6 = 3,36 x0, 40 = 1,34 kg / parcela
Como Y1 > D6 o contraste significativo, rejeitamos H0 e conclumos que m5 m1.
b) Para contrastes que abrangem 5 mdias
Y2 = m 5 m 3 = 4, 27 kg / parcela
Y = m m = 6,87 kg / parcela
3 4 1
- para testar Y2 e Y3 , calculamos:
D5 = z5 .s (m )
s 0, 64
s (m ) = = = 0, 40 kg / parcela
r 4
D5 = 3,31x0, 40 = 1,32 kg / parcela
Como: Y2 >D5, Y2 significativo e m5 m3
Y3 >D5, Y3 significativo e m4 m1
c) Para contrastes que abrangem 4 mdias
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
-para testar Y 4, Y 5, e Y 6, calculamos:


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.
Y 5 > D4; logo Y 5 significativo e m4 m3
d) Para contrastes que abrangem 3 mdias
Y7 = m 6 m 3 = 3, 72 kg / parcela
Y = m m = 6,19 kg / parcela
8 2 1
- para testar Y 7 e Y 8, calculamos

D3 = z3 .s (m )
s 0, 64
s (m ) = = = 0, 40 kg / parcela
r 4
D4 = 3,16 x0, 40 = 1, 26 kg / parcela
Como: Y 7 > D3; logo Y 7 significativo e m6 m3
e) Para contrastes que abrangem 2 mdias
Y9 = m 2 m 3 = 3,18 kg / parcela
Y10 = m 3 m 1 = 3, 01 kg / parcela
O valor de D2 calculado por:

D2 = z2 .s (m )
s 0, 64
s (m ) = = = 0, 40 kg / parcela
r 4
D3 = 3, 01x0, 40 = 1, 20 kg / parcela
Como: Y 9 > D2; logo Y 9 significativo e m2 m3

Em resumo:
m 6 = 28,30 kg/parcela Ou 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
2.1.3.5 Teste de Dunnett

Este teste utilizado quando as nicas comparaes que interessam ao experimentador so
aquelas feitas entre um determinado tratamento padro, geralmente a testemunha, e cada um dos
demais tratamentos, no havendo interesse na comparao dos demais tratamentos entre si.
Assim, um experimento com I tratamentos (um dos quais a testemunha ou padro, p)
permite a aplicao do teste a I - 1 comparaes .
Aplicao do teste de Dunnett:
a) Calcular a estimativa de cada contraste:
Y1 = m 1 m p
Y2 = m 2 m p

Y
( I 1) = m ( I 1) m p
b) Calcular a estimativa de varincia da estimativa de cada contraste
1 1 2
V (Y ) = + s (i=1, 2,......, I e i p
ri rp

c) Calcular o erro padro do contraste
s (Y ) = V (Y )
d) Calcular o valor do teste d- dado por:
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.

e) Comparar cada estimativa de contraste, em valor absoluto, com o valor d.
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.
f) Indicar a significncia do teste no valor da estimativa do contraste.
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.
2.1.3.6 Teste de Student-Newman-Keuls (SNK)

O teste de SNK, como os seus antecessores, apropriado para comparaes de mdias duas
a duas. Segundo Hochberg & Tamhane (1987), esse teste controla a taxa de erro por comparao,
mas no controla a taxa de erro por experimento totalmente. Contudo, no trabalho de simulao
realizado por Perecin & Barbosa (1988), j referenciado anteriormente, foi mostrado que a taxa de
erro por experimento neste teste foi semelhante obtida pelo teste de Tukey, que referncia do

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
a) Contraste que abrange 4 mdias
Yi = m 4 m 1 = 3,3kg
- para testar este contraste, calculamos:

q4 para 4 mdias e 20 G.L do resduo a 5% 3,96
QME 1,11
Wp 4 = q4 . = 3,96 x = 1, 7
r 6

Como Y1 > Wp4 o contraste significativo, rejeitamos H0 e conclumos que m4 m1.
b) Para contrastes que abrangem 3 mdias
Y2 = m 4 m 3 = 1, 7 kg
Y = m m = 2, 0 kg
3 2 1
- para testar Y2 e Y3 , calculamos:
q3 para 3 mdias, QM resduo = 1,11 e G.L. resduo = 20 3,58
QME 1,11
Wp 3 = q3 . = 3,58 x = 1,54
r 6
Como: Y2 >Wp3, Y2 significativo e m4 m3
Y3 > Wp3, Y3 significativo e m2 m1
c) Para contrastes que abrangem 2 mdias
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
-para testar Y 4, Y 5, e Y 6, calculamos:

q2 para 2 mdias, QM resduo = 1,11 e G.L. resduo = 20 2,95
QME 1,11
Wp 2 = q2 . = 2,95 x = 1, 27
r 6
Como: Y > Wp2, Y significativo e m4 m2

4 4
Y < Wp2, Y 5 no significativo e m2 = m3

5
Y > Wp2, Y 6 significativo e m2 m3

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

2.1.3.7 Mtodo de Scott e Knott (SK)

O procedimento de Scott & Knott (1974) utiliza a razo de verossimilhana para testar a
significncia de que os n tratamentos podem ser divididos em dois grupos que maximizem a soma
de quadrados entre grupos. Este teste ser descrito com detalhes nesta seo, uma vez que so
poucas literaturas que trazem informaes a seu respeito.
Seja, por exemplo, 3 tratamentos, A, B e C. O processo consiste em determinar uma
partio, em dois grupos, que maximize a soma de quadrados. Veja que nesse caso so possveis 2n-
1
-1 grupos, isto , A vs B e C, B vs A e C e C vs A e B. Com um nmero pequeno de tratamentos
como o do exemplo, fcil obter todos os grupos. Contudo, quando o nmero (n) de tratamentos
grande, o nmero de grupos cresce exponencialmente, dificultando a aplicao do teste. Para
atenuar esse problema, basta ordenar as mdias dos tratamentos. Nessa situao, o nmero de
parties possveis passa a ser obtido por n-1. Uma vez ordenada as mdias, procede-se do seguinte
modo, fazendo inicialmente o nmero de tratamentos g = n:
i. Determinar a partio entre dois grupos que maximize a soma de quadrados entre grupos.
Essa soma de quadrados ser definida por B0, e ser estimada da seguinte forma. Sejam T1 e T2 os
totais dos dois grupos com k1 e k2 tratamentos em cada um.
( )
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
em que Y(i ) a mdia do tratamento da posio ordenada i.
Os dois grupos devero ser identificados por meio da inspeo das somas de quadrados das
g-1 parties possveis, sendo g o nmero de tratamentos envolvidos no grupo de mdias
considerado.
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

ii. Se (2 ; g /( 2)) , rejeita-se a hiptese de que os dois grupos so idnticos em favor da
hiptese alternativa de que os dois grupos diferem.

iii. No caso de rejeitar essa hiptese, os dois subgrupos formados sero independentemente
submetidos aos passos (i) a (iii), fazendo respectivamente g=k1 e g=k2. O processo em cada
subgrupo se encerra ao se aceitar H0 no passo (iii) ou se cada subgrupo contiver apenas uma mdia.
Para ilustrar a aplicao deste algoritmo, ser considerado um exemplo de um experimento

apresentado por Campos (1984), em que o quadrado mdio do erro foi de 10,19, com 20 graus de
liberdade, e as mdias dos 4 tratamentos estimadas a partir de 6 repeties foram:
Y (1) =21,16; Y (2) =22,72

Y (3) =23,58; Y (4) =28,14
As somas de quadrados da partio 1 vs 2, 3 e 4 obtida por:
( )
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
De modo anlogo, obtm-se as somas de quadrados das parties 1 e 2 vs 3 e 4 (B0=15,37) e

1, 2 e 3 vs 4 (B0=23,97). Assim, essa ltima partio foi a que maximizou a soma de quadrados
entre grupos.
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
formados ao nvel de 5%; o grupo 1 com os tratamentos 1, 2 e 3 e o grupo 2 com o tratamento 4.

Assim, o procedimento repetido apenas para os subgrupos que contm mais de 1 tratamento, no
caso apenas o grupo 1.
As parties 1 vs 2 e 3 e 1 e 2 vs 3 possuem as seguintes somas de quadrados entre grupos:
B0=2,6401 e B0=1,7931. Assim, a partio 1 vs 2 e 3 a que maximiza B0 e as estimativas 02 e
devem ser obtidas por:
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
tratamentos 1, 2 e 3 pertencem a um mesmo grupo. O resultado final do teste , portanto:
Tratamentos Mdias Grupos

Y (1) 21,16 b
Y (2) 22,72 b
Y (3) 23,58 b
Y (4) 28,14 a
2.2 Comparaes entre os testes de comparaes mltiplas

Sempre que os contrastes de interesse forem escolhidos antes da obteno dos dados
experimentais e forem ortogonais entre si, devemos utilizar o teste t de Student. O motivo dessa
escolha que os intervalos de confiana obtidos por este teste tm amplitude menor que os
fornecidos pelos outros testes de comparao de mdias.
Se no forem ortogonais entre si, devemos escolher entre Dunnett, Tukey, Duncan, Scheff,
SNK, Skott & Knott. Se interessarem apenas as comparaes da testemunha com cada um dos
outros tratamentos, usar o teste de Dunnett.
Se interessarem todas as possveis comparaes de mdias, de tratamentos, duas a duas, usar
Duncan ou Tukey (melhor).
O mtodo de Scheff deve ser adotado quando temos interesse em vrios contrastes, com
pelo menos um deles envolvendo mais de duas mdias.
Se os contrastes de interesse forem determinados aps a realizao do experimento (aps a
obteno dos dados), o teste t de Student no deve ser utilizado.
2.3 Teste de F para anlise de varincia

O teste foi obtido por Snedecor e tem por finalidade comparar estimativas de varincias.
A estatstica F, denominada de razo de varincias, pode ser definida-como sendo o
quociente de duas estimativas de varincia, s12 e s22 , supostas independentes e calculadas com n1 e
n2 graus de liberdade, respectivamente.
s12
Ento:
F= 2
s2

Consideraremos sempre s12 > s22 , de forma que F > 1, o que caracteriza o teste unilateral.
As hipteses que testamos quando aplicamos o teste F, so as seguintes:
a) H 0 : 12 = 22
Ou seja, a hiptese da nulidade estabelece que as duas populaes possuam varincias

iguais, o que equivale admitir que as duas amostras foram retiradas de uma mesma populao.
b) H1 : 12 > 22 (teste unilateral)
Ou seja, a hiptese alternativa estabelece que a populao 1 possui varincia superior da

populao 2 ou, equivalentemente, que as amostras so provenientes de populaes diferentes.
Na aplicao do teste, sempre rejeitamos uma hiptese e aceitamos a outra.
Os valores crticos de F so tabelados em funo dos nmeros de graus de liberdade, n1 e n2
das estimativas de varincias s12 e s22 , a diferentes nveis de probabilidade.
EXEMPLO 2.11 - Sejam as estimativas de varincia:
s12 = 386,38, com 6 graus de liberdade
s22 = 291,32, com 28 graus de liberdade.
s12 386,38
Ento:
F= 2 = = 1,33NS
s2 291,32
Sob a hiptese da nulidade, o teste deveria dar 1,00.
Ocorre, porem, que s12 e s22 so estimativas amostrais 12 e 22 .
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.

Para o nvel de 5% de probabilidade (= 0,05), temos:
N2 N1 1 2 . . 6 . . 20 . .
1
2
.
.
28 2,45
.
.

OBS: Fc > Ftab significativo, Rejeitamos H0.
Fc < Ftab No significativo, no rejeitamos H0.
Como o valor de F calculado (1,33) menor que o F tabelado ao nvel de 5% de

probabilidade (2,45); admitimos, que a diferena foi casual, dizemos que o teste foi no
significativo ao nvel de 5% de probabilidade (P > 0,05) e no rejeitamos H 0 : 12 = 22 , ou seja, as
duas amostras foram retiradas da mesma populao.

Se o F calculado fosse maior que 2,45, rejeitaramos H0 e diramos que o teste seria
significativo ao nvel de 5% de probabilidade (P< 0,05) .
Graficamente, temos:

Sob H0, a probabilidade de termos um valor F 2,45, por simples acaso 0,05, ou seja:
P(F 2,45) = 0,05

Isto quer dizer o seguinte: se H0 verdadeira, valores de F2,45 ocorrero por acaso, com
apenas 5% de probabilidade, ao passo que existe uma probabilidade de 95% de ocorrncia de
valores de F < 2,45. Assim, como o F calculado foi de 1,33, ele est dentro da regio de aceitao
de H0 e aceitamo-l ao nvel de 5% de probabilidade, concluindo, ento, pela igualdade de
varincias.
EXEMPLO 2.12 - Sejam as estimativas de varincia:
s12 = 1.561,33, com 6 graus de liberdade.
s22 = 291,32, com 28 graus de liberdade.
s12 1.561,33
Temos, pois:
F= 2 = = 5,36**
s2 291,32
Como existe apenas 5% de probabilidade de ocorrncia, por simples acaso, de valores de F

2,45, dizemos que o F calculado (5,36) significativo ao nvel de 5% de probabilidade.
A tabela de valores crticos de F ao nvel de 1% de probabilidade, para: 6 e 28 graus de
liberdade, nos fornece F = 3,53.
Isto nos indica que, sob H0:
P(F 3,53) = 0,01
Como o valor de F calculado (5,36) maior que 3,53, dizemos que o teste significativo ao
nvel de 1% de probabilidade, rejeitamos H0 em favor de H1 : 12 > 22 e conclumos que as duas
populaes possuem disperses deferentes, sendo maior a da populao 1 ou, equivalentemente, as

amostras no provm da mesma populao.
Representando esquematicamente a significncia do teste

NS

5% = 2,45

F da tabela (6 x 28 g.l.) *
1% = 3,53

**
Embora o teste F possa ser aplicado independentemente da anlise de varincia, na anlise

de varincia dos delineamentos experimentais que ele encontra sua maior aplicao.
EXEMPLO 2.13 - Consideremos os dados seguintes, obtidos em um experimento

inteiramente casualizado:
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
tratamentos, T2 . Assim, considerando os tratamentos 1 e 2, e 1a e 2a repeties, temos:
- a diferena entre 10,3 e 11,6 devida variao ambiental 2;
- a diferena entre 11,8 e 10,0 e devida a variao ambiental 2;
- a diferena entre 10,3 e 11,8 e devida a variao ambiental 2 + a variao devido a tratamentos,
T2 .
Portanto, as hipteses a serem testadas na anlise de varincia sero:

H0: os tratamentos possuem o mesmo efeito (t1 = t2 = ...= tI ou no existe variao entre os efeitos
dos tratamentos ( T2 = 0).

H1: pelo menos 2 tratamentos possuem efeitos diferentes ( T2 0).
Para aplicarmos o teste F na analise de varincia com a finalidade de testarmos as hipteses

acima, consideramos um experimento inteiramente casualizado com 5 tratamentos e 4 repeties e,
lembrando que para o resduo, tanto a soma de quadrados como os graus de liberdade so obtidos
por diferena entre o Total e Tratamentos, estruturamos o quadro de anlise de varincia pelo teste
F da seguinte forma:
CAUSA DA VARIAO G.L. S.Q Q.M. F

Q.M . Trat.
Tratamentos 4 S.Q.Trat S.Q.Trat/4
Q.M . Res
Resduo 15 S.Q.Res S.Q.Res/15 -
Total 19 S.Q.Total - -
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:
Q.M . Blo cos

F=
Q.M . Res

3. DELINEAMENTO INTEIRAMENTE CASUALIZADO
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.
Como fazemos a aleatorizao (casualizao)?

Usar processo aleatrio de sorteio, ou seja, amostras aleatrias simples, numerando todos as
parcelas , como segue, para o exemplo de 5 tratamentos e 3 repeties (5x3=15):
1 2 3 4 5
6 7 8 9 10
11 12 13 14 15
Descrever os tratamentos em suas respectivas repeties como segue:
A1 A2 A3 B1 B2 B3 C1 C2 C3 D1 D2 D3 E1 E2 E3

Podemos usar tabelas de nmeros aleatrios, papel numerado, calculadora ou computador.

Para este exemplo vamos utilizar a tecla Ran# (randon) da calculadora, para isto, cada calculadora
tm as suas regras, veja o manual da sua. Esta tecla gera nmeros aleatrios, indicando, para
algumas calculadoras o tamanho da amostra (se no informar o tamanho da amostra ela vai gerar
nmeros de 0 at infinito). Para o nosso exemplo, n= 15, informamos para a calculadora da seguinte
forma: 15Ran# e em seguida tecle igual quantas vezes forem necessrio, uma vez que pode dar
nmeros prximos (1,23 ou 1,25, por exemplo). A calculadora no gera nmeros exatos, porm,
podemos assumir apenas a primeira casa, ou arredondar. Como exemplo, o primeiro nmero
gerado, quando aplicada a funo 5Ran# foi 12,9445, assumido como 13, ou seja o tratamento A1
ser alocado na parcela 13. Para o restante dos tratamentos segue-se o mesmo raciocnio. O sorteio
pode ser observado abaixo:
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
Para a instalao desses experimentos no campo, devemos ter certeza da homogeneidade

das condies ambientais e do material experimental.
Este delineamento experimental e mais freqentemente utilizado em experimentos de
laboratrio e nos ensaios com vasos, realizados dentro de casas de vegetao, nos quais as
condies experimentais podem ser perfeitamente controladas. So utilizados, tambm em ensaios
com frangos de corte e em alguns casos com bovinos (ensaios de degradabilidade in situ). Nos
experimentos com vasos, eles devem ser constantemente mudados de posio, de forma
inteiramente casual, para evitar influncias externas sobre os mesmos.
O delineamento inteiramente casualizado apresenta, em relao aos outros delineamentos,
as seguintes vantagens:

a) um delineamento bastante flexvel, visto que o numero de tratamentos e de repeties depende

apenas do numero de parcelas disponveis;
b) o nmero de repeties pode ser diferente de um tratamento para outro, embora o ideal seja que
eles apresentem-se igualmente repetidos;
c) a anlise estatstica simples, mesmo quando o nmero de repeties por tratamento varivel;
d) o nmero de graus de liberdade para o resduo o maior possvel.
Em relao aos outros delineamentos experimentais, este apresenta as seguintes

desvantagens:
a) exige homogeneidade total das condies experimentais;
b) pode conduzir a uma estimativa de varincia residual bastante alta, uma vez que, no se
utilizando o princpio do controle local, todas as variaes, exceto as devidas a tratamentos, so
consideradas como variao do acaso.
3.2. Modelo estatstico do delineamento e hipteses bsicas para a anlise de varincia

Todo delineamento experimental possui um modelo estatstico e, para podermos efetuar a
anlise de varincia de um experimento em um dado delineamento, devemos considerar o seu
modelo estatstico e aceitar algumas hipteses necessrias para a validade da anlise de varincia.
No caso do delineamento inteiramente casualizado o modelo estatstico :
yij = + ti + eij i = 1, 2, 3..., t

j = 1, 2, 3,..., r
onde:
yij = valor observado na parcela que recebeu o tratamento i na repetio j;

= mdia da populao;
ti = efeito do tratamento i aplicado na parcela, com i= 1, 2, 3, ...., t;

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.
c) Homocedasticidade ou homogeneidade de varincias: os erros ou desvios eij devidos ao
efeito de fatores no controlados, devem possuir uma varincia comum 2.

Isto significa que a variabilidade das repeties de um tratamento deve ser semelhante dos
outros tratamentos, isto , os tratamentos devem possuir varincias homogneas.
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.

- Heterocedasticidade regular: ocorre devido falta de normalidade dos dados experimentais,

existindo, freqentemente, uma certa relao entre a mdia e a varincia dos diversos tratamentos
/ s 2 dos
testados. Se a distribuio de probabilidade dos dados for conhecida, a relao m
tratamentos tambm o ser e, os dados podero ser transformados de forma que passem a ter uma
distribuio aproximadamente normal e as mdias e varincias se tornem independentes, permitindo
estruturar a anlise de varincia.
Um dos testes mais utilizados para verificao da homocedasticidade o Teste de Hartley
ou teste da razo mxima (F mximo).
Consideremos um conjunto de g grupos, cada um com r dados, para os quais desejamos
testar a homocedasticidade. Para tanto, calculamos as estimativas de varincia s2 dos diferentes
grupos e a estatstica
2
sMax
HC = 2
sM in
Onde:
2
sMax a maior varincia;
sM2 in a menor varincia.
e comparamos seu valor com os valores crticos de H( g , r 1) , da Tabela 8 de Pearson & Hartley
(1970).
Se HC H ( g , r 1) , rejeitamos a hiptese de homocedasticidade e conclumos que no
existe homogeneidade de varincias entre os grupos.

Se os grupos no possurem o mesmo nmero de dados e esses nmeros forem semelhantes,
podemos utilizar
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
O delineamento experimental adotado fui o inteiramente casualizado e, os dados obtidos,

referentes ao nmero de pulges coletados 36 horas apos a pulverizao, encontram-se na Tabela
3.1.
TABELA 3.1. Nmeros de pulges coletados 36 horas aps a pulverizao.
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
heterocedasticidade dos dados.

Constatada a heterocedasticidade, devemos verificar se ela regular e/ou irregular.
Se a heterocedasticidade for regular, devemos buscar uma transformao tal que os dados
passem a apresentar uma distribuio aproximadamente normal. As transformaes mais utilizadas
so:
a) Transformao de raiz quadrada ( x ): freqentemente utilizada para dados de

contagens, que geralmente seguem a distribuio de Poisson, na qual a mdia igual varincia.
Exemplos: nmero de ervas daninhas por parcela, nmero de insetos capturados em armadilhas
luminosas, nmero de pulges ou caros por folha etc. Quando ocorrem zeros ou valores baixos, as
transformaes recomendadas so x + 0,5 ou x + 1, 0 .
b) Transformao angular ( arc sen x /100 ): recomendvel para dados expressos em

porcentagens, que geralmente seguem uma distribuio binomial. Existem tabelas apropriadas para
essa transformao, nas quais entramos diretamente com a porcentagem x e obtemos
arc sen x /100 .
Se as porcentagens estiverem todas na faixa de 30 a 70%, torna-se desnecessria a

transformao e podemos analisar diretamente os dados originais.
A transformao tambm desnecessria quando as porcentagens so resultantes da diviso
dos valores observados nas parcelas por um valor constante, como, por exemplo, a mdia do
tratamento testemunha ou quando so representativas de concentrao, como teor de N na folha,
pureza da semente, teor de protena do trigo, teor de sacarose da cana-de-acar, entre outras.
Devem ser transformados os dados de porcentagem provenientes de dados discretos num
total de casos, como, por exemplo, porcentagem de germinao (nmero de sementes germinadas
germinadas/nmero total de sementes), porcentagem de plantas doentes (nmero de plantas
doentes/nmero de plantas consideradas) etc.
c) Transformao logartmica (log x ou ln x): utilizada quando constatada uma certa
proporcionalidade entre as mdias e os desvios padres dos diversos tratamentos.
Consideremos, por exemplo, o caso de contagens de insetos; se a populao numerosa, as
contagens sero altas tanto para a testemunha como para os tratamentos no eficientes (por
exemplo, variao de 100 a 10.000 insetos), ao passo que, para os outros tratamentos, que

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.
3.3. Obteno da anlise de varincia

Admitido o modelo estatstico do delineamento e satisfeitas as hipteses bsicas necessrias
para a anlise de varincia, podemos passar a obteno da analise de varincia do experimento.
Consideremos um experimento inteiramente casualizado com I tratamentos e J repeties.
De acordo com o modelo estatstico do delineamento, o valor observado na parcela que recebeu o
tratamento i na repetio j, referente caracterstica em estudo, e denotado por yij de forma que
podemos organizar os valores observados no experimento, de acordo com a Tabela 3.2.
TABELA 3.2. Valores observados no experimento.
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
Em que, valem algumas observaes e denotaes

I J
1) y = G = yi =1 j =1
ij o total geral do experimento
I J
G
y
i =1 j =1
ij
2) y = = a mdia geral do experimento

IJ 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:
Variao total = Variao entre trat. + Variao dentro trat.

Para quantificar estas variaes, temos:

I J
1) S .Q.Total = ( y
i =1 j =1
ij y ) 2
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
Mede a variao ocorrida no experimento devido ao efeito dos tratamentos, representada

pela disperso entre as mdias de tratamentos e a mdia geral do experimento
Desenvolvendo o quadrado, obtm-se
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.
S .Q. Dentro trat. = S .Q. Total S .Q. Entre trat.
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
que podemos escrever:

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
equao da media, indicando que as equaes no so independentes e o sistema apresenta infinitas

solues. Como o que nos interessa e uma soluo unica, devemos estabelecer uma restrio, sendo
mais interessante aquela que nos possibilita obter a estimativa da mdia independentemente, ou
seja:
t = 0
i =1
i
Admitida essa restrio, a primeira equao do sistema nos fornece,
G
IJ = G =
IJ
e, generalizando para um tratamento i qualquer, as outras equaes do sistema nos

fornecem:
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
A soma de quadrados de tratamentos corresponde soma dos quadrados dos efeitos de

todos os tratamentos e, como em cada parcela ocorre o efeito de um tratamento, podemos escrever:
S .Q.Trat = (t12 + t12 + .... + t12 ) + (t22 + t22 + .... + t22 ) + (tI2 + tI2 + .... + tI2 )
ento:
S .Q.Trat = Jt12 + Jt22 + .... + JtI2 = J (t12 + t22 + .... + tI2 )
Substituindo as estimativas dos efeitos de tratamentos, temos:
T 2
T
2
T
2
S .Q.Trat = J 1 + 2 + .... + I
J J J
e desenvolvendo os quadrados:

T12 T1 T22 T2 TI2 T

S .Q.Trat = J 2 2 + + 2 2 + + .... + 2 2 I + 2
2 2
J J J J J J
T12 2 T22 2 TI2

S .Q.Trat = J
2T1 + J +
2T2 + J + .... + 2 TI + J 2
J J J
2 2 2
T T T
= 1 + 2 + ..... + I 2 (T12 + T22 + ... + TI2 ) + IJ 2
J J J
Lembrando que =G/IJ e que a soma dos totais de tratamentos G, temos:
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 :

S .Q.Parm = G + t1T1 + t2T2 , ...., tI TI
Substituindo as estimativas dos parmetros pelos seus valores, obtemos
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
Substituindo a soma de quadrados de parmetros na expresso da soma de quadrados do

resduo, temos
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

Temos, pois, que
S .Q.Re s = S .Q.Total - S .Q.Trat.
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
TABELA 3.3. Anlise de varincia do experimento.
Causa da variao G.L. S.Q. Q.M. F

1 I 2 S .Q.Trat Q.M .Trat
Tratamentos I-1 Ti C
J i =1 I 1 Q.M .Re s
S .Q.Re s
Resduos I(J-1) Diferena -
I ( J 1)
I J
Total IJ-1 y
i =1 j =1
2
ij
C - -
Obtido o valor da estatstica F, verificamos a sua significncia e conclumos, passando, se

necessrio, aplicao dos testes de comparaes mltiplas, da forma j vista no captulo anterior.
3.4. Exemplo de obteno da anlise do experimento e interpretao dos resultados no caso de

tratamentos igualmente repetidos
Com o objetivo de apresentar a obteno da anlise do experimento e a interpretao dos
resultados obtidos em um experimento no delineamento inteiramente casualizado com os
tratamentos, igualmente repetidos, consideremos o Exemplo 3.2
EXEMPLO 3.2. No Exemplo 3.1 foram apresentados os dados referentes aos nmeros de pulges
coletados nas parcelas do experimento, 36 horas aps a pulverizao. J constatamos que as
varincias de tratamentos no so homogneas, apresentando heterocedasticidade regular. Para
serem analisados, os dados devem ser transformados e a transformao adequada a transformao
logartmica (lnx), uma vez que existe uma certa proporcionalidade entre a mdia e o desvio padro

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.
TABELA 3.4. Dados transformados em ln(x).
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
Verificamos que a transformao logartmica homogeneizou as varincias de tratamentos,

uma vez que
2
s Max 0, 2488
Hc = 2
= = 5, 62 NS
s Min 0, 0443
Este valor no significativo (P>0,05), pois H(5, 5)5% = 16,3. Satisfeita a hiptese da
homogeneidade de varincias, podemos efetuar a anlise de varincia do experimento.
1 Obteno da anlise de varincia do experimento
Para a obteno da anlise de varincia do experimento, necessitamos calcular as somas de
quadrados de cada uma das causas de variao.
Da Tabela 3.4, obtemos:
I J
G = yij = (7, 7706 + 7, 4307 + .... + 4,5643 + 3, 7842) = 182,3330
i =1 j =1
e, a correo C, calculada por:
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
Ou, pela frmula mais rpida:

I J
S .Q.Total = y ij2 C = (7, 77062 + 4, 43072 + .... + 4,56432 + 3, 78422 ) C
i =1 j =1
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
Este valor representa a variao do nmero de pulges devido ao efeito de tratamentos.

Tambm j foi demonstrado que
I J
S .Q. Dentro trat. = ( yij yi ) 2 ou S .Q.Re s = S .Q.Total - S .Q.Trat.
i =1 j =1
Ento:

I J
S .Q. Dentro trat. = ( yij yi ) 2 =
i =1 j =1
= (7, 7706 7, 7973) + ... + (8, 0130 7, 7973) 2 +
2
+ (7,1562 6,9548) 2 + ... + (6,8244 6,9548) 2 + ...

... + (5, 2627 4, 4013) 2 + ... + (3, 7842 4, 4013) 2 =
= 0, 221589 + 0, 291226 + 0, 747758 + 0, 256761 + 1, 243805
= 2, 7611
ou
S .Q.Re s = 48, 6754 45, 9141 = 2, 7611
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.
TABELA 3.5. Anlise de varincia de experimento.

Tratamentos 4 45,9143 11,4786 103,9297**
Resduo 25 2,7611 0,1104
Total 29 48,6754
Obtido o valor da estatstica F, buscamos os valores crticos da tabela aos nveis de 5 e 1%

de probabilidade, obtendo:
Valores de F da tabela 5% 4 e 25 g.l.= 2,16 e para 4 e 25 g.l.1% = 4,18
Como o valor da estatstica F (103,92) supera o valor crtico ao nvel de 1% de
probabilidade (4,18), ele significativo a esse nvel (p < 0,01), o que indicamos colocando sobre
seu valor os 2 asteriscos e podemos chegar s seguintes concluses:

Concluso estatstica: o teste foi significativo ao nvel de 1% de probabilidade, rejeitamos

H0 (os tratamentos possuem efeitos semelhantes) e conclumos que os tratamentos possuem efeitos
diferentes sobre a caracterstica analisada, com um grau de confiana superior a 99% de
probabilidade.
Concluso prtica: os inseticidas testados possuem efeitos diferentes sobre o numero de
pulges coletados 36 horas aps a pulverizao, isto , pelo menos 2 dos inseticidas confrontados
diferem entre si quanto ao nmero de pulges coletados.
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
t = 1, 7195 + 0,8771 + 0,1284 1, 0449 1, 6765 = 0, 0036 0

i =1
i
3 Estimativas dos erros no experimento

A estimativa dos erros, conforme demonstrado em funo do modelo estatstico, so dados
por:
eij = yij ti
eij = y ij ti
e11 = 7, 7706 6, 0778 1, 7195 = 0, 0267

e12 = 7, 4307 6, 0778 1, 7195 = 0,3666
e13 = 7,8602 6, 0778 1, 7195) = 0, 0629
.............
e31 = 6,3315 6, 0778 0,1284 = 0,1253

.............
e56 = 3, 7842 6, 0778 (1, 6765) = 0, 6171

Em qualquer experimento a soma das estimativas dos erros ser igual a zero, ou seja:
I J
ei =1 J =1
ij =0
4 Comparao matemtica do modelo
yij = + ti + eij
y11 = + t1 + e11 = 6, 0778 + 1, 7195 + (0, 0267) = 7, 7706
5 Clculo das mdias dos tratamentos e erro padro

As mdias dos tratamentos so calculadas do modo usual, dividindo-se o total do tratamento

pelo nmero de repeties, isto :
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 Q.M .Re s 0,1105

s( x ) = = = = 0,1357
r J 6
6 Aplicao do teste de Tukey s mdias de tratamentos

J vimos que, no caso de mdias com o mesmo numero de repeties, o valor da diferena
mnima significativa, calculado por:
s
DMS () = q = q . s( x )
r
O valor da amplitude total estudentizada, q, para 5 tratamentos e 25 graus de liberdade do

resduo, ao nvel de 5% de probabilidade, 4,16, portanto:
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 ) .

As mdias dos tratamentos e o resumo do teste de Tukey encontram-se na Tabela 3.6
TABELA 3.6. Mdias dos tratamentos e teste de Tukey.
Tratamentos Mdias transformadas Mdias no transformadas

A - Testemunha 7,7973 a 2.434
B - Azinfs etlico 6,9549 b 1.048
C - Supracid 40CE dose 1 6,2062 c 496
D - Supracid 40CE dose 2 5,0291 d 153
E - Diazinon 60CE 4,4013 e 82
s( x ) 0,1357 -
DMS 0,5645 -
Mdias seguidas de mesma letra no diferem entre si pelo teste de Tukey (p > 0,05) .
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.
7 Clculo do coeficiente de variao do experimento

O coeficiente de variao do experimento calculado por:
s = Q.M .Re s = 0,1105 = 0,3324

s
C.V . = x100 , onde
x
G 182,3330
x= = = 6, 0778
IJ 5 x6

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.
8 Clculo do coeficiente de determinao do experimento

Ao se fazer o ajuste de um modelo qualquer para se avaliar o quanto se explica da variao
total dos dados, calcula-se o coeficiente de determinao (R2), como segue:
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.
9 A DMS e a preciso dos experimentos

Quem mede a preciso do experimento o coeficiente de variao, ou seja:
Q.M .Re s y x CV
CV = x100 Q.M .Re s =
y 100
A DMS para o teste de Tukey :
s Q.M .Re s q
DMS () = q =q . = . Q.M .Re s
r r r
q y x cv
DMS () = .
r 100
Multiplicando ambos o lado da equao final acima por 100 / y
Temos uma entidade que expressa quanto a DMS representa em porcentagem da mdia
geral, representada abaixo:
100 . DMS () q
= .CV
y r
O que seria equivalente a:

y _____ 100
DMS _____ x
Ento:
100 . DMS () 100 . DMS ()

= x x =
y y
Para o exemplo 3.5, temos:

CV=4,52%
DMS=0,5645
y = 6,0778
q0,05 (5 25) = 4,16
100 . DMS () 100.0, 5645

x= = = 9, 2879 9,3%
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
3.5. Exemplo de obteno da anlise do experimento e interpretao dos resultados no caso de

tratamentos com nmeros diferentes de repeties
Algumas vezes, o experimentador necessita, por motivos inerentes a experimentao,
utilizar tratamentos com nmeros diferentes de repeties, o que possvel de ser feito no
delineamento inteiramente casualizado sem que isto prejudique a anlise estatstica.
Neste caso, em que o experimento e denominado de no balanceado, algumas modificaes
devem ser feitas nos clculos referentes anlise de varincia e nos testes de comparaes
mltiplas, de modo a considerar o nmero desigual de repeties dos tratamentos.
Nos experimentos inteiramente casualizados em que ocorrem perdas de parcelas,
consideramos como um experimento no balanceado.
Para ilustrar o procedimento de anlise de um experimento inteiramente casualizado no
balanceado, consideremos o Exemplo 3.3.
EXEMPLO 3.3. Os dados da Tabela 3.7 referem a produes de matria seca de cultivares de
sorgo, em t/ha.
TABELA 3.7. Produes de matria seca, 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

4 - PIONEER 93 (Hb.) 21,22 20,62 22,33 19,89 21,00 - 105,06

5 - SART (Variedade) 20,20 20,55 22,12 20,78 20,90 20,92 125,47
400,49
1 - Obteno da anlise de varincia do experimento

Com os dados da Tabela 3.7, obtemos
I J
G = yij = 400, 49
i =1 j =1
e vemos que esse valor um total de 27 parcelas. Logo:
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
Para o clculo da soma de quadrados de tratamentos, devemos considerar o nmero de

repeties de cada um deles, uma vez que eles no so igualmente repetidos e, neste caso, a soma
de quadrados de tratamentos calculada por:
J demonstramos que:

I
Ti 2
S .Q.Trat = C
i =1 ri
67,322 62, 77 2 39,87 2 105, 062 125, 47 2

S .Q.Trat = + + + + C
6 6 4 5 6
S .Q.Trat = 700, 2677
e, sendo a soma de quadrados do resduo obtida por diferena obtemos a Tabela 3.8

Tratamentos 4 700,2677 175,0669 388,17**
Resduo 22 9,9225 0,4510
Total 26 710,1902
Concluso: o teste F foi significativo ao nvel de 1% de probabilidade, devemos rejeitar H0

( T2 = 0 ) e conclumos que os tratamentos possuem efeitos diferentes sobre a caracterstica
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.
2- Calculo das mdias dos tratamentos e erros padres

Uma vez que os tratamentos no possuem o mesmo nmero de repeties, a mdia do
tratamento i calculada por

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
s Q.M .Re s 0, 4510

s( x1 ) = s( x2 ) = s( x5 ) = = = 0, 27 t / ha
r1 r1 6
s Q.M .Re s 0, 4510

s( x3 ) = = = = 0,34 t / ha
r3 r3 4
s Q.M .Re s 0, 4510

s( x 4) = = = = 0,30 t / ha
r4 r4 5
3 - Aplicao do teste de Tukey s mdias dos tratamentos

Visto que os tratamentos no possuem o mesmo nmero de repeties, vamos ter diversos
casos a considerar.
a) Para comparar as mdias dos tratamentos com 6 repeties entre si.

Neste caso, como as mdias que entram nos contrastes so igualmente repetidas, o valor da
diferena mnima significativa calculado por:
DMS () = q.s( x1 )

O valor de q na tabela ao nvel de 5% de probabilidade, para 5 tratamentos e 22 graus de

liberdade do resduo, e 4,20. Logo
DMS () = q.s( x1 ) = 4, 20 x0, 27 = 1,13 t / ha
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
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
Os contrastes que permitem essas comparaes so:
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
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
y10 = m 4 - m 3 = 11, 04* t / ha m 4 m3
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.
Cultivares Mdias Erros padres

1 - NK 300 11,22 b 0,27
2 - SORDAN 67 10,46 b 0,27
3 - PIONEER 988 9,97 b 0,34
4 - PIONEER 93 21,01 a 0,30
5 - SART 20,91 a 0,27
Mdias seguidas de mesma letra no diferem entre si pelo teste de Tukey (P> 0,05).
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
A estimativa de varincia da estimativa do contraste calculada por:

c12 c22 c32 c42 c52 2

V( y ) = + + + + s
r1 r2 r3 r4 r5
12 12 12 12 (4)2
V( y ) = + + + + 0, 4510 = 1,5560
6 6 4 5 6
O valor de F da tabela ao nvel de 5% de probabilidade para 4 e 22 graus de liberdade

2,82, logo
S = ( I 1).F .V( y ) = 4 x 2,82 x1,5560 = 4,19 t / ha
Concluso: como |y| > S, o contraste significativo ao nvel de 5% de probabilidade,
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.
5 - Clculo do coeficiente de variao do experimento

J vimos que:
s = Q.M .Re s = 0, 4510 = 0, 67 t / ha

s
C.V . = x100 , onde
x
G 40,19
x= = = 14,83 t / ha
IJ 27
Logo:
0, 67
C.V . = x100 = 4,52%
14,83
O coeficiente de variao foi pequeno, demonstrando preciso no experimento.


S .Q.Parmetros 700, 2677

R2 = x100 = x100 = 98, 6028%
S .Q.Total 710,1902
O ajuste do modelo yij = + ti + eij aos dados explica 98,60% da variao total dos dados
experimentais.

4. DELINEAMENTO EM BLOCO CASUALIZADOS

4.1. Introduo
O delineamento em blocos casualizados tambm denominado de delineamento em blocos
ao acaso ou ainda de delineamento em blocos completos casualizados e se constitui no mais
utilizado de todos os delineamentos experimentais.
Sempre que no houver homogeneidade das condies experimentais, devemos utilizar o
princpio do controle local, estabelecendo, ento, sub-ambientes homogneos e instalando, em cada
um deles, todos os tratamentos, igualmente repetidos.
Esse delineamento leva em considerao os trs princpios bsicos da experimentao e os
experimentos instalados neste delineamento so denominados de experimentos em blocos
casualizados ou experimentos em blocos ao acaso.
As principais caractersticas deste delineamento so:
a) as parcelas so distribudas em grupos ou blocos (princpio do controle local), de tal forma que
elas sejam as mais uniformes possveis, dentro de cada bloco;
b) o nmero de parcelas por bloco deve ser um mltiplo do nmero de tratamentos (geralmente,
esse nmero e igual ao nmero de tratamentos);
c) os tratamentos so designados s parcelas de forma casual, sendo essa casualizao feita dentro
de cada bloco.
O delineamento em blocos casualizados mais eficiente que o inteiramente casualizado e,
essa eficincia depende da uniformidade das parcelas de cada bloco, podendo, inclusive, haver
diferenas bem acentuadas de um bloco para outro.
No campo, recomendvel que os blocos se apresentem com uma forma aproximadamente
quadrada, embora muitas vezes eles sejam instalados de forma retangular ou irregular, para que
possam apresentar homogeneidade nas suas parcelas.
Assim, dependendo da uniformidade, num experimento com 4 tratamentos podemos ter, por
exemplo, as seguintes formas para os blocos:

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.
Em relao aos outros delineamentos, o delineamento em blocos casualizados apresenta as

seguintes desvantagens:
a) pela utilizao do princpio do controle local, h uma reduo no nmero de graus de liberdade
do resduo. 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;
b) a exigncia de homogeneidade das parcelas dentro de cada bloco limita o nmero de tratamentos,
que no pode ser muito elevado.
Devemos ressaltar que nem sempre bloco e sinnimo de repetio. O nmero de blocos e de
repeties coincide apenas quando os tratamentos ocorrem uma nica vez em cada bloco. O mesmo
no acontece quando os tratamentos so repetidos duas ou mais vezes em cada bloco. Por exemplo:
E F B A
C B A C
A D B C
1 bloco e uma repetio 1 bloco e duas repeties
4.2. Modelo estatstico do delineamento e hipteses bsicas para a anlise de varincia

J vimos que, para podermos efetuar a anlise de varincia em qualquer delineamento,
devemos pressupor um modelo estatstico representativo do delineamento e aceitar algumas
hipteses bsicas necessrias para a validade da anlise. No delineamento em blocos casualizados,
controlamos uma causa de variao a mais que no delineamento inteiramente casualizado, que so
os blocos, de forma que o modelo estatstico deve espelhar este controle. Logo, para o delineamento
em blocos casualizados, o modelo estatstico :

yij = + ti + b j + eij i = 1, 2, 3..., I

j = 1, 2, 3,..., J
onde:
yij = valor observado na parcela que recebeu o tratamento i e se encontra no bloco j;

= mdia da populao;
ti = efeito do tratamento i aplicado na parcela, com i= 1, 2, 3, ...., I;
b j = efeito do bloco j em que se encontra a parcela, com j= 1, 2, 3, ...., J;
eij = efeito dos fatores no controlados na parcela, ou seja, erro experimental aleatrio associado a
cada observao, que por hiptese tem distribuio normal com mdia zero e varincia 2.
Pressuposto o modelo estatstico do delineamento, as hipteses bsicas que devemos admitir

para a validade da anlise de varincia so as mesmas vistas no delineamento inteiramente
casualizado, ou seja, aditividade, independncia do erro, homogeneidade de varincias e
normalidade do erro.
4.3. Obteno da anlise de varincia

Admitido o modelo estatstico do delineamento e satisfeitas as hipteses bsicas necessrias
para a validade da anlise de varincia, podemos passar obteno da anlise de varincia do
experimento.
Suponhamos um experimento em blocos casualizados com I tratamentos e J repeties. Os
valores observados nas parcelas desse experimento, referentes caracterstica em estudo, podem ser
organizados de acordo com a Tabela 4.1.

TABELA 4.1. Valores observados no experimento.
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
A cada valor observado, podemos associar o modelo estatstico do delineamento e,

generalizando para o valor observado no tratamento i no bloco j, teremos:
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
e, fazendo a derivada em funo de e

i =1 j =1
2
ij =z (, ti , b j )
temos
I j
z (, ti , b j ) = ( yij ti b j ) 2
i =1 j =1
Derivando parcialmente em relao a cada um dos parmetros e igualando as derivadas a 0

(zero), obtemos:
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
que podemos escrever:
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

Esse sistema de equaes normais no consistente, pois a soma das I equaes de

tratamentos e a das J equaes de blocos reproduzem a equao da mdia. Para a obteno de uma
soluo nica, devemos admitir 2 restries linearmente independentes, sendo mais interessantes
aquelas que nos possibilitam estimar a mdia independentemente dos efeitos de tratamentos e de
blocos, ou seja:
I J
t = 0
i =1
i b
j =1
j =0
Assim, a 1a equao do sistema nos fornece
G
IJ = G =
IJ
e, generalizando para um tratamento i e para um bloco j , obtemos:
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:

S .Q.Blo cos = I (b12 + b22 + ..... + b 2j )
e, substituindo as estimativas dos efeitos de blocos, temos
B 2
B
2
B
2
S .Q.Blo cos = I 1 + 2 + .... + J

I I I
Desenvolvendo os quadrados e grupando os termos semelhantes, obtemos
1 2
S .Q.Blo cos = ( B1 + B22 + .... + B 2j ) 2 ( B1 + B2 + .... + BJ ) + IJ 2
I
Substituindo pelo seu valor e simplificando, vem:
1
S .Q.Blo cos = ( B12 + B22 + .... + B 2j ) C
I
ou:
1 J 2
S .Q.Blo cos = Bj C
I J =1
Resta calcular a soma de quadrados do resduo. Se, da soma de quadrados de parcelas

subtrairmos a soma de quadrados devida aos parmetros estimados, obteremos a soma de quadrados
do resduo, isto :
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:
S .Q.Parm = G + t1T1 + t2T2 , ...., tI TI + b1B1 + b2 B2 , ...., b j BJ

Substituindo as estimativas dos parmetros pelos seus valores, obtemos:
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
Efetuando os produtos e grupando os termos semelhantes, temos:
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
Substituindo a estimativa da mdia e simplificando, vem:
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
Substituindo na equao da soma de quadrados do resduo, temos:

I J 1 i 1 j
S .Q.Re s = yij2 C + Ti 2 C + B 2j C
i =1 j =1 j i =1 I j =1
ou
I J 1 i 2 1 j 2
S .Q.Re s = y C Ti C + B j C
2
ij
i =1 j =1 j i =1 I j =1
Logo
S .Q.Re s = S .Q.Total ( S .Q.Trat + S .Q.Blo cos)
S .Q.Re s = S .Q.Total S .Q.Trat S .Q.Blo cos

Para o delineamento em blocos casualizado o coeficiente de determinao calculado como

segue:
S .Q.Parmetros C S .Q.Trat + S .Q.Blo cos

R2 = =
S .Q.Total S .Q.Total
Calculadas as somas de quadrados, podemos montar o quadro de anlise de varincia do

experimento. Assim, para um experimento em blocos casualizados com I tratamentos e J blocos, a
anlise de varincia pelo teste F apresentada na Tabela 4.2.

1 I 2 S .Q.Trat Q.M .Trat
Tratamentos I-1 Ti C
J i =1 I 1 Q.M .Re s
1 I 2 S .Q.Blo cos Q.M .Blo cos
Blocos J-1 Bj C
I i =1 J 1 Q.M .Re s
S .Q.Re s
Resduos (I-1)(J-1) Diferena -
( I 1)( J 1)
I J
Total IJ-1 y
i =1 j =1
2
ij
C - -
A complementao da anlise estatstica e feita do modo usual, ou seja, aplicando os teste

de comparaes mltiplas.

4.4. Exemplo de obteno da anlise de um experimento em blocos casualizados e

interpretao dos resultados
Para a obteno da anlise e da interpretao dos resultados obtidos neste delineamento
experimental, consideremos o Exemplo 4.1.
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.
4 - 12,5 ppm de Promalin em plena florao + 12,5 ppm de Promalin no incio da frutificao.
5 - Testemunha.
O delineamento experimental foi o de blocos casualizados, sendo as parcelas constitudas de

4 plantas espaadas de 6 x 7 m, com 12 anos de idade na poca de instalao do experimento.
A designao dos tratamentos s parcelas experimentais e os pesos mdios dos frutos,
expressos em gramas, obtidos atravs da pesagem de 250 frutos por parcela so apresentados na
Tabela 4.4.1.
TABELA 4.4.1. Croqui da distribuio dos tratamentos e pesos mdios dos frutos nas parcelas
(gramas)
(3) (1) (4) (5) (2)

o
1 BLOCO 140,73 142,36 150,88 153,49 139,28
(2) (5) (4) (1) (3)
o
2 BLOCO 137,77 165,02 135,83 144,78 134,06
(4) (2) (5) (3) (1)
o
3 BLOCO 136,97 144,44 151,75 136,07 145,19
(1) (3) (4) (2) (5)
o
4 BLOCO 138,88 144,11 136,36 130,61 150,22
Os nmeros entre parnteses indicam os tratamentos.
Os valores dos pesos mdios dos frutos nas parcelas devem ser agrupados como na Tabela
4.4.2.

TABELA 4.4.2. Pesos mdios dos frutos da macieira, em gramas.
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
1 Estimativas dos parmetros

G 2.858,80
= = = 142,94
IJ 5x4
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
Em qualquer experimento a soma dos efeitos dos tratamentos ser igual a zero, ou seja:
t
t = (0,138) + (4, 915) + (4,198) + (2,93) + 12,18 = 0

i =1
i
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
Em qualquer experimento a soma dos efeitos dos blocos ser igual a zero, ou seja:
J
b = 2, 408 + 0,552 + (0, 056) + (2,904) = 0

j =1
i
eij = yij ti b j
eij = yij ti b j
e11 = 142,36 142,94 (0,138) 2, 408 = 2,85

e12 = 144, 78 142,94 ( 0,138) 0,552 = 1, 426

e13 = 145,19 142,94 (0,138) (0, 056) = 2, 444

e14 = 138,88 142, 94 ( 0,138) (2, 904) = 1, 018 ...
.......
e51 = 153, 49 142,94 12,18 2, 408 = 4, 038

e52 = 165, 02 142,94 12,18 0,552 = 9,348
e53 = 151, 75 142,94 12,18 (0, 056) = 3,314
e54 = 150, 22 142,94 12,18 ( 2,904) = 1,996 ...
Em qualquer experimento a soma das estimativas dos erros ser igual a zero, ou seja:
I J
e
i =1 J =1
ij =0
Comparao matemtica do modelo
y11 = + t1 + b1 + e11 = 142, 94 + ( 0,138) + 2, 408 + ( 2,85) = 142, 36

Observe na Tabela 4.4.2 que este o valor observado referente ao tratamento 1 no bloco 1.
Os demais valores podem ser confirmados de maneira semelhante.
2 - Obteno da anlise de varincia do experimento

O clculo das somas de quadrados para o total e para tratamentos feito de modo idntico
ao visto para o delineamento inteiramente casualizado, ou seja:
I J
G = yij = (142,36 + 144,78 + .... + 151,75 + 150, 22) = 2.858,80
i =1 j =1

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
Este valor representa a variao total no peso dos frutos de macieira.

I
1 I 2
S .Q. Entre Trat = J ( yi y ) 2 ou S .Q.Trat = Ti C
i =1 J i =1
I
S .Q. Entre Trat = J ( yi y ) 2 = 4 (142,80 142,94) 2 + .. + (155,12 142,94) 2 = 794,9298
i =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
S .Q.Re s = S .Q.Total - S .Q.Trat. S .Q.Blo cos
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
5 x (145,35 142,94) 2 + ... + (140, 04 142,94) 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
S .Q.Re s = 1.273,9522 794, 9298 72, 6976 = 406,3248

Este valor representa a variao no peso dos frutos de macieira devido ao acaso (erro
experimental). Observe que o tratamento 4 e 5 foram os que contriburam 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 4.4.3.

TABELA 4.4.3. Anlise de varincia do experimento.

Tratamentos 4 794,9298 198,7325 5,87 **
Blocos 3 72,6976 24,2325 0,72 NS
Resduo 12 406,3248 33,8604
Total 19 1.273,9522
Obtidas as estatsticas F, buscamos os valores crticos de F nas tabelas aos nveis de 5 e 1%

de probabilidade obtendo:
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
Comparando as estatsticas F com os valores crticos, podemos chegar s seguintes

concluses:
a) Para Tratamentos
Estatstica: o teste foi significativo ao nvel de 1% de probabilidade; rejeitamos H0
( T2 = 0 ) e conclumos que, pelo menos dois tratamentos possuem efeitos diferentes sobre a
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
analisada, a esse nvel de probabilidade.

Prtica: os blocos no influem no peso mdio dos frutos da macieira, no se justificando o
controle local feito atravs de blocos. O experimento poderia ter sido feito no delineamento
inteiramente casualizado.

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.

Tratamentos 4 794,9298 198,7325 6,22**
Resduo 15 479,0224 31,9348
Total 19 1.273,9522
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.
3 - Aplicao do teste de Tukey as medias de tratamentos

As mdias dos tratamentos so calculadas do modo usual, ou seja:
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
Todas as mdias de tratamentos possuem o mesmo erro padro, dado por:

s Q.M .Re s 33,8604

s( ) = = = = 2,91 g
J J 4
A diferena mnima significativa pelo teste de Tukey calculada por
s
DMS () = q = q . s( )
r
e o valor da amplitude total estudentizada q, obtido na tabela ao nvel de 5% de

probabilidade para 5 tratamentos e 12 graus de liberdade do resduo q = 4,51, logo:
DMS ()= 4,51 x 2,91 = 13,12 g
O resumo da aplicao do teste de Tukey :
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
TABELA 4.4.4. Mdias dos tratamentos e teste de Tukey.
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
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.
4 - Clculo do coeficiente de variao do experimento

J vimos que o coeficiente de variao do experimento calculado por:
s = Q.M .Re s = 33,8604 = 8,82 g

s
C.V . = x100 , onde
x
G 2.858,80
x= = = 142,94 g
IJ 5x4
logo:
5,82
C.V . = x100 = 4, 07%
142,94
O coeficiente de variao do experimento baixo, indicando boa preciso.

S .Q.Parmetros S .Q.Trat + S .Q.Blo cos

R2 = =
S .Q.Total S .Q.Total
794, 9298 + 72, 6976
R2 = = 0,8223 ou 82, 23%
1.273,9522
O ajuste do modelo yij = + ti + b j + eij aos dados explica 82,23% da variao total dos
dados experimentais.
6 A DMS e a preciso dos experimentos

Quem mede a preciso do experimento o coeficiente de variao, ou seja:

Q.M .Re s y x CV
CV = x100 Q.M .Re s =
y 100
A DMS para o teste de Tukey :
s Q.M .Re s q
DMS () = q =q . = . Q.M .Re s
r r r
q y x cv
DMS () = .
r 100
Multiplicando ambos o lado da equao por 100 / y
Temos uma entidade que expressa quanto a DMS representa em porcentagem da mdia
geral, representada abaixo:
100 . DMS () q
= .CV
y r
O que seria equivalente a:
y _____ 100
DMS _____ x
Ento:
100 . DMS () 100 . DMS ()

= x x =
y y
Para o exemplo 4.4.2, temos:

CV=4,07%
DMS=13,12
y = 142,94
q0,05 (5 12) = 4, 51

100 . DMS () 100 x13,12

x= = = 9,18 9, 2%
y 142,94
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
4.5. O caso de uma parcela perdida

Muitas vezes, ocorre o fato de chegarmos ao final do experimento e no conseguirmos obter
o valor observado em uma ou mais parcelas do experimento. Quando isto ocorre, temos o que
denominamos de parcela perdidas. Existem vrias explicaes para a ocorrncia de parcelas
perdidas em um experimento, dentre as quais citamos:
a) morte da maioria das plantas responsveis pela parcela;

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.
J vimos, no captulo anterior, como devemos proceder para efetuar a anlise de um

experimento inteiramente casualizado no balanceado.
No caso do delineamento em blocos casualizados com uma parcela perdida, para podermos
efetuar a anlise de varincia, devemos inicialmente calcular uma estimativa da parcela perdida, que
vai nos possibilitar a execuo da anlise do experimento de uma forma bastante simples,
dispensando a utilizao de mtodos complexos necessrios os a anlise dos dados realmente
existentes.
Vejamos pois, como devemos proceder para a obteno da estimativa da parcela perdida.
Consideremos um experimento em blocos casualizados com I tratamentos e J blocos, no qual foi
perdida a parcela correspondente ao tratamento i no bloco j e denotemos por T, B e G os totais das
parcelas existentes no tratamento que teve parcela perdida, no bloco que teve parcela perdida e no
experimento, respectivamente. Obtemos, pois o seguinte:
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 :

ou, em termos das estimativas dos parmetros do modelo:
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
Substituindo ti e b j por seus valores:
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:
Ti = T + yij B j = B + yij e G = G '+ yij
Portanto:
T + yij B + yij G '+ yij

yij = +
J I IJ
ou

IJyij = I (T + yij ) + J ( B + yij ) (G '+ yij )
IJyij = IT + Iyij + JB + Jyij G ' yij
ou ainda
IJyij Iyij Jyij + yij = IT + JB G '
Colocando yij em evidncia:
( IJ I J + 1) yij = IT + JB G '
[ I ( J 1) ( J 1)] yij = IT + JB G '
[( I 1) ( J 1)] yij = IT + JB G '
Logo, a estimativa da parcela perdida calculada por:
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.
Obtida a estimativa da parcela perdida, completamos o quadro de valores observados e

calculamos as somas de quadrados da maneira usual, como se no houvesse parcela perdida. Ao
montar o quadro de anlise de varincia do experimento, devemos lembrar que a parcela perdida foi
estimada, o que acarreta a perda de um grau de liberdade para o total e, conseqentemente, para o
resduo. Portanto, o esquema de anlise de varincia de um experimento em blocos casualizados
com I tratamentos, J repeties e uma parcela perdida :

Causa da variao G.L.

Tratamentos I-1
Blocos J-1
Resduo (I-1) (J-1)-1
Total IJ-2
Entretanto, devido ao mtodo utilizado para a obteno da estimativa da parcela perdida,

tornamos mnima a soma de quadrados do resduo, que fica corretamente estimada, porm, a soma
de quadrados de tratamentos torna-se superestimada, podendo ser corrigida.
Para a correo da soma de quadrados de tratamentos devemos, inicialmente, calcular um
fator de correo, denotado por FC ou U, por:
2
I 1 B
FC = U = yij
I I 1
A soma de quadrados de tratamentos corrigida ou ajustada calculada subtraindo-se da

soma de quadrados de tratamentos calculada, o fator de correo, ou seja:
S .Q.Tratamentos (ajustada ) = S .Q.Tratamentos - FC
Geralmente, essa correo da soma de quadrados de tratamentos influi muito pouco, de

forma que, s vezes, pode ser dispensada.
Obtida a analise de varincia do experimento, podemos passar a um desdobramento dos
graus de liberdade de tratamentos ou a aplicao dos testes de comparaes mltiplas.
Quando vamos proceder ao desdobramento dos graus de liberdade de tratamentos, no h a
necessidade de se fazer a correo da soma de quadrados de tratamentos, visto que o total das somas
de quadrados dos componentes do desdobramento deve ser igual soma de quadrados de
tratamentos no ajustada.
Na aplicao dos testes de comparaes mltiplas, as mdias dos tratamentos so calculadas
dividindo-se o total do tratamento (Ti) pelo nmero de repeties do experimento (J), mesmo para o
tratamento que teve a parcela perdida estimada. Todas as mdias dos tratamentos que no tiveram
parcela perdida (k) possuem a mesma varincia, estimada por:

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)
portanto, os erros padres dessas mdias sero estimados por:
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.
TABELA 4.5.1. Pesos mdios dos frutos de macieira, em gramas.
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

1 -Clculo da estimativa da parcela perdida

J vimos que:
IT + JB G '
yij =
( I 1)( J 1)
pela Tabela 4.5.1:

I = numero de tratamentos = 5
J = nmero de blocos = 4
T = total do tratamento com parcela perdida = 455,46 g
B = total do bloco com parcela perdida = 552,44 g
G'= total das parcelas existentes = 2.693,78
Logo:
5 x 455, 46 + 4 x552, 44 2.693, 78

y52 = = 149, 44 g
4 x3
2 - Obteno da anlise de varincia

Calculada a estimativa da parcela perdida, temos:
G = G' + y52 = 2.693,78 + 149,44 = 2.843,22
T5 = T + y52 = 455,46 + 149,44 = 604,90
B2 = B +y52 = 552,44 + 149,44 = 701,88
logo:
I J
G = yij = (142,36 + 144,78 + ....149, 44.... + 151, 75 + 150, 22) = 2.843, 22
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
S .Q.Re s = 816,5490 463,9583 91, 9178 = 260, 6729
- Correo da soma de quadrados de tratamentos

O fator de correo, conforme vimos, calculado por:
2 2
I 1 B 4 552, 44
FC = U = yij = 149, 44 = 102, 6951
I I 1 5 4
S .Q.Tratamentos (ajustada ) = S .Q.Tratamentos - FC
S .Q.Tratamentos (ajustada ) = 463,9583 - 102, 6951 = 361, 2632
TABELA 4.5.2. Anlise de varincia com correo da soma de quadrados de tratamentos.

Tratamentos (ajustados) 4 361,2632 90,3158 3,81 *
Blocos 3 91,9178 30,6392 1,29 NS
Resduo 11 260,6729 23,6975
Total 18 816,5490 - -

3 - Aplicao do teste de Tukey s mdias de tratamentos

As mdias dos tratamentos, calculadas do modo usual, sendo que a do tratamento com
parcela perdida, deve considerar a estimativa da parcela, ou seja:
153,59 + 149, 44 + 151, 75 + 150, 22

5 = = 151, 23
4
Sendo, ento, as seguintes
1 = 142,80 g
2 = 138, 03 g
3 = 138, 74 g
4 = 140, 01 g
5 = 151, 23 g
Os erros padres dessas mdias so:
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
V ( y ) = V ( k i ) = c12V ( ik) + c22V ( i )
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
Resumindo o teste de Tukey, temos:
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
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 - Calculo do coeficiente de variao do experimento

O coeficiente de variao do experimento calculado por:
s = Q.M .Re s = 23, 6975 = 4,87 g

s
C.V . = x100 , onde
x
G 2.843, 22
x= = = 142,16 g
IJ 5x4
logo:
4,87
C.V . = x100 = 3, 43%
142,16
O coeficiente de variao do experimento baixo, indicando boa preciso.

4.6. Blocos com tratamentos repetidos

Nos experimentos em blocos casualizados em que o nmero de tratamentos e pequeno, para
obtermos o nmero mnimo de parcelas recomendado (20) e o nmero mnimo de graus de
liberdade para o resduo (10), devemos utilizar muitos blocos. Por exemplo, se tivermos apenas 2
tratamentos, deveremos utilizar pelo menos 11 repeties e, se utilizarmos 12 repeties, obteremos
o seguinte esquema de analise de varincia:

Tratamentos 1
Blocos 11
Resduo 11
Total 23
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:

Tratamentos 1
Blocos 3
Resduo 19
Total 23
Os 19 graus de liberdade do resduo poderiam ser decompostos da seguinte forma:

Repeties dentro de Blocos = 8 g.l. [(3-1)+ (3-1)+ (3-1)+ (3-1)].
Erro experimental = 11 g.l. (23 8 3 - 1=11 g.l.).
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.
EXEMPLO 4.3. Avaliou-se diferentes mtodos de semeadura na cultura do mamoeiro, utilizando

os seguintes tratamentos:
A -Semeadura direta no campo;
B- Semeadura em recipientes a pleno sol;
C- Semeadura em recipientes no ripado.
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
Com estes dados, procedemos anlise de varincia do experimento, do modo usual,

calculando:
I J k
G = yijk = (136,11 + 105, 29 + .... + 61,87 + 43, 74) = 1.789,32
i =1 j =1 k =1
onde k se refere a repeties dentro de cada bloco.
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

S .Q.Re s = 13.276,1142 8.428, 2714 3.335, 5036 = 1.512, 3392
TABELA 4.6.2. Anlise de varincia do experimento.

Tratamentos 2 8.428,2714 4.214,1357 50,16 **
Blocos 3 3.335,5036 1.111,8345 13,23 **
Resduo 18 1.512,3392 84,0188
Total 23 13.276,1142 - -
Concluses: os mtodos de semeadura testados apresentam diferenas quanto s alturas

mdias das plantas do mamoeiro aos 147 dias aps a semeadura, ou seja, pelo menos dois mtodos
de semeadura so diferentes quanto as respostas sobre a altura mdia da planta de mamoeiro. Com
relao aos blocos, os mesmos possuem efeitos diferentes sobre as alturas das plantas, o que
justifica a blocagem realizada.
As mdias dos tratamentos so calculadas do modo usual, isto :
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 Q.M .Re s 84, 0188

s( x ) = = = = 3, 24 cm
r JK 8

O valor da diferena mnima significativa pelo teste de Tukey calculado por
s 3 trat
DMS () = q = q . s( x ) = 3, 61
r 18 g.l. Res
DMS () = q . s( x ) = 3, 61x3, 24 = 11, 70 cm
O resumo do teste de Tukey ao nvel de 5% de probabilidade :
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:
V1H1 V1H2 V1H3

V2H1 V2H2 V2H3
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:
V1A1E1 V2A1E1 V3A1E1


Os experimentos fatoriais no constituem um delineamento experimental, e sim um

esquema orientado de desdobramento de graus de liberdade de tratamentos e podem ser instalados
em qualquer dos delineamentos experimentais.
Os experimentos fatoriais nos permitem tirar concluses mais amplas. Assim, se num
experimento fatorial competirmos diversos adubos para uma cultura e diversos espaamentos de
plantio, podemos estudar o comportamento dos adubos, dos espaamentos e ainda, se o
comportamento dos adubos, quando associados a um determinado espaamento de plantio, se altera
se for associado aos outros espaamentos (ou, se o comportamento dos espaamentos de plantio,
quando associados a um determinado adubo, se altera se for associado aos outros adubos).
Nos experimentos fatoriais, aps uma anlise de varincia preliminar, de acordo com o
delineamento adotado, procedemos ao desdobramento dos graus de liberdade de tratamentos,
isolando os efeitos principais dos fatores e os efeitos das interaes entre os fatores.
Vejamos o que representa cada um desses efeitos:
-Vamos considerar um fatorial 2x2, com os fatores: Adubao (A) e Calcrio (C), nos nveis:
Adubao: A0 = sem adubo

A1 = com adubo
Calcrio: C0 = sem calcrio
C1 = com calcrio
Sejam os dados seguintes, os resultados de produo para os 4 tratamentos:

A0C0: sem adubo, sem calcrio = 14
A0C1: sem adubo, com calcrio = 23
A1C0: com adubo, sem calcrio = 32
A1C1: com adubo, com calcrio = 53
Reunindo estes dados num quadro auxiliar, temos:
C0 C1 Totais
A0 14 23 37
A1 32 53 85
Totais 46 76 112

a) Efeito simples de um fator

uma medida da variao que ocorre com a caracterstica em estudo (produo, por
exemplo) correspondente s variaes nos nveis desse fator, em cada um dos nveis do outro fator.
Ento:
Efeito simples de adubo na ausncia de calcrio
A dentro C0 = A1C0 A0C0 = 32 - 14 = 18
Efeito simples de adubo na presena de calcrio

A dentro C1 = A1C1 A0C1 = 53 - 23 = 30
Efeito simples de calcrio na ausncia de adubo

C dentro A0 = A0C1 A0C0 = 23 - 14 = 9
Efeito simples de calcrio na presena de adubo

C dentro A1 = A1C1 - A1C0 = 53 -32 = 21
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

b) Efeito principal de um fator

uma medida da variao que ocorre com a caracterstica em estudo (produo, por
exemplo) correspondente s variaes nos nveis desse fator, em mdia de todos os nveis do outro
fator.
Logo, o efeito principal de um fator a mdia dos efeitos simples desse fator, isto :
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
Outra forma de calcularmos o efeito principal de A :
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
c) Efeito da interao entre 2 fatores:

uma medida da variao que ocorre com a caracterstica em estudo, correspondente as
variaes nos nveis de um fator, ao passar de um nvel a outro do outro fator.

O efeito da interao entre os dois fatores A e C, :
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:
Nos casos: a e b no h interao.

No caso c existe uma interao devida diferena na grandeza da resposta.

No caso d existe uma interao devida diferena na direo da resposta.
Quando no h interao, ocorre um paralelismo entre as retas.
A interao ocorre devido a um sinergismo entre os fatores (interao positiva) ou devido a
um antagonismo entre os fatores (interao negativa).
- Casualizao dos tratamentos:
Um experimento fatorial 2x3, com 2 nveis de calagem (C1 e C2) e 3 nveis de adubao (A1,
A2 e A3) poderia ter a seguinte casualizao, se fosse instalado em 4 blocos ao acaso:
1o BLOCO 2o BLOCO 3o BLOCO 4o BLOCO

C2A1 C2A3 C1A2 C1A1
C1A2 C2A2 C2A1 C1A3
C2A2 C1A1 C2A12 C2A1
C2A3 C2A1 C1A3 C2A2
C1A1 C1A3 C2A3 C1A2
C1A3 C1A2 C1A1 C2A3
- Esquema de anlise de varincia preliminar:

Tratamentos 5
Blocos 3
Resduo 15
Total 23
Os graus de liberdade de tratamentos devem ser desdobrados de acordo com o esquema

fatorial 2x3, ficando:
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:


Calagens (C) 1
Adubaes (A) 2
Interao (CxA) 2
(Tratamentos) (5)
Blocos 3
Resduo 15
Total 23
As principais vantagens dos experimentos fatoriais em relao aos experimentos

simples so:
a) permitem estudar os efeitos simples e principais dos fatores e os efeitos das interaes entre eles;
b) todas as parcelas so utilizadas no clculo dos efeitos principais dos fatores e dos efeitos das
interaes, razo pela qual o nmero de repeties elevado.
As principais desvantagens dos experimentos fatoriais so:

a) sendo os tratamentos constitudos por todas as combinaes possveis entre os nveis dos diversos
fatores, o nmero de tratamentos aumenta muito e, muitas vezes, no podemos distribu-los em
blocos casualizados, devido exigncia de homogeneidade das parcelas dentro de cada bloco.
b) a anlise estatstica mais trabalhosa que nos experimentos simples e a interpretao dos
resultados se torna mais difcil medida que aumentamos o nmero de nveis e de fatores no
experimento.
5.2. Anlise e interpretao de um experimento fatorial, com 2 fatores

O modelo estatstico para um fatorial 3x2 est descrito a seguir :
yijk = + Ri + E j + REij + eijk
onde:
yijk = valor observado referente ao nvel i do recipiente, no nvel j de espcie, na repetio k;

= uma constante associada a todas as observaes;

Ri = efeito do nvel i de recipiente, com i= 1, 2 e 3;
E j = efeito do nvel j de espcie, com j= 1 e 2;
REij = efeito da interao do nvel i de recipiente com o nvel j de espcie;
eijk = erro experimental independe, associado a todas as observaes ( yijk ) que por hiptese
tem distribuio normal com mdia zero e varincia 2.
Vamos considerar os dados de um experimento inteiramente casualizado, no esquema

fatorial 3x2, para testar os efeitos de 3 recipientes para produo de mudas e 2 espcies de
eucaliptos, quanto ao desenvolvimento das mudas.
Os recipientes e as espcies testadas foram:
R1 = saco plstico pequeno
R2 = saco plstico grande
R3 = laminado
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

Inicialmente, devemos proceder a anlise de varincia preliminar, que a anlise comum de

um experimento inteiramente casualizado, com 6 tratamentos e 4 repeties:
I J
G = yij = (26, 2 + 26, 0 + .... + 22,8 + 21,3) = 551, 2
i =1 j =1
e, a correo C, calculada por:
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
Tambm j foi demonstrado que
S .Q.Re s = 198, 79 175, 70 = 23, 09

O coeficiente de variao e de determinao, respectivamente, pode ser calculado como

segue:
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:
S .Q.Trat S .Q.Re cipiente + S .Q.Espcies + S .Q.RxE

R2 = =
S .Q.total S .Q.total
A anlise de varincia preliminar fica:

Tratamentos 5 175,70 35,14 27,45**
Resduo 18 23,09 1,28 -
Total 23 198,79 - -
5% = 2, 77
1% = 4, 25
Verificamos que o teste significativo a 1% de probabilidade, indicando que os tratamentos

apresentam efeitos diferentes sobre as alturas das mudas.
Devemos proceder ao desdobramento dos 5 g.l. de tratamentos, para estudar os efeitos: de
Recipientes (R), de Espcies (E), e da Interao RxE, da seguinte forma:

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)
Os valores internos do quadro auxiliar so totais de 4 parcelas, que so as repeties do

experimento, o que indicamos ao lado de cada nmero, entre parnteses.
Desta forma, os totais de Espcies e Recipientes so totais de 12 e 8 parcelas,
respectivamente. Logo:
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
Para o clculo da soma de quadrados da interao RxE, devemos inicialmente calcular a

soma de quadrados do efeito conjunto de Recipientes e Espcies, denotada por S.Q.R,E e calculada
com os valores internos do quadro auxiliar, provenientes de 4 parcelas. Logo:
1
S .Q.R, E = (102, 62 + 103,52 + .... + 85,32 ) 12.659,23 = 175, 70
4
e a soma de quadrados da interao obtida por diferena:

S .Q.Interao RxE = S .Q.R, E S .Q.Re cip. S .Q.Esp. =

= 175, 70 92,86 19, 08 = 63, 70
Observao: nos experimentos fatoriais com 2 fatores, a soma de quadrados do efeito

conjunto sempre igual soma de quadrados de tratamentos.
S.Q.R,E = S.Q.Tratamentos
Ento:
S .Q.Interao RxE = S .Q.Trat. S .Q.Re cip. S .Q.Esp.
A anlise de varincia, com desdobramento dos graus de liberdade de tratamentos, de

acordo com o esquema fatorial 3x2, apresentada na Tabela 5.2.2.
TABELA 5.2.2. Anlise de varincia de acordo com o esquema fatorial 3x2.

Recipientes (R) 2 92,86 46,43 36,27**
Espcies (E) 1 19,08 19,08 14,91**
Interao RxE 2 63,76 31,88 24,91**
(Tratamentos) (5) (175,70)
Resduo 18 23,09 1,28
Total 23 198,79
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.
a) Desdobramento da Interao RxE para estudar o comportamento das espcies dentro de

cada recipiente:
Temos:
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

Espcies d. R1 1 0,21 0,21 0,16NS
Espcies d. R2 1 79,38 79,38 62,02**
Espcies d. R3 1 3,25 3,25 2,54NS
Resduo 18 23,09 1,28
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
b) Desdobramento da Interao RxE para estudar o comportamento dos recipientes dentro de

cada espcie:
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


Recipientes d. E1 2 87,12 43,56 34,03**
Recipientes d. E2 2 69,50 34,75 27,15**
Resduo 18 23,09 1,28
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
Devemos, ento, comparar as mdias de recipientes:

a) dentro de Eucalyptus citriodora (E1)
b) dentro de Eucalyptus grandis (E2)

Vamos calcular essas mdias, e compar-las pelo teste de Tukey:

a) Recipientes d. E1
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
Recipientes dentro de Eucalyptus citriodora Altura mdia de

Tukey (5%) Tukey (1%)
(E1) mudas (cm)
R1 = saco plstico pequeno 25,65 a a
R2 = saco plstico grande 25,88 a a
R3 = laminado 20,05 b b
S( x ) 0,57 0,57
DMS 2,06 2,69
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
Recipientes dentro de Eucalyptus citriodora Altura mdia de

Tukey (5%) Tukey (1%)
(E1) mudas (cm)
R1 = saco plstico pequeno 25,65 a a
R2 = saco plstico grande 25,88 b b
R3 = laminado 20,05 b b
S( x ) 0,57 0,57
DMS 2,06 2,06
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).
Os resultados do experimento podem ser resumidos no quadro seguinte:
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).
Observao: se no houvesse interao significativa, as mdias dos recipientes (calculadas

dividindo-se cada total de recipiente por 8) seriam comparadas entre si, pelo teste de Tukey,
considerando-se:
s Q.M .Re s
s( ) = =
r 8

5.3. Anlise e interpretao de um experimento fatorial, com 3 fatores

Vamos considerar os dados de um experimento no delineamento em blocos casualizados
com 6 repeties, no esquema fatorial 2x2x2, no qual foi estudado o efeito da adubao mineral do
cafeeiro, com N, P e K, cada fator em 2 nveis: 0 (ausncia) e 1 (presena). As parcelas eram
constitudas por 12 covas no espaamento de 3,5 x 2,5 m, com uma rea de 105 m2. Os dados
obtidos para produo de caf coco, transformados para kg/ha, so apresentados. Na tabela 5.3.1.
TABELA 15.3.1. Produes de caf coco, em kg/ha.
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
Anlise de varincia preliminar:

I J
G = yij = (3.029 + 3.857 + .... + 6.829 + 3.771) = 185.419
i =1 j =1
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
e, a soma de quadrados do resduo obtida por diferena:
S .Q.Re s = 49.845226 26.748.233 2.134.332 = 20.962.661
Q.M .Re s 598.933

CV = x100 = x100 = 20, 03
x 3.862,90
S .Q.Trat 26.748.233
R2 = = = 0,5793
S .Q.total 49.845.226
considerado.

Tratamentos 7 26.748.233 3.821.176 6,38**
Blocos 5 2.134.332 426.866 0,71NS
Resduo 35 20.962.661 598.933
Total 47 49.845.226

5% = 2, 29
1% = 3, 21
5% = 2, 49
Para blo cos 5 x 35 g.l
1% = 3, 61
Os 7 graus de liberdade de tratamentos devem ser desdobrados para estudarmos os efeitos

principais dos fatores e os efeitos das interaes entre eles.
Ento, teremos o seguinte desdobramento:
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.
Exemplificando para o quadro de N com P, temos:

N0P0 = N0P0K0 + N0P0K1 = 19.639 + 19.124 = 38.763
N0P1 = N0P1K0 + N0P1K1 = 21.953 + 20.914 = 42.867
N1P0 = N1P0K0 + N1P0K1 = 20.419 + 32.000 = 52.419
N1P1 = N1P1K0 + N1P1K1 = 22.018 + 29.352 = 51.370
Dessa maneira, obtemos os quadros auxiliares:

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)
Do quadro auxiliar I, calculamos:
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
S .Q.NxP = S .Q.N , P S .Q.N S .Q.P
S .Q.NxP = 10.977244 10.299.610 194.438 = 553.196

Do quadro auxiliar II, calculamos:

1
S .Q.K = (84.0292 + 101.3902 ) 716.254.283 = 6.279.256
24
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
S .Q.NxK = 25.237.615 10.299.610 6.279.256 = 8.728.749
Do quadro auxiliar III, calculamos:

1
S .Q.P, K = (40.0582 + 51.1242 + 43.9712 + 50.2662 ) 716.254.283 = 6.947.912
12
S .Q.PxK = S .Q.P, K S .Q.P S .Q.K
S .Q.PxK = 6.947.912 194.438 6.279.256 = 474.218
Resta apenas calcular a soma de quadrados da interao NxPxK, que obtida por diferena
em relao a soma de quadrados de tratamentos, ou seja:
S .Q.NxPxK = S .Q.Trat. S .Q.N S .Q.P S .Q.K S .Q.NxP S .Q.NxK S .Q.PxK
S .Q.NxPxK = 26.748.233 10.229.610 194.438 6.279.256 553.196 8.728.749 474.218 = 288.766
A anlise de varincia com desdobramento dos graus de liberdade de tratamentos, no

esquema fatorial 2x2x2, apresentada na Tabela 5.3.2.

TABELA 5.3.2. Anlise de varincia de acordo com o esquema fatorial 2x2x2.

N 1 10.229.610 10.229.610 17,08**
P 1 194.438 194.438 0,32NS
K 1 6.279.256 6.279.256 10,48**
NxP 1 553.196 553.196 0,92NS
NxK 1 8.728.749 8.728.749 14,57**
PxK 1 474.218 474.218 0,79NS
NxPxK 1 288.765 288.766 0,48NS
(Tratamentos) (7) (26.748.233)
Blocos 5 2.134.332 426.866 0,71NS
Resduo 35 20.962.662 598.933
Total 47 49.845.226
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.
a) Estudo do efeito do N, na ausncia e na presena de K

2
1 84.029
S .Q.N na ausncia de K = (41.5922 + 42.437 2 ) = 29.751
12 24
2
1 101.390
S .Q.N na presena de K = (40.0382 + 61.3522 ) = 18.928.608
12 24
Verificao:
S .Q.N d K 0 + S .Q.N d K1 = S .Q.N + S .Q.NxK


N na ausncia de K 1 29.751 29.751 0,05NS
N na presena de K 1 18.928.608 18.928.608 31,60**
Resduo 35 20.962.662 598.933
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
b) Estudo do efeito do K, na ausncia e na presena de N

2
1 81.630
S .Q.K na ausncia de N = (41.592 2 + 40.0382 ) = 100.622
12 24

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
Causa da variao G.L S.Q. Q.M. F

K na ausncia de N 1 100.622 100.622 0,17NS
K na presena de N 1 14.907.384 14.907.384 24,89**
Resduo 35 20.962.662 598.933
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
De modo anlogo, obtemos o contraste que nos fornece o efeito principal de P e K:
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
Para a organizao deste quadro, adotamos a mesma conveno vista anteriormente e,

utilizando os coeficientes dos totais de tratamentos e os totais da ltima linha do quadro, obtemos as
estimativas dos contrastes, indicadas na ltima coluna.
Obtidas as estimativas dos contrastes de totais de tratamentos, calculamos as somas de
quadrados correspondentes a cada um dos efeitos principais e interaes:
(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
Obtidas as somas de quadrados, poderamos montar a quadro de anlise de varincia com

desdobramento dos graus de liberdade de tratamentos, segundo o esquema fatorial 2x2x2,o que no
faremos, pois obteramos resultados idnticos a Tabela 5.3.2.
As vantagens do mtodo dos contrastes so: a facilidade de clculo e a possibilidade de
calcular diretamente a soma de quadrados das interaes.
5.4. Estudo do fatorial 32

Nos experimentos fatoriais 32 ou 3x3 temos 2 fatores, cada um em 3 nveis, representados
por 0, 1 e 2 no caso de fatores quantitativos e por 1, 2 e 3 no caso de fatores qualitativos.
Os tratamentos, neste experimento, consistem de todas as combinaes possveis entre os 3
nveis dos 2 fatores, de forma que teremos 9 tratamentos. Como exemplo deste tipo de experimento
temos o caso de adubao mineral de culturas com 2 dos macronutrientes estudados
simultaneamente e o terceiro considerado em um nvel constante. o que ocorre quando mantermos
constante o K e estudamos o N e o P em 3 nveis, obtendo os seguintes tratamentos:
N0P0 N1P0 N3P0

N0P1 N1P1 N3P1
N0P2 N1P2 N3P3
Outra forma de representar os tratamentos atravs apenas dos nveis:

00 10 20
01 11 21
02 12 22
Esses tratamentos podero ser instalados no delineamento inteiramente casualizado ou no de

blocos casualizados e, se utilizarmos 4 repeties, teremos os seguintes esquemas de anlise de
varincia com desdobramento dos graus de liberdade de tratamentos segundo o esquema fatorial 32:
Inteiramente casualizado Blocos casualizados

Causa da variao G.L. Causa da variao G.L.
N 2 N 2
P 2 P 2
NxP 4 NxP 4
(Tratamentos) (8) (Tratamentos) (8)
Resduo 27 Blocos 3
Total 35 Resduo 24
Total 35
Ilustraremos a obteno da anlise do experimento e a interpretao de seus resultados

atravs do Exemplo 5.4.1.
EXEMPLO 5.4.1. Num experimento visando estudar a influncia da fertilizao fosfatada e

potssica na produo do amendoim forrageiro (Arachis pintoi) cv STAR, utilizou-se o
delineamento em blocos casualizados com os tratamentos no esquema fatorial 32.
As parcelas experimentais constituram-se de 10 linhas no espaamento de 0,60 m e com 6
m de comprimento, perfazendo uma rea de 36 m2. A rea til da parcela, de 19,20 m2, foi obtida
separando-se as 2 linhas laterais e deixando-se 1 m de cada lado da parcela como bordadura. As
doses de nutrientes utilizadas foram:
P: 0-40-80 kg/ha de P2O5

K: 0-15-30 kg/ha de K2O
e foram aplicadas totalmente no sulco de plantio.

O modelo estatstico fica com segue:
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;
K k = efeito do nvel k de potssio, com k= 1, 2 e 3;
PK jk = efeito da interao do nvel j de fsforo com o nvel k de potssio;
eijk = erro experimental independe, associado a todas as observaes ( yijk ) que por hiptese
tem distribuio normal com mdia zero e varincia 2.
Os dados obtidos no experimento so apresentados na Tabela 5.4.1
TABELA 5.4.1 - Produes de amendoim forrageiro, em kg/ha.
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

1 -Obteno da anlise de varincia preliminar

A anlise de varincia preliminar nada mais que a anlise de um experimento em blocos
casualizados com 9 tratamentos e 3 repeties. Logo:
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

S .Q.Re s = 1.981.221 860.855 122.176 = 998.190
De forma semelhante a anteriormente citada, o CV e R2 podem ser calculados como segue:
Q.M .Re s 62.387

CV = x100 = x100 = 7, 74
x 3.227, 78
S .Q.Trat + S .Q.Blo cos 860.855 + 122.176

R2 = = = 0, 4962
S .Q.total 1.981.221

considerado.

Tratamentos 8 860.855 107.607 1,72NS
Blocos 2 122.176 61.088 0,98NS
Resduo 16 998.190 62.387 -
Total 26 1.981.221 - -
2- Desdobramento dos graus de liberdade de tratamentos

Embora o teste F para tratamentos no tenha sido significativo, os 8 graus de liberdade de
tratamentos podem ser desdobrados segundo o esquema fatorial 32.
Uma vez que os componentes possuem mais de um grau de liberdade, no podemos utilizar
o mtodo dos contrastes de totais de tratamentos e, devemos utilizar o mtodo do quadro auxiliar,
que relaciona os nveis dos fatores:
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)
Deste quadro, calculamos:

1
S .Q.P = (27.187 2 + 29.6712 + 30.2922 ) 281.300.833 = 599.886
9
1
S .Q.K = (29.7092 + 28.3612 + 29.0802 ) 281.300.833 = 101.100
9
S .Q.PxK = S .Q.Trat. S .Q.P S .Q.K
S .Q.PxK = 860.855 599.886 101.100 = 159.869
Obtemos, pois, a Tabela 5.4.2

TABELA 5.4.2. Anlise de varincia de acordo com o esquema fatorial 32 .

P 2 599.886 299.943 4,81*
K 2 101.100 50.550 0,81NS
PxK 4 159.869 39.967 0,64NS
(Tratamentos) (8) (860.855) - -
Blocos 2 122.176 61.088 0,98NS
Resduo 16 998.190 62.387 -
Total 26 1.981.221 - -
Concluses: os nveis de fsforo influem na produo de amendoim, isto , a cultura do

amendoim respondeu a adubao fosfatada. Os nveis de potssio no possuem influncia sobre a
produo de amendoim, isto , a cultura do amendoim no respondeu a adubao potssica. Sendo a
interao no significativa (P>0,05), o comportamento dos nveis de fsforo o mesmo em todos os
nveis de potssio, ou seja, os fatores agem independentemente sobre a produo de amendoim.
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:
o erro padro dessas mdias :
s 62.687
S( m ) = = = 83, 46 kg / ha
r 9
e o valor da diferena mnima significativa pelo teste de Tukey ao nvel de 5% de

probabilidade :
DMS () = q.S( m )

3 nveis
q = 3,65 nveis
16 gl
DMS () = q.S( m ) = 3, 65 x83, 46 = 304, 63
Nveis de fsforo Amendoim, Tukey Nveis de fsforo Amendoim, Tukey

(kg/ha de P2O5) kg/ha (5%) (kg/ha de K2O) kg/ha (1%)
0 3.021 a 0 3.301 a
40 3.297 ab 15 3.151 a
80 3.366 a 30 3.231 a
S( x ) 83,46 S( x ) 83,46
DMS 304,63 DMS 304,63
Mdias seguidas de mesma letra no diferem entre si pelo teste de Tukey ao nvel de 5 e 1% de
probabilidade.
Vemos que apenas P2P0, o que est indicado pelas letras diferentes aps as mdias dos
nveis.

6. DELINEAMENTO EM PARCELA SUBDIVIDIDAS (SPLIT PLOT)

6.1. Introduo
Nos experimentos fatoriais, todas as combinaes de tratamentos eram distribudas nas
unidades experimentais, seguindo a casualizao caracterstica de um delineamento inteiramente
casualizado, em blocos ao acaso, ou em quadrado latino. Entretanto, outros tipos de casualizao
so possveis e uma dessas alternativas nos leva ao delineamento em parcelas subdivididas, que
um tipo especial de delineamento em blocos incompletos.
A principal caracterstica do delineamento que parcelas ou unidades inteiras, que recebem
os nveis de um dos fatores, so divididas em subparcelas ou subunidades, s quais os nveis de um
fator adicional so aplicados.
Ento, cada parcela funciona como um bloco para os tratamentos das subparcelas.
Os nveis do fator colocado nas parcelas so denomina dos tratamentos principais (ou
tratamentos A), e os nveis do fator casualizado nas subparcelas de cada parcela so denominados
tratamentos secundrios (ou tratamentos B) .
Por exemplo, vamos considerar um experimento para testar um fator A (Calcrio), em 2
nveis (C1 e C2) distribudos em 4 blocos casualizados.
Um segundo fator B (Adubo) em 3 nveis (A1, A2 e A3) pode ser sobreposto, dividindo-se
cada parcela com A em 3 subunidades, e casualizando os nveis de B nestas 3 subunidades.
Aps a casualizao dos nveis de A (C1 e C2) e dos nveis de B (A1, A2 e A3) o esquema de
distribuio no campo poderia ser o seguinte:

C2A1 C1A2 C1A2 C2A1
C2A3 C1A3 C1A1 C2A3
C2A2 C1A1 C1A3 C2A2
C1A2 C2A3 C2A1 C1A1
C1A1 C2A2 C2A2 C1A3
C1A3 C2A1 C2A3 C1A2
Verificamos, ento, que a casualizao feita em 2 estgios: primeiro, casualizamos os

nveis do fator A nas parcelas de cada bloco; em seguida, casualizamos os nveis do fator B nas
subparcelas de cada parcela.
O delineamento em parcelas subdivididas desejvel nas seguintes situaes:

1) Ele pode ser usado quando os tratamentos associados aos nveis de um dos fatores exigem maior
quantidade de material na unidade experimental do que os tratamentos do outro fator. 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.
6.2. Anlise e interpretao de um experimento em parcelas subdivididas com animais

Seja um experimento para avaliar 3 variedades de aveia (A, B e C) em quatro pocas de
plantio (1, 2, 3 e 3), usando blocos casualizados com 5 repeties.
Se fossemos considerar um fatorial 3x4 com 12 tratamentos, o sorteio ficaria da seguinte
forma:


A3
C1
B4
A1
C4
A2 ..... ..... ....
C3
B1
C2
B3
A4
B2
Existiria uma certa dificuldade de implantao, principalmente se o plantio fosse mecnico.

O esquema da analise de varincia ficaria da seguinte forma:

Variedades (V) 2
pocas (E) 3
Interao (VxE) 6
(Tratamentos) (11)
Blocos 4
Resduo 44
Total 59
Usando parcelas subdivididas, colocando-se as pocas de plantio nas parcelas
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
So realizadas duas casualizaes

i) Sorteia-se as pocas de plantio
ii) Dentro de cada poca as variedades

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:

Blocos 4
pocas (E) 3
Resduo (a) 12
(Parcela) (19)
Variedades (V) 2
VxE 6
Resduo (b) 32
Total 59
Usando parcela subdividida com as variedades nas parcelas:
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
Esta situao no uma opo muito prtica.

O esquema de anlise de varincia fica como segue:

Blocos 4
Variedades (V) 2
Resduo (a) 8
(Parcela) (14)
pocas (E) 3
VxE 6
Resduo (b) 36
Total 59

6.3. Modelo estatstico e anlise de varincia

O modelo estatstico para um delineamento em parcela subdividida em blocos ao acaso, est
descrito a seguir, para o exemplo precedente:
Yijk = + Ei + B j + eij + Vk + EVik + eijk

Em que:
Yijk= A observao referente a variedade na subparcela k da poca na parcela i no bloco j;
= Uma constante associada a todas as observaes;
Ei = Efeito da poca de plantio i, com i=1, 2, .., 4;
Bj = Efeito do bloco j, com j = 1, 2, ..., 5;
eij = erro experimental associado s parcelas que por hiptese tem distribuio normal com mdia
zero e varincia 2;
Vk = Efeito da variedade k, com k = 1, 2, e 3;
EVik = Efeito da interao do nvel i de poca com o nvel k de variedade;
eijk = erro experimental associado a todo as observaes que por hiptese tem distribuio normal
com mdia zero e varincia 2;
Lembrando que a unidade de clculo a subparcela, as somas de quadrados para compor a

anlise de varincia fica como segue:
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
S .Q.Re s (a ) = S .Q.Parcelas - S .Q.Blo cos. S .Q. A
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
O esquema da anlise de varincia fica como segue:

Blocos J-1
A I-1
Resduo (a) (I-1)(J-1)
(Parcela) IJ-1
B K-1
AxB (I-1)(K-1)
Resduo (b) I(J-1)(K-1)
Total IJK-1

Para ilustrar um delineamento em parcela subdividida em blocos ao acaso, para controlar o

peso inicial de animais em confinamento, sendo a unidade experimental (parcela) constituda por
dois animais. O objetivo ser comparar trs raes (A, B e C), em que a cada perodo as parcelas
passaram a receber por sorteio, um entre dois suplementos, ,premix mineral e vitamnico (M e V).
Os ganhos de pesos, em kg, no final do ensaio foram os seguintes:
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)
Quadro auxiliar II (Quadro de interao):
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
S .Q.Total = (107 2 + .... + 932 ) 422.500 = 8.772, 0
1 I 2
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
S .Q.Re s (a ) = S .Q.Parcelas - S .Q.Blo cos. S .Q.Raes

S .Q.Re s (a ) = 6.431, 0 678, 7 4.951,5 = 800,8

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
Podemos ento calcular o coeficiente de determinao:
S .Q.R + S .Q.S + S .Q.RxS + S .Q.blo cos

R2 = =
S .Q.total
4.951,5 + 676, 0 + 741,5 + 678, 7
R2 = = 0,8034
8.772, 0
O modelo pertinente, explica 80,34% da variao total dos dados, sendo que a9,66%
devido ao erro experimental.
Vamos, ento, montar a anlise de varincia:
Causa da variao G.L. S.Q Q.M F

Blocos 5 678,0 135,7 1,69NS
Raes (R) 2 4.951,5 2.475,8 30,91**
Resduo (a) 10 800,8 80,1
(Parcela) (17) 6.431,0
Suplementos (S) 1 676,0 676,0 10,97**
RxS 2 741,5 370,8 6,02*
Resduo (b) 15 923,5 61,6
Total 35 8.772,0

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.
Devemos, ento, desdobrar o efeito da interao.
a) Estudo do efeito do suplemento dentro de raes

2
1 1.237, 0
S .Q.Supl. d . rao A = (663, 0 2 + 574, 0 2 ) = 660,1
6 12
2
1 1.495
S .Q.Supl. d . rao B = (735, 0 2 + 760, 2 ) = 52,1
6 12
2
1 1.168, 0
S .Q.Supl. d . rao C = (630, 0 2 + 538, 0 2 ) = 705,3
6 12
Verificao:
S .Q.Supl. d rao A + S .Q.Supl. d rao B + S .Q.Supl. d rao C = S .Q.S + S .Q.RxS
Podemos agora, montar o quadro de ANAVA para este desdobramento:

Blocos 5 678,0 135,7 1,69NS
Raes (R) 2 4.951,5 2.475,8 30,91**
Resduo (a) 10 800,8 80,1
(Parcela) (17) 6.431,0
Suplementos (S) 1 676,0 676,0 10,97**
RxS 2 741,5 370,8 6,02*
Suplemento dentro de A 1 660,1 660,1 10,72**
Suplemento dentro de B 1 52,1 52,1 0,85NS
Suplemento dentro de C 1 705,3 705,3 11,45**
Resduo (b) 15 923,5 61,6
Total 35 8.772,0

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).
b) Estudo do efeito de rao dentro de Suplemento

2
1 2.028, 0
S .Q.rao d . Supl. M = (663, 0 2 + 735, 0 2 + 630, 0 2 ) = 961, 0
6 18
2
1 1.872
S .Q.rao d . Supl. V = (574, 0 2 + 760, 0 2 + 538, 0 2 ) = 4.732, 0
6 18
Verificao:
S .Q. rao d M + S .Q. rao d V = S .Q. rao + S .Q.RxS
Podemos agora, montar o quadro de ANAVA para este desdobramento:

Rao dentro de M 2 961,0 480,5 6,78**
Rao dentro de V 2 4.732,0 2.366,0 33,89**
Resduo combinado 22 - 70,85
O quadrado mdio do resduo a ser usado no teste no o do resduo (a), to quanto o do

resduo (b), mas sim uma combinao destes, ou seja o quadrado mdio do resduo combinado:
Observe que o quadrado mdio do resduo combinado usado para a interao do
desdobramento do fator da parcela dentro do fator da subparcela, portanto sempre que ocorrer este
tipo de desdobramento, dever ser utilizado o quadrado mdio do resduo combinado.
Q.M .Re s.(a ) + ( K -1) xQ.M .Re s.(b)

Q.M .res. combinado =
K
80,1 + (2 1) x61, 6
Q.M .res. combinado = = 70,85
2
Lembrando, que neste exemplo, i = raes (3), j = blocos (6) e k o nmero de suplementos
(2), portanto, observe que a correo feita no fator da subparcela.

Temos, ainda, que combinar o grau de liberdade para o resduo combinado, como segue:
[Q.M .Re s.(a) + ( K -1) xQ.M .Re s.(b)]

2
G .L ' =
[Q.M .Re s.(a)] + [ ( K 1) xQ.M .Re s.(b)]
2 2
G.L.Re s (a ) G.L.Re s (b)
[80,1 + (2 -1) x61, 6]

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).
Devemos, portanto, montar o quadro de mdias e discutir as interaes, pertinentes para os

desdobramentos. Para tanto, as mdias so calculadas considerando o quadro auxiliar II, da seguinte
forma:
- As mdias dos fatores principais rao e suplementos so calculadas dividindo, respectivamente,
os totais, 12 e 18.
- Para o efeito do desdobramento, as mdias so calculadas dividindo-se os totais no interior do
quadro auxiliar II, abaixo, por 6.
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)

Diante disto, temos o seguinte quadro de mdias:
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
Aplicamos, ento, o teste de Tukey para as raes e consideramos o teste de F para os

suplementos, pois, temos apenas duas mdias, portanto, calculamos a DMS para raes:
s Q.M .Re s combinado 70,85

S( m ) = = = = 3, 44
r J 6
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 :
DMS () = q.S( m ) DMS () = q.S( m ) = 3,555 x3, 44 = 12, 23
Portanto, o resultado pode ser expresso da seguinte forma:
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.

- A rao B tanto na presena de M quanto de V, superou as demais, proporcionando ganho de

peso superior.
Portanto, a rao B deve ser selecionada, devendo se escolher o suplemento de menor custo,
uma vez que, para ambos a resposta foi a mesma.
C) A preciso do experimento em parcela subdividida

Podemos, ainda, calcular a preciso do experimento, atravs do coeficiente de variao.
Porm, devemos atentar que, para os delineamentos em parcela subdivididas, temos dois
coeficientes, pois h dois resduos:
i) Associado ao tratamento da parcela
Q.M .Re s (a ) 80,1

CVRaes = x100 = x100 = 8,3%
x 108,3
ii) Associado ao tratamento da subparcela
Q.M .Re s (b) 61, 6

CVRaes = x100 = x100 = 7,3%
x 108,3
O coeficiente de variao da subparcela, geralmente menor que o da parcela, pois, h mais

preciso na subparcela, porque o grau de liberdade desta maior.
6.4. Anlise e interpretao de um experimento em parcelas subdivididas com plantas

Vamos considerar um experimento, no qual so comparados 4 variedades de aveia e 4
tratamentos de sementes (3 produtos qumicos + testemunha no tratada) quanto aos efeitos sobre a
produo.
As variedades utilizadas (fator A) foram:
A1 -Vicland 1 - infectada com H.. victoriae
A2 -Vicland 2 - no infectada
A3 Clinton - resistente a H. victoriae
A4 Branch - resistente a H.. victoriae
As 4 variedades foram distribudas ao acaso nas parcelas de cada um dos 4 blocos do

experimento.

Os tratamentos de sementes (fator B) foram:

E1 -Testemunha (no tratada)
E2 -Ceresan M
E3 -Panogen
E4 Agrox
O modelo estatstico para o exemplo esta descrito a seguir:
Yijk = + Vi + B j + eij + Tk + VTik + eijk

Em que:
Yijk= A observao referente ao tratamento de sementes na subparcela k, da variedade na parcela i,
no bloco j;
Vi = Efeito da variedade i, com i=1, 2, .., 4;
Bj = Efeito do bloco j, com j = 1, 2, ..., 4;
eij = erro experimental associado s parcelas que por hiptese tem distribuio normal com mdia
zero e varincia 2;
Tk = Efeito do tratamento de sementes k, com k = 1, 2, ..., 4;
VTik = Efeito da interao do nvel i de vriedade com o nvel k de tratamento de sementes;
eijk = erro experimental associado a todo as observaes que por hiptese tem distribuio normal
com mdia zero e varincia 2;
Os tratamentos de sementes foram distribudos ao acaso nas 4 subparcelas de cada parcela.

O croqui da distribuio nos 4 blocos, encontra-se no a seguir
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
A3 A2 A4 A1
o
A1 A3 A4 A2

Para a anlise de varincia, inicialmente organizamos os dados de produo de aveia, da

maneira disposta, com segue:
Variedades Tratamentos de Blocos

Totais
(A) sementes (B) 1 2 3 4
B1 42,9 41,6 28,9 30,8 144,2
B2 53,8 58,5 43,9 46,3 202,5
A1
B3 49,5 53,8 40,7 39,4 183,4
B4 44,4 41,8 28,3 34,7 149,2
B1 53,3 69,6 45,4 35,1 203,4
B2 57,6 69,6 42,4 51,9 221,5
A2
B3 59,8 65,8 41,4 45,4 212,4
B4 64,1 57,4 44,1 51,6 217,2
B1 62,3 58,5 44,6 50,3 215,7
B2 63,4 50,4 45,0 46,7 205,5
A3
B3 64,5 46,1 62,6 50,3 223,5
B4 63,6 56,1 52,7 51,8 224,2
B1 75,4 65,6 54,0 52,7 247,7
B2 70,3 67,3 57,6 58,5 253,7
A4
B3 68,8 65,3 45,6 51,0 230,7
B4 71,6 69,4 56,6 47,4 245,0
Totais 965,3 936,8 733,8 743,9 3.379,8
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
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:
Bloco 1 Bloco 2 Bloco 3 Bloco 4 Totais

A1 190,6 (4) 195,7 (4) 141,8 (4) 151,2 (4) 679,3 (16)
A2 234,8 (4) 262,4 (4) 173,3 (4) 184,0 (4) 854,5 (16)
A3 253,8 (4) 211,1 (4) 204,9 (4) 199,1 (4) 868,9 (16)
A4 286,1 (4) 267,6 (4) 213,8 (4) 209,6 (4) 977,1 (16)
Totais 965,3 (16) 936,8 (16) 733,8 (16) 743,9 (16) 3.379,8 (64)
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
k i =1 ij
1
S .Q.P arcelas = (190, 62 + .... + 209, 62 ) 178485,13 = 6.309,19
4
S .Q.Re s (a ) = S .Q.Parcelas - S .Q.Blo cos. S .Q.Var ( A)

S .Q.Re s (a ) = 6.309,19 2.842,87 2.848, 02 = 618,30

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
S .Q. AxB = S .Q. A, B S .Q. A S .Q.B

S .Q. AxB = 3.605, 02 2.848, 02 170,53 = 586, 47
Finalmente, calculamos a soma de quadrados para o Resduo (B) :
S .Q.Re sduo(b) = S .Q.Subparcelas S .Q.Parcelas S .Q.B S .Q. AxB

S .Q.Re sduo(b) = 7.797,39 6.309,19 170,53 586, 47 = 731, 20
Podemos ento calcular o coeficiente de determinao:

S .Q. A + S .Q.B + S .Q. AxB + S .Q.blo cos

R2 = =
S .Q.total
2.848, 02 + 170,53 + 2.842,87 + 586, 47
R2 = = 0,8269
7.797,39
O modelo pertinente explica 82,69% da variao total dos dados, sendo que 17,31%
devido aos fatores no controlados, no explicados pelo modelo (erro experimental).
Calculadas as somas de quadrados, montamos a anlise de varincia do experimento.

Blocos 3 2.842,87 947,62 13,79**
Variedades (A) 3 2.848,02 949,34 13,82**
Resduo (a) 9 618,30 68,70
(Parcelas) (15) (6.309,19)
Trat de sem (B) 3 170,53 56,84 2,80NS
Interao AxB 9 586,47 65,16 3,21**
Resduo (b) 36 731,20 20,31
Total 63 7.797,39
Os valores de F de tabela:
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
Q.M .Re s (a) 68,70

CV parcela = x100 = x100 = 15, 70%
x 52,81
-para subparcelas:
Q.M .Re s (b) 20,31

CVsubparcela = x100 = x100 = 8,54%
x 52,81
-Comparaes de mdias, pelo teste de Tukey

Sejam:
a = nmero de tratamentos principais = 4;
b = nmero de tratamentos secundrios = 4;
r = nmero repeties (blocos) = 4;
Sa = Q.M .Re s.(a) = 8, 29
Sb = Q.M .Re s.(b) = 4,51
Diversos casos de comparaes de mdias poderiam ser considerados:

a) comparaes entre mdias de tratamentos principais;
b) comparaes entre mdias de tratamentos secundrios;
c) comparaes entre mdias de tratamentos secundrios, num mesmo tratamento principal;
d) comparaes entre mdias de tratamentos principais, num mesmo tratamento secundrio.
a) Comparaes entre mdias de tratamentos principais (mdias de Variedades -A)
sa Q.M .Re s (a) 68,70

S( m ) = = = = 2, 07
br br 16
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
b) Comparaes entre mdias de tratamentos secundrios (mdias de tratamentos de

sementes)
sb Q.M .Re s (b) 20,31

S( m ) = = = = 1,13
ar ar 16
4 var iedades
q = 3,81
36 gl
DMS () = q.S( m ) = 3,81x1,13 = 4,3
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
No nosso exemplo, no seria interessante usar o caso a ou b, pois houve interao

significativa. mais conveniente, a exemplo dos experimentos fatoriais, estudar: A d. B ou B d. A.
Para tanto, antes de aplicar teste de comparao de mdias, vejamos o teste F.

c) Estudo dos tratamentos secundrios em cada tratamento principal

(Tratamentos de sementes -B, em cada Variedade-A)
2
1 679, 3
S .Q.B. d . A1 = (144, 2 2 + ... + 149, 2 2 ) = 583, 49
4 16
2
1 854, 2
S .Q.B. d . A2 = (203, 4 2 + ... + 217, 2 2 ) = 45, 21
4 16
2
1 868, 9
S .Q.B. d . A3 = (215, 7 2 + ... + 224, 2 2 ) = 56, 96
4 16
2
1 977,1
S .Q.B. d . A4 = (247, 7 2 + ... + 245, 0 2 ) = 71, 34
4 16
Verificao:
S .Q.B d A1 + S .Q.B d A2 + S .Q.B d A3 + S .Q.B d A4 = S .Q.B + S .Q. AxB
A anlise de varincia fica:

B d. A1 3 583,49 194,50 9,58**
E d. A2 3 45,21 15,07 0,74NS
E d. A3 3 56,96 18,99 0,94NS
E d. A4 3 71,34 23,78 1,17NS
Resduo (b) 36 731,20 20,31
Verificamos, portanto, que h diferena significativa entre efeitos de Tratamentos de

sementes (B), apenas na Variedade Vicland 1 (A1) .
Podemos, ento, comparar as mdias dos Tratamentos de sementes (B), na Variedade
Vicland 1 (A1).
sb Q.M .Re s(b) 20,31

S( m ) = = = = 2, 25
r r 4
4 var iedades
q = 3,81
36 gl
DMS () = q.S( m ) = 3,81x 2, 25 = 8, 6

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
d) Estudo dos tratamentos principais em cada tratamento secundrio

(Variedades -A, em cada Tratamento de sementes-B)
Este estudo bem mais complicado, pois envolve os 2 Resduos.
Devemos, ento, utilizar um Resduo combinado, tal que:
Q.M .Re s.(a ) + ( K -1) xQ.M .Re s.(b)

Q.M .res. combinado =
K
68, 70 + (4 1) x 20,31
Q.M .res. combinado = = 32, 41
4
Lembrando, que neste exemplo, i = variedades (4), j = blocos (4) e k o nmero de
tratamentos de semente (4), portanto, observe que a correo feita no nvel da subparcela.
Como j vimos anteriormente, o nmero de graus de liberdade (G.L), associado a este
Resduo combinado calculado de modo aproximado, pela frmula de Satterthwaite:
[Q.M .Re s.(a) + ( K -1) xQ.M .Re s.(b)]

2
G.L ' =
[Q.M .Re s.(a)] + [ ( K 1) xQ.M .Re s.(b)]
2 2
G.L.Re s (a ) G.L.Re s (b)
[68, 70 + (4 -1) x20,31]

2
G.L ' = = 26, 78 27

[68, 70] + [ (4 1) x20,31]
2 2
9 36
Devemos ter sempre:
G.L.Re s.(a ) GL ' ( G.L.Re s.(a ) + G.L.Re s.(b) )

9 27 45
O calculo das somas de quadrados fica:

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:
S .Q. A d B1 + S .Q. A d B2 + S .Q. A d B3 + S .Q. A d B4 = S .Q. A + S .Q. AxB

A d. B1 3 1.404,18 468,06 14,44**
A d. B2 3 412,97 137,66 4,25*
A d. B3 3 324,77 108,26 3,34*
A d. B4 3 1.292,57 430,86 13,29**
Resduo combinado 27 - 32,41 -
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;
s' Q.M .Re s combinado 32, 41

S( m ) = = = = 2,85
r r 4
4 var iedades
q = 3,88
27 gl '
DMS () = q.S( m ) = 3,88 x 2,85 = 11,1

Para comparar as mdias de Variedades, em cada Tratamento de sementes (B), podemos

reunir as mdias num nico quadro e, podemos descrever o outro lado da interao visto
anteriormente a esta.
Portanto, o resultado pode ser expresso da seguinte forma:
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
16.5. Experimentos em parcelas subdivididas no tempo ("Split Plot in Time")

Em alguns experimentos, observaes (medidas) sucessivas so feitas numa mesma parcela,
num certo perodo de tempo.
Por exemplo:
-com determinado inseticida, contagens dos nmeros de insetos vivos so feitas, para a mesma
parcela, em duas ou mais pocas, num certo perodo;
-com plantas perenes (citros, caf) so tomadas as medidas de produo nas mesmas parcelas, em
anos (binios) seguidos.

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:

Blocos (B) r-1
Variedades (V) a-1
Resduo (a) (a-1)(r-1)
(Parcelas) (ar-1)
Cortes (C) b-1
Cortes x Variedades (VxC) (a-1)(b-1)
Cortes x Blocos (CxB) (b-1) (r-1 )
Resduo (b) (a-1)(b-1) (r-1)
Total abr-1
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:
S .Q.CortesxBlo cos = S .Q.Cortes, blo cos S .Q.Cortes S .Q.blo cos

6.6. Experimentos em faixas ("Split Block")

Nestes ensaios, os tratamentos das subunidades, em vez de serem casualizados
independentemente, dentro de cada parcela, so arranjados em faixas atravs de cada repetio ou
bloco.
Este esquema pode ser conveniente para facilitar operaes fsicas em experimentos de
campo, onde e necessrio testar ambos os fatores em reas relativamente amplas.
Este delineamento sacrifica a preciso dos efeitos principais de A e B para propiciar maior
preciso na interao, que ser melhor determinada do que num ensaio em blocos casualizados ou
em parcelas subdivididas comum. Considerando que os nmeros de graus de liberdade para estimar
os resduos para A e B so, geralmente, pequenos, o de lineamento no recomendado a menos que
consideraes prticas indiquem seu uso, ou que a interao seja o principal objetivo do estudo.
Vamos considerar dados de pol% de cana, em um experimento em 4 blocos casualizados,
distribudos em faixas e os fatores estudados foram:
A - Sulcos e espaamentos de plantio
B - Densidades de plantio.
Foram estudados os seguintes tratamentos A:
A1 = sulco simples e espaamento de 1,40 m;
A2 = sulco duplo e espaamento de 1,40 m;
A3 = sulco de base larga e espaamento de 1,70 m;
A4 = sulco de base larga e espaamento de 1,90 m.
Os tratamentos B, foram os seguintes:

B1 = 4 toneladas de mudas por hectare;
B2 = 6 toneladas de mudas por hectare;
B3 = 8 toneladas de mudas por hectare.
O croqui, com uma possvel distribuio dos tratamentos A e B por bloco, apresentado a
seguir, com os resultados obtidos para pol % de cana, por parcela. Verifica-se que cada bloco foi
dividido em 4 parcelas, s quais foram casualizados os tratamentos A. Cada parcela foi dividida em
3 unidades para casualizao dos tratamentos B. Em cada bloco, o sorteio dos 3 tratamentos B vale
para todos os tratamentos A.
Observe pelo croqui da distribuio dos sulcos e espaamentos de plantio (A) e densidades
de plantio (B), dentro de cada faixa, os resultados em pol % de cana. Note que o tratamento A

(sulcos e espaamentos) esto distribudos em faixas, para facilitar o trabalho de campo,

principalmente se este plantio for mecanizado, sendo as densidades aleatorizadas dentro destas
faixas.
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.

Sulcos e Densidades Blocos

Totais
espaamentos de plantio 1 2 3 4
B1 15,54 17,25 16,19 15,92 64,90
A1 B2 16,69 17,30 16,47 16,01 66,47
B3 16,48 16,96 16,16 16,82 66,42
B1 16,01 16,94 15,82 15,42 64,19
A2 B2 16,71 17,23 16,33 16,70 66,97
B3 16,70 16,52 16,75 16,65 66,62
B1 16,43 17,40 16,64 16,89 67,36
A3 B2 16,69 16,87 16,07 17,15 66,78
B3 17,27 17,20 15,90 16,49 66,86
B1 16,48 16,77 16,61 16,93 66,79
A4 B2 16,52 17,00 15,49 16,40 65,41
B3 16,39 17,21 16,18 16,97 66,75
Totais 197,91 204,65 194,61 198,35 795,52
A partir dos dados antecedentes, podemos calcular:

I J k
G = yijk = 15,54 + ... + 19,97 = 795,52
i =1 j =1 k =1
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
i =1 j =1 k =1
S .Q.Total = (15,54 + .... + 16,97 2 ) 13.184, 4181 = 11, 4397

2
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:


A1 48,71 (3) 51,51 (3) 48,82 (3) 48,75 (3) 197,79 (12)
A2 49,42 (3) 50,69 (3) 48,90 (3) 48,77 (3) 197,78 (12)
A3 50,39 (3) 51,47 (3) 48,61 (3) 50,53 (3) 201,00 (12)
A4 49,39 (3) 50,98 (3) 48,28 (3) 50,30 (3) 198,95 (12)
Totais 197,91 (12) 204,65 (12) 194,61 (12) 198,35 (12) 795,52 (48)

1
S .Q. A = (197, 792 + ... + 198,952 ) 13.184, 4181 = 0,5748
12
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:

B1 64,46 (4) 68,36 (4) 65,26 (4) 65,16 (4) 263,24 (16)
B2 66,61 (4) 68,40 (4) 64,36 (4) 66,26 (4) 265,63 (16)
B3 6,84 (4) 67,89 (4) 64,99 (4) 66,93 (4) 266,65 (16)
Totais 197,91 (12) 204,65 (12) 194,61 (12) 198,35 (12) 795,52
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
S .Q. AxB = S .Q. A, B S .Q. A S .Q.B

S .Q. AxB = 2, 4771 0, 5748 0, 3829 = 1, 5194
A soma de quadrados para o Resduo (c) obtida por diferena:

A anlise de varincia apresentada a seguir.
Causa da variao G.L S .Q. Q.M. F

Blocos 3 4,3956 1,4652 12,46*
Tratamentos (A) 3 0,5748 0,1916 1,63NS
Resduo (a) 9 1,0586 0,1176 -
Tratamentos (B) 2 0,3829 0,1915 1,12NS
Resduo (b) 6 1,0250 0,1708 -
Interao AxB 6 1,5194 0,2532 1,83NS
Resduo (c) 18 2,4834 0,1380 -
Total 47 11,4397 - -
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
a) Comparaes de tratamentos A (Sulcos e espaamentos de plantio)
sa Q.M .Re s (a) 0,1176

S( m ) = = = = 0, 099
br br 3x4
4 tratamentos A
q = 4, 42
9 gl Res(a)
DMS () = q.S( m ) = 4, 42 x0, 099 = 0, 44
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
b) Comparaes de tratamentos B (Densidades de plantio)
sb Q.M .Re s(b) 0,1708

S( m ) = = = = 0,103
ar ar 4 x4
3 tratamentos B
q = 4,34
6 gl Res (b)

DMS () = q.S( m ) = 4,34 x0,103 = 0, 45
263, 24
B1 = = 16, 45 a
16
265, 63
B2 = = 16, 60 a
16
266, 65
B3 = = 16, 67 a
16
c) Comparaes de tratamentos A em cada nvel de B (Sulcos em cada Densidade de plantio)
Q.M .Re s(a) + (k 1)Q.M .Re s(c)

s1 ' k
S( m ) = =
r r
0,1176 + (3 1) x0,1380
s1 ' 3 0,36
S( m ) = = = = 0,18
r 4 4
[Q.M .Re s.(a) + ( K -1) xQ.M .Re s.(c)]

2
G.L ' =
[Q.M .Re s.(a)] + [( K 1) xQ.M .Re s.(c)]
2 2
G.L.Re s (a ) G.L.Re s (c)
[0,1776 + (3 -1) x0,1380]

2
G.L ' = = 27 g .l.

[0,1176] + [(3 1) x0,1380]
2 2
9 18
4 tratamentos A
q = 3,88
27 gl '
DMS () = q.S( m ) = 3,88 x0,18 = 0, 7

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
d) Comparaes de tratamentos B em cada nvel de A (Densidade de plantio em cada Sulcos)
Q.M .Re s(b) + ( I 1)Q.M .Re s(c)

s2 ' k
S( m ) = =
r r
0,1708 + (4 1) x0,1380
s1 ' 4 0,38
S( m ) = = = = 0,19
r 4 4
[Q.M .Re s.(b) + ( I -1) xQ.M .Re s.(c)]

2
G.L ' =
[Q.M .Re s.(b)] + [ ( I 1) xQ.M .Re s.(c)]
2 2
G.L.Re s (b) G.L.Re s (c)
[0,1708 + (4 -1) x0,1380]

2
G.L ' = = 24 g .l.

[0,1708] + [(4 1) x0,1380]
2 2
6 18
3 tratamentos B
q = 3,53
24 gl '
DMS () = q.S( m ) = 3,53 x0,19 = 0, 7
64,90
A1B1 = = 16, 23 a
4
64, 47
A1B2 = = 16, 62 a
4
66, 42
A1B3 = = 16, 61 a
4

7. EXPERIMENTOS EM QUADRADOS LATINOS

7.1. Generalidades
Nos quadrados latinos os blocos so organizados de duas maneiras diferentes, uns
constituindo as linhas, outros as colunas, ento, o controle local (blocos) feito em duas direes,
Horizontal (linhas) e vertical (colunas). Portanto, este tipo de delineamento usado em pesquisas
onde duas fontes principais de variao esto presentes e precisam ser controladas.
As variveis de blocagem podem ser:
- Diferenas de fertilidade do solo em duas direes;
- Diferenas de leitegadas (influncia da me) e peso dos leites no ensaio com leites;
- Diferenas atribudas ao dia da semana e o operador em experimentos envolvendo mquinas.
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.
Vaca 1 Vaca 2 Vaca 3 Vaca 4 Vaca 5

Capim 1 B E D A C
Capim 2 C A B D E
Capim 3 D B C E A
Capim 4 A C E B D
Capim 5 E D A C B
Para o exemplo onde se quer eliminar a heterogeneidade do solo em duas direes

perpendiculares (linhas, em uma direo, colunas, na outra), temos de levar em conta a localizao
topogrfica das parcelas, como se v no esquema seguinte de um quadrado latino de 6 x 6.

Coluna 1 Coluna 2 Coluna 3 Coluna 4 Coluna 5 Coluna 6

Linha 1 B F C A D E
Linha 2 D A E C B F
Linha 3 A D F B E C
Linha 4 C B D E F A
Linha 5 E C B F A D
Linha 6 F E A D C B
Neste exemplo, os tratamentos so seis (A, B, C, D, E, F) , distribudos de tal forma que

cada tratamento aparece uma s vez em cada linha ou coluna.
7.2. Caracterizao do quadrado latino

Os quadrados latinos constituem um bom tipo de delineamento, mas sua flexibilidade
muito menor do que a dos blocos casualizados. Cada tratamento aparece uma nica vez em cada
linha (bloco horizontal) e cada coluna (bloco vertical). A exigncia principal deste delineamento
que o nmero de repeties deve ser igual ao nmero de tratamentos e, em geral no se usam
quadrados latinos no caso de termos mais de 8 tratamentos, pois ento o numero de repeties seria,
no raro, um tanto exagerado, inviabilizando o seu uso.
Por outro lado, os quadrados latinos de 3 x 3 e 4 x 4 encerram to poucas parcelas que s
podem ser usados se o experimento incluir vrios quadrados latinos. Os quadrados latinos mais
usados so os de 5 x 5 a 8 x 8.
Os quadrado latinos recebe este nome porque o nmero de parcelas totais do experimento
corresponde ao quadrado do nmero de tratamentos (n = t2) e por terem sido, originalmente,
representados por letras latinas.
O objetivo do controle em duas direes remover a variabilidade do material experimental
ou ambiental em duas direes. As variaes entre blocos horizontais e verticais, que esperamos
serem grandes, so eliminadas do erro experimental.
7.3. O experimento no campo e a casualizao

O ponto de partida para a organizao do quadrado a disposio sistemtica dos
tratamentos para atender a condio de que cada tratamento consta uma nica vez na linha e na
coluna.

A seguir, esto apresentados alguns arranjos de quadrados latinos padres para 2, 3, 4 e 5

tratamentos:
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
importante salientar que nos experimentos de campo, onde, em geral, os blocos

horizontais e verticais controlam diferenas de fertilidade de solo, os ensaios ficam dispostos na
forma apresentada acima. Por outro lado, em experimentos com animais, em geral, no so
instalados na forma de quadrado.
Caso haja necessidade do uso de mais de um quadrado latino, este grupo deve ser
balanceado. Esse recurso protege contra vcios, assegura melhor preciso nas estimativas e
aumenta o poder do teste. Um grupo de quadrados esta balanceado quando cada tratamento ocorre
exatamente uma vez em cada combinao de linhas e colunas em todos os quadrados.
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
A seguir, esta apresentado, um arranjo de quadrados latinos 4 x 4 em casa de vegetao:
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

Para promover a casualizao do Q.L. existem planos fornecidos em literatura de estatstica

experimental, porm, uma maneira prtica para realizar o sorteio, consiste em escrever um Q.L.
padro, fazendo posteriormente o sorteio das linhas e das colunas, como segue:
Q.L. 4 x 4 Padro:
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
4o) Aos tratamentos devem

ser sorteados s letras.

Em experimentos com leites na fase de aleitamento, usa-se DQL para controlar:

- Efeito da leitegada (diferenas entre as matrizes);
- Efeito do peso ao nascer dos leites.
7.4. Modelo estatstico e a anlise de varincia

O modelo estatstico para um DQL, est descrito a seguir:
Yk (ij ) = + Li + C j + Tk (ij ) + ek (ij )

Em que:
Yk (ij ) = A observao referente ao tratamento, dentro da linha i e coluna j;

Li = Efeito da linha i, com i=1, 2, .., t;
Cj = Efeito da coluna j, com j = 1, 2, ..., t;
Tk (ij ) = Efeito do tratamento k, com k = 1, 2, e t;
ek (ij ) = erro experimental associado a todo as observaes ( Yk ( ij ) ) que por hiptese tem
2
distribuio normal com mdia zero e varincia ;
O esquema da anlise de varincia para DQL mostrado a seguir:
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

Com dois tratamentos no possvel, ou seja, no existe estatisticamente, pois o grau de

liberdade para o resduo zero (0). O mais vivel do posto de vista estatstico o Q.L. 5 x 5, sendo
o 7 x 7, impraticvel, na maioria das vezes.
As somas de quadrados para compor a anlise de varincia fica como segue:
t t t
G = yijk
i =1 j =1 k =1
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
S .Q.Re s = S .Q.Total S .Q.Linhas S .Q.Colunas S .Q.Trat

O coeficiente de variao e calculado de forma similar aos demais delineamentos:
Q.M .Re s
CV = x100
x
Para ilustrar um DQL, vamos usar um exemplo com sunos.

EXEMPLO: um experimento foi conduzido para estudar o efeito de castrao no ganho de
peso de sunos. Dispunha-se para este estudo de 5 matrizes da mesma raa que foram submetidas
mesma alimentao e manejo durante o perodo de gestao. Os tratamentos avaliados foram:
castrao aos 7 dias (C), aos 21 dias (D), aos 35 dias (E) e aos 56 dias (A), alm da testemunha (B)
animais no castrados. Foi feito o controle local das matrizes (colunas) e de peso dos leites dentro
de cada leitegada (linhas). A parcela constituiu-se de um leito e o perodo experimental foi de 20
semanas. Os ganhos de peso em kg, no final do ensaio foram:
Peso dos leites Matriz (j)

Totais
(i) M1 M2 M3 M4 M5
A D C B E
P1 80 110 110 85 85 470
C A E D B
P2 99 90 115 125 90 519
E C B A D
P3 90 105 120 85 120 520
D B A E C
P4 110 110 100 90 80 490
B E D C A
P5 100 95 130 90 80 495
Totais 479 510 575 475 455 2.494
Os clculos da soma de quadrados:
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
S .Q.Total = 254.176, 0 248.801, 44 = 5.374, 6
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:
Tratamentos Valores da parcela (ij) referente ao tratamento Totais Mdia

TA 80 90 100 85 80 435 87,0
TB 100 110 120 85 90 505 101,0
TC 99 105 110 90 80 484 96,8
TD 110 110 130 125 120 595 119,0
TE 90 95 115 90 85 475 95,0
Ento, calcula-se a S.Q. tratamentos, como segue:
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
S .Q.Re s = S .Q.Total S .Q.Linhas S .Q.Colunas S .Q.Trat

S .Q.Re s = 5.374, 56 355, 76 1.761, 76 2.829, 76 = 427, 28


Tratamentos 4 2829,76 707,44 19,87**
Linhas 4 355,76 88,94 2,50NS
Colunas 4 1761,76 440,44 12,37**
Resduo 12 427,28 35,61
Total 24 5384,56
5% = 3, 26
Para linha, coluna e tratamentos 4 x 12 g.l
1% = 5, 41
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 preciso do experimento dada pelo coeficiente de variao que calculado de forma

similar aos demais delineamentos:
Q.M .Re s 35, 61

CV = x100 = x100 = 5,98%
x 99, 76
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
Temos que: td para 4 G.L. de tratamentos com 12 G.L. do resduo = 2,81.

d ' = td .s(Y ) = 2,81x3, 77 = 10,59

Y1 = m A m B = 87, 0 101, 0 = 14, 0 *
Y2 = m C m B = 98, 6 101, 0 = 24, 0 *
Y = m m = 119, 0 101, 0 = 18, 0 *
3 D B
Y4 = m E m B = 95, 0 101, 0 = -6, 0 NS
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:
Idade de castrao Peso mdio final de leites (kg)

Trat B Sem castrao 101,0
Trat C -7 dias 96,8 *
Trat D -21dias 119,0 *
Trat E -35 dias 95,0 ns
Trat A -56 dias 87,0 *
Mdias seguidas de asterisco diferem da testemunha (sem castrao) ao nvel de 5% de
probabilidade pelo teste de Dunnett.
Uma vez verificado o comportamentos dos tratamentos em relao a testemunha, devemos

realizar nova anlise de varincia, retirando agora, a testemunha. Note que para este caso
deveramos aplicar o estudo de regresso para os dias de castrao, porm, no o faremos, pois, em
captulo posterior ser discutido este assunto com mais detalhes.

8. ANLISE DE REGRESSO POR POLINMIOS ORTOGONAIS NA ANLISE

DE VARINCIA
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.
8.2. Obteno da anlise de varincia, estudando-se a regresso atravs dos polinmios

ortogonais
Neste exemplo, o efeito de doses de gesso na cultura do feijoeiro (Phaseolus vulgaris L.),
em um experimento inteiramente casualizado com 4 repeties, o objetivo foi estudar os efeitos de
7 doses de gesso: 0, 50, 100, 150, 200, 250 e 300 kg/ha sobre diversas caractersticas do feijoeiro.
Para a caracterstica: peso de 1.000 sementes, os resultados obtidos, em gramas, so
apresentados na Tabela 8.1.

TABELA 8.1. Peso de 1.000 sementes, em gramas.
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
Inicialmente, fazemos uma anlise de varincia preliminar:
Causa de variao G.L. S.Q. Q.M. F

Tratamentos 6 1.941,83 323.64 7,67**
Resduo 21 886,34 42,21 -
Total 27 2.828,17 - -
Observando os resultados do experimento, verificamos que h uma tendncia de resposta

crescente at certo ponto, para depois diminuir.
Em um caso como este, em que os tratamentos so quantitativos e em mais de dois nveis,
uma anlise completa deve levar em conta a regresso, subdividindo-se os 6 graus de liberdade de
tratamentos da seguinte maneira:
Causa de variao G.L.

Regresso linear (ou de 1o grau) 1
Regresso quadrtica (ou de 2 o grau) 1
Regresso cbica (ou de 3 o grau) 1
o
Regresso de 4 grau 1
Regresso de 5 o grau 1
Regresso de 6 o grau 1
(Tratamentos) (6)

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:
Causa de variao G.L.

Regresso linear 1
Regresso quadrtica 1
Regresso cbica 1
Desvios de regresso 3
Tratamentos (6)
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):
Coeficientes para n = 7 nveis

Totais de o
1 grau 2o grau 3o grau
tratamentos (Ti)
C1i C2i C3i
T1 = 554,4 -3 +5 -1
T2 = 614,4 -2 0 +1
T3 = 658,1 -1 -3 +1
T4 = 659,7 0 -4 0
T5 = 634,9 +1 -3 -1
T6 = 639,9 +2 0 -1
T7 = 617,7 +3 +5 +1
K 28 84 6
M 1 1 1/6
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.

Ento, o contraste correspondente regresso linear (RL) ser;

I
YRL = C1iTi
i =1
I
YRL = C1iTi = 3T1 2T2 1T3 + 0T4 + 1T5 + 2T6 + 3T7
i =1
Como para um contraste y qualquer, temos que:
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
+ 1(634,9) + 2(639,9) + 3(617, 7) = 217, 7 g
r = nmero de parcelas somadas para obter cada total (Ti de tratamentos) = 4;

K1 = soma de quadrados dos coeficientes = 28
Ento
( )
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
3(634,9) + 0(639,9) + 5(617, 7) = 657,3 g

( Y )
2
2
S .Q.RQ =
RQ
=
( 657,3) = 1.285,84
r K2 4 x84
Para a regresso cbica (RC), temos

I
YRC = C3iTi = 1(554, 4) + 1(614, 4) + 1(658,1) + 0(659, 7)
i =1
1(634,9) 1(639,9) + 1(617, 7) = 61, 0 g
( )
2
YRC ( 61, 0 )
2
S .Q.RC = = = 155, 04
r K3 4 x6
A S.Q.Desvios de Regresso pode ser calculada por diferena:
S .Q.DR = S .Q.Trat S .Q.RL S .Q.RQ S .Q.C

S .Q.DR = 1.941,83 423,15 1.285,84 155, 04 = 77,80
Com estes valores, montamos a Tabela 8.2.
TABELA 8.2. Anlise de varincia do experimento para estudo da regresso.
Causa da variaO G.L. S.Q. Q.M. F

Regresso linear 1 423,15 423,15 10,02**
Regresso quadrtica 1 1.285,84 1.285,84 30,46**
Regresso Cbica 1 155,04 155,04 3,67NS
Desvios de regresso 3 77,80 25,93 0,61NS
(Tratamentos) (6) (1.941,83) - -
Resduo 21 886,34 42,21 -
Total 27 2.828,17 - -
5% = 4,32 5% = 3, 07
FTabelado 1 x 21 g.l FTabelado 3 x 21 g.l
1% = 8, 02 1% = 4,87

Verificamos que a regresso linear e a regresso quadrtica foram significativas (p<0,01),

indicando que possvel estabelecer uma relao funcional entre a dose de gesso usadas (X) e o
peso de 1.000 sementes (Y) do feijoeiro.
Devemos, ento, determinar a equao de regresso, que ser determinada pela significativa,
a tendncia dos dados observados e o coeficiente de determinao, buscando a atender aos aspectos
biolgicos envolvidos.
No nosso exemplo, devemos determinar uma equao de 2o grau.
Quando o teste F para desvios de regresso for significativo, isto indica que existe alguma
regresso significativa, de grau maior que 3o e, se tivermos interesse em estud-la, devemos
desdobrar o desvio de regresso.
8.3. Determinao da equao de regresso

A frmula geral da equao de regresso :
Y = Y + B1M1P1 + B2 M 2 P2 + B3 M 3 P3 + ......
No nosso exemplo, a equao de regresso ser:
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
Se fosse at a cbica o B3 seria calculado da seguinte forma:

YRC
B3 =
r K3
M1= 1 (Tabela) M2= 1 (Tabela)
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:
Y = 156, 3964 + 1, 9438.1.P1 1, 9563.1.P2

Portanto:
Y = 156,3964 + 1,9438 x 1,9563( x 2 4)

Re solvendo :
Y = 156,3964 + 1,9438 x 1,9563x 2 + 7,8252
Y = 156,3964 + 7,8252 + 1,9438 x 1,9563 x 2
Y = 164, 2216 + 1,9438 x 1,9563 x 2 (1)
X X
x uma varivel auxiliar dada por: x=
q
X = mdia dos valores de X:
0 + 50 + 100 + 150 + 200 + 250 + 300

X= = 150, 00
7

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:
Y = 164, 2216 + 1,9438 x 1,9563 x 2
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
Y = 164, 2216 + 0, 03888 X 5,8314

X2 300 X 22.500
1,9563 1,9563 1,9563
2.500 2.500 2.500
Y = 164, 2216 + 0, 03888 X 5,8314 0, 000782 X 2 + 0, 234756 X 17, 6067
Y = 164, 2216 5,8314 17, 6067 + 0, 03888 X + 0, 234756 X 0, 000782 X 2
Y = 140, 7835 + 0, 2737 X 0, 000782 X 2

Observao: quando determinamos uma equao de regresso e conveniente apresentar o

correspondente coeficiente de determinao (R2) que representa, em porcentagem, quanto da
variao na resposta explicada pela regresso em questo.
Para obter o coeficiente de determinao, devemos somar as somas de quadrados das
regresses de grau mais baixo at aquela que determinou o grau da equao. O resultado deve ser
dividido pela S.Q.Tratamentos.
No exemplo dado:
S .Q.RL + S .Q.RQ 423,15 + 1.285,84

R2 = = = 0,8801
S .Q.Trat 1.941,83
Podemos fazer uma verificao do ajuste da equao de regresso, calculando os valores
esperados ( Y ) atravs da equao, e os valores observados (Yobs) pelas mdias dos tratamentos .
Devemos ter Y obs = Y
Ento, temos :
Tratamentos (X) Yobs

Y
0 138,60 140,78
50 153,60 152,51
100 164,53 160,32
150 164,93 164,22
200 158,73 164,20
250 159,98 160,27
300 154,43 152,42
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

O ponto de mximo e aquele que anula a derivada primeira:

0,2737 - 0,001566X = 0
0,001566X=0,2737
0,2737
X= = 174, 78 kg / ha
0,001566
Ento o mximo da funo dado por:

Y = 140,7835 + 0,2737 (174,78) - 0,000783 (174,78)2
Y = 164,70 g/ 1000 sementes.
A representao grfica da regresso encontra-se na a seguir:
170
165
Peso de 1.000 sementes (g)
160
155
150 ^ = 140,7835 + 0,2737X - 0,000782X2; R2 = 0,8801

Y
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.

No entanto, os testes no-paramtricos so, quase sempre, de aplicao restrita e de

resultados pouco satisfatrios. Apesar disso, apresentam algumas vantagens:
A) No exigem distribuio normal, nem varincias iguais.
B) Podem ser aplicados a dados que no sejam numricos, por exemplo, em que haja uma escala
nominal de valores. Um caso como este seria o da avaliao do sabor de um alimento, considerado
como: mau, sofrvel, regular e bom ou timo.
Discutiremos, a seguir, alguns dos testes no-paramtricos mais comuns.
9.2. O teste de qui-quadrado e suas aplicaes

9.2.1. Introduo
Em muitos dos trabalhos cientficos experimentais a anlise da varincia no pode ser usada
ou apresenta restries muito srias, dadas as suas limitaes, indicadas no captulo 3. Por outro
lado, em muitos desses casos a aplicao direta do clculo de probabilidades ou do teste de qui-
quadrado ( 2 ) d solues satisfatrias. O Clculo de Probabilidades, embora atraente pela sua
simplicidade terica, leva-nos, na prtica, na maioria dos casos, a clculos excessivamente
trabalhosos. O teste de 2 , ao contrrio, embora apenas aproximado e com numerosas limitaes
de aplicao relativamente fcil. Neste capitulo buscaremos indicar o uso deste teste, com suas
restries e tambm algo sobre o teste de Fisher, que pode substitu-lo em alguns casos.
9.2.2. Tabelas de contingncia de 2 x n

Em muitos trabalhos experimentais os dados colhidos representam ocorrncias de certos
fenmenos que se podem classificar numa tabela, chamada de contingncia, como a seguinte.
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
O nmero correspondente de acasalamentos infecundos se pode obter por subtrao.

1802 - 680,7 = 1121,3.
Analogamente se procede para outros casos e, obtemos assim os dados que constam entre
parnteses, da tabela seguinte.
Natureza as vacas
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.
Ento, o valor de 2 calculado, pata o exemplo precedente :
( 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.
Ao aplicar o teste de 2 a tabela de 2 x n, com n > 2, da maneira acima exposta, e

necessrio ter em vista as seguintes restries:
1) Que a freqncia esperada mnima no deve ser inferior a 1 (um);
2) Que s em poucos casos seja a freqncia esperada menor do que 5.
Para tabelas de m x n em geral (3 x 3; 3 x 4, etc.) o teste de 2 pode ser igualmente

aplicado da maneira exposta e com as restries indicadas.
Uma particularidade importante do teste de 2 a de que, sendo feito com quadrados de

desvios, no distingue o sinal desses desvios, corresponde a um teste bilateral para desvios. Se
tivermos, porm, conhecimento prvio, por uma hiptese ou por trabalhos anteriores, do sentido dos

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%.
9.2.3. Tabelas de contingncia de 2 x 2

Os dados da tabela da seo 9.2.2 podem ser agrupados como abaixo, em uma tabela de 2 x
2, anloga a tabelas outras muito comuns na pesquisa biolgica.
Natureza as vacas
Charo1esa 515 1287 1802
Zebu ou azebuada 769 828 1597
Totais 1284 2115 3399
Podemos aplicar o teste de 2 como no caso anterior. Para os acasalamentos fecundos de

vacas charolesas, admitindo-se igualdade de fecundidade para os dois tipos de vacas, a freqncia
esperada :
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.

Natureza as vacas
Charo1esa 515 (680,7) 1287 (1121,3) 1802
Zebu ou azebuada 769 (603,3) 828 (993,7) 1597
Totais 1284 2115 3399
Temos, pois, com 1 grau de liberdade:
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**
O valor da tabela correspondente ao nvel de 5% 3,84 e, o que cabe ao nvel de 1% 6,64.

Temos, pois, um resultado significativo ao nvel de 1% de probabilidade, indicando que a hiptese
de nulidade deve ser rejeitada, isto , a hiptese de que haja fecundidade igual para as duas classes
de vacas (Charolesas, de um lado, Zebus ou azebuadas de outro lado). E se conclui que o gado Zebu
ou azebuado estudado significativamente mais fecundo do que o Charols.
Para tabelas de 2 x 2 o 2 se calcula mais facilmente pela formula:
(a x d b x c)
2 =
(a + b) (c + d ) (a + c) (b + d )
onde a, b, c, d so as freqncias observadas, como na tabela seguinte.

Natureza as vacas
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
A pequena diferena em relao ao valor obtido anteriormente se deve s aproximaes de

decimais.
O teste de 2 aplicado a tabelas de 2 x 2 no deve ser usado, nos seguintes casos:
1) Se a freqncia total N for menor do que 20;

2) Se a freqncia total N estiver entre 20 e 40 e a freqncia esperada mnima for menor do que 5.
Em todos os casos a freqncia esperada mnima deve ser pelo menos igual a 1 (um).
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.
Natureza as vacas
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

Neste caso o 2 com correo de Yates ser:
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:
2 (| 310 x5 23 x34 | 0,5 x 372) 2 x 372

=
(333) (39) (344) (28)
2 (| 768 186 |)2 x 372

= = 1, 01
(333) (39) (344) (28)
A diferena do valor agora obtido em relao ao calculado anteriormente (1,06) se deve a

aproximaes de decimais.
No entanto, pesquisas mostram que prefervel no aplicar a correo de Yates, e calcular o
2 sem ela.

9.2.4. O teste de Fisher

Nas tabelas de contingncia de 2 x 2, quando, de acordo com as regras de COCHRAN
(1954) apresentadas na seo 9.2.3, no deva ser usado o teste de qui-quadrado, cabe, ento, o
recurso do teste de Fisher (1934), baseado exclusivamente no Clculo de Probabilidades.
Consideremos, por exemplo, o quadro seguinte de dados sobre a prova de xcara do caf.
Trata-se de resultados obtidos para a prova de xcara de duas amostras de caf, uma de caf Mole,
outra de caf Duro que foram classificadas por degustadores especializados.
Classificao pelo Natureza do caf Totais de

degustadores Apenas mole Duro acasalamentos
Apenas mole 10 (6,8) 2 (5,2) 12
Duro 3 (6,2) 8 (4,8) 11
Totais 13 10 3399
Por ai se v que os degustadores classificaram corretamente o caf Apenas Mole em 10

casos, mas em 3 deles o consideraram como sendo Duro. J o caf Duro foi classificado
corretamente em 8 casos, mas foi tomado como Apenas Mole em duas oportunidades. Queremos
saber se h diferena estatisticamente significativa para a classificao desses cafs.
As freqncias esperadas so todas bastante baixas e a menor delas j ligeiramente inferior
a 5. Por outro lado a freqncia total N = 23, e est, pois, entre 20 e 40.
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.
Classificao pelo Natureza do caf Totais de

degustadores Apenas mole Duro acasalamentos
Apenas mole 10 (a) 2 (b) 12
Duro 3 (c) 8 (d) 11
Totais 13 10 3399

A probabilidade de uma tabela como essa, com essas freqncias marginais, e:
(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:
(12)! x (11)! x (13)! x (10)!

p= x
23!
1 1 1
x + +
12! x 0! x1! x10! 11! x1! x 2! x9! 10! x 2! x3! x8!
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
que combina bem com a probabilidade de 2,3% que corresponderia ao 2 corrigido.
9.2.5. Graus de liberdade individuais em tabelas de contingncia

Em uma tabela de contingncia como a da seo 9.2.2, onde h 3 graus de liberdade,
podem-se considerar conjuntos de contrastes ortogonais, de maneira a testar isoladamente os 3
contrastes ortogonais correspondentes a esses graus de liberdade. Um contraste poderia ser entre o
gado Charols e o gado Zebu ou mestio de Zebu (Indubrasil, Nelore, 1/2 Charols-Zebu). Este
contraste j foi estudado separadamente na seo 9.2.3 e nos deu 2 = 137,96**.

Outro contraste, ortogonal ao anterior, ser entre as raas Zebus e os mestios Charols-
Zebu, como se v na tabela seguinte.
Natureza as vacas
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
Temos agora 2 = 62,50** .
Um terceiro contraste, ortogonal aos dois primeiros, nos dar a comparao entre as raas
zebunas (Indubrasil e Nelore), como se faz pela tabela seguinte.
Natureza as vacas
Indubrasil 506 (508,4) 665 (662,6) 1171
Nelore 58 (56,6) 70 (72,4) 128
Totais 564 735 1299
Agora obtemos 2 = 0,20 .
Assim, concluiramos que no h diferena significativa entre a fecundidade das raas

zebunas, mas que estas diferem significativamente dos mestios 1/2 Charols-Zebu e que, por sua
vez, todo o gado zebu ou azebuado significativamente mais fecundo do que o gado Charols. No
entanto a soma dos valores de 2 para os trs contrastes nos d:
2 = 137,96 + 62,50 + 0.20 = 200,66
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 .
9.3. O Teste do Sinal

Aplica-se quando temos s dois tratamentos, em blocos casualizados, e no podemos avaliar
a diferena entre eles numericamente. Por exemplo, suponhamos que se quer comparar o caf de
mquina italiana com o caf de coador, podemos tomar, ao acaso, 40 pessoas e dar a cada uma delas
uma xcara de cada um dos dois tipos de caf, pedindo-lhe que diga qual o melhor. No caso de ser
preferido o caf de coador, consideraremos o sinal como + (mais); em caso contrrio, ser
considerado o sinal como - (menos). Suponhamos que seja o seguinte o resultado do experimento:
Preferem caf do coador (sinal +): 25 pessoas
Preferem caf de mquina (sinal -): 15 pessoas.
Se os dois tipos de caf fossem iguais, deveramos ter, em mdia, 20 sinais mais e 20 sinais
menos. Se o nmero N de blocos (ou de pessoas, o que equivalente) for superior a 20, pode-se
aplicar o teste t com infinitos graus de liberdade, assim:
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
tratamento (hiptese de nulidade) e 0,5 0,5 N o desvio padro () da distribuio binomial:
= Npq = N [0,5(0,5)] = 0,5 N
recomendvel, porm, ao aplicar essa frmula fazer a correo de continuidade, que

consiste em subtrair 0,5 do valor absoluto do numerador da primeira frao, tomando, pois:

| B 0,5 N | 0,5 | 2 B N | 1
t= =
0,5 N N
No caso presente fica:
| 2 B N | 1 | 2 x 25 40 | 1
t= = = 1, 42
N 40
O limite de t, ao nvel de 5% de probabilidade t = 1,96. Como o valor achado (1,42)

menor do que esse limite, conclui-se que o resultado no e significativo, isto no se comprovou
diferena entre os tipos de caf. Se, ao contrrio, tivssemos 28 pessoas favorveis ao caf de
coador e, pois, 28 sinais mais, o valor de t seria:
| 2 B N | 1 | 2 x 28 40 | 1
t= = = 2,37 *
N 40
significativo ao nvel de 5% de probabilidade, mas no ao de 1%, pois o limite de 1% 2,58.

No caso do numero de blocos ser menor que ou igual a 20, faz-se necessrio o uso de
tabelas especiais, tal como a tabela 15, que nos d a probabilidade P (n B), isto , a probabilidade
de ter freqncia n de ocorrncias menor do que ou igual ao valor observado B. Suponhamos, por
exemplo, que, no mesmo experimento, se tomasse a opinio de apenas 16 pessoas, com o seguinte
resultado:
Preferem caf de coador (sinal +): 12 pessoas
Preferem caf de mquina (sinal -): 4 pessoas.
Consideramos o numero menor de observaes: B = 4. Na tabela 15, a probabilidade de ter

um numero de ocorrncias n 4, em N = 16 tentativas, : P = 0,0384, isto , 3,84%. Tal resultado
seria, pois, significativo ao nvel de 5% de probabilidade, uma vez que temos P 0,05. Nestas
condies, se adotado o nvel de significncia de 5% de probabilidade, a hiptese de nulidade seria
rejeitada, e concluiramos que o caf de coador preferido.

interessante salientar que, dentro das limitaes j conhecidas relativamente s

freqncias esperadas, que no deveriam ser menores do que 5, para N < 40, podemos aplicar a este
problema o teste de qui-quadrado. Por exemplo, no caso do primeiro experimento, com N = 40,
teramos a tabela seguinte, com os valores esperados entre parnteses.
Sinal + Sinal- Total

25 (20,0) 15 (20,0) 40
Calculamos, pois:
( 25 20 )
2
(15 20 )
2

2 = + = 2,50
20 20

valor que, com 1 grau de liberdade, no significativo. J no caso de 28 pessoas favorveis

2
ao caf de coador teramos = 6,40, significativo ao nvel de 5% de probabilidade.
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.
9.4. Intervalos de confiana para uma porcentagem

Um problema importante, na prtica, em que os mtodos chamados no-paramtricos do
uma soluo valiosa, o de achar um intervalo de confiana para uma proporo ou porcentagem
observada. Suponhamos, por exemplo, que entre 16 animais vacinados contra tristeza, somente um
tenha contrado a doena, depois de alguns meses em que estiveram sujeitos ao contgio. Neste
caso, qual seria a probabilidade P de que contraam a tristeza os animais vacinados. A probabilidade

observada ( p ), que , na verdade, uma relao de freqncias, seria:
B 1
p = = = 0, 0625 = 6, 25%
N 16

onde B o numero de casos de contgio e N o numero total de animais do ensaio. Mas a

probabilidade verdadeira (p) poderia ser mais alta ou mais baixa do que essa estimativa. Intervalos
de confiana para essa proporo ou probabilidade, em funo de N e de B, so dados pela tabela
16. Nela, para N = 16 e B = 1 achamos o intervalo de confiana (0,2%; 30,2%) para a
probabilidade. Quer isto dizer que, repetido o ensaio muitas vezes, em 95% dos casos intervalos de
confiana como esses incluiriam o verdadeiro valor da probabilidade p. Essa a linguagem rigorosa
da estatstica, mas, com menos rigor e mais intuitivamente, podemos dizer que o verdadeiro valor
de p, desconhecido, tem 95% de probabilidade de estar entre 0,2% e 30,2%. Este intervalo,
excessivamente amplo, s pode ser encurtado mediante o uso de maior nmero de repeties, isto ,
de maior nmero de animais. Suponhamos, pois, que novos animais tenham sido ensaiados e que,
com 60 deles, somente 1 adoeceu. Qual o novo intervalo de confiana? A tabela 16 no nos d
soluo, pois s vai at N = 20. Mas a resposta, em porcentagem, podem ser obtidas pelas frmulas
seguintes:
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)
Pois F *(2, 120) = 0, 0253%
100 x(59)
PI = 100 = 100 91, 08 = 8,92%
(59) + (2)
F *(118, 4)
O intervalo de confiana , pois, (0,04%; 8,92%).

O aumento do numero de repeties trouxe considervel encurtamento desse intervalo.
9.5. Comparao de porcentagens observadas

Em muitos experimentos, o resultado, traduzido por freqncias, pode ser expresso em
porcentagens, que se devem comparar. Por exemplo, num experimento com 3 mtodos de enxertia
(A, B, C) havia 200 enxertos para cada mtodo e pegaram 180, 150 e 145, desses enxertos,
respectivamente. Podemos, pois, organizar uma tabela de contingncia como segue:
Mtodo de enxertia Enxertos pegados Enxertos mortos Total de enxertos

A 180 20 200
B 150 50 200
C 144 56 200
Total 474 126 600
Um caminho a seguir a aplicao do teste de qui-quadrado j visto anteriormente, que nos

daria, no caso presente 2 = 22,42, com 2 G.L., significativo ao nvel de 0,1% de probabilidade.
Podemos, a seguir, considerar dois contrastes ortogonais: 1) O mtodo A versus os outros dois; 2) O
mtodo B versus o mtodo C.
Mas h outra soluo interessante, baseada na distribuio binomial. Com efeito,
demonstra-se que se x for, por exemplo, a porcentagem de pegamento dos enxertos no mtodo A,
calculada para N enxertos, a varivel transformada

y = ar co s eno x /100
expressa em graus, tem varincia
820, 7
V ( y) =
N
Assim, se considerarmos duas porcentagens xi e xu calculadas para Ni e Nu indivduos,

respectivamente, ento a diferena entre as variveis transformadas yi yu tem varincia.
820, 7 820, 7 1 1
V ( yi yu ) = + = 820, 7 x +
Ni Nu N i Nu
Para provar a diferena Z = yi yu, pelo teste de Tukey, usamos o valor
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

Os valores de x e de y para os trs tratamentos so os seguintes.
Tratamentos Pegamentos (%) y = ar co s eno x /100

A 90 71,57
B 75 60,00
C 72 58,05
Comparando os valores de y, verifica-se, que o tratamento A supera significativamente os

tratamentos B e C e, que estes no diferem significativamente entre si.
Est claro que se os nmeros de enxertos ensaiados variassem de um tratamento para outro,
haveria valores distintos de para cada par de porcentagens comparadas.
Este mtodo excelente, mas s se aplica quando a distribuio das freqncias binomial,
o que ocorre, por exemplo, no caso de porcentagem de acasalamentos fecundos, de pegamento de
estacas, de partos distcicos.
No ocorre, por exemplo, no caso de doenas contagiosas, em que a distribuio no
binomial.
9.6. O teste de Kruskal - Wallis

Nesta e nas sees seguintes, discutiremos o teste de Kruskal - Wallis e o de Friedman,
escolhidos como padro dos mtodos de anlise no-paramtricos que usam estatsticas de ordem.
O teste de Kruskal - Wallis se aplica a ensaios inteiramente casualizados, quando h 3 ou mais
tratamentos. No caso de serem 2 os tratamentos, h um teste semelhante, o de Wilcoxon.
Consideremos os dados da Tabela 9.6.1 a seguir, relativos a porcentagem de plantas doentes
em um experimento de tomateiros.
TABELA 9.6.1. Porcentagem de plantas doentes em um ensaio de tomateiros, inteiramente

casualizado.
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.
TABELA 9.6.2. Porcentagens de plantas doentes em um ensaio de tomateiros, inteiramente

casualizado.
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.

No caso presente temos:
12 12 + 25 + 41
2 2 2
H = x [3 x13] = 8,115
12 x 13 4
No caso de k = 3 tratamentos, a significncia de H se julga com o auxlio da tabela 17. Nela.

com nl = n2 = n3 = 4 (nmero de repeties para os 3 tratamentos), achamos h = 7,731 com
probabilidade = 0,007. Portanto, um valor H 7,731 s ocorreria, por acaso, com a probabilidade
= 0,007 = 0,7%. Nestas condies o resultado obtido significativo ao nvel de 0,7% e, pois,
tambm ao de 1% usual.
No caso de mais de 3 tratamentos (k > 3), a tabela 17 no aplicvel, mas podemos usar a
de qui-quadrado com (k -1) graus de liberdade. Por exemplo, se fossem 5 os tratamentos (k = 5),
com H= 12,216, teramos, pela tabela 13, com 4 graus de liberdade:
Ao nvel de 5%: 9,49;
Ao nvel de 1%: 13,28.
O valor de H = 12,216 seria, pois, significativo ao nvel de 5% de probabilidade. Tambm

se usa a tabela de qui-quadrado quando o nmero de repeties de um ou mais dos 3 tratamentos for
maior do que 6.
O mtodo que acabamos de expor simples e rpido, mas no permite que haja empates.
Como fazer, se eles aparecerem? A soluo consiste em atribuir, a cada parcela de um grupo de
parcelas empatadas, um valor igual a mdia dos nmeros de ordem que lhes caberiam, se no
houvesse o empate. Para exemplificar, voltemos ao experimento dos tomateiros doentes, com
valores um pouco modificados (Tabela 9.6.3).

TABELA 9.6.3. Porcentagens de plantas doentes em um ensaio de tomateiros, inteiramente

casualizado.
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
com H definido como anteriormente e
ti (ti2 1)
C = 1 2
N ( N 1)

Em que:
ti o nmero de observaes empatadas em cada grupo de empates.
No caso presente temos:

R1 = 1 + 2,5 + 2,5 + 7 = 13 ,
R2 = 4 + 5 + 7 + 7 = 23;
R3 = 9 + 10 + 11 + 12 + 13 = 55.

Note-se que em todos os casos devemos ter
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.
9.7. Comparao de mdias nos ensaios inteiramente casualizados

Na seo anterior estudamos o teste de Kruskal - Wallis, que, no campo no-paramtrico,
substitu, estatstica F. Mas sempre interessante procurar comparar as medias de tratamentos duas
a duas, para melhor apreciar as diferenas entre elas. Para isso, apresentaremos um mtodo
simplificado, de preciso muito satisfatria.
H dois casos a considerar:
A) O experimento tem k = 3 tratamentos e no mais de 6 repeties para cada um (ni 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
A seguir calculam-se as diferenas mnimas significativas para cada par de mdias e Ri e
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.
Est claro que se os 3 tratamentos tiverem o mesmo numero de repeties, os valores de

sero todos iguais. Isto ocorre para os exemplos das tabelas 9.6.1 e 9.6.2, para os quais temos:
R1 = 3, 00 R2 = 6, 25 R3 = 10, 25

13 x14 1 1
ij = x + x ( 5, 692 ) = 6, 08
12 4 4
Usamos, ento, o valor h = 5,692, correspondente a = 4,9% de probabilidade, nvel bem

prximo do usual, de 5%. Nestas condies, ao nvel de 4,9% de probabilidade, a nica diferena
significativa do ensaio a que existe entre os tratamentos 1 e 3.
No caso do experimento relativo tabela 9.6.3, o numero de parcelas N = 13 e a tabela 17
nos d h = 5,618, ao nvel de 5% de probabilidade, logo:
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
As mdias de tratamentos so:
R1 = 3, 25 R2 = 5, 75 R3 = 11, 00
Tambm neste caso se conclui que s se comprovou diferena entre os tratamentos 1 e 3.
B) Caso de k > 3 ou ni > 6 para algum tratamento.
Nestas condies, a diferena mnima significativa ij entre as mdias de dois tratamentos
quaisquer, ao nvel de probabilidade, dada pela frmula:

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).
Suponhamos, por exemplo, um ensaio inteiramente casualizado em que teramos:
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
As diferenas mnimas significativas calculadas com t = 2~64 (n = (1/2) 4 x 3 = 6

contrastes, n2 = , ao nvel a de 5% de probabilidade) so:
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

Verifica-se, pois, que, ao nvel de 5% de probabilidade, s significativa a diferena entre

os tratamentos 3 e 4.
Note-se que o valor de H neste caso seria H= 9,60, correspondente a um qui-quadrado com
3 graus de liberdade. Pela tabela 15, esse valor de H significativo ao nvel de 5% de
probabilidade.

Note-se tambm que o teste feito para comparao de mdias neste caso B corresponde
exatamente ao de Bonferroni.
9.8. O teste de Friedman

Destinado a substituir o teste F, na anlise no-paramtrica, o teste de Friedman se aplica
aos ensaios em blocos casualizados. Quando cada bloco encerra apenas 2 tratamentos a estatisitca
indicada a do sinal. Para o caso de 3 ou mais tratamentos, usa-se o teste de Friedman.
Tomaremos como exemplo os dados da tabela 9.8.1, relativas a um ensaio com 3
tratamentos, em 5 blocos casualizados.
TABELA 9.8.1. Porcentagens de plantas doentes em um ensaio de tomateiros, em blocos

casualizados.
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.
Em continuao, calculamos a estatstica K, chamada qui-quadrado de Friedman:
12
K = x Ri2 [3b(k + 1)]
bk (k + 1)

Em que:
b o nmero de blocos
k o seu tamanho (nmero de tratamentos).
Se o numero de tratamentos for de 3 a 5, julga-se a significncia de K por meio da tabela 20.

No caso presente temos k = 3 e b= 5, logo:
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.
O resultado seria significativo, portanto, ao nvel de 5% de probabilidade.

Vejamos, agora, como agir quando h empates. Tomaremos como exemplo os dados da
tabela 9.8.2.
TABELA 9.8.2. Porcentagens de plantas doentes em um ensaio de tomateiros, em blocos

casualizados.
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.
A estatstica a calcular agora :
K
K1 =
C
com K definido como anteriormente e
Tj
C = 1 2
bk ( k 1)
em que, o ndice j se refere aos blocos. Por sua vez:
I
T j = tij3 k
i =1
em que tij o numero de observaes empatadas no grupo de empates i do bloco j.
No exemplo de 9.8.2, h duas observaes empatadas no bloco 1. Temos, pois:

t11 = 2; t21 = 1; T1 = 23 + 13 3 = 6 .

Tambm houve empate de duas observaes no bloco 3, que nos d:

t13 = 2; t23 = 1; T3 = 23 + 13 3 = 6.
Nos demais blocos no houve empate. No segundo, por exemplo, temos:

t12= 1; t22= 1; t32= 1, T2 = 13+13+ 13 3 = 0
O valor de Tj sempre nulo nos blocos em que no h empate.

Temos, pois :
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.

Estatistica Experimental Completa PDF

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estatistica Experimental Completa PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Prof.

Sidnei Tavares dos Reis 1

1. INTRODUO A ESTATSTICA EXPERIMENTAL

1.1.1 Porque usar a estatstica?

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

A instalao do experimento demanda o conhecimento de tcnicas experimentais

1.1.2 Conceitos bsicos

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

c) Unidade experimental ou parcela

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

1.1.3 unidade experimental ou parcela

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

FIGURA 1. Esquema representativo de uma parcela.

Nos experimentos em casa de vegetao, para a constituio de cada parcela, podemos

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

1.1.4 Princpios bsicos da experimentao

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

1.1.4.2 Casualizao (aleatorizao)

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

O princpio da casualizao tem por finalidade propiciar a todos os tratamentos a mesma

- Com casualizao (com repetio)

Se, aps a repetio e a casualizao, a variedade A apresentar maior produtividade, de

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

1.1.4.3 Controle local (controle do erro experimental)

1.1.4.3.1 Uniformidade dos animais experimentais

Parece lgico que os animais participantes de um ensaio tenham as mesmas caractersticas

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

1.1.4.3.2. Uniformidade na aplicao dos tratamentos

1.1.4.3.3. Uniformidade do meio

A exemplo das dificuldades encontradas para a obteno de amostra uniforme e, em alguns

Todas as repeties no cabem em um mesmo recinto ou no esto totalmente disponveis

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

adequado, os efeitos de recinto ou temporais podero ser medidos e a estimativa da variao

- com a repetio, com Casualizao, com controle local

O controle local constitui restries impostas na casualizao para corrigir o efeito da

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

- Delineamento em quadrado latino (DQL)- controle feito atravs de blocos horizontais e

1.1.4.4 Relaes entre os princpios bsicos da experimentao e os delineamentos

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

EXEMPLO - Considere que estamos planejando um experimento de competio de

E a seguir, atravs de uma tabela de nmeros aleatrios ou fichas numeradas ou de um jogo

Este delineamento e freqentemente utilizado em ensaio de laboratrio e em casas de

Causa (fonte) de variao (F.V.) Graus de liberdade (G.L.)

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

Se as condies experimentais forem subitamente heterogneas, ou se houver dvidas

O delineamento assim obtido denominado de delineamento em blocos casualizados e

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

Causa (fonte) de variao (F.V.) Graus de liberdade (G.L.)

A utilizao do princpio do controle local sempre conduz a uma reduo no nmero de

Coluna 1 Coluna 2 Coluna 3 Coluna 4 Coluna 5

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

Para um exemplo, em que temos 5 tratamentos (dietas experimentais) e 5 repeties, o

Causa (fonte) de variao (F.V.) Graus de liberdade (G.L.)

1.1.5 Mtodos para aumentar a preciso dos experimentos

1.1.5.1 Escolha do material experimental

Estatstica Experimental Aplicada Fitotecnia e Zootecnia

1.1.5.2. Seleo das unidades experimentais

1.1.5.3. Seleo dos tratamentos

1.1.5.4. Aumento do nmero de repeties