MINISTÉRIO DA EDUCAÇÃO

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE

CENTRO DE CIÊNCIAS E TECNOLOGIA AGROALIMENTAR
PROFESSOR: ROBERTO QUEIROGA

ESTATÍSTICA EXPERIMENTAL

POMBAL, AGOSTO DE 2019.

 ESTATÍSTICA EXPERIMENTAL: 2019.2

UNIDADE I
“Importância da Estatística Experimental”.

* Importância: a Estatística Experimental tem por objetivo o estudo dos experimentos,

incluindo planejamento, execução, coleta e análise dos dados e a interpretação dos resultados.
* Tipos de pesquisa:
A - Pesquisa de levantamento:
Observam-se diversas características dos elementos de certa população ou amostra, utilizando-
se questionários ou entrevistas. A observação é feita naturalmente e sem interferência do
pesquisador. Ex: censo.

B - Pesquisa experimental:
O pesquisador exerce controle sobre o tratamento que vai ser aplicado a cada elemento da
amostra. Há, portanto, interferência do pesquisador. Ex: experimentos de campo ou laboratório.

* Tratamento:
 É uma denominação genérica, para designar qualquer método, elemento ou material, cujo
efeito desejamos medir e comparar.
* Experimento ou ensaio:
Trabalho previamente planejado, que segue determinados princípios básicos e no qual se faz
comparações do efeito dos tratamentos.
Por exemplo, o tratamento pode ser:
A - um adubo a base de nitrogênio para a cultura do melão;
B - uma variedade de milho;
C - uma temperatura de armazenamento de um determinado produto;
D - um tipo de embalagem / conservante para determinado produto;
E - um princípio ativo de um medicamento no combate a determinada doença;
F – uma composição de composto orgânico para a cultura do tomate;
G – uma variedade de Eucaliptus ou outra espécie vegetal para determinada área de
reflorestamento.
* Parcela ou unidade experimental:
É a unidade na qual o tratamento é aplicado. É
na parcela que obtemos os dados que deverão refletir o efeito de cada tratamento.

* Composição da parcela: uma ou mais plantas; uma placa de Petri com um meio de cultura;
um tubo de ensaio com uma solução, uma amostra de queijos etc.
Experimento em campo

Experimento em laboratório
 Exemplo de característica avaliada e tratamentos:
Ex: - Determinação da produção de leite em função do tipo de ração.
- Avaliação do diâmetro do caule e da altura de plantas de Eucaliptus em diferentes variedades.
- Avaliação da vida útil de frutos de morango armazenados em diferentes temperaturas.
Variável resposta:
É a variável mensurada usada para avaliar o efeito de tratamentos.
Ex: Produtividade de alface, sólidos solúveis, teor de vitamina C e de proteínas, aparência
externa do fruto, etc.

* Tamanho das parcelas depende:

- Material que se está trabalhando.
Ex: Parcelas com a cultura do cajueiro devem ser maiores que aquelas com a cultura da alface.
- Número de tratamentos em estudo:
Em experimentos de melhoramento vegetal o tamanho da parcela deve ser reduzido.
- Quantidade de material disponível:
Aquisição de novos materiais (recursos).
- Uso de máquinas agrícolas:
Parcelas grandes.
- Área disponível para pesquisa:
Ajustamento ao tamanho da área.
- Custo, tempo e mão de obra:
- Recurso financeiro, tempo disponível para amostragem e mão de obra.
* Forma das parcelas:
Retangulares, quadradas, cilíndricas, etc.
TRATAMENTOS
A C D B
D B A C
B C D A
C A B D

Tratamentos: A – 0 kg ha-1 de N; B – 90 kg ha-1 de N; C – 180 kg ha-1 de N e D – 270 kg ha-1 de N.

 * Delineamento experimental
É o plano utilizado para realizar o experimento. Esse plano implica na maneira como os
diferentes tratamentos deverão ser distribuídos nas parcelas experimentais, e como serão
analisados os dados a serem obtidos.
DIC
A C A C
D B A B
B C D A
D B C D

DBC
A C
D B
B C
C A
D B
A C
D A
B D

DQL
A C
D B
B D
C A
D B
A C
C A
B D

* População e amostra:
População
É o conjunto constituído por todos os dados possíveis com relação à característica em estudo.
Amostra
É uma parte representativa da população, subconjunto do conjunto universo.
Experimentos: indivíduos da área útil da parcela.
* Fatores controláveis e não controláveis:
Variação nos espaçamentos entre plantas.
Variação na temperatura de armazenamento.
Variação na profundidade de semeadura.
Variação na fertilidade do solo dentro da parcela.
Variação na dose de adubos, inseticidas etc.
Variação na quantidade de água aplicada.
Precipitação, Luminosidade, Temperatura e
Umidade relativa do ar
* Medidas utilizadas na experimentação
Medidas de posição
Média, mediana, moda, quartis etc.
Ex: Calcule a altura média de seis alunos da turma de agronomia de acordo com a amostra a seguir:
1,80 m, 1,65 m, 1,62 m, 1,90 m 1,40 m e 1,72 m

Medidas de dispersão
Variância, desvio padrão e coeficiente de variação.

Classificação do Coeficiente de variação

CV < 10 %: ótimo
CV entre 10 e 20 %: bom
CV entre 20 e 30 %: regular
CV > 30 %: ruim
* Planejamento experimental:
Planejamento, condução do experimento com aplicação dos tratamentos, coleta de dados,
análise dos dados e interpretação dos resultados obtidos e emissão de relatório final.
* Tipos de experimentos:
Experimento preliminar:
O número de tratamentos pode ser grande.
O número de repetições pode ser pequeno.
Auxilia na escolha de tratamentos em experimentos críticos.
Experimento crítico:
São experimentos em que as respostas aos tratamentos são comparadas.
O n0 de observações é suficiente para dar segurança na determinação de diferenças
significativas.
 Experimento demonstrativo:
Experimentos conduzidos em trabalhos de pesquisa e/ou extensão com objetivo de comparar um
novo tratamento com um padrão (tradicional).
Qual deles usar?
* Objetivos de um experimento:
Responder questões referente a determinado problema.
Hipóteses a serem testadas.
* Etapas do Planejamento experimental:
Quais as características que serão analisadas?
EX: bovinos (% de gordura na carne, produção de leite, etc).
Ex: Acerola (teor de vitamina C, vida útil de prateleira, perda de peso, etc).
EX: Eucaliptus (diâmetro do caule, altura da planta, produção de madeira, etc).
Quais fatores que afetam estas características?
EX: raça, variedade, espaçamento, adubação, irrigação, etc.
Quais desses fatores serão estudados no experimento?
Experimentos simples: apenas um tipo de tratamento pode ser estudado de cada vez.
EX: testar espaçamentos (adubação, variedade, irrigação devem ser constantes).
Experimentos complexos: dois ou mais fatores estudados por vez.
EX: embalagens x temperaturas.
EX: fonte da água x lâmina de água aplicada.
EX: variedades x espaçamentos x adubação.
Como será constituída a unidade experimental?
EX: único indivíduo ou grupo deles.
EX: Produtividade de alface
(variedades A, B, C, D e E)

*Quantas repetições deveram ser utilizadas?

Depende do número de tratamentos e do delineamento experimental.
 Quanto maior o número de repetições melhor a precisão do experimento.
Recomenda-se: número de parcelas ≥ 20.

* Projeto de pesquisa:

A - Título:
Simples e coerente com o objetivo.
Ex: Produção e qualidade de milho em função de doses de nitrogênio (< 15 palavras).
B - Responsável e colaboradores:
EX: Indicar pessoas (orientador, professores, bolsistas, voluntários) e instituições.
C - Introdução com justificativa:
- Importância sócio-econômica, nutricional.
- Problema a ser estudado.
- Hipóteses a serem testadas.
- Objetivos.
D - Revisão de literatura.
Atualizada e direcionada para o tema em estudo.
E - Material e métodos:
Localização: coordenadas geográficas, tipo de solo, tipo de clima etc.
Tratamentos: identificar os tratamentos a serem testados.
Delineamento experimental: DIC, DBC ou DQL.
Condução do experimento: semeadura, podas, pulverizações, adubação, irrigação, capinas,
transplantio, colheita etc.
Características avaliadas: produção de grãos, massa do fruto, teor de gordura na carne, teor de
vitamica C, vida útil do produto, número de frutos por planta, etc.

Como serão avaliadas essas características?

Análise estatística: software utilizado (SAEG, SAS, SISVAR etc) e procedimentos pós-análise de
variância (testes de médias e/ou análise de regressão).

F - Cronograma:

Especificar o tempo para execução da pesquisa com as devidas atividades a serem

desenvolvidas.
2018
ATIVIDADES Jul Ago Set Out Nov Dez
 Confecção do projeto X
Coleta e análise química do solo X
Preparo da área X
Aquisição de materiais X
Semeadura X
Transplantio X
Condução e tratos culturais X X X
Amostragem de plantas e frutos X X
Colheita de frutos X
Coleta de dados X X X
Avaliações de pós-colheita X
Tabulação e análise de dados X
Apresentação de relatório X
Envio de relatório X
Resumo em congresso X
Publicação em periódicos X
Orientação de PIBIC X X X X X X
Orientação de monografia X X X X X X

G - Orçamento.
Discriminação Unid. Quant. Valor Valor total
unitário
1 – Material de consumo: campo e
laboratório - - - -
- Sementes de melão kg 0,5 1800,00 900,00
- Fertilizantes (uréia), kg 100 1,50 150,00
- Fertilizante (KCl). kg 80 1,00 80,00
Fertilizante (P2O5) kg 200 1,20 240,00
- Defensivos (Daconil) kg 1,0 50,00 50,00
- Defensivos (Lanate) L 1,0 75,00 75,00
- Bandejas de poliestireno: 128 unid 10 12,00 120,00
células
- Substrato agrícola unid 5 15,00 75,00
- Manta (agrotêxtil) unid 2 1.000,00 2.000,00
- Sacos plásticos 50 x 100 cm. unid 1000 0,20 200,00
- sacos de papel 15 x 25 cm unid 2000 0,10 200,00
- Container unid 20 15 300,00
- Plaquetas para identificação de Unid 200 1,5 300,00
parcelas
- Reagentes (ácido sulfúrico)
L 2,0 120,00 240,00
- Reagentes (hidróxido de sódio).
kg 1,0 150,00 150,00
- reagentes (antrona) g 100 5,00 500,00
2 – Serviços de terceiros pessoa
jurídica.
- Manutenção e conserto de - - - 2.000,00
equipamentos
- Taxas de inscrição em eventos,
publicação de artigos em periódicos,
confecção de posters, outros. - - - 2.250,00
Total 9.830,00

* Referências:
Literatura que serviu de embasamento para a realização da pesquisa.
Atualizada: menos de 10 anos
Priorizar: Periódicos nacionais ou internacionais
Padronizada: seguir normas da ABNT
Importante: qualidade e não na quantidade (verificar Qualis da capes)
Evitar: páginas de internet, monografias, capítulo de livros, boletim técnico etc.

ESTATÍSTICA EXPERIMENTAL
UNIDADE II - PRINCÍPIOS BÁSICOS DA EXPERIMENTAÇÃO.
A – Princípio da Repetição:

Considerações sob o erro experimental.

Variação entre observações realizadas em unidades experimentais que receberam o mesmo tratamento.
 Escolha dos tratamentos
EX: Produções de duas variedades de milho A e B.
 A B

“A” produziu mais do que “B”

Será que A é mais produtiva do que B?
(A : área mais fértil, melhor condição de umidade).

EX: Produções de duas variedades de milho A e B com 4 repetições.

A B
B A
B A
A B
A B
↓

Repetições e suas funções

A → Permitem a estimação do erro experimental.

B → Reduzem a variância da amostra (precisão).

C → Aumenta a abrangência do experimento:

 Fatores que afetam o número de repetições
Grau de precisão desejado:

Recursos financeiros e tempo disponível:

B – Princípio da Casualização:
O princípio da casualização consiste na distribuição dos tratamentos às parcelas de
forma casual, para se evitar que um determinado tratamento venha a ser beneficiado ou
prejudicado por sucessivas repetições em parcelas melhores ou piores.
Sorteio dos tratamentos nas parcelas
Croqui de um experimento

A A A A A
B B B B B
C C C C C
 Desta maneira os tratamentos A, B e C têm a mesma probabilidade de ser destinado a qualquer
parcela.
O que fazer?
Casualização das repetições dos tratamentos.

B A C B A
C B C A B
B C A A C

Finalidade?
Propiciar a todos os tratamentos a mesma chance de serem designados as parcelas.
Evita: evita possível favorecimento a algum tratamento ocasionado por fatores externos.
Vale ressaltar que sem os princípios básicos da repetição e da casualização não existe experimentação.

C – Princípio do Controle Local:

O princípio do controle local só é obrigatório quando as condições experimentais assim o exigir
(heterogeneidade das condições experimentais).
EX: experimentos no campo. (ambiente mais heterogêneo).
EX: experimentos em estufas e laboratório (ambiente mais homogêneo).

EX: Área com manchas de solo bem definidas

Distinção entre condições experimentais: é necessária a casualização nessas áreas (controle local).
Áreas são chamadas de blocos.
 EX: blocos seriam as manchas de solo.
Os blocos poderão ser espalhados por toda área ou agrupados.
Poderá haver ou não grande variabilidade de um bloco para outro.
Cada bloco seja tão uniforme quanto possível.
Ex: Experimentos zootécnicos visando o ganho de peso dos animais.
(teste de diferentes formulações de rações).
Bovinos com idades diferentes.
Podem apresentar taxa de crescimento diferenciado e, portanto não podemos distribuir as rações
inteiramente ao acaso.
 O controle local consiste em dividir grupo heterogêneo quanto a idade em sub-grupos homogêneos.
Sub-grupos são chamados de blocos.
Rações são distribuídas de maneira casualizada dentro de cada bloco.
Delineamentos diferem quanto à aplicação destes princípios básicos.
DIC (2 princípios – repetição, casualização)
DBC (3 princípios – repetição, casualização e controle local).
DQL (3 princípios – repetição, casualização e controle local).

EXEMPLOS PRÁTICOS DE EXPERIMENTOS:

1 - Um extensionista, desejando comparar 10 rações para ganho de peso em animais, procedeu da
seguinte forma:
- Tomou 10 animais de uma propriedade rural. Estes 10 animais visivelmente não eram homogêneos
entre si, porque foram oriundos de diferentes cruzamentos raciais e apresentavam idades diferentes.
As rações que o extensionista julgou ser as melhores foram designadas aos melhores animais, e as
rações que o extensionista julgou ser as piores foram designadas aos piores animais, de tal forma que
cada animal recebeu uma única ração. Ao final de sua pesquisa, o extensionista recomendou a ração
que proporcionou maior ganho de peso nos animais.
- Baseado nestas informações, pergunta-se:
A – Quantos e quais foram os tratamentos em teste nesta pesquisa? Justifique sua resposta.
 10 tratamentos: rações. Esta foi à fonte de variação introduzida pelo pesquisador.

B – Qual foi à constituição de cada unidade experimental nesta pesquisa? Justifique sua resposta.
Cada animal. Cada animal recebeu um dos tratamentos.
C - Qual(is) foi(ram) o(s) princípio(s) básico(s) da experimentação utilizados nesta pesquisa?
Nenhum.
D – É possível estimar o erro experimental nesta pesquisa? Justifique sua resposta.
Não. Pois os tratamentos não apresentaram repetição.
E - A conclusão dada pelo extensionista ao final da pesquisa é estatisticamente aceitável? Justifique
sua resposta.
Não, pois não foram usados os princípios básicos da experimentação.

2 – Um pesquisador de uma indústria de alimentos desejava verificar se seis sabores de sorvete

apresentavam o mesmo o teor de glicose. O pesquisador, baseado em experimentos anteriores, sabia
que duas outras fontes de variação indesejáveis poderiam influenciar o valor mensurado do teor de
glicose: o tipo de recipiente utilizado para armazenagem do sorvete e o equipamento utilizado para
mensuração do teor de glicose. Para controlar estas duas fontes de variação o pesquisador decidiu
que cada sabor deveria ser avaliado em cada um dos seis equipamentos disponíveis e armazenado
em cada um dos seis tipos de recipientes disponíveis. Com esta finalidade, o pesquisador planejou o
experimento da seguinte maneira:
- Preparou 6 lotes de100 ml de cada sabor. O total de lotes a serem preparados seria de 36
lotes;
- Os lotes de sorvetes deveriam ser distribuídos ao acaso aos recipientes, com a restrição de que cada
tipo de recipiente recebesse todos os 6 sabores uma única vez;
- Os lotes de sorvetes seriam designados ao acaso aos equipamentos para a análise do teor de glicose,
com a restrição de que cada equipamento avaliasse cada um dos seis sabores uma única vez.
- Baseando-se nestas informações, pergunta-se:
1 - Quais foram os tratamentos em teste neste experimento? Justifique a sua resposta.
Os seis sabores de sorvete. Esta foi à fonte de variação introduzida pelo pesquisador neste
experimento.
2 - O princípio da repetição foi utilizado neste experimento? Justifique a sua resