Documentos

Agrobiologia
Novembro/2003163
ISSN 1517-8498

Tcnicas Experimentais aplicadas s Cincias

Agrrias

 Repblica Federativa do Brasil
Luiz Incio Lula da Silva
Presidente
Ministrio da Agricultura, Pecuria e Abastecimento
Roberto Rodrigues
Ministro
Empresa Brasileira de Pesquisa Agropecuria - Embrapa
Conselho de Administrao
Jos Amauri Dimrzio
Presidente
Clayton Campanhola
Vice-Presidente
Alexandre Kalil Pires
Dietrich Gerhard Quast
Srgio Fausto
Urbano Campos Ribeiral
Membros
Diretoria Executiva da Embrapa
Clayton Campanhola
Diretor Presidente
Gustavo Kauark Chianca
Herbert Cavalcante de Lima
Mariza Marilena T. Luz Barbosa
Diretores Executivos
Embrapa Agrobiologia
Jos Ivo Baldani
Chefe Geral
Eduardo Francia Carneiro Campello
Chefe Adjunto de Pesquisa e Desenvolvimento
Rosngela Straliotto
Chefe Adjunto Administrativo
 ISSN 1517-8498
Novembro/2003
Empresa Brasileira de Pesquisa Agropecuria
Centro Nacional de Pesquisa em Agrobiologia
Ministrio da Agricultura, Pecuria e Abastecimento

Documentos 163
Tcnicas Experimentais aplicadas s Cincias
Agrrias

Janana Ribeiro Costa

Seropdica RJ
2003
Exemplares desta publicao podem ser adquiridas na:
Embrapa Agrobiologia
BR465 km 7
Caixa Postal 74505
23851-970 Seropdica/RJ, Brasil
Telefone: (0xx21) 2682-1500
Fax: (0xx21) 2682-1230
Home page: www.cnpab.embrapa.br
e-mail: sac@cnpab.embrapa.br
Comit Local de Publicaes: Eduardo F. C. Campello (Presidente)
Jos Guilherme Marinho Guerra
Maria Cristina Prata Neves
Vernica Massena Reis
Robert Michael Boddey
Maria Elizabeth Fernandes Correia
Dorimar dos Santos Felix (Bibliotecria)
Expediente:
Revisor e/ou ad hoc: Guilherme Montandon Chaer
Normalizao Bibliogrfica: Dorimar dos Santos Flix
Editorao eletrnica: Marta Maria Gonalves Bahia
1 impresso (2003): 50 exemplares

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

Seropdica: Embrapa Agrobiologia, 2003. 102 p. (Embrapa Agrobiologia.
Documentos, 163).

ISSN 1517-8498

1. Agricultura. 2. Cincia agrria. I. Embrapa. Centro Nacional de

Pesquisa de Agrobiologia (Seropdica, RJ). II. Ttulo. III. Srie.

CDD 630

Embrapa 2003
6. Referncias Bibliogrficas
BANZATTO, A. D.; KRONKA, S. do N. Experimentao agrcola.
Jaboticabal: FUNEP, 1989. 249 p.
BEARZOTI, E.; OLIVEIRA, M. S. Estatstica bsica. Lavras: UFLA,
1997. 191 p.
FISHER, R. A. The design of experiments. Edinburgh: Oliver and
Boyd, 1935.
HINKELMANN, K.; KEMPTHORNE, O. Design and analysis of
experiments. New York: J. Wiley, 1994. 631 p.
MEAD, R.; CURNOW, R. N. Statistical methods in agriculture
and experimental biology. New York: Chapman and Hall, 1983.
335 p.
Autor
NOGUEIRA, M. C. S. Estatstica experimental aplicada
experimentao agrcola. Piracicaba: USP-ESALQ, 1997. 250 p.
Janana Ribeiro Costa
PIMENTEL GOMES, F. Curso de estatstica experimental. 13. ed.
Piracicaba: Nobel/USP-ESALQ, 1990. 468 p. Pesquisadora da Embrapa Agrobiologia.
RAMALHO, M. A.; FERREIRA, D. F.; OLIVEIRA, A. C. de. A E-mail: janaina@cnpab.embrapa.br
experimentao em gentica e melhoramento de plantas.
Lavras: UFLA, 2000. 326 p.
STEEL, R. G. D.; TORRIE, J. H.; DICKEY, D. A. Principles and
procedures of statistics. 3. ed. New York: McGraw-Hill, 1997. 666
p.

102
Obteno da produo mxima de milho (ton/ha)
Aqui cabe esclarecer que o sinal da estimativa do coeficiente
2 determina se a varivel dependente y (no exemplo, produo),
ter um valor mximo ou mnimo. Se 2 negativo, y ter um
mximo; caso contrrio, se 2 for positivo, y ter um mnimo. No
exemplo 5.7.3.1), para obteno da produo mxima de milho
necessrio antes maximizar a funo de regresso polinomial
quadrtica, ou seja, derivar esta equao e igualar a zero:
y i = 8,8421 + 0,0950X i 0,00050X i2
dy i
= 0 + 0,0950 0,00100X i
dX i
dy i
=0 0 + 0,0950 0,00100X i = 0
dX i
0,0950
Xi = = 95 kg/ha (Dose de adubo nitrogenado que levar a
0,00100
uma produo mxima).

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

mxima de milho:
y i = 8,8421 + 0,0950.(95) 0,00050.(95) 2

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

yi = 13,3546 ton/ha (produo mxima de milho para dose de

adubo nitrogenado de 95 kg/ha).

101
 5
P1 (X i ).y i
b1 = i =1
=
(2).27,5 + (1).32,0 + (0).37,5 + (1).42,6 + (2).37,8 31,2
= = 1,0400 Apresentao
5
3 P (X i ) 2 3.[(-2)2 + (1) 2 + (0) 2 + (1) 2 + (2) 2 ] 3.(10)
1
i =1 A preocupao crescente da sociedade com a preservao e a
5 conservao ambiental tem resultado na busca pelo setor produtivo de
P2 (X i ).y i (2).27,5 + (1).32,0 + (-2).37,5 + (-1).42,6 + (2).37,8 - 19,0 tecnologias para a implantao de sistemas de produo agrcola com
b 2 = i =1
= = = 0,4523
5
3 P (X i ) 2 3.[(2) 2 + (1) 2 + (-2) 2 + (-1) 2 + (2) 2 ] 3.(14) enfoque ecolgicos, rentveis e socialmente justos. O enfoque
2
i =1 agroecolgico do empreendimento agrcola se orienta para o uso
Lembrando que: responsvel dos recursos naturais (solo, gua, fauna, flora, energia e
minerais).
X i 60 X i
P1(Xi) = x i = = 2 Dentro desse cenrio, a Embrapa Agrobiologia orienta sua
30 30 programao de P&D para o avano de conhecimento e
2 desenvolvimento de solues tecnolgicas para uma agricultura
n 2 1 Xi
P2(Xi) = x 2
i = 2 2 sustentvel.
12 30 A agricultura sustentvel, produtiva e ambientalmente equilibrada
Portanto: apoia-se em prticas conservacionistas de preparo do solo, rotaes de
culturas e consrcios, no uso de adubao verde e de controle
y i = b 0 + b1 P1 (X1 ) + b 2 P2 (X1 ) biolgico de pragas, bem como no emprego eficiente dos recursos
naturais. Infere-se da que os processos biolgicos que ocorrem no
Xi X i
2
sistema solo/planta, efetivados por microrganismos e pequenos
y i = 11,8267 + 1,0400 2 0,4523 2 2 invertebrados, constituem a base sobre a qual a agricultura
30 30 agroecolgica se sustenta.
Resolvendo a equao acima tem-se: O documento 163/2003 atende uma demanda daqueles que atuam na
pesquisa agropecuria, principalmente estudantes e profissionais
y i = 8,8421 + 0,0950X i 0,00050X 2i
(Equao da Regresso Quadrtica) recm ingressados na rea, disponibilizando, de forma objetiva e
y i = o + 1 X i 2 X 2i prtica, conceitos de estatstica aplicados experimentao em
Cincias Agrrias. Na verdade, existem poucas publicaes sobre o
Os valores observados (yi) e estimados (y i ) para cada dose de referido tema e este documento serve de roteiro para orientar aspectos
bsicos do planejamento da experimentao de campo e anlise dos
adubo nitrogenado esto apresentados a seguir: resultados obtidos.
Xi yi y i
0 27,5 8,8421
30 32,0 11,2421
60 37,5 12,7421
90 42,6 13,3421
120 37,8 13,0421

100
 SUMRIO FV GL SQ QM F Prob>F

1) Noes bsicas de experimentao agrcola .......................................................... 7 (Doses) 4 45,3160 11,3290 13,122 0,0005
Regresso Linear 1 32,4480 32,4480 37,586 0,0000
2) Distribuio de freqncias..................................................................................... 10
Regresso Quadrtica 1 8,5952 8,5952 9,956 0,0100
2.1) Definio............................................................................................................. 10
Desvio 2 4,2728 2,1364 2,475 0,1340
2.2) Freqncia.......................................................................................................... 10
Erro 10 8,6333 0,8633
2.3) Natureza da distribuio ...................................................................................... 19
Total 14
3) Estatsticas descritivas ............................................................................................ 20
CV (%) = 7,86
3.1) Medidas de posio............................................................................................. 20
Mdia geral: 11,83 Nmero de observaes: 15
3.2) Medidas de disperso.......................................................................................... 23
3.3) Medidas de assimetria e curtose.......................................................................... 27 Observa-se no quadro anterior que tanto a regresso linear quanto a
4) Testes de comparaes mltiplas ........................................................................... 29 quadrtica foram significativas ao nvel de significncia estabelecido
4.1) Contrastes ortogonais de mdias......................................................................... 29
de 5% (Prob<0,05). O coeficiente de determinao (R2) para a
regresso linear e quadrtica foram respectivamente:
4.2) Teste t de Student ............................................................................................... 33
32,4480
4.3) Teste de Tukey ................................................................................................... 39 R 2 (Linear) = .100 = 71,6% ;
4.4) Teste de Duncan................................................................................................. 41
45,3160
4.5) Teste de SNK (Student Newman Keuls)............................................................... 43 8,5952
R 2 (Quadrtica) = .100 = 19,0% .
4.6) Teste de Scott-Knott............................................................................................ 46 45,3160
5) Anlise de varincia....................................................................................................... 54
Apesar do R2 da regresso quadrtica ter sido baixo (19%), deve-se
5.1) Princpios bsicos da experimentao ................................................................. 54 observar o valor de Prob>F do Desvio. Se este valor for maior que
5.2) Pressuposies bsicas da anlise de varincia .................................................. 55 0,05, indicando que o desvio foi no significativo, deve-se, portanto,
5.3) Delineamento Inteiramente Casualizado (DIC) ..................................................... 56
considerar a equao de regresso significativa de maior grau, no
caso, a quadrtica:
5.4) Delineamento em Blocos Casualizados (DBC) ..................................................... 61
5.5) Experimentos fatoriais ......................................................................................... 66 y i = 0 + 1 X + 2 X 2 = b 0 + b1 P1 (X 1 ) + b 2 P2 (X 1 )
5.6) Experimentos em parcelas subdivididas............................................................... 74 em que:
5.7) Anlise de regresso........................................................................................... 87 5
6) Referncias Bibliogrficas............................................................................................. 102 yi 177,4
b o = y = i =1
= = 11,8267
3x 5 15

99
Para cada nvel de X tem-se ento:
Nveis Dose de adubo Totais yi (das 3 repeties) P1(Xi) P2(Xi)
Tcnicas Experimentais aplicadas s
1 0 27,5 -2 +2 Cincias Agrrias
2 30 32,0 -1 -1
3 60 37,5 0 -2 Janana Ribeiro Costa
4 90 42,6 +1 -1
5 120 37,8 +2 +2 1. Noes bsicas de experimentao agrcola
Total 177,4 A Estatstica Experimental a cincia que tem como objetivo
estudar experimentos (ensaios), englobando etapas como o
As somas de quadrados (SQs) da regresso linear e quadrtica so planejamento, execuo, coleta e anlise dos dados experimentais
dadas por: e interpretao dos resultados obtidos. Ela foi proposta inicialmente
2 na rea de cincias biolgicas por Ronald A. Fisher em 1919. Fisher
5

P1 (X i ).y i props o uso da anlise de varincia (ANAVA) como ferramenta
SQRegresso 1(Linear) = i =1 para anlise e interpretao de dados. A ANAVA permite a
5
3 P12 (X i ) decomposio do grau de liberdade e da soma de quadrados total
i =1
em somas de quadrados correspondentes s fontes de variao
= [(2).27,5 + (1).32,0 + (0).37,5 + (1).42,6 + (2).37,8]2 973,44 previamente definidas no planejamento do experimento.
= = 32,4480
3.[(-2) + ( 1) 2 + (0)2 + (1)2 + (2) 2 ]
2
3.(10) A fase de planejamento do experimento merece considervel
2
ateno por parte do pesquisador pois dela depender o sucesso da
5
anlise e interpretao dos resultados sendo, portanto,
P2 (X i ).y i
SQRegresso 2 (Quadrtica) = i =1 recomendvel uma consulta a um estatstico antes da instalao do
5
3 P22 (X i ) experimento.
i =1
O planejamento envolve etapas como:
[(2).27,5 + ( 1).32,0 + (-2).37,5 + (-1).42,6 + (2).37,8] 2 361
= = = 8,5952 a) Formulao de hipteses
3.[(2) + ( 1) + (-2) + (-1) + (2) ]
2 2 2 2 2
3.(14)
A hiptese estatstica formulada denominada hiptese de nulidade
SQDesvio = SQ Doses SQRegresso 1 SQRegresso 2 e simbolizada por Ho. Suponha que se deseja estudar qual estirpe
= 45,3160 32.4480 8,5952 = 4,2728 de bactria diazotrfica endoftica (considerando, por exemplo, trs
estirpes diferentes) proporcionar maior peso da parte rea de
cana-de-acar. No exemplo, Ho seria: no existem diferenas
O quadro de anlise de varincia com o desdobramento dos graus significativas entre os efeitos das estirpes (ou seja, qualquer
de liberdade da fonte de variao doses em graus de liberdade diferena observada devida a fatores no controlados). Ho poder
devido a regresso polinomial est apresentado a seguir. ser aceita ou rejeitada; caso seja rejeitada, aceitaremos uma
98 07
 tem-se que P1(Xi) = xi; em que x i = X i X = X i 60 com i =1, 2, ...,
hiptese denominada alternativa, simbolizada por H1 que no
exemplo seria: os efeitos das estirpes diferem significativamente q 30
entre si (ou as estirpes se comportam de modo diferente quanto ao 5. Portanto,
peso da parte area).
0 60
b) Escolha dos fatores e seus respectivos nveis P1 (X1 = 0) = = 2
30
Fatores (ou tratamentos) so aqueles que o pesquisador tem
interesse em estudar o seu efeito sobre as variveis respostas. As 30 60
subdivises de um fator so os nveis dos mesmos. Por exemplo, se P1 (X 2 = 30) = = 1
30
o interesse for planejar um experimento para se estudar o efeito de
6 tipos diferentes de rotaes de cultura, o fator em estudo 60 60
P1 (X 3 = 60) = =0
rotao e os nveis deste fator so os 6 tipos de rotao. 30
Em alguns casos, como por exemplo nos experimentos fatoriais ou 90 60
em parcelas subdivididas, dois ou mais fatores so estudados. P1 (X 4 = 90) = = +1
Suponha que se deseja estudar o efeito de 2 variedades de cana de 30
acar e 3 doses de nitrognio; neste caso se trata de um 120 60
experimento em fatorial 2x3, em que se tem dois fatores (variedade P1 (X 5 = 120) = = +2
e dose de nitrognio); 2 nveis do fator variedade e 3 nveis do fator 30
dose de nitrognio.
Um fator pode ser classificado em: n2 1 52 1
e tem-se que P2(Xi) = x i2 = [P1 (X i )] 2 _ = [P1 (X i )] 2 2
12 12
b.1) Qualitativo: quando os nveis do fator so categorias, atributos.
com i =1, 2, ..., 5. Portanto,
Por exemplo: nome de variedades de cana de acar (SP701143 e
SP813250); mtodos de extrao de DNA (Cullen, Smalla, Sebach); P2 (X1 = 0) = (2) 2 2 = +2
origem de solos (MG, RJ, BA, SP); etc.
b.2) Quantitativo: quando os nveis do fator so mensuraes de P2 (X 2 = 30) = (1) 2 2 = 1
valores reais. Normalmente os nveis so valores numricos
P2 (X 3 = 60) = (0) 2 2 = 2
acompanhados de uma unidade de medida. Por exemplo: dose de
nitrognio (0, 25 e 50 Kg/ha); concentraes de antibitico (25, 50,
P2 (X 4 = 90) = (+1) 2 2 = 1
100, 200 g/ml), etc.
c) Escolha da parcela (unidade experimental) P2 (X 5 = 120) = (+2) 2 2 = +2 .
Parcela a unidade experimental que receber o tratamento. A
parcela pode assumir diferentes formas e tamanhos. Por exemplo,
uma parcela poder ser constituda por uma ou vrias plantas; um
vaso contendo uma ou mais plantas; uma placa de Petri com

08 97
A anlise de varincia para os dados do exemplo 5.7.3.1) : determinado meio de cultura; uma rea com vrias plantas; um
animal; etc.
FV GL SQ QM F Prob>F
Doses 4 45,3160 11,3290 13,122 0,0005
d) Escolha do delineamento experimental
Erro 10 8,6333 0,8633 Delineamento experimental o plano de distribuio dos
Total 14
tratamentos na rea experimental. Como exemplo de delineamentos
tem-se o delineamento inteiramente casualizado (DIC), o
delineamento em blocos casualizados (DBC), o delineamento em
Rejeita-se Ho, concluindo-se pela existncia do efeito de doses quadrados latinos (DQL), os delineamentos em blocos incompletos
crescentes de adubo nitrogenado sobre a produo do milho (Prob (por exemplo, os ltices, blocos aumentados, etc.).
< 0,05). e) Escolha das variveis a serem analisadas
Considerando o modelo de regresso polinomial de 2O grau a Variveis respostas ou variveis dependentes ou simplesmente
seguir, foi realizada a anlise de regresso:
variveis so caractersticas obtidas em cada parcela. Os dados
y i = o + 1 X i + 2 X i2 + i (observaes) so realizaes de uma varivel e sero analisados
para verificar se h diferena entre os nveis dos fatores
reescrevendo este modelo pela expresso alternativa: (tratamentos). Assim, exemplos de variveis so: produo de gros
de feijo; altura de plantas de milho; pH, teor de Ca, Mg e P em
yi = bo + b1P1(Xi) + b2P2(Xi) + i ; i =1, 2, ...,5. amostras de solo; nmero de plantas de cana-de-acar atacadas
por cercosporiose; etc.
As hipteses testadas no modelo de regresso adotado so: Uma varivel tambm pode ser classificada, semelhantemente aos
fatores (tratamentos), em:
i) Ho: b1 = 0 vs H1: b1 0.
e.1) Qualitativa
ii) Ho: b2 = 0 vs H1: b2 0.
e.1.1) Nominal: quando so categorias, atributos, sem uma
ordenao natural. Por exemplo: cor dos gros do feijoeiro (marrom,
Para obteno das somas de quadrados das regresses linear e preto, branco); textura do solo (arenoso, argiloso, silte); etc.
quadrtica necessrio antes calcular os coeficientes dos e.1.2) Ordinal: quando so atributos com uma ordenao natural.
polinmios P1(Xi) e P2(Xi). Por exemplo: suscetibilidade do cafeeiro ferrugem (alta, mdia,
Seja: baixa); nota para o ataque de cercosporiose em cana-de-acar
(escala de 1, para ausncia da doena, at 9, para o mximo de
1 n 1
X= X i = (0 + 30 + 60 + 90 + 120) = 60 ; doena); etc.
n i =1 5 e.2) Quantitativa
q = 30 (correspondendo a 30-0 ou 60-30 ou 90-60 ou 120-90) e.2.1) Discretas: quando so contagens de nmeros inteiros
positivos com uma ordenao natural. Por exemplo: nmero de

96 09
chuvas em 2002 superior a 80 mm/h (ex. 20 chuvas); nmero de n

2

plantas atacadas com a broca do fruto do cafeeiro (ex. 200 plantas); Pk (X i ).y i
SQRegresso k = i =1 , associada a 1 grau de liberdade.
nmero de minhocas encontradas em determinada amostra de solo n
(ex. 50 minhocas). r Pk (X i )
2

i =1

e.2.2) Contnuas: quando so mensuraes de valores reais; O coeficiente de determinao (R2) em experimentos com repetio
normalmente existe uma unidade de medida acompanhando a dado por:
varivel. Por exemplo: produtividade (100,0 kg/ha); renda
SQ Re gresso k
.100 , 0 R 100.
2
(R$2050,73/ms); altura (2,5 m); dimetro (8,18 cm); peso (98,5 g); R 2 (%) =
pH (5,5); teor de P, Ca, Mg, K, matria orgnica, etc. SQTratamen to

f) Anlise dos dados obtidos com o experimento. 5.7.3.1) Exemplo de anlise de regresso em dados com
repetio: modelos de regresso polinomial
2) Distribuio de freqncias
Um experimento foi instalado conforme o delineamento inteiramente
2.1) Definio casualizado, com trs repeties para testar o efeito de 5 doses de
adubo nitrogenado (0, 30, 60, 90 e 120 kg/ha). Os resultados
Consiste em uma funo que associa os valores que uma varivel obtidos em ton/ha de milho so:
assume com suas freqncias de ocorrncia, podendo ser elas
absolutas, relativas ou porcentuais. Rep\Doses 0 30 60 90 120
1 8,6 10,5 12,5 12,6 13,7
2.2) Freqncia 2 9,5 10,0 12,8 15,1 12,8
uma medida que quantifica a ocorrncia dos valores de uma 3 9,4 11,5 12,2 14,9 11,3
varivel. Total 27,5 32,0 37,5 42,6 37,8
2.2.1) Freqncia absoluta (fa) o nmero de observaes
ocorridos em cada classe da varivel estudada. O modelo do exemplo anterior adotado foi:
2.2.2) Freqncia relativa (fr) dada pela diviso da fa pelo y ij = + d i + ij ; i =1, 2,..., 5 e j = 1, 2, 3.
nmero total (n) de dados ou observaes:
fa .
em que yij o valor observado referente a i-sima dose de adubo
fr = nitrogenado na j-sima repetio; di a i-sima dose de adubo
n
nitrogenado e ij o erro experimental associado a yij com i N (0,
2.2.3) Freqncia porcentual (fp) dada pela multiplicao de fr 2) e independentes.
por 100:
As hipteses testadas na anlise de varincia so:
fp (%) = fr.100 .
Ho: d1 = d2 = ... = dn = 0 ; i=1, 2, ..., n
H1: pelo menos um di difere de 0.

10 95
 P2(Xi) = x i2 n 1 ;
2
Exemplo 1. No quadro a seguir est disposta a atividade agrcola
12 predominante em cada uma das 20 propriedades rurais do
municpio Vida Alegre.
3n 2 7
P3(Xi) = x 3i .x i ; Milho Soja Olericultura Leite
20
Soja Soja Milho Milho
3n 13 2 3(n 1)(n 9)
2 2 2
Leite Cana-de-acar Trigo Milho
P4(Xi) = x i4 .x i + ;
14 560 Milho Leite Soja Trigo
5(n 2 7) 3 15n 4 230n 2 + 407 Milho Laranja Milho Olericultura
P5(Xi) = x 5i .x i + xi ;
18 1008
em que, A varivel em estudo, atividade agrcola, classificada como
qualitativa nominal. Uma maneira mais informativa de descrever o
Xi so os nveis da varivel independente; conjunto de dados do Exemplo 1 atravs da distribuio de
1 n freqncias das categorias desta varivel, podendo ser feita por
X= X i a mdia dos nveis de X; meio de representao tabular ou grfica.
n i =1
a) Representao tabular:
q amplitude entre dois nveis consecutivos de X;
Tabela 1. Distribuio de freqncia das atividades agrcolas de 20
n o nmero de nveis da varivel independente (X).
propriedades rurais do municpio de Vida Alegre

O estimador de quadrados mnimos de bk, dado por: Atividade predominante fa fr fp (%)

n
Milho 7 0,3500 35,0
Pk (X i ).y i Soja 4 0,2000 20,0
b k = i =1
n
,
Leite 3 0,1500 15,0
r Pk2 (X i )
i =1 Trigo 2 0,1000 10,0
em que, Olericultura 2 0,1000 10,0
Pk(Xi) so os coeficientes do polinmio ortogonal de grau k Cana-de-acar 1 0,0500 5,0
associado ao nvel do fator; Laranja 1 0,0500 5,0
yi o total do nvel i da varivel dependente (y); Total 20 1,0000 100,0
Fonte: Apostila de Estatstica Bsica (Bearzoti & Oliveira, 1997).
r o nmero de repeties.
A hiptese de nulidade Ho: bk = 0 e a hiptese alternativa H1: bk
0. A soma de quadrados da regresso de grau k, na anlise de
varincia, dada por:

94 11
b) Representao grfica: Anlise de regresso em dados com repetio: modelos de
regresso polinomial
Grfico uma figura para ilustrao de fenmenos ou tendncias
onde existem escalas definidas. O modelo de regresso polinomial de grau p, para uma nica
varivel independente representado por
Para a representao grfica de variveis qualitativas, como o
caso do Exemplo 1, os grficos mais utilizados so: y i = o + 1 X i + 2 X i2 + 3 X 3i + ... + p X ip + i (i)
Grfico de linhas: possui dois eixos, com fa ou fr ou fp
disposta no eixo vertical e as classes (categorias) da varivel com i = 1, 2, ..., n ; i N(0, 2) independentes. 0, 1, ..., n so
dispostas no eixo horizontal. parmetros da regresso a serem estimados.
Considerando n pares de dados (y1, X1), (y2, X2), ..., (yn, Xn) em que
fr n>p e que os nveis referentes a varivel X so todos eqidistantes,
0.4
0.3 ou seja, X1=X1; X2=X1+q, X3=X2+q , ..., Xn=Xn-1+q, o modelo em (i)
0.2 pode ser reescrito como:
0.1
0 Yi= bo + b1P1(Xi) + b2P2(Xi) + ...+ bpPp(Xi) + i
com i = 1, 2, ..., n ; i N(0, 2) independentes. b0, b1, ..., bn so

a
o
o

ite
ja

...

..

nj
ig
ilh

So

a.
ric
Le

ra
Tr
M

parmetros da regresso a serem estimados e Pk(Xi) sendo um

an
le

La
O

polinmio ortogonal de ordem k = 1, 2, ..., p que deve atender s

seguintes restries:
Atividade
i) P0(Xi)=1;
Figura 1. Grfico de linhas representando a distribuio de freqncia relativa referente
atividade agrcola predominante em propriedades do municpio de Vida Alegre. n
ii) Pk (X i ) = 0 ;
i =1

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

i =1

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

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

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

12 93
 y i = b o + b1X i Grfico de barras ou colunas: semelhantes aos grficos de
linhas, com a diferena que so usadas barras (colunas) ao
em que
(325).(12,577 )
invs de linhas.
10.(1,388) + 15.(1,426) + ... + 55.(1,139)
b1 = 10 fr
10 + 15 + ... + 55
2 2 2

(325)2 0.4
0.3
10 0.2
0.1
393,6650 408,7525 - 15,0875
b 1 = = = -0,0073 (estimativa de b1), 0
2062,5000 2062,5000

a
ite
ja
o

...
ig

nj
..
ilh

So

a.
Le

ric
Tr

ra
325

M
12,577

an
le

La
b o = (0,0073). = 1,2577 + 0,2373 = 1,4950 (estimativa de bo).

C
10 10
O modelo de regresso ajustado (estimado) : Atividade
Figura 2. Grfico de barras verticais representando a distribuio de freqncia relativa
y i = 1,4950 0,0073X i . referente atividade agrcola predominante em propriedades do municpio de Vida Alegre.
O R2 foi de:
0,1104
R2 = .100 = 90% Setograma (grfico circular ou grfico de setores): grfico
0,1255 circular no qual os setores correspondem as categorias com
indicando que 90% da variao na densidade do solo explicada reas proporcionais as freqncias de cada classe. Para
pelo modelo de regresso utilizado. construo do setograma necessrio obter o ngulo
referente ao setor de cada categoria, por meio de uma regra
No quadro a seguir para cada valor de Xi tem-se o valor observado, de trs. Por exemplo, para a atividade milho do Exemplo 1,
o estimado e o desvio correspondente. tem-se a regra de trs para as freqncias porcentuais dada
Xi yi (valores observados) y i (valores estimados) yi - y i por:
10 1,388 1,422 -0,034 100% ______
360 o
15 1,426 1,386 0,040 ______ X
20 1,393 1,349 0,044 35%
25 1,341 1,313 0,029 x = 126 o.
30 1,26 1,276 -0,016
35 1,16 1,240 -0,080
40 1,177 1,203 -0,026 E assim por diante so calculados os outros ngulos
45 1,153 1,167 -0,014 correspondentes aos setores das outras categorias que sero
50 1,14 1,130 0,010 traados no grfico.
55 1,139 1,094 0,045
Total 12,577 12,577 0
Mdia 1,2577 1,2577 0

92 13
 Laranja
H1: b1 0.
Cana As somas de quadrados para o exemplo anterior foram:
Olericultura Milho 2
(325).(12,577)
10.(1,388) + 15.(1,426) + ... + 55.(1,139)
Trigo
SQRegresso = 10

Leite 10 2 + 15 2 + ... + 55 2
(325)2
Soja 10
Figura 3. Setograma representando a distribuio de freqncia relativa referente
SQRegresso =
[393,6650 408,7525]2 =
(-15,0875) 2
= 0,1104
atividade agrcola predominante em propriedades do municpio de Vida Alegre.
2062,5000 2062,5000
Exemplo 2. O quadro seguinte apresenta o nmero de lagartas 2

rosca encontradas em cada um dos 16 canteiros de um viveiro de SQTotal = 1,388 2 + 1,426 2 + ... + 1,139 2 (12,577)
10
mudas de eucalipto.
SQTotal = 15,9436 15,8181 = 0,1255
1 1 3 5
4 2 4 4 SQDesvios = 0,1255 0,1104 = 0,0151
3 1 2 1
5 0 0 4
O Quadro de anlise de varincia resultante :
A varivel nmero de lagartas rosca classificada como quantitativa FV GL SQ QM F Prob>F
discreta. A distribuio de freqncias para variveis quantitativas
discretas so semelhantes das variveis qualitativas, como no Regresso 1 0,1104 0,1104 58,105 0,0001
caso do Exemplo 1, com os valores inteiros que a varivel assume Desvios 8 0,0151 0,0019
podendo ser considerados como categorias ou classes naturais. Total 9 0,1255
a) Representao tabular:
Tabela 2. Distribuio de freqncia do nmero de lagartas rosca Da Tabela de F tem-se que F(0,05; 1; 8) 5,32 e como 58,105 > 5,32,
em canteiros de um viveiro de eucalipto rejeita-se Ho ao nvel de 5% de significncia. Atualmente, os
programas computacionais apresentam uma coluna a mais no
No de lagartas rosca fa fr fp (%) quadro de anlise de varincia correspondente a Prob>F, no
0 2 0,1250 12,5 havendo a necessidade de procurar o valor de F em Tabela.
1 4 0,2500 25,0 Quando Prob>F for menor que 0,05, significa que o teste F foi
2 2 0,1250 12,5
significativo, ou seja, o pesquisador poder rejeitar Ho e aceitar H1.
3 2 0,1250 12,5
No exemplo, conclui-se ento que as densidades (g/cm3) em
4 4 0,2500 25,0
diferentes profundidades X (cm) podem ser explicadas por meio do
5 2 0,1250 12,5
seguinte modelo de regresso linear:
Total 16 1,0000 100,0
Fonte: Notas de aula.

14 91
 n A representao grfica tambm semelhante do Exemplo 1, com
SQDesvios = ( y i y i ) 2 = SQTotal SQ Re gesso , associada a (n-
i =1 os valores inteiros no eixo horizontal, representando as classes da
2) graus de liberdade. varivel (nmero de lagartas).

A deciso de rejeitar Ho ao nvel de significncia se dar se Exemplo 3. Considere os valores a seguir referentes ao dimetro
altura do peito (DAP), em cm, de 54 rvores de um talho
QM Re gresso
= F F(, 1, n-2) 10,7 17,2 21,2 22,9 24,2 25,9 28,8 32,8 36,1
QMDesvios
12,4 17,6 21,6 23,3 24,4 26,1 29,5 33,6 37,5
em que F(, 1, n-2) o valor tabelado obtido atravs da Tabela de F- 13,8 18,8 21,8 23,5 24,4 26,1 30,2 34,2 38,1
Snedecor para o nvel de significncia, 1 e (n-2) graus de 14,6 19,2 22,2 23,8 24,6 26,8 30,9 34,5 39,0
liberdade.
16,1 20,5 22,3 23,9 24,8 27,5 31,3 34,7 39,7
O coeficiente de determinao (R2) a estatstica dada por: 16,8 20,9 22,8 24,2 25,5 28,1 32,0 35,5 41,2
SQ Re gresso
R 2 (%) = .100 , 0 R2 100.
SQTotal A varivel DAP classificada como quantitativa contnua. A
distribuio de freqncias para variveis quantitativas contnuas
O R2 procura quantificar a proporo da variao da varivel y que so diferentes daquelas discretas e das variveis qualitativas.
explicada pelo modelo de regresso. Quanto mais prximo de 100
estiver R2, melhor a qualidade de ajuste do modelo de regresso Primeiramente, para a realizao de uma distribuio de freqncias
aos dados. de uma varivel contnua, os dados devem ser ordenados em ordem
crescente para uma melhor manipulao dos mesmos.
5.7.2.1) Exemplo de anlise de regresso em dados sem
repetio Depois segue-se a um algoritmo para a obteno da distribuio de
freqncias. Neste algoritmo, alguns passos so diferenciados se os
Um estudo foi realizado sobre zonas de compactao em perfis de dados so referentes a uma populao ou a uma amostra.
um solo, obtendo-se os seguintes dados de densidade (g/cm3) em
diferentes profundidades X (cm) i) Para populao: escolher um nmero de classes (k) entre 5 e 20.
Total Para amostra:
X (cm) 10 15 20 25 30 35 40 45 50 55 325
Tamanho da amostra (n) Nmero de classes (k)
y (g/cm3) 1,388 1,426 1,393 1,341 1,260 1,160 1,177 1,153 1,140 1,139 12,577
At 100 n
O modelo adotado foi: > 100 5 log10 n

yi = b0 + b1Xi + i , i=1, 2, ..., 10 e i N (0, 2). ii) Calcular a amplitude total (A) dos dados:
E as hipteses testadas foram: A = MVO mvo
Ho: b1 = 0

90 15
em que MVO o maior valor observado e mvo o menor valor n n

Xi yi
observado; n
i =1 i =1
Xi yi
iii) Calcular a amplitude de classe (c): b1 = i =1 n .
2
n

A + x A + x Xi
c= (populao) ou c= (amostra) n
Xi
2 i =1
k k 1 i =1 n
em que x a preciso de medida (menor valor detectvel pelo A partir destes estimadores tem-se o modelo de regresso linear
instrumento ou mtodo de medio). O valor de c dever ser simples estimado (ajustado):
arredondado para o mesmo nmero de casas decimais dos dados;
y i = b o + b1 X i .
iv) Calcular o limite inferior da 1a classe (LI1):
x c 5.7.2) Anlise de regresso em dados sem repetio
LI1 = mvo (populao) ou LI1 = mvo (amostra);
2 2 Seja a hiptese de nulidade em uma anlise de regresso Ho: b1 = 0
e a hiptese alternativa H1: b1 0, o esquema da anlise de
v) Calcular o limite superior da 1a classe (LS1): varincia da regresso para se testar estas hipteses :
LS1 = LI1 + c
FV GL SQ QM F
LS1 alm de limite superior da 1a classe, tambm o limite inferior Regresso 1 SQRegresso SQRegresso/1 QMRegresso/QMDesvios
da 2a classe:
Desvios n-2 SQDesvios SQDesvios /(n-2)
LS1 = LI2 Total n-1 SQTotal
LS2 = LI2 + c
e assim sucessivamente at terminar as k classes; Em que as somas de quadrados (SQs) so dadas pelas seguintes
expresses:
vi) Calcular as freqncias absolutas (fa) e, opcionalmente, as 2
n

relativas (fr) e porcentuais (fp) de cada classe: y
SQTotal = ( y i y) 2 = y i2 i =1 , associada a (n-1) graus de
n n i

Aplicando-se ento o algoritmo nos dados do Exemplo 3, i =1 i =1 n

considerando que eles so referentes a uma populao tem-se: liberdade.
2
i) Escolhe-se, por exemplo, k = 10 classes; n X n y
n i i
X i y i i =1 i =1
ii) A = 41,2 10,7 = 30,5; n
SQRegresso = ( y i y) 2 = i =1 n , associada a 1 grau de

30,5 + 0,1 i =1

iii) c = = 3,06 = 3,1(arredondando) ;

2
n X
i
10 n
i =1
Xi
2

i =1 n
liberdade.

16 89
A princpio, qualquer relao funcional entre um conjunto de Observao: Note que, como os dados tm apenas uma casa
variveis regressoras e um conjunto de variveis dependentes, decimal aps a vrgula, o x 0,1, se houvesse 2 casas aps a
representada por y = f(X1, X2, ..., Xk), pode ser chamada de modelo vrgula, x seria 0,01 e assim por diante.
de regresso, sendo tal modelo fixo para determinado conjunto de
0,1
dados. iv) LI1 = 10,7 = 10,65
Normalmente esta relao funcional desconhecida e uma funo 2
alternativa pode ser usada para aproximar f como, por exemplo, os v) LS1 = 10,65 + 3,1 = 13,75
modelos polinomiais que esto includos entre os tipos de modelos
LI2 = LS1 =13,75
de regresso linear simples e so amplamente utilizados (Nogueira,
1997). LS2 = 13,75 + 3,1 = 16,85 e assim por diante.
Um modelo de regresso linear dito simples quando envolve
somente uma varivel regressora X. Os exemplos anteriores a) e c) a) Representao tabular:
se enquadram em casos de regresso linear simples. J o exemplo
Tabela 3. Distribuio de freqncia do dimetro altura do peito
b) tpico de regresso linear mltipla pois envolve mais de uma
(DAP), em cm, de 54 rvores de um talho
varivel regressora (no caso, duas). O exemplo d) um caso de
regreso linear mltipla multivariada (mltipla pois apresenta 3 Classes de DAP Ponto mdio fa fr dfr fp (%)
variveis regressoras e multivariada pelas duas variveis respostas, [10,65; 13,75) 12,2 2 0,0370 0,0119 3,70
y1 e y2, utilizadas).
[13,75; 16,85) 15,3 4 0,0741 0,0239 7,41
Sejam n pares de dados de duas variveis (Xi, yi) com i = 1, 2, ..., n. [16,85;19,95) 18,4 4 0,0741 0,0239 7,41
Admitindo que a relao entre yi e Xi uma reta, tem-se o modelo
[19,95; 23,05) 21,5 9 0,1667 0,0538 16,67
de regresso linear simples:
[23,05; 26,15) 24,6 14 0,2592 0,0836 25,92
yi = b0 + b1Xi + i
[26,15; 29,25) 27,7 4 0,0741 0,0239 7,41
em que i o erro experimental associado a observao yi; b0 e b1 [29,25; 32,35) 30,8 5 0,0926 0,0299 9,26
so parmetros correspondentes ao coeficiente linear ou termo [32,35; 35,45) 33,9 5 0,0926 0,0299 9,26
constante (intercepto da reta) e coeficiente angular ou de regresso,
[35,45; 38,55) 37,0 4 0,0741 0,0239 7,41
respectivamente. Os estimadores de quadrados mnimos de b0 e b1
so dados por: [38,55; 41,65) 40,1 3 0,0555 0,0179 5,55
Total _ 54 1,0000 _ 100,00
n
yi n

Xi Fonte: Notas de aula.
b o = i =1 b1 i =1 = y b1 X b) Representao grfica:
n n
Normalmente em grficos de distribuio de freqncias de
variveis quantitativas contnuas usa-se no eixo vertical do grfico a
densidade de freqncia (df) de cada classe dada por:

88 17
 densidade de freqncia (df) = freqncia da classe Os resultados do teste de Tukey comparando as mdias das
amplitude da classe Variedades para 1 e 2 linhas de irrigao est apresentado a seguir:

Assim, pode-se usar a densidade de freqncia absoluta (dfa) ou a Variedades\Linhas T1' T2'
relativa (dfr) ou, ainda, a porcentual (dfp) obtidas, respectivamente,
T1 17,80 c 17,40 b
por:
T2 19,10 bc 19,10 ab
fa fr fp T3 20,50 ab 19,80 a
dfa = ; dfr = ; dfp = .
c c c T4 21,18 a 17,40 b
Na Tabela 3 foram apresentadas as dfrs (com c=3,1). O uso de df Mdias seguidas de mesma letra no diferem entre si pelo teste de Tukey (Prob > 0,05).
se torna importante nas situaes onde as amplitudes de classes (c)
so desiguais e, tambm, permite o clculo de freqncias a partir
de reas do grfico. Mas se c igual para todas as classes pode-se 5.7) Anlise de regresso
utilizar, no eixo vertical do grfico, tanto freqncias como 5.7.1) Caractersticas
densidades de freqncia.
Na pesquisa agropecuria freqente o interesse no estudo de
Visto o conceito de df, os dois grficos mais usais para distribuio relaes funcionais entre variveis quantitativas, como por exemplo:
de freqncias de variveis contnuas so o histograma e o polgono
de freqncia. a) Estudar a resposta na produo de gros (y) em funo de
doses (X) de nitrognio aplicadas ao solo, simbolizado por y =
b.1) Histograma: semelhante ao grfico de barras, com barras f(X);
dispostas lado a lado, e larguras iguais s amplitudes de classes.
b) Estimar o volume de madeira (y) em rvores de um povoamento
dfr florestal sem ter que derrub-las, atravs da medida de seus
0.1
dimetros (X1) e alturas (X2), simbolizado por y = f(X1, X2);
0.08
0.06 c) Expressar a curva de crescimento (y) de aves em funo do
0.04 tempo (X), simbolizado por y = f(X)
0.02
0 d) Determinar como o nmero de brotos (y1) e seu peso seco (y2)
so afetados pelas doses de meio de cultura MS (X1), de
5
5
5
5
5
5
5

5
5
5
5

sacarose (X2) e pH (X3), simbolizado por y1, y2 = f(X1, X2, X3).

.6
.7
.8
.9
.0
.1
.2

.3
.4
.5
.6
10
13
16
19
23
26
29

32
35
38
41

DAP As variveis ys dos exemplos anteriores que se deseja descrever

Figura 4. Histograma de distribuio de freqncia relativa referente ao dimetro
altura do peito (DAP), em cm, de 54 rvores de um talho.
so chamadas variveis dependentes ou respostas e as variveis
Xs so denominadas independentes ou regressoras.
Na natureza, certamente uma varivel y que se deseja descrever,
determinada por um conjunto de outras variveis, X1, X2, ......, Xk.

18 87
 _______
76,4 b.2) Polgono de freqncia: quando as amplitudes de classe (c) so
Variedade 2/ Linha 1 = T2 T1' = = 19,10 iguais, o polgono obtido pela unio dos pontos mdios das
4 classes, nas alturas correspondentes s dfs.
_______
82,0 O polgono deve ser unido, no eixo horizontal, nos pontos:
Variedade 3/ Linha 1 = T3 T1' = = 20,50
4 c c
_______
LI1 e LSk +
84,7 2 2
= 21,18
'
Variedade 4/ Linha 1 = T T4 1 =
4 em que LSk o limite superior da ltima classe (k). No Exemplo 3 os
pontos de unio ao eixo horizontal so:
- Comparando Mdias de T para T2' :
3,1 3,1
_______
10,65 = 9,1 e 41,65 + = 43,2 .
69,6 2 2
Variedade 1/ Linha 2 = T T '
1 2 = = 17,40
4
0.1 dfr
_______
76, 4 0.08
Variedade 2/ Linha 2 = T T '
2 2 = = 19,10
4 0.06
_______ 0.04
79, 2
Variedade 3/ Linha 2 = T3 T2' = = 19,80 0.02
4 0

9.1

12.2

15.3

18.4

21.5

24.6

27.7

30.8

33.9

40.1

43.2
37
_______
69,6
Variedade 4/ Linha 2 = T4 T2' = = 17,40
4 DAP

Teste de Tukey: Figura 5. Polgono de freqncia relativa referente ao dimetro altura do peito (DAP),
em cm, de 54 rvores de um talho.
QMErro Mdio
DMS = q
r
2.3) Natureza da distribuio
sendo q para =0,05; I = 4 tratamentos principais (Variedades) e
O objetivo da distribuio de freqncia descrever o
GLErro Mdio = n ' = 21 q = 3,95: comportamento da varivel. A natureza desse comportamento pode
ser simtrica, assimtrica direita ou esquerda, como pode ser
1,0207 visualizado na Figura 6. Adiante ser visto como se quantifica a
DMS = 3,95 = 2,00 . assimetria.
4

86 19
 i)
SQ Variedade /Linha 2 = SQ T/T2' =
1
4
(69,62 + 76,42 + 79,22 + 69,6 2 )
(294,8)2
16
SQ T/T2' = 5449,4800 5431,6900 = 17,7900.

Para certificar se o clculo das somas de quadrados do

Simtrica desdobramento Variedades dentro de Linhas foi realizado
corretamente basta verificar:
ii) iii) SQ T + SQ T x T ' = SQ T / T1' + SQ T / T2'
26,9635 + 17,9184 = 27,0919 +17,7900
44,8819 = 44,8819 ok!

Assimtrica direita
A anlise de varincia para o desdobramento T/T :
Assimtrica esquerda

FV GL SQ QM F Prob>F
Figura 6. Natureza da distribuio dos dados i) simtrica, ii) assimtrica direita ou
iii) assimtrica esquerda. T/T1' (I-1) = 4-1 =3 27,0919 9,0306 8,848 0,0005

T/T2' (I-1) = 4-1 =3 17,7900 5,9300 5,810 0,0047

3) Estatsticas descritivas Erro Mdio 21 - 1,0207

3.1) Medidas de posio Da anlise de varincia anterior observa-se que houve diferena
significativa entre efeitos de Variedades (T), no comprimento da
Definio: um nmero que descreve um conjunto de dados, pela banana, tanto para 1 linha de irrigao quanto para 2 linhas de
indicao da posio que o conjunto ocupa na escala de valores irrigao (Prob < 0,05). Podemos ento utilizar, por exemplo, o teste
possveis que a varivel em questo pode assumir. de Tukey para comparar as mdias de T (Variedades) para T1' (1
3.1.1) Mdia (X ou Me) linha de irrigao) e tambm para T2' (2 linhas de irrigao).
N Mdias:
Xi
i =1
Me = . - Comparando Mdias de T para T1' , do Quadro 3 pode-se obter:
N
71,2
Variedade 1/ Linha 1 = T T1' = = 17,8 0
4

20 85
 Para o Exemplo 3 a mdia :
Linha 1/ Variedade 4 = 21,18 a
Linha 2/ Variedade 4 = 17,40 b 10,7 + 12,4 + L + 39,7 + 41,2
Me = = 25,9.
54
d) Comparaes entre mdias de tratamentos principais dentro de Propriedades da mdia:
cada nvel de tratamento secundrio (mdias de Variedades dentro
de cada Linha T/T): i) Somando-se uma constante K a todos os dados, a mdia (Me)
tambm acrescida de K:
Esta comparao envolve os dois erros por meio de um erro mdio,
sendo portanto um pouco mais complicada que as demais. Me(x + K ) = Me( x ) + K ;
QMErro (a ) + (K 1).QMErro (b) ii) Multiplicando-se K a todos os dados, a mdia tambm
QMErro Mdio = multiplicada por K:
K
1,0011 + (2 1).1,0403 Me(x.K ) = K.Me ;
QMErro Mdio = = 1,0207 .
2 iii) A soma dos desvios (dis) em relao a mdia zero:
O nmero de graus de liberdade (n) associado a este Erro Mdio di = x i Me ;
calculado de modo aproximado pela frmula de Satterthwaite:
Exemplo 4. Para as N = 3 observaes (xi) a seguir, os desvios di
[QMErro (a ) + ( K 1).QMErro (b)] 2 em relao a mdia so:
n =
'

[QMErro (a ) ]2 [(K 1)QMErro (b)]2

+ xi di
GLErro (a ) GLErro (b)
3 3-5 = -2
[1,0011+ (2 1).1,0403] 2
= 20,67 21 (arredondando). 5 5-5 = 0
n' =
[1,0011] 2 [(2 1).1,0403] 2 7 7-5 = 2
+
9 12 N
Mdia (Me) = 5 di = 0
Observao: GLErro (a) n ' [GLErro (a) + GLErro (b)]. i =1

Do Quadro 3 obtm-se: iv) A mdia minimiza a soma dos quadrados dos desvios (SQD), ou
seja, o valor da SQD seria aumentada se colocssemos qualquer
SQ Variedade /Linha 1 = SQ T /T1' =
1
( )
71,2 2 + 76,4 2 + 82,0 2 + 84,7 2
(314,3) 2
outro valor que no Me.
4 16
2
SQD = [x i Me ] .
N
SQ T/T1' = 6201,1225 6174,0306 = 27,0919;
i =1

84 21
Observaes: A mdia muito influenciada por valores Da anlise de varincia anterior observa-se que houve diferena
discrepantes, extremos. Ela a medida de posio mais utilizada. significativa entre efeitos de Linhas (T), no comprimento da banana,
somente para a Variedade 4 (Prob < 0,05). Para as demais
3.1.2) Mediana (Md)
variedades T1,T2 e T3 no houve diferenas significativas (Prob >
o valor que precedido e seguido pelo mesmo nmero de 0,05) entre 1 e 2 linhas de irrigao no comprimento do fruto central
observaes, em um conjunto de dados ordenados. da terceira penca de banana. Podemos ento utilizar, por exemplo,
Exemplo 5. Para as N = 5 observaes (xi) a seguir, a mediana : o teste de Tukey para comparar as mdias de T (1 e 2 Linhas de
irrigao) para T4 (Variedade 4).
x1 x2 x3 x4 x5
Mdias:
8 9 10 15 40
_______
84,7
Linha 1/ Variedade 4 = T1' T4 = = 21,18
4
Md = 10 (este valor precedido e seguido por duas observaes). _______
69,6
Linha 2/ Variedade 4 = T2' T4 = = 17,40
Observao: Se o nmero de observaes (N) for par, toma-se a 4
mdia dos dois valores centrais.
Exemplo 6. Para as N = 4 observaes (xi) a seguir, a mediana :
Teste de Tukey:
x1 x2 x3 x4
QMErro (b)
9 10 14 20 DMS = q
r
10 + 14 sendo q para =0,05; K = 2 tratamentos secundrios (Linhas) e
Md = = 12 .
2 GLErro (b) = 12 q = 3,08:
Propriedades da mediana: 1,0403
DMS = 3,08 = 1,57 .
i) Md (x+K) = Md (x) +K; 4
ii) Md (x.K) = K.Md (x); O contraste entre T1' e T2' para T4 :
iii) A mediana o valor que minimiza a soma dos mdulos dos
desvios: y = T1' T2' = 21,18 17, 40 = 3,78 .
3,78 > 1,57 portanto T1' T2' para T4. Ou seja, para Variedade 4 (T4),
xi a mnima se a = Md(x).
1 linha de irrigao ( T1' ) proporcionou significativamente maior
Observao: A Md uma medida de posio para medidas comprimento (cm) do fruto central da terceira penca de banana do
assimtricas. que 2 linhas de irrigao ( T2' ). Colocando as letras do teste:

22 83
SQ T ' /T1 = 2478,4000 2478,0800 = 0,3200; 3.1.3) Moda (Mo)
o valor mais freqente no conjunto de dados.
SQ Linha /Variedade 2 = SQ T ' /T2 =
1
4
(76,4 2 + 76,4 2 )(152,8) 2
8
Exemplo 7. Para as N = 5 observaes (xi) a seguir, a moda :

SQ T ' /T2 = 2918,4800 2918,4800 = 0,0000; x1 x2 x3 x4 x5

8 9 9 12 18
1
(
SQLinha / Variedade 3 = SQ T ' / T3 = 82,0 2 + 79,2 2
4
(161,2) 2
8
)
Mo = 9 (valor mais freqente; apareceu duas vezes no conjunto de
SQ T / T3 = 3249,1600 3248,18 = 0,9800;
' dados).

SQLinha / Variedade 4 = SQ T ' / T4 =

1
4
(84,7 2 + 69,6 2 )
(154,3) 2
8
Propriedades da moda:
i) Mo (x+K) = Mo (x) +K;
SQ T ' / T4 = 3004,5625 2976,0613 = 28,5012.
ii) Mo (x.K) = K.Mo (x).

Para certificar se o clculo das somas de quadrados do Observaes: A Mo tambm uma medida de posio para
desdobramento Linhas dentro de Variedades foi realizado medidas assimtricas. Ela ainda menos afetada por valores
corretamente basta verificar: extremos do que a mediana. Para variveis contnuas, onde difcil
encontrar um mesmo valor repetido duas ou mais vezes, a moda
' '
SQ T + SQ T x T = SQ T ' /T1 + SQ T ' /T2 + SQ T ' /T3 + SQ T ' /T4 calculada de outra maneira, atravs do denominado mtodo de
Czuber; porm, tal mtodo no ser discutido neste material.
11,8828 + 17,9184 = 0,3200 + 0,0000 + 0,9800 + 28,5012.
29,8012 = 29,8012 ok! 3.2) Medidas de disperso
'
A anlise de varincia para o desdobramento T /T : Definio: grandeza numrica que descreve a variabilidade em um
conjunto de dados.
FV GL SQ QM F Prob>F
3.2.1) Amplitude (A)
T ' /T1 (K-1) = 2-1 =1 0,3200 0,3200 0,308 0,6347
A = MVO - mvo
'
T /T2 (K-1) = 2-1 =1 0,0000 0,0000 0,000 0,9975 Trata-se da diferena entre o maior valor observado (MVO) e o
menor valor observado (mvo) como j foi visto anteriormente.
T ' /T3 (K-1) = 2-1 =1 0,9800 0,9800 0,942 0,4341

T ' /T4 (K-1) = 2-1 =1 28,5012 28,5012 27,397 0,0346

Erro (b) 12 12,4838 1,0403

82 23
Exemplo 8. Considere dois conjuntos de dados (X e Y) medidos em -1,5=1,5 < 1,56 portanto T1 = T2 e assim continua as
metro (m): comparaes entre as outras mdias de variedades duas a duas.
Totais
X 6 16 16 16 41 95 b) Comparaes entre mdias de tratamentos secundrios (mdias
Y 6 11 21 31 41 110 de Linhas - T ' ):
Comparando a mdia de T1' com a de T2' pelo teste de Tukey, do
A (X) = 41 6 = 35; Quadro 3 pode-se obter:
A (Y) = 41 6 = 35.
TT ' 314,3 TT ' 294,8
X e Y apresentam mesma amplitude (A), portanto o conjunto X T1' = 1
= = 19,64 e T2' = 2
= = 18,43
apresenta claramente menor variabilidade (maior uniformidade) que rI 4x 4 rI 4x 4
o conjunto Y. QMErro (b)
DMS = q
Observao: A amplitude muito influenciada por valores extremos, r.I
uma vez que calculada a partir deles. Assim, a medida que
aumenta N, aumenta a chance de encontrar valores extremos, sendo q para =0,05; K = 2 tratamentos secundrios (Linhas) e
aumentando, portanto, a amplitude. GLErro (b) = 12 q = 3,08:
3.2.2) Varincia (Var) e Desvio padro (DP) 1,0403
DMS = 3,08 = 0,78
So medidas baseadas em todos os dados, a partir dos desvios em 4.4
relao a mdia.
O contraste entre T1' e T2' :
Varincia (Var ou ): mdia dos quadrados dos desvios
2

(tambm chamada de quadrado mdio), cuja expresso y = T1' T2' = 19,64 18, 43 = 1,21 .
dada por:
2 2 1,21 > 0,78 portanto T1' T2' .
[x i Me ] [x i Me ]
N n

2 = i =1
(populao) ou 2 = i =1
(amostra).
N n 1 c) Comparaes entre mdias de tratamentos secundrios dentro de
Ou ainda, pelas expresses alternativas: cada nvel de tratamento principal (mdias de Linhas dentro de cada
2 2
Variedade - T ' /T):
N
n

xi xi Do Quadro 3 obtm-se:
N
i =1 n
i =1
xi xi
2 2

2 = i =1
N
N (populao) ou 2 = i =1
n 1
n (amostra). SQ Linha /Variedade 1 = SQ T ' /T1 =
1
4
(71,2 2 + 69,6 2 )
(140,8) 2
8

24 81
TTi e TTi ' : total do tratamento principal i e do tratamento Desvio padro (DP ou ): a raiz quadrada da varincia,
cuja expresso dada por:
secundrio i ' , respectivamente.
= 2 (populao) ou = 2 (amostra).
Ti e Ti ' : mdia do tratamento principal i e do tratamento
secundrio i ' , respectivamente. Observaes: Quanto maior 2 ou 2 , maior a variabilidade do
conjunto de dados. O DP tem a vantagem, em relao a Var, de
possuir a mesma unidade dos dados (por exemplo, se a unidade de
As comparaes de mdias que o pesquisador pode ter interesse medida dos dados kg, a do DP tambm ser kg enquanto que a
em um experimento em parcelas subdivididas so as seguintes: da Var ser kg2), facilitando, assim, a visualizao do quanto, em
a) Comparaes entre mdias de tratamentos principais (mdias de mdia, os dados se desviam da mdia.
Variedades - T): Para o Exemplo 8 tem-se:
Comparando, por exemplo, a mdia de T1 com a de T2 pelo teste de (95) 2
Tukey, do Quadro 3 pode-se obter: 6 2 + 16 2 + 16 2 + 16 2 + 412
Var(X) = 5 = 2485 1805 = 136,00 m2;
TT1 140,8 TT2 152,8 5 5
T1 = = = 17,6 e T2 = = = 19,1
rK 4x 2 rK 4x 2 (110) 2
6 2 + 112 + 212 + 312 + 412
Var(Y) = 5 = 3240 2420 = 164,00 m2;
QMErro (a )
DMS = q 5 5
r.K
DP(X) = 136 = 11,66 m;
sendo q para =0,05; I = 4 tratamentos principais (Variedades) e
GLErro (a) = 9 q = 4,41: DP(Y) = 164 = 12,81 m.

1,0011 Propriedades da varincia e do desvio padro:

DMS = 4,41 = 1,56 .
4.2 i) Somado-se uma constante K a todos os dados, a Var e o DP no
se alteram:
O contraste entre T1 e T2 :
Var( x + K ) = Var (x ) ;
y = T1 T2 = 17,6 19,1 = 1,5 . DP( x + K ) = DP(x ) ;
Lembrando a interpretao do teste Tukey: ii) Multiplicando-se K a todos os dados, a Var fica multiplicada por K2
Se y DMS as mdias dos dois tratamentos em comparao e o DP por K.
podem ser consideradas estatisticamente diferentes. Var(x.K) = K2[Var(x)];
DP (x.K) = K [DP (x)];

80 25
iii) O DP em relao a mdia mnimo ao invs de qualquer outro FV GL SQ QM F Prob>F
valor devido ao fato da mdia ser o valor que torna mnima a soma Bloco 3 15,7535 5,2512 5,245 0,0229
de quadrados do desvio (SQD).
Variedades (T) 3 26,9635 8,9878 8,978 0,0045
3.2.3) Coeficiente de Variao (CV) Erro (a) 9 9,0102 1,0011
DP Parcelas 15 51,7272
CV (%) = .100 .
Me Linhas ( T )
' 1 11,8828 11,8828 11,422 0,0055

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

' 3 17,9184 5,9728 5,741 0,0338
possuem a mesma unidade. Erro (b) 12 12,4838 1,0403
Exemplo 9. Considere os pesos (Kg) de animais de dois rebanhos Total 31 94,0122
diferentes: CV (a) (%) 5,26
Rebanho A Rebanho B CV (b) (%) 5,37
70 490 Mdia geral ( y) : 19,0 Nmero de observaes: 32
90 510
80 480
Nos experimentos em parcelas subdivididas tem-se dois
100 500 coeficientes de variao (CV):
Me 85 495
Para parcelas:
DP 11,18 11,18
QMErro (a ) 1,0011
CV (a ) = .100 = .100 = 5,26% ;
claro que pelos valores de pesos tratam-se de rebanhos de idades y 19,0
diferentes. Os rebanhos A e B possuem o mesmo DP, porm,
Para subparcelas:
bvio que diferenas de 5 kg, por exemplo, possuem um peso
relativo muito maior no rebanho A do que no rebanho B. Assim, QMErro (b) 1,0403
poderamos afirmar que a variabilidade do rebanho A maior do CV (b) = .100 = .100 = 5,37% .
que a do rebanho B. Isto pode ser comprovado pelos valores de CV y 19,0
dos dois rebanhos: Considere:
11,18
CV (Rebanho A): x 100 = 13,15% ; I: nmero de tratamentos principais, I = 4 variedades;
85
K: nmero de tratamentos secundrios, K = 2 linhas de irrigao;
CV (Rebanho B): 11,18 x 100 = 2,26% . r: nmero de blocos, r = 4 blocos;
495

26 79
SQ Parcelas = 11645,5650 - 11593,8378 = 51,7272 ; Observao: O CV por ser adimensional til na comparao entre
conjuntos de dados com mesma unidade mas permite, tambm, a
SQ Erro (a) = SQ Parcelas SQ Blocos SQ Variedades
comparao da variabilidade entre conjuntos de dados referentes a
SQ Erro (a) = 51,7272 15,7535 26,9635 = 9,0102. diferentes caractersticas.
necessrio tambm fazer um outro quadro auxiliar com a
combinao entre os nveis dos dois fatores (variedades e linhas de 3.3) Medidas de assimetria e curtose
irrigao) para o clculo da soma de quadrados do tratamento da Em estatstica, freqentemente interessante saber se a populao
subparcela (linhas de irrigao) e da interao variedades x linha da qual a amostra foi coletada pode ser descrita por uma curva
(T x T). normal. Isso pode ser verificado por meio das seguintes medidas:
Quadro 3. Quadro auxiliar com os totais de todas as repeties para 3.3.1) Coeficiente de assimetria (As): medida que quantifica o
cada combinao entre os nveis dos fatores T e T. distanciamento de um conjunto de dados em relao simetria. O
coeficiente As dado por:
Linhas\Variedades T1 T2 T3 T4 Totais
m3 m3
71,2 (4) 76,4 82,0 84,7 314,3(16) As = =
'
T 1
d 2
d 2 d3
T2' 69,6 76,4 79,2 69,6 294,8
(x i x )
n 3
Totais 140,8(8) 152,8 161,2 154,3 609,1 sendo m 3 = i =1 e d2 = 2 (varincia populacional) ou
n
Do Quadro 3 possvel obter: (varincia amostral).
2

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

SQ Linhas = (314,32 + 294,8 2 ) - 11593,8378 negativo (As < 0) : indica uma assimetria esquerda,
16
Se As
SQ Linhas = 11605,7206 11593,8378 = 11,8828; zero (As = 0) : indica uma simetria (amostra pode ser considerada vinda de uma
distribuio normal).
1
SQ Variedades x Linhas (T x T ' ) = (71,2 2 + 69,6 2 + ... + 69,6 2 ) - C SQ Variedades SQLinhas
4 Na Figura 6 pode ser visto a natureza do comportamento de uma
'
SQ Variedades x Linhas (T x T ) = 11650,6025 11593,8378 26,9635 varivel, se simtrica, assimtrica direita ou assimtrica
11,8828 = 17,9184; esquerda.
SQ Erro (b) = SQ Total SQ Parcela SQ Linhas SQ Variedades x Observao: Na prtica os valores de As dificilmente sero zero,
Linhas podendo ser prximos de zero.
SQ Erro (b) = 94,0122 51,7272 11,8828 17,9184 = 12,4838. 3.3.2) Coeficiente de curtose (K): medida que quantifica o grau de
E o quadro de anlise de varincia para os dados do exemplo 5.6.5) achatamento da distribuio de freqncia de um conjunto de
conforme o esquema em parcela subdividida : dados, tendo a curva normal como referncia. O coeficiente K
dado por:

78 27
 m4 m4 Considerando que a unidade de clculo a subparcela, do Quadro
K= = de dados podemos tirar:
d 2 .d 2 d 4
(609,1) 2
(x i x )
n 4
C= = 11593,8378;
sendo m 4 = i =1 e d2 = 2 (varincia populacional) ou 32
n
1
(varincia amostral).
2
SQ Blocos = (156,4 2 + 155,12 + 142,6 2 + 155,0 2 ) 11593,8378
8
> 3 : indica uma distribuio afiada chamada leptocrtica,
SQ Blocos = 11609,5913 11593,8378 = 15,7535;
Se K < 3 : indica uma distribui o achatada chamada platicrtica, 2 2 2 2
= 3 : indica uma distribuio semelhante a normal chamada mesocrtic a. SQ Total = 19,0 + 17,1 + . . . + 16,4 + 18,6 11593,8378

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

Para o clculo da soma de quadrados de parcelas, necessrio

fazer um quadro auxiliar com os totais das parcelas.
Quadro 2. Quadro auxiliar com os totais das parcelas
Repeties Tratamentos Totais
T1 T2 T3 T4
1 37,9 (2) 39,0 41,5 38,0 156,4 (8)
2 34,7 37,8 42,2 40,4 155,1
3 32,4 36,8 36,0 37,4 142,6
Figura 7. Grfico dos diferentes graus de achatamento relativos a uma distribuio de 4 35,8 39,2 41,5 38,5 155,0
freqncia Totais 140,8(8) 152,8 161,2 154,3 609,1

Exemplo 10. Seja as seguintes N = 4 observaes, a mdia ( x ) e a Do Quadro 2 calculamos:

varincia (d2)destas observaes dadas por 1
SQ Variedades = (140,8 2 + 152,8 2 + 161,2 2 + 154,32 ) - 11593,8378
x1 x2 x3 x4 x d2 8
2 15 16 17 12,5 37,25 SQ Variedades = 11620,8013 11593,8378 = 26,9635;
1
SQ Parcelas = (37,9 2 + 34,7 2 + ... + 37,4 2 + 38,5 2 ) - 11593,8378
2

28 77
fruto central da terceira penca de banana esto dispostos na Tabela (2 12,5) 3 + (15 12,5) 3 + (16 12,5) 3 + (17 12,5) 3 1008
8 a seguir. m3 = = = 252 ;
4 4
Tabela 8. Comprimento (cm) do fruto central da terceira penca de ( 2 12,5) 4 + (15 12,5) 4 + (16 12,5) 4 + (17 12,5) 4 12754,25
banana para um experimento em blocos casualizados (DBC), com 4 m4 = = = 3188,563 ;
4 4
repeties, em esquema de parcela subdividida com 4 variedades
de banana (T1, T2, T3 e T4) nas parcelas e 2 linhas de irrigao ( T1' = 252 m3
As = = = 1,108 (As < 0 Assimetria a esquerda);
37,25 37,25 d3
1 linha e T2' = 2 linhas) nas subparcelas
= 2,30 (K < 3 Distribuio platicrtica).
3188,563
Tratamentos K=
(37,25).(37,25)
Repeties T1 T2 T3 T4 Totais
T 1
'
T '
2 T 1
'
T '
2 T 1
'
T '
2 T 1
'
T '
2
4) Testes de comparaes mltiplas
1 19,0 18,9 19,2 19,8 20,8 20,7 21,1 16,9 156,4
4.1) Contrastes ortogonais de mdias
2 17,1 17,6 19,5 18,3 20,9 21,3 22,7 17,7 155,1
3 17,5 14,9 17,5 19,3 18,6 17,4 21,0 16,4 142,6 Definio: So combinaes lineares dadas por:
4 17,6 18,2 20,2 19,0 21,7 19,8 19,9 18,6 155,0 Y1 = a1m1 + a2m2 + ...+ anmn
Totais 71,2 69,6 76,4 76,4 82,0 79,2 84,7 69,6 609,1 Y2 = b1m1 + b2m2 + ...+ bnmn
M
5.6.6) Croqui de campo
YI-1 = c1m1 + c2m2 + ...+ cnmn
T2 T4 T1 T3
sendo a soma dos coeficientes de cada contraste igual a zero:
BL I T2' T1' T2' T1' T1' T2' T1' T2' n n n

T3 T1 T2 T4 a i , bi L ci = 0 ,
i =1 i =1 i =1
' ' ' ' ' ' ' '
BL II T 1 T2 T 2 T 1 T 1 T 2 T 2 T1 em que:
T4 T3 T1 T2 a1, b1, c1, ..., an, bn, cn so os coeficientes dos contrastes;
BL III T 1
'
T'
2 T 1
'
T '
2 T 1
'
T '
2 T '
2 T1
'
m1, m2, ..., mn so mdias dos tratamentos 1, 2, ...,n.
T1 T2 T3 T4
BL IV T2' T1' T1' T2' T2' T1' T1' T2' Dois contrastes so ditos ortogonais quando h uma independncia
entre suas comparaes, ou melhor, quando a variao de um
contraste independente da variao do outro. A exigncia para

76 29
que dois contrates sejam ortogonais que a covarincia (Cov) entre 5.6.3) Desvantagem
eles seja nula:
H uma reduo do nmero de graus de liberdade do erro,
Cov( Yi , Yi ' ) = 0. comparativamente ao esquema fatorial, reduo esta decorrente da
existncia de dois erros, o erro (a) referente s parcelas e o erro (b),
Seja s i2 a varincia do tratamento i e ri o nmero de repeties do correspondente s subparcelas dentro das parcelas.
tratamento i, a covarincia entre dois contrastes dada por uma das 5.6.4) Modelo estatstico do experimento em parcela
seguintes expresses: subdividida
Se s12 s 22 ... s 2n e r1 r2 ... rn : O modelo a seguir corresponde a um modelo de um DBC em
esquema de parcela subdividida:
n a i b i 2 a 1 b1 2 a 2 b 2 2 a b
Cov(Y1, Y2) = si = s1 + s 2 + L + n n s 2n . y ijk = + j + i + ij + k + ( ) ik + e ijk
i =1 ri r1 r2 rn
em que y ijk o valor observado referente a parcela que recebeu o i-
Se s12 = s 22 =...= s 2n e r1 r2 ... rn :
simo nvel do tratamento principal e o k-simo nvel do
ab ab
n a b a b tratamento secundrio no j-simo bloco; representa uma
Cov(Y1, Y2) = i i = 1 1 + 2 2 + L + n n .
i =1 ri r1 r2 rn constante geral associada a esta varivel aleatria; j o efeito do j-
simo bloco; i o efeito do i-simo nvel do tratamento principal; ij
Se s12 = s 22 =...= s 2n e r1 = r2 =...= rn : = ()ij o efeito residual das parcelas, caracterizado como
n
componente do erro (a); o efeito do k-simo nvel do tratamento
Cov(Y1, Y2) = a i b i = a 1 b1 + a 2 b 2 + L + a n b n . secundrio; ()ij o efeito da interao do i-simo nvel do
i =1 tratamento principal com o k-simo nvel do tratamento secundrio
A varincia (Var) de um contraste Y : e eijk representa o efeito residual das subparcelas, caracterizado
como componente do erro (b).
c i2 n
Var (Y) = s 2 (se s12 = s 22 =...= s 2n =s2) Sobre as distribuies de ij e eijk pode-se considerar as seguintes
i =1 ri
pressuposies: i) ij N(0, 2 ); ii) eijk N(0, 2 ); iii) ij e eijk so
ou
n c 2 no correlacionados.
Var (Y) = i s i2 (se s12 s 22 ... s 2n ).
i =1 ri 5.6.5) Exemplo de parcela subdividida
Foi realizado um experimento em blocos casualizados com 4
O erro padro do contraste Y :
repeties, no esquema de parcelas subdivididas. Os tratamentos
s(Y) = Var (Y) . das parcelas foram 4 variedades de banana (T1, T2, T3 e T4) e os
tratamentos das subparcelas foram uma e duas linhas de irrigao
( T1' = 1 linha e T2' = 2 linhas). Os dados do comprimento (cm) do

30 75
5.6) Experimentos em parcelas subdivididas Observaes: Em um experimento com I tratamentos, o nmero
mximo de contrastes ortogonais possveis dado por I-1
5.6.1) Caractersticas
comparaes. Os contraste so formulados de acordo com o
O esquema experimental em parcelas subdivididas se caracteriza interesse do pesquisador.
como sendo uma variao do experimento fatorial com dois fatores Exemplo 11. Considere as mdias de produtividade de gros (t/ha)
(Steel et al., 1997). A principal caracterstica destes experimentos
de 4 cultivares de milho:
que as parcelas so divididas em subparcelas. Os tratamentos das
parcelas so chamados de primrios ou principais e so dispostos m1 = 5,2
segundo um tipo qualquer de delineamento, sendo os mais usados
os delineamentos em blocos casualizados, com o objetivo de m 2 = 3,3
procurar controlar a variabilidade que possa haver no material
experimental. Os tratamentos das subparcelas so chamados m 3 = 4,0
secundrios e so dispostos aleatoriamente dentro de cada parcela.
Assim, cada parcela funciona como um bloco para os tratamentos m 4 = 9,0
secundrios. Primeiro casualizam-se os nveis do fator primrio nas
r1 = r2 = r3 = r4 = 5 e s12 = s 22 = s 32 = s 24 = s 2 = 0,19.
parcelas de cada bloco; em seguida, casualizam-se os nveis do
fator secundrio nas subparcelas de cada parcela. Pimentel Gomes
(1990) e Hinkelmann & Kempthorne (1994), dentre outros autores,
so unnimes em afirmar a maior preciso existente no teste de i) Escolher os (I-1) = 4-1 = 3 contrastes:
tratamentos secundrios. Y1 = m1 + m2 m3 m4 em que a1=1, a2 =1, a3 = -1, a4= -1
5.6.2) Vantagens Y2 = m1 m2 em que a1=1, a2 = -1, a3 = 0, a4= 0
Os experimentos em parcelas subdivididas apresentam uma grande Y3 = m3 m4 em que a1= 0, a2 = 0, a3 = 1, a4 = -1.
utilidade na pesquisa agropecuria, alm de outras diversas reas.
Tais experimentos so teis em situaes como: a) quando os
nveis de um dos fatores exigem grandes quantidades de material ii) Verificar se o somatrio dos coeficientes de cada contraste igual
experimental (por exemplo, nveis de irrigao), devendo ser a zero:
casualizados nas parcelas; b) quando informaes prvias 4
asseguram que as diferenas entre os nveis de um dos fatores so Y1 a i = 1 + 1 1 1 = 0
i =1
maiores que as do outro fator; c) quando se deseja maior preciso 4
para comparaes entre nveis de um dos fatores; d) quando existe Y2 b i = 1 1 + 0 + 0 = 0
um fator de maior importncia (que dever ser casualizado na i =1

subparcela) e outro de importncia secundria, sendo este includo 4

para aumentar a extenso dos resultados e e) nas situaes Y3 c i = 0 + 0 + 1 1 = 0.

i =1
prticas, onde difcil a instalao do experimento no esquema
fatorial.

74 31
iii) Verificar se a covarincia entre dois contrastes igual a zero: Aplicando o teste de Scott-Knott para variedades dentro de cada
4
nvel de inoculante tem-se:
Cov(Y1 , Y2 ) = a i b i = 1.1 + 1.(1) + (1).0 + (1).0 = 0 - Variedade dentro do inoculante 1:
i =1

4 Variedade Mdias Resultado do teste

Cov(Y1 , Y3 ) = a i c i = 1.0 + 1.0 + (1).1 + (1).(1) = 0
i =1 1 231,4 b
4 2 385,3 a
Cov(Y2 , Y3 ) = b i c i = 1.0 + (1).0 + 0.1 + 0.(1) = 0.
i =1
A variedade 2 apresentou peso do colmo estatisticamente superior
iv) Calcular a varincia de cada contraste: ao da variedade 1 quando foi utilizado o inoculante 1 (Prob<0,05).
n a i2 12 + 12 + (1) 2 + (1) 2
Var (Y1 ) = s 2 = 0,19 = 0,1520 - Variedade dentro do inoculante 2:
i =1 ri 5
Variedade Mdias Resultado do teste
n b2 12 + (1) 2 + 0 2 + 0 2 1 209,0 b
Var (Y2 ) = s 2 i = 0,19 = 0,0760
i =1 ri 5 2 374,8 a

nc i2 0 2 + 0 2 + 12 + (1) 2 A variedade 2 apresentou peso do colmo estatisticamente superior

Var (Y3 ) = s 2 = 0,19 = 0,0760. ao da variedade 1 quando foi utilizado o inoculante 2 (Prob<0,05).
i =1 ri 5
v) Calcular o erro padro de cada contraste: - Variedade dentro do inoculante 3:
s(Y1 ) = Var (Y1 ) = 0,1520 = 0,3899 t/ha Variedade Mdias Resultado do teste
1 244,3 b
s(Y2 ) = Var(Y2 ) = 0,0760 = 0,2757 t/ha 2 379,3 a

s(Y3 ) = Var (Y3 ) = 0,0760 = 0, 2757 t/ha. A variedade 2 tambm apresentou peso do colmo estatisticamente
vi) Calcular as estimativas destes contrastes: superior ao da variedade 1 quando foi utilizado o inoculante 3
(Prob<0,05).
Y1 = 5,2 + 3,3 4,0 9,0 = -4,5 t/ha
Y2 = 5,2 3,3 = 1,9 t/ha
Y3 = 4,0 9,0 = -5,0 t/ha.

32 73
- Inoculante dentro da variedade 2: vii) Concluses dos contrates:
Inoculantes Mdias Resultado do teste m1 + m 2 m 3 + m 4
a) Y1' = = -2,25 t/ha
1 385,3 a 2 2
2 374,8 a O contraste Y1 nos indica que o grupo das cultivares 1 e 2 produz
3 379,3 a em mdia 2,25 t/ha a menos que o grupo das cultivares 3 e 4.
m 1 m 2
Tambm no houve diferenas significativas (Prob>0,05) com b) Y 2' = = 1,9 t/ha
relao ao peso do colmo entre os 3 inoculantes utilizados para a 1 1
variedade 2. O contraste Y2 nos indica que a cultivar 1 superou em mdia a
b) Estudar o comportamento das variedades para cada inoculante produo da cultivar 2 em 1,9 t/ha.
Do Quadro 1 tem-se: m 3 m 4
c) Y 3' = = 5,0 t/ha.
1 (2466, 4) 2 1 1
SQ Variedade / I1 = (925,4 2 + 1541,0 2 ) = 47370,4200
O contraste Y3 nos indica que a cultivar 3 produziu em mdia 5,0
4 8
t/ha a menos que a cultivar 4.
1 (2334,8) 2
SQ Variedade / I2 = (835,8 2 + 1499,0 2 ) = 54979,2800 4.2) Teste t de Student
4 8
4.2.1) Teste t para contrastes ortogonais
1 (2494,2) 2
SQ Variedade / I3 = (977,1 + 1517,1 )
2 2
= 36450,0000. Consideraes:
4 8
- O teste t pode ser usado para contrastes ortogonais, sugeridos
FV GL SQ QM F Prob>F pela estrutura dos tratamentos.
Variedade / I1 1 47370,4200 47370,4200 25,700 0,0001
- De acordo com Banzatto & Kronka (1989), deve-se escolher os
Variedade / I2 1 54979,2800 54979,2800 29,828 0,0001 contrastes antes de avaliar os dados ou, se possvel, na fase de
Variedade / I3 1 36450,0000 36450,0000 19,775 0,0005 planejamento do experimento para evitar que sejam escolhidos
Erro 15 27648,1067 1843,2071 contrastes correspondentes as maiores diferenas observadas entre
mdias, o que aumentaria, assim, a probabilidade de erro tipo I ().
O consiste no erro que se comete ao rejeitar Ho, sendo que ela
Neste segundo desdobramento da interao (variedade dentro de verdadeira.
inoculante) conclui-se que as duas variedades apresentaram pesos
de colmos diferentes (Prob<0,05) para cada inoculante utilizado (I1 Dada uma hiptese de nulidade (Ho) e sua hiptese alternativa (H1)
ou I2 ou I3). dada por:

72 33
Ho: Y= 0, ou seja, as mdias ou grupos de mdias comparadas no variedades e inoculantes, recomenda-se proceder o desdobramento
contraste no diferem entre si. da interao V x I para certificar tal informao.
H1: Y 0, ou seja, pelo menos uma mdia difere das demais ou um O desdobramento, no caso deste exemplo com dois fatores, pode
grupo de mdias difere de outro grupo. ser realizado das seguintes maneiras:
A estatstica t calculada por: a) Estudar o comportamento dos inoculantes para cada variedade
Y 0 Y 0 Do Quadro 1 tem-se:
t= =
V(Y) s(Y) 1 ( 2738,3) 2 = 2555,5617;
SQ Inoculante / V1 = (925,4 2 + 835,8 2 + 977,12 )
4 12
sendo Y a estimativa do contraste de interesse e s(Y ) a estimativa
do erro padro do contraste. 1 ( 4557,1) 2 = 221,9017.
SQ Inoculante / V2 = (1541,0 2 + 1499,0 2 + 1517,12 )
4 12
A estatstica t comparada (em valor absoluto) com um valor
tabelado (tt), procurando-se na Tabela de t (encontrada em livros de FV GL SQ QM F Prob>F
estatstica) o nmero de graus de liberdade (GL) associado a Inoculante / V1 2 2555,5617 1277,7808 0,693 0,5110
varincia e o nvel de significncia . Se t < tt, aceita-se a
Inoculante / V2 2 221,9017 110,9508 0,060 0,9427
hiptese Ho e conclui-se que as mdias ou os grupos de mdias em
comparao so iguais; caso contrrio, se t tt, rejeita-se a Erro 15 27648,1067 1843,2071
hiptese Ho e conclui-se que as mdias ou o grupo de mdias em
comparao so diferentes. Neste primeiro desdobramento da interao (inoculante dentro de
variedade) conclui-se que tanto para variedade 1 quanto para a
Exemplo 12. Aplicar o teste t nos contrates Y1, Y2 e Y3 do Exemplo variedade 2, no h diferena significativa (Prob>0,05) no peso do
11, considerando que o GLErro da anlise de varincia 16. colmo entre os trs inoculantes aplicados.
Y1 = m1 + m2 m3 m4 Y1 = -4,5 t/ha s(Y1 ) = 0,3899 t/ha Aplicando o teste de Scott-Knott para inoculantes dentro de cada
nvel de variedade tem-se:
Y2 = m1 m2 Y2 = 1,9 t/ha s(Y2 ) = 0,2757 t/ha
- Inoculante dentro da variedade 1:
Y3 = m3 m4 Y3 = -5 t/ha s(Y3 ) = 0,2757 t/ha
Inoculantes Mdias Resultado do teste
- Teste t para Y1: 1 231,4 a
4,5 0 2 209,0 a
t c( Y1 ) = = 11,541 3 244,3 a
0,3899
t t ( Y1 ) para =0,05 e GL Erro=16 t t ( Y1 ) = 2,12
Realmente, no houve diferenas significativas (Prob>0,05) com
relao ao peso do colmo entre os 3 inoculantes utilizados para a
variedade 1.

34 71
SQ Variedades x Inoculantes = 140612,1900 - 137834,7267 1812,4900 = Como t c ( Y1 ) > t t ( Y1 ) -11,541 > 2,12 rejeita-se Ho: Y1 = 0 e
964,9733.
portanto m1+ m2 m3 + m4 (os dois grupos de mdias de cultivares
E o quadro de anlise de varincia para os dados do exemplo 5.5.5) diferem entre si ao nvel de 5% de significncia)
conforme o esquema fatorial 3x2 :
- Teste t para Y2:
FV GL SQ QM F Prob>F
1,9 0
Bloco 3 3806,8083 1268,9361 0,688 0,5730 t c ( Y2 ) = = 6,892
(Tratamentos) (5) (140612,1900) 28122,4380 15,257 0,0000
0,2757
Variedades (V) 1 137834,7267 137834,7267 74,780 0,0000 t t ( Y2 ) para =0,05 e GL Erro=16 t t ( Y2 ) = 2,12
Inoculantes (I) 2 1812,4900 906,2450 0,492 0,6211
VxI 2 964,9733 482,4867 0,262 0,7731 Como t c( Y2 ) > t t ( Y2 ) 6,892 > 2,12 rejeita-se Ho: Y2 = 0 e
Erro 15 27648,1067 1843,2071 portanto m1 m2 (a mdia da cultivar 1 difere da cultivar 2 ao nvel
Total 23 172067,1050
de 5% de significncia)
CV (%) = 14,12 - Teste t para Y3:
Mdia geral: 303,98 Nmero de observaes: 24 5,0 0
t c( Y3 ) = = 18,136
0,2757
Aplicando o teste de Scott-Knott para variedades (pois esta fonte de
variao foi significativa: Prob<0,05) tem-se: t t ( Y 3) para =0,05 e GL Erro=16 t t ( Y2 ) = 2,12
Variedades Mdias Resultado do teste
Como t c( Y3 ) = > t t ( Y 3) 18,136 > 2,12 rejeita-se Ho: Y3 = 0 e
1 228,2 b
portanto m3 m4 (a mdia da cultivar 3 difere da cultivar 4 ao nvel
2 379,8 a de 5% de significncia).

Aplicando o teste de Scott-Knott para inoculantes, apesar de seu 4.2.2) Teste t para comparao de duas mdias
efeito ter sido no significativo (Prob>0,05), tem-se: Passos para realizao do teste:
Inoculantes Mdias Resultado do teste i) Definir a hiptese de nulidade: Ho: y1 = y 2 ;
1 308,3 a
ii) Estabelecer o nvel de significncia ();
2 291,8 a
iii) Calcular a mdia de cada grupo ( y i );
3 311,8 a
iv) Calcular a varincia de cada grupo (s i2 ) ;
Embora a interao V x I no seja significativa (Prob > 0,05),
indicando no haver uma dependncia entre os efeitos dos fatores

70 35
v) Calcular a varincia ponderada s 2p , por meio da expresso: SQ Bloco = 1 (1819,5 2 + 1941,7 2 + 1802,4 2 + 1731,82 ) 2217619,2150
6
(n 1 1)s 12 + (n 2 1)s 22 SQ Bloco = 2221426,0233 2217619,2150 = 3806,8083.
s 2p = ;
n1 + n 2 2 SQ Tratamento =
1
(925,4 2 + 835,8 2 + 977,12 + 1541,0 2 + 1499,0 2 + 1517,1) 2217619,2150
4
vi) Calcular a estatstica t, por meio da expresso: SQ Tratamento = 2358231,4050 2217619,2150 = 140612,1900.
y1 y 2
2 2 2 2
SQ Total = 238,1 + 223,6 + . . . + 298,4 + 363,8 2217619,2150
t= ;
1 1 2 SQ Total = 2389686,3200 2217619,2150 = 172067,1050.
+ s p
n1 n 2 SQ Erro = 172067,1050 3806,8083 140612,1900 = 27648,1067.

vii) Encontrar o valor Tabelado de t (tt) procurando na Tabela de t o Deve-se montar um quadro auxiliar com os totais de todas as
valor correspondente a combinao entre o nvel de significncia repeties para cada combinao entre os nveis dos fatores.
estabelecido, , e o grau de liberdade (GL) dado por n1 + n2 2; Quadro 1. Quadro auxiliar com os totais de todas as repeties para
viii) Concluir o resultado do teste: cada combinao entre os nveis dos fatores.

Se t < tt, aceita-se a hiptese Ho e conclui-se que as duas mdias I1 I2 I3 Totais

em comparao so iguais; V1 925,4 (4) 835,8 977,1 2738,3 (12)
Se t tt, rejeita-se a hiptese Ho e conclui-se que as duas mdias V2 1541,0 1499,0 1517,1 4557,1
em comparao so diferentes. Totais 2466,4 (8) 2334,8 2494,2 7295,4
3 () os valores dentro de parnteses correspondem ao nmero de parcelas que deu origem a cada total.
Exemplo 13. Foi avaliado o volume estimado (em m /ha) de
madeira produzida por 2 espcies de eucalipto. Verifique se h
Do Quadro 1 obtm-se:
diferena entre as mdias das 2 espcies por meio do teste t.
1
Espcie Volume (m3/ha) SQ Variedades = (2738,3 2 + 4557,12 ) 2217619,2150
12
1 24 SQ Variedades = 2355453,9417 2217619,2150 = 137834,7267.
1 26 1
1 29
SQ Inoculantes = (2466, 4 2 + 2334,8 2 + 2494,2 2 ) 2217619,2150
8
1 32
SQ Inoculantes = 2219431,7050 2217619,2150 = 1812,4900.
1 38
SQ Variedades x Inoculantes = [SQ V, I C] SQ Variedades SQ
2 60 Inoculantes
2 63 1
SQ Variedades x Inoculantes = (925,4 2 + L + 1517,12 ) 2217619,2150 137834,7267 1812,4900
2 71 4

36 69
peso do colmo (ton/ha). Os dados esto apresentados na Tabela 7 a i) Hiptese de nulidade: Ho: y1 = y 2 ;
seguir.
ii) =0,05;
Tabela 7. Peso do colmo (ton/ha) para os 6 tratamentos de um
experimento em blocos casualizados (DBC), com 4 repeties, em iii) y1 = 29,80 e y 2 = 64,67;
esquema fatorial 2x3
iv) s 12 = 30,20 e s 22 = 32,33 ;
Repeties
Tratamentos Totais (5 1).30,20 + (3 1).32,33
1 2 3 4 v) s 2p (1, 2 ) = = 30,91;
1 V1I1 238,1 256,0 267,7 163,6 925,4 5+32
2 V1I2 223,6 217,0 184,7 210,5 835,8 29,80 64,67
vi) t (1, 2 ) = = -8,588;
3 V1I3 286,8 205,8 231,6 252,9 977,1
1 1
4 V2I1 347,5 403,9 347,0 442,6 1541,0 + 30,91
5 3
5 V2I2 351,2 452,5 396,9 298,4 1499,0
6 V2I3 372,3 406,5 374,5 363,8 1517,1 vii) tt(1,2) para =0,05 e GL = 5 + 3 2 = 6 tt(1,2) = 2,447;
Totais 1819,5 1941,7 1802,4 1731,8 7295,4 viii) Comparando a mdia da espcie 1 com a mdia da espcie 2
de eucalipto:
5.5.6) Croqui de campo t(1,2)> tt(1,2)
BL I 2 4 1 3 6 5 -8,588= 8,588 > 2,447 Rejeita-se Ho Portanto y1 y 2 (a
mdia da espcie 1 de eucalipto difere da mdia da espcie 2 de
BL II 5 2 6 1 4 3 eucalipto ao nvel de 5% de probabilidade).
4.2.3) Teste t para comparao de duas mdias em uma anlise
BL III 3 4 5 2 1 6 de varincia
A diferena mnima significante (DMS ou LSD-Least Significant
BL IV 6 1 3 4 5 2 Difference) entre duas mdias pelo teste t de dada por:
2.QME
DMS = t t
Assim, os valores das somas de quadrados para o exemplo 5.5.5) r
so: em que tt o valor de t tabelado, o qual corresponde o valor obtido
2
(7295,4) da combinao entre o nvel de significncia estabelecido () e o
C= = 2217619,2150. grau de liberdade do erro (GLE) da anlise de varincia, na Tabela
24 unilateral de t. O QME o quadrado mdio do erro da anlise de
varincia e r o nmero de repeties de cada tratamento.

68 37
Quando o valor absoluto da diferena entre duas mdias for igual ou
maior que a DMS, as mdias podem ser consideradas
estatisticamente diferentes.
Exemplo 14. Foi realizada a anlise de varincia para os dados de
porcentagem de absoro de gua de 5 linhagens de feijo, com 3
repeties por linhagem. O valor do grau de liberdade do erro (GLE)
foi 10 e o quadrado mdio do erro (QME) foi 4,08. Compare as
mdias dos tratamentos a seguir pelo teste t:
y1 = 95,5
y 2 = 87,8
5.5.3) Desvantagens
como os tratamentos correspondem a todas as combinaes
possveis entre os nveis dos fatores, o nmero de tratamentos a ser
avaliado pode aumentar muito, no podendo ser distribudos em
blocos completos casualizados devido exigncia de
homogeneidade das parcelas dentro de cada bloco. Isto pode levar
a complicaes na anlise, sendo preciso lanar mo de algumas
tcnicas alternativas (como por exemplo, o uso de blocos
incompletos).
A anlise estatstica e a interpretao dos resultados pode tornar-se
um pouco mais complicada que nos experimentos simples.

y 3 = 86,9 5.5.4) Modelo estatstico do fatorial

O modelo a seguir corresponde a um modelo de um delineamento
y 4 = 26,3 em blocos casualizados (DBC) em esquema fatorial com 2 fatores
( e ), mas pode ser estendido para os casos em que h mais
y 5 = 108,2
fatores, incluindo os fatores isolados e as interaes duplas, triplas e
i) tt para =0,05 e GLE = 10 tt = 2,228; outras entre os fatores.

2.(4,08) y ijk = + j + i + k + ( ) ik + e ijk

ii) DMS = 2,228 = 3,67;
3 em que, y ijk o valor observado referente a parcela que recebeu o
iii) Coloque as mdias em ordem decrescente e faa a diferena i-simo nvel do fator e o k-simo nvel do fator no j-simo bloco;
entre elas duas a duas, comeando da diferena entre a maior e a representa uma constante geral; j representa o efeito do j-simo
menor mdia e assim por diante: bloco; i representa o efeito do i-simo nvel do fator ; representa
y 5 =108,2 o efeito do k-simo nvel do fator ; ()ik representa a interao
entre o efeito do i-simo nvel do fator e o efeito do do k-simo
y1 = 95,5 nvel do fator e eijk representa o erro experimental associado
observao yijk, suposto ter distribuio normal com mdia zero e
y 2 = 87,8 varincia comum.

y 3 = 86,9 5.5.5) Exemplo de fatorial

Em um experimento em blocos casualizados com 4 repeties, no
y 4 = 26,3 esquema fatorial 2x3 foi avaliado o efeito de 2 variedades de cana-
de-acar (V1 e V2) e 3 tipos de inoculantes (I1, I2 e I3) quanto ao

38 67
 y 5 - y 4 = 108,2-26,3 = 81,9 81,9 > 3,67 y5 y 4 ;
5.5) Experimentos fatoriais
5.5.1) Caractersticas y 5 - y 3 = 108,2-86,9 = 21,3 21,3 > 3,67 y5 y3 ;
Em alguns experimentos, o pesquisador avalia dois ou mais tipos de y 5 - y 2 = 108,2-87,8 = 20,4 20,4 > 3,67 y5 y 2 ;
tratamentos e deseja verificar se h interao entre estes tipos. Tais
experimentos so denominados experimentos fatoriais e os tipos de y 5 - y1 = 108,2-95,5 =12,7 12,7 > 3,67 y 5 y1 ;
tratamentos so denominados fatores. As categorias (subdivises)
de cada fator so ditas nveis do fator. Como exemplo, considere um y1 - y 4 = 95,5-26,3 = 69,2 69,2 > 3,67 y1 y 4 ;
experimento em que se comparou o efeito de 3 estirpes de rizbio
y1 - y 3 = 95,5-86,9 = 8,6 8,6 > 3,67 y1 y 3 ;
(BR 9001, BR 9004 e BR 4812) e o efeito de um determinado fungo
(presena e ausncia do fungo) na varivel nmero de ndulos y1 - y 2 = 95,5-87,8 = 7,7 7,7 > 3,67 y1 y 2 ;
produzido pelo feijo. Neste caso, existem dois fatores: estirpe de
rizbio e a ocorrncia do fungo. Os nveis do fator estirpe so 3 (BR y 2 - y 4 = 87,8-26,3 = 61,5 61,5 > 3,67 y2 y4 ;
9001, BR 9004 e BR 48122) e do fungo so 2 (presena e
ausncia). y 2 - y 3 = 87,8-86,9 = 0,9 0,9 < 3,67 y 2 = y3 ;
Costuma-se representar o fatorial pela multiplicao dos nveis. No y 3 - y 4 = 86,9-26,3 = 60,6 60,6 > 3,67 y3 y 4 ;
exemplo anterior o fatorial 3x2 (fatorial 3 por 2), assim fica claro
que existem dois fatores, o primeiro fator com 3 nveis de estirpe e o iv) Coloque letras iguais para mdias semelhantes e letras distintas
segundo com 2 nveis de fungo. O nmero total de tratamentos para mdias que diferem entre si e interprete o teste.
avaliados tambm dado pela multiplicao dos nveis, ou seja, no
y 5 =108,2 a
exemplo so avaliados 3x2 = 6 tratamentos avaliados (1: BR 9001
na presena do fungo; 2: BR 9004 na presena do fungo; 3: BR y1 = 95,5 b
4812 na presena do fungo; 4: BR 9001 na ausncia do fungo; 5:
BR 9004 na ausncia do fungo; 6: BR 4812 na ausncia do fungo. y 2 = 87,8 c
Se fossem, por exemplo, 3 fatores com 5, 2 e 3 nveis para cada
fator respectivamente, a representao seria: fatorial 5x2x3, sendo y 3 = 86,9 c
avaliado um total de 30 tratamentos e assim por diante.
y 4 = 26,3 d
Vale lembrar que os experimentos fatoriais no so delineamentos e
sim um esquema de desdobramento de graus de liberdade de A linhagem 5 foi a que apresentou maior porcentagem de absoro
tratamentos, e podem ser instalado em qualquer dos delineamentos de gua diferindo das demais linhagens (Prob < 0,05).
experimentais, DIC, DBC, etc. (Banzatto & Kronka, 1989).
4.3) Teste de Tukey
5.5.2) Vantagens
A diferena mnima significante (D.M.S.) entre duas mdias pelo
- Permite estudar os efeitos principais dos fatores e os efeitos das teste de Tukey dada por:
interaes entre eles.

66 39
 QME 1
DMS = q SQ Bloco = ( 253,6 2 + 250,7 2 + 249,0 2 + 218,8 2 + 215,0 2 ) 70460,3205
r 4
em que q um valor tabelado, o qual corresponde o valor obtido da SQ Bloco = 70815,7225 70460,3205 = 355,4020.
combinao entre o nmero de tratamentos (I) e o grau de liberdade 1
do erro (GLE) da anlise de varincia, para um nvel de significncia SQ Tratamento = (291,12 + 343,8 2 + 291,6 2 + 259,6 2 ) 70460,3205
5
estabelecido (). O QME e r j foram descritos no teste t.
SQ Tratamento = 71188,7140 70460,3205 = 728,3935.
A interpretao a mesma do teste t, ou seja, quando o valor
absoluto da diferena entre duas mdias for igual ou maior que a SQ Total = 72,82 + 58,32 + . . . + 27,42 + 39,02 70460,3205
DMS, as mdias podem ser consideradas estatisticamente SQ Total = 73209,0700 70460,3205 = 2748,7495.
diferentes.
SQ Erro = 2748,7495 355,4020 - 728,3935 = 1664,9540.
Exemplo 15: Compare as mdias dos tratamentos do Exemplo14
pelo teste de Tukey. E o quadro de anlise de varincia para os dados do Exemplo 5.4.5)
:
i) q para =0,05; I = 5 tratamentos e GLE = 10 q = 4,65;
FV GL SQ QM F Prob>F
4,08 Bloco 4 355,4020 88,8505 0,640 0,6441
ii) DMS = 4,65 = 5,42;
3 Cobertura morta 3 728,3935 242,7978 1,750 0,2100
Erro 12 1664,9540 138,7462
iii) y 5 - y 4 = 81,9 > 5,42 y5 y 4 ;
Total 19 2748,7495
y 5 - y 3 = 21,3 > 5,42 y5 y3 ; CV (%) = 19,83

y 5 - y 2 = 20,4 > 5,42 y 5 y 2 ; Mdia geral: 59,4 Nmero de observaes: 20

y 5 - y1 = 12,7 > 5,42 y 5 y1 ; Como Prob > 0,05 para cobertura morta, conclui-se que as quatro
coberturas mortas tiveram influncia semelhante no peso seco do
y1 - y 4 = 69,2 > 5,42 y1 y 4 ; brcolis. Neste caso, no h necessidade de aplicao de um teste
de comparao mltipla.
y1 - y 3 = 8,6 > 5,42 y1 y 3 ;
Observao: Se o valor de F para tratamento for significativo a
y1 - y 2 = 7,7 > 5,42 y1 y 2 ; determinado nvel de significncia, o pesquisador pode usar um
teste de comparao mltipla para comparar as mdias dos
y 2 - y 4 = 61,5 > 5,42 y2 y4 ; tratamentos (caso este seja qualitativo), diz-se ento que o teste
y 2 - y 3 = 0,9 < 5,42 y 2 = y3 ; usado protegido; caso contrrio, se F for no significativo, o
pesquisador poder optar ou no pelo uso do teste e, ento, diz-se
y 3 - y 4 = 60,6 > 5,42 y3 y 4 ; que o teste no protegido.

40 65
5.4.7) Esquema de anlise de varincia do DBC com fontes de iv)
variao e graus de liberdade y 5 =108,2 a
Considerando a mesma representao da Tabela 5, porm aqui, as y1 = 95,5 b
repeties representam os blocos, o quadro de anlise de varincia
para os dados de um delineamento em blocos casualizados (DBC) y 2 = 87,8 c
expresso de uma maneira geral por:
y 3 = 86,9 c
FV GL SQ QM F
y 4 = 26,3 d
1 J 2
Bloco J-1 Bj C SQBloco/GLBloco QMBloco/QMErro
I j=1 4.4) Teste de Duncan
1 I
Ti C A diferena mnima significante (DMS) entre duas mdias pelo teste
2
Tratamento I-1 SQTrat./GLTrat QMTrat./QMErro
J i =1 de Duncan dada por:
SQTotal -SQBloco-
Erro (I-1)(J-1) SQErro/GLErro QME
SQTrat. DMS = z n .
I ,J r
y ij C
2
Total IJ-1
i , j=1 No teste de Duncan, se esto envolvidos I tratamentos no estudo,
necessrio calcular I-1 DMSs. O que diferencia uma DMS da outra
QMErro o valor de zn que um valor tabelado, o qual corresponde ao valor
CV(%)= .100
y obtido da combinao entre o nmero de mdias ordenadas
abrangidas na comparao (n), e o grau de liberdade do erro (GLE)
I ,J
y = y ij / I.J da anlise de varincia, ao nvel de significncia estabelecido (). O
i , j=1 QME e r j foram descritos nos testes anteriores.
Para realizao deste teste deve-se tambm ordenar as mdias em
No exemplo 5.4.5) tem-se: ordem decrescente e ir fazendo a diferena sempre entre a maior e
- Delineamento: DBC; menor mdia, observando assim, o nmero (n ) de mdias
ordenadas abrangidas na comparao.
- Tratamentos: I = 4 tipos de cobertura morta (sorgo, crotalria,
milheto e vegetao espontnea); A interpretao a mesma dos testes anteriores, ou seja, quando o
valor absoluto da diferena entre duas mdias for igual ou maior que
- Repeties: J = 5; a D.M.S, as mdias podem ser consideradas estatisticamente
- Varivel a analisar: peso seco (g/parcela). diferentes. A nica diferena que na comparao entre duas
mdias deve-se considerar o valor de DMS correspondente ao n em
Assim, os valores das somas de quadrados para o exemplo 5.3.5) questo. Com o exemplo seguinte ficar mais fcil o entendimento.
so:

64 41
Exemplo 16: Compare as mdias dos tratamentos do Exemplo 14 Tabela 6. Peso seco (kg/parcela) de brcolis em um experimento
pelo teste de Duncan. em blocos casualizados (DBC) com 5 repeties em que foi avaliada
a influncia de 4 tipos de cobertura morta (1: sorgo, 2: crotalria; 3:
i) Como no exemplo tem-se I=5 mdias de tratamentos necessrio
milheto e 4: vegetao espontnea)
calcular z5, z4, z3, e z2 , ou seja, necessrio o clculo de zI = z5 at
z2: Rep. \ Trat. 1 2 3 4 Total
z5 para =0,05; n = 5 e GLE = 10 z5 = 3,430; 1 72,8 69,0 45,3 66,5 253,6
2 58,3 64,1 60,9 67,4 250,7
z4 para =0,05; n = 4 e GLE = 10 z4 = 3,376;
3 50,4 72,1 67,2 59,3 249,0
z3 para =0,05; n = 3 e GLE = 10 z3 = 3,293;
4 51,6 73,6 66,2 27,4 218,8
z2 para =0,05; n = 2 e GLE = 10 z2 = 3,151; 5 59,0 65,0 52,0 39,0 215,0
ii) Calcula-se ento as I-1= 4 DMSs: Total 292,1 343,8 291,6 259,6 1187,1
Mdia 58,4 68,8 58,3 51,9 59,4
4,08
DMS5 = 3,430 = 4,00 ; Correo (C) C= (1187,1)2/20 = 70460,3205
3
n n = 4.5 = 20
4,08
DMS 4 = 3,376 = 3,94 ;
3 5.4.6) Croqui de campo
4,08 BL I 2 3 1 4
DMS3 = 3, 293 = 3,84 ;
3
BL II 4 1 2 3
4,08
DMS 2 = 3,151 = 3,67. BL III 2 1 4 3
3
iii) Lembrando que as mdias colocadas em ordem decrescente BL IV 3 2 1 4
so:
y 5 =108,2 BL V 1 4 3 2

y1 = 95,5 A disposio dos tratamentos realizada de forma aleatria dentro

dos blocos.
y 2 = 87,8
y 3 = 86,9
y 4 = 26,3

42 63
5.4.2) Vantagens E as diferenas entre elas duas a duas:
- Controla diferenas nas condies ambientais de um bloco para y 5 - y 4 = 81,9 n = 5 compara-se 81,9 com a DMS5 81,9 > 4,00 y 5 y 4 ;
outro.
y 5 - y 3 = 21,3 n = 4 compara-se 21,3 com a DMS4 21,3 > 3,94 y5 y3 ;
- Leva a uma estimativa mais exata da varincia residual ( ), uma
2

vez que a variao ambiental entre blocos isolada. y 5 - y 2 = 20,4 n = 3 compara-se 20,4 com a DMS3 20,4 > 3,84 y5 y 2 ;
5.4.3) Desvantagens
y 5 - y1 = 12,7 n = 2 compara-se 12,7 com a DMS2 12,7 > 3,67 y 5 y1 ;
- H uma reduo no nmero de graus de liberdade do erro pois o
DBC utiliza o princpio do controle local. y1 - y 4 = 69,2 n = 4 compara-se 69,2 com a DMS4 69,2 > 3,94 y1 y 4 ;
- O nmero de tratamentos a ser utilizado limitado pela exigncia y1 - y 3 = 8,6 n = 3 compara-se 8,6 com a DMS3 8,6 > 3,84 y1 y 3 ;
de homogeneidade dentro dos blocos, no podendo ser muito
elevado. y1 - y 2 = 7,7 n = 2 compara-se 7,7 com a DMS2 7,7 > 3,67 y1 y 2 ;

5.4.4)Modelo estatstico do DBC

y 2 - y 4 = 61,5 n = 3 compara-se 61,5 com a DMS3 61,5 > 3,84 y2 y4 ;
y ij = + b j + t i + e ij
y 2 - y 3 = 0,9 n = 2 compara-se 0,9 com a DMS2 0,9 < 3,67 y 2 = y3 ;
y
em que, ij representa a observao do i-simo tratamento no j- y 3 - y 4 = 60,6 n = 2 compara-se 60,6 com a DMS2 60,6 > 3,67 y3 y 4 .
simo bloco; representa uma constante geral associada a esta
varivel aleatria; bj representa o efeito do j-simo bloco; ti iv) Coloque letras iguais para mdias semelhantes e letras distintas
representa o efeito do i-simo tratamento; e eij representa o erro para mdias que diferem entre si e interprete o teste.
experimental associado a observao yij, suposto ter distribuio y 5 =108,2 a
normal com mdia zero e varincia comum.
5.4.5) Exemplo de DBC y1 = 95,5 b
Estudou-se a influncia de 4 tipos de cobertura morta (sorgo, y 2 = 87,8 c
crotalria, milheto e vegetao espontnea) no peso seco de
brcolis. O experimento foi instalado em DBC com 5 repeties. Os y 3 = 86,9 c
dados de peso seco esto dispostos na Tabela 6 a seguir.
y 4 = 26,3 d

4.5) Teste de SNK (Student Newman Keuls)

A diferena mnima significante (DMS) entre duas mdias pelo teste
de SNK dada por:

62 43
 QME E o quadro de anlise de varincia para os dados do Exemplo 5.3.5)
DMS n = q n . :
r
FV GL SQ QM F Prob>F
O procedimento para a realizao deste teste bastante
semelhante ao do teste de Duncan. A diferena que nas DMSs do Variedades 3 13019,0330 4339,6776 5,668 0,0056
SNK so usados os valores tabelados de qn ao invs de zn, ou seja, Erro 20 15314,0178 765,7009
deve-se procurar o valor tabelado na Tabela de q ao nvel de Total 23 28333,0508
significncia estebelecido (), correspondente a combinao entre o CV (%): 18,41
nmero de mdias abrangidas na comparao (n) e o grau de
Mdia: y : 150,31 Nmero de observaes: 24
liberdade do erro (GLE) da anlise de varincia.
Exemplo 17. Compare as mdias dos tratamentos do Exemplo 14
pelo teste de SNK. Como Prob < 0,05 (valor fornecido por alguns programas
computacionais de anlise de varincia), conclui-se que h
i) Como no exemplo tem-se I=5 mdias de tratamentos,
diferena estatstica significativa entre as mdias de peso seco da
necessrio calcular q5, q4, q3, e q2 , ou seja, necessrio o clculo
parte area das quatro variedades de cana-de acar. Deve-se
de qI = q5 at q2:
ento aplicar algum dos testes de comparao mltipla nestas
q5 para =0,05; n = 5 e GLE = 10 q5 = 4,65; mdias.
q4 para =0,05; n = 4 e GLE = 10 q4 = 4,33; 5.4) Delineamento em Blocos Casualizados (DBC)
q3 para =0,05; n = 3 e GLE = 10 q3 = 3,88;
5.4.1) Caractersticas
q2 para =0,05; n = 2 e GLE = 10 q2 = 3,15; Os tratamentos so distribudos aleatoriamente em blocos (princpio
ii) Calcula-se ento as I-1= 4 DMSs: do controle local) de modo que haja maior uniformidade possvel
dentro de cada bloco.
4,08
DMS5 = 4,65 = 5,42 ; O nmero de parcelas por bloco igual ao nmero de tratamentos,
3 ou seja, cada bloco dever conter todos os tratamentos.
4,08 O DBC possui os trs princpios bsicos da experimentao:
DMS 4 = 4,33 = 5,05 ;
3 casualizao, repetio e controle local e, portanto, as repeties
so organizadas em blocos.
4,08
DMS 3 = 3,88 = 4,52 ; Normalmente, o delineamento mais utilizado em condies de
3 campo. A eficincia do DBC depende da uniformidade dentro de
cada bloco, podendo haver heterogeneidade entre blocos. Os
4,08
DMS2 = 3,15 = 3,67. blocos podem ser instalados na forma quadrada, retangular ou
3 irregular, desde que seja respeitada a uniformidade dentro do bloco.

44 61
O quadro de anlise de varincia para os dados da Tabela 5 : iii) Lembrando que as mdias colocadas em ordem decrescente
so:
FV GL SQ QM F
1 I 2 y 5 =108,2
Tratamento I-1 Ti C SQTrat./GLTrat. QMTrat./QMErro
J i =1 y1 = 95,5
Erro I(J-1) SQTotal SQTrat. SQErro/GLErro
I ,J
y 2 = 87,8
y ij C
2
Total IJ-1
i , j=1 y 3 = 86,9
CV(%)= QMErro .100 y 4 = 26,3
y
I ,J E as diferenas entre elas duas a duas:
y = y ij / I.J
i , j=1 y 5 - y 4 = 81,9 n = 5 compara-se 81,9 com a DMS5 81,9 > 4,65 y5 y 4 ;

y 5 - y 3 = 21,3 n = 4 compara-se 21,3 com a DMS4 21,3 > 4,33 y5 y3 ;

No exemplo 5.3.5) tem-se:
y 5 - y 2 = 20,4 n = 3 compara-se 20,4 com a DMS3 20,4 > 3,88 y5 y 2 ;
- Delineamento: DIC;
- Tratamentos: I = 4 variedades de cana-de-acar (A, B, C, D); y 5 - y1 = 12,7 n = 2 compara-se 12,7 com a DMS2 12,7> 3,15 y 5 y1 ;
- Repeties: J = 6; y1 - y 4 = 69,2 n = 4 compara-se 69,2 com a DMS4 69,2 > 4,33 y1 y 4 ;
- Varivel a analisar: peso seco da parte area (g/parcela).
y1 - y 3 = 8,6 n = 3 compara-se 8,6 com a DMS3 8,6 > 3,88 y1 y 3 ;
Assim, os valores das somas de quadrados para o exemplo 5.3.5)
so: y1 - y 2 = 7,7 n = 2 compara-se 7,7 com a DMS2 7,7 > 3,15 y1 y 2 ;

SQ Tratamento = 1 (667,59 2 + 1005,30 2 + 1011,87 2 + 922,59 2 ) 542207,25 09 y 2 - y 4 = 61,5 n = 3 compara-se 61,5 com a DMS3 61,5 > 3,88 y2 y4 ;
6
SQ Tratamento = 555226,28389 542207,2509 = 13019,0330. y 2 - y 3 = 0,9 n = 2 compara-se 0,9 com a DMS2 0,9 < 3,15 y 2 = y3 ;
SQ Total = 113,832 + 133,892 + . . . + 922,592 + 153,772 542207,25 y 3 - y 4 = 60,6 n = 2 compara-se 60,6 com a DMS2 60,6 > 3,15 y3 y 4 .
SQ Total = 570540,3017 - 542207,2509 = 28333,0508.
SQ Erro = 28333,0508 13019,0330 = 15314,0178.

60 45
v) Coloque letras iguais para mdias semelhantes e letras distintas A disposio das repeties de cada tratamento realizada de
para mdias que diferem entre si e interprete o teste. forma totalmente aleatria s parcelas.
y 5 =108,2 a 5.3.7) Esquema de anlise de varincia do DIC com fontes de
variao e graus de liberdade
y1 = 95,5 b Imagine um experimento com I tratamentos e cada tratamento com
y 2 = 87,8 c J repeties representado na Tabela a seguir.
Tabela 5. Representao esquemtica dos dados de um
y 3 = 86,9 c delineamento inteiramente casualizado
y 4 = 26,3 d Rep. \ Trat. 1 2 3 L I
1 y11 y21 y31 L yi1
4.6) Teste de Scott-Knott
2 y12 y22 y32 L yi2
O procedimento de Scott e Knott (1974) utiliza a razo de 3 y13 y23 y33 yi3
L
verossimilhana para atestar a significncia de que os n tratamentos
podem ser divididos em dois grupos que maximizem a soma de M M M M M M
quadrados entre grupos (Ramalho et al., 2000). J y1J y2j y3j L yij
Seja por exemplo 3 tratamentos, A, B e C. O processo consiste em I I
Total T1 T2 T3 L TI Ti = y ij
determinar uma partio, em dois grupos, que maximize a soma de i =1 i =1

quadrados. Veja que nesse caso so possveis 2n-1 grupos, isto , A I ,J

vs B e C, B vs A e C e C vs A e B. Com um nmero pequeno de Mdia y1 y2 y3 L yI y = y ij / I.J

i , j=1
tratamentos como o do exemplo, fcil obter todos os grupos. 2
Contudo, quando o nmero (n) de tratamentos grande, o nmero I, J
Correo (C) c = y ij / I.J
de grupos cresce exponencialmente, dificultando a aplicao do i , j=1
teste. Para atenuar esse problema, basta ordenar as mdias dos n n=IJ
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
envolvidos no grupo de mdias considerado(g) igual ao o nmero
total de tratamentos (n).
i) Determinar a partio entre dois grupos que maximiza a soma de
quadrados (SQ) entre grupos. Seja T1 e T2 os totais

46 59
5.3.5) Exemplo de DIC dos dois grupos com k1 e k2 tratamentos em cada um, a soma de
quadrados Bo estimada por:
Suponha que foi avaliado o peso seco da parte area (g/parcela) de
4 variedades de cana-de-acar. O experimento foi instalado em T12 T22 (T1 + T2 ) 2
casa de vegetao. O delineamento foi o inteiramente casualizado Bo = +
com 6 repeties. Cada parcela era constituda de 1 vaso com 3 k1 k 2 k1 + k 2
plantas. Os dados de peso esto dispostos na Tabela a seguir: k1 g
T1 = y (i ) e T2 = y ( i )
Tabela 4. Peso seco da parte area (g/parcela) de 4 variedades de i =1 i = k1 +1
cana-de-acar (A, B, C e D) em um delineamento inteiramente
casualizado com 6 repeties em que y (i ) a mdia do tratamento da posio ordenada i.
Rep. \ Trat. A B C D Os dois grupos devero ser identificados por meio da inspeo das
1 113,83 174,94 213,39 166,76 somas de quadrados das g-1 parties possveis, sendo g o nmero
2 133,89 168,76 86,69 131,17 de tratamentos envolvidos no grupo de mdias considerado.
3 96,15 156,35 157,65 177,88 ii) Determinar o valor da estatstica :
4 101,22 144,89 174,44 121,23 B
5 95,16 181,57 187,00 180,94 = . ) 2o
2( 2) o
6 127,34 178,79 192,70 144,61
)
Total 667,59 1005,30 1011,87 922,59 3607,35 (total geral) em que o2 o estimador de mxima verossimilhana de 2y dado
Mdia 111,27 167,55 168,65 153,77 150,31 (mdia geral) por:
Correo (C) C= (3607,35)2/24 = 542207,2509 1 g
) 2
n n = 4.6 = 24 o2 = ( y (i ) y) + v.s y
2

g + v i =1
em que v o grau de liberdade do erro associado a este estimador,
5.3.6) Croqui de campo
y a mdia das mdias dos g tratamentos e s 2y = QME o
C A B B r
D D C A estimador no viesado de 2y , sendo QME o quadrado mdio do
C A D B erro e r o nmero de repeties.
B C B A iii) Se (2 ;g /( 2 )) rejeita-se a hiptese de que os dois grupos so
C A D B idnticos em favor da hiptese alternativa de que os dois grupos
A C D D diferem. (2 ;g /( 2 )) um valor tabelado obtido na Tabela de

58 47
Qui-quadrado (encontrada em alguns livros de estatstica),
correspondente a combinao entre o nvel de significncia
estebelecido () e o valor dado por g/(-2) .
iv) No caso de rejeitar esta hiptese, os dois subgrupos formados
sero independentemente submetidos aos passos i) a iii), fazendo
respectivamente g=k1 e g=k2. O processo em cada subgrupo se
encerra ao se aceitar Ho no passo iii) ou se cada subgrupo contiver
apenas uma mdia.
Exemplo 18. Agora vamos aplicar o algoritmo do teste de Scott e
Knott nas mdias do Exemplo 14 em que o quadrado mdio do erro
foi de 4,08 com 10 graus de liberdade, e as mdias das 5 linhagens
de feijo estimadas a partir de 3 repeties foram:
y 4 = y (1) = 26,3
y 3 = y ( 2) = 86,9
y 2 = y (3) = 87,8
y1 = y ( 4) = 95,5
y 5 = y (5) = 108,2
lembrando que y (i ) a mdia do tratamento da posio ordenada i,
com i = 1,..., 5.
i) SQ da partio (1) vs (2), (3), (4) e (5)
26,3 2 (86,9 + 87,8 + 95,5 + 108,2) 2 ( 26,3 + 86,9 + 87,8 + 95,5 + 108,2)
Bo = + y ij = + t i + e ij
1 4
Bo = 691,6900 + 35796,6400 - 32756,4180 = 3731,9120;
48
alternncia das parcelas evita-se uma possvel vantagem de algum
tratamento. A instalao do DIC no campo experimental exige uma
certa homogeneidade das condies ambientais (como por exemplo
quanto a fertilidade do solo, distribuio uniforme de gua, etc.).
5.3.2) Vantagens
- Possui grande flexibilidade quanto ao nmero de tratamentos e
repeties, sendo dependente, entretanto, da quantidade de
material e rea experimental disponveis.
- Pode-se ter DIC no balanceado, ou seja, com nmeros de
repeties diferentes entre tratamentos, o que no leva a
grandes alteraes n
- a anlise de varincia; mas os testes de comparaes mltiplas
passam a ser aproximados e no mais exatos. O ideal que os
tratamentos sejam igualmente repetidos.
- Considerando o mesmo nmero de parcelas e tratamentos
avaliados, o delineamento que possibilita o maior grau de
liberdade do erro.
5.3.3) Desvantagens
- Exige homogeneidade das condies experimentais. Se as
condies no forem uniformes, como se esperava antes da
instalao do experimento, toda variao (exceto devida a
tratamentos) ir para o erro, aumentando sua estimativa e
reduzindo, portanto, a preciso do experimento.
5.3.4) Modelo estatstico do DIC
2
5
em que, y ij representa a observao do i-simo tratamento na j-
sima repetio; representa uma constante geral associada a esta
varivel aleatria; ti representa o efeito do i-simo tratamento; e eij
representa o erro experimental associado a observao yij, suposto
ter distribuio normal com mdia zero e varincia comum.
57
5.2.4) Homogeneidade: os erros devem apresentar varincias SQ da partio (1) e (2) vs (3), (4) e (5)
comuns (homogeneidade = homocedasticidade de varincias).
(26,3 + 86,9) 2 (87,8 + 95,5 + 108,2) 2 ( 26,3 + 86,9 + 87,8 + 95,5 + 108,2) 2
Estas pressuposies visam facilitar a interpretao dos resultados Bo = +
2 3 5
e testar a significncia nos testes de hipteses. Na prtica, o que Bo = 6407,1200 + 28324,0833 - 32756,4180 = 1974,7853;
pode ocorrer a validade aproximada e no exata de alguma (s)
destas pressuposies; neste caso, o pesquisador no perderia
tanto com a aproximao visto que os testes aplicados na anlise de SQ da partio (1), (2) e (3) vs (4) e (5)
varincia so robustos quanto a isto. A homogeneidade de
(26,3 + 86,9 + 87,8) 2 (95,5 + 108,2) 2 (26,3 + 86,9 + 87,8 + 95,5 + 108,2) 2
varincia que, na maioria das vezes, necessria pois, caso no Bo = +
seja verificada, o teste F e de comparaes mltiplas podero ser 3 2 5
alterados. Bo = 13467,0000 + 20746,8450 - 32756,4180 = 1457,4270;
Quando alguma (s) das pressuposies da anlise no se
verifica(m), existem alternativas que podem ser usadas, entre elas a SQ da partio (1), (2), (3) e (4) vs (5)
transformao de dados com a posterior anlise de varincia ( 26,3 + 86,9 + 87,8 + 95,5) 2
( 26,3 + 86,9 + 87,8 + 95,5 + 108,2) 2
108,2 2
destes dados transformados; ou a utilizao dos recursos da Bo = +
estatstica no paramtrica. 4 1 5
Bo = 21978,0625 + 11707,2400 - 32756,4180 = 928,8845.
Feitas as consideraes iniciais necessrias para o entendimento
dos prximos assuntos, iniciaremos agora os conceitos e exemplos
dos delineamentos mais usuais. A partio (1) vs (2), (3), (4) e (5) foi a que maximizou a soma de
quadrados entre grupos (Bo = 3731,9120).
5.3) Delineamento Inteiramente Casualizado (DIC)
5.3.1) Caractersticas ii) Considerando g=5, v=10 e y = 26,3 + 86,9 + 87,8 + 95,5 + 108,2 = 80,94
5
- Os tratamentos so distribudos nas parcelas de forma tem-se:
inteiramente casual (aleatria).
) 1 4,08
- O DIC possui apenas os princpios da casualizao e da repetio, o2 = (26,3 80,94) 2 + ... + (108,2 80,94) 2 + 10.
no possuindo controle local e, portanto, as repeties no so 5 + 10 3
organizadas em blocos.
) 1
- Normalmente mais utilizado em experimentos de laboratrio; 2o = [4023,2120 + 13,6000] = 269,1208
15
experimentos em vasos ou bandejas em casa de vegetao, onde
h possibilidade de controle das condies ambientais. Nos 3731,9120
= . =19,0806.
experimentos em casa de vegetao recomenda-se constantemente 2( 2) 269,1208
mudar as parcelas de posio para evitar diferenas ambientais
devido a posio da parcela na casa de vegetao. Com esta

56 49
O valor de 2( 0, 05 ; 5 /( 2 )) = (20, 05 ; 4 , 380 ) 10,089. Como > 10,089 seria possvel realizar testes de hipteses. O uso de um nmero
adequado de repeties, possibilita uma boa estimativa do erro
rejeita-se Ho, ou seja dois grupos so formados ao nvel de 5%, o experimental, melhorando as estimativas de interesse. No entanto, o
grupo 1 com apenas o tratamento (linhagem) 4=(1) e o grupo 2 com nmero de repeties pode ser limitado, por exemplo, pelo nmero
os tratamentos 3=(2), 2=(3), 1=(4) e 5=(5). de tratamentos que sero comparados, pela disponibilidade de
Deve-se ento repetir o algoritmo apenas para os subgrupos que material e de rea experimental, entre outros fatores.
contm mais de um tratamento, no caso apenas para o grupo 2. 5.1.2) Casualizao: refere-se distribuio aleatria dos
i) SQ da partio (2) vs (3), (4) e (5) tratamentos s parcelas de modo que todas as parcelas tenham a
mesma chance de receber qualquer um dos tratamentos. Com isso,
86,9 2 (87,8 + 95,5 + 108,2) (86,9 + 87,8 + 95,5 + 108, 2) 2
2
a casualizao evita que determinado tratamento seja favorecido e
Bo = + garante que os erros sejam independentes (Mead & Curnow, 1983).
1 3 4
Alguns programas computacionais elaboram planilhas de campo j
Bo = 7551,6100 + 28324,0833 - 35796,6400 = 79,0533; com os tratamentos aleatorizados, como por exemplo o MSTAT,
SISVAR e outros.
SQ da partio (2) e (3) vs (4) e (5) 5.1.3) Controle local: a idia bsica do controle local a partio
do conjunto total de parcelas em subconjuntos (blocos) que sejam
(86,9 + 87,8) 2 (95,5 + 108, 2) (86,9 + 87,8 + 95,5 + 108,2) 2
2
os mais homogneos possveis. Para Hinkelmann & Kempthorne
Bo = + (1994), o princpio do controle local o reconhecimento de padres
2 2 4
supostamente associados s parcelas. Este princpio utilizado
Bo = 15260,0450 + 20746,8450 - 35796,6400 = 210,2500; para atenuar problemas de heterogeneidade ambiental (por exemplo
de solo, de distribuio de gua no caso de experimentos irrigados,
etc).
SQ da partio (2), (3) e (4) vs (5)
5.2) Pressuposies bsicas da anlise de varincia
(86,9 + 87,8 + 95,5) 2 108,2 (86,9 + 87,8 + 95,5 + 108, 2) 2
2

Bo = + Para realizao de uma anlise de varincia deve-se aceitar

3 1 4 algumas pressuposies bsicas:
Bo = 24336,0133 + 11707,2400 - 35796,6400 = 246,6133. 5.2.1) Aditividade: os efeitos de tratamentos e erro devem ser
aditivos;
A partio (2), (3) e (4) vs (5) foi a que maximizou a soma de 5.2.2) Independncia: os erros devem ser independentes, ou seja,
quadrados entre grupos (Bo = 246,6133). a probabilidade de que o erro de uma observao qualquer tenha
um determinado valor no deve depender dos valores dos outros
erros;
5.2.3) Normalidade: os erros devem ser normalmente distribudos;

50 55
ii) Teste de Tukey: 86,9 + 87,8 + 95,5 + 108,2
ii) Considerando g=4, v=10 e y = = 94,60
4
1 1 QME
DMS = q + . tem-se:
ri ri' 2
) 1 4,08
o2 = (86,9 94,60) 2 + ... + (108,2 94,60) 2 + 10.
iii) Teste de Duncan: 4 + 10 3
1 1 QME ) 1
DMS = z n + . o2 = [291,3000 + 13,6000] = 21,7786
ri ri' 2 14
246,6133
iv) Teste de SNK: = . =15,5810.
2( 2) 21,7786
1 1 QME
SNK = q n + . O valor de (20, 05 ; 4 /( 2 )) = 2(0 , 05; 3,504 ) 10,253. Como > 10,253
ri ri' 2
rejeita-se Ho, ou seja dois grupos so formados ao nvel de 5%, o
'
com ri e ri ' sendo o nmero de repeties do tratamento i e i , grupo 1 com os tratamentos (linhagens) 3=(2), 2=(3) e 1=(4) e o
respectivamente. grupo 2 com apenas o tratamento 5=(5).
Deve-se ento repetir o algoritmo apenas para o grupo 1.
5) Anlise de varincia
i) SQ da partio (2) vs (3) e (4)
A anlise de varincia (ANAVA) um dos mtodos para anlise dos
86,9 2 (87,8 + 95,5) (86,9 + 87,8 + 95,5) 2
2
dados que visa decompor a variao total entre parcelas em fontes
Bo = +
(causas) de variao devidas a efeitos principais dos fatores, efeitos 1 2 3
de interaes entre fatores, efeitos de aninhamento e resduo (erro).
Bo = 7551,6100 + 16799,4500 24336,0133 = 15,0417;
Para facilitar o entendimento, antes de partirmos para exemplos de
anlises de varincia, necessrio fazer alguns comentrios sobre
os princpios bsicos da experimentao e tambm sobre as SQ da partio (2) e (3) vs (4)
pressuposies da anlise de varincia.
(86,9 + 87,8) 2 95,5 (86,9 + 87,8 + 95,5) 2
2

5.1) Princpios bsicos da experimentao Bo = +

2 1 3
Os delineamentos experimentais clssicos so baseados nos trs Bo = 15260,0450 + 9120,2500 24336,0133 = 44,2817;
conceitos a seguir, estabelecidos por Fisher (1935).
5.1.1) Repetio: refere-se ao nmero de parcelas que recebero A partio (2) e (3) vs (4) foi a que maximizou a soma de quadrados
um mesmo tratamento. Os tratamentos devem ser repetidos, entre grupos (Bo = 44,2817).
possibilitando, assim, estimar o erro experimental sem o qual no

54 51
 86,9 + 87,8 + 95,5 ) 1
ii) Considerando g=3, v=10 e y = = 90,07 tem-se: o2 = [0,4050 + 13,6000] = 1,1671
3 12
) 1 4,08 0, 4050
2o = (86,9 90,07) 2 + (87,8 90,07) 2 + (95,5 90,07) 2 + 10. = . = 0,4775.
3 + 10 3 2( 2) 1,1671
) 1 O valor de (20, 05 ; 2 /( 2 )) = 2(0 , 05; 1, 752 ) 5,458. Como < 5,458 aceita-
o2 = [44,6867 + 13,6000] = 4,4836
13 se Ho, ou seja, os dois grupos so idnticos ao nvel de 5%,
44,2817 formando um nico grupo com os tratamentos (linhagens) 3=(2) e
= . = 13,5896. 2=(3), finalizando assim o algoritmo.
2( 2) 4,4836
Colocando letras diferentes para mdias distintas e letras iguais
para mdias semelhantes por meio do teste Scott e Knott tem-se
O valor de 2( 0, 05 ; 3 /( 2 )) = (20, 05 ; 2 , 628 ) 7,136. Como > 7,136 rejeita- ento:
se Ho, ou seja dois grupos so formados ao nvel de 5%, o grupo 1 y 4 = y (1) = 26,3 d
com os tratamentos (linhagens) 3=(2), 2=(3) e o grupo 2 com
apenas o tratamento e 1=(4). y 3 = y ( 2 ) = 86,9 c
Deve-se ento repetir novamente o algoritmo para o grupo 1.
y 2 = y (3) = 87,8 c
i) SQ da partio (2) vs (3)
y1 = y ( 4 ) = 95,5 b
(86,9 + 87,8) 2
2
86,9 2 87,8
Bo = +
1 1 2 y 5 = y (5 ) = 108,2 a
Bo = 7551,6100 + 7708,8400 15260,0450 = 0,4050; Observaes: Nestes exemplos os resultados de todos os testes
Neste caso, a partio (2) vs (3) por ser nica foi a que maximizou a realizados foram iguais mas poderiam ter diferenciado entre um ou
soma de quadrados entre grupos (Bo = 0,4050). outro teste. Quando o nmero de repeties diferente entre os
tratamentos as DMSs podem ser calculadas por:

86,9 + 87,8 i) Teste t:

ii) Considerando g=2, v=10 e y = = 87,35 tem-se:
2 1 1
DMS = t t + .QME
) 1 4,08 ri ri'
o2 = (86,9 87,35) 2 + (87,8 87,35) 2 + 10.
2 + 10 3

52 53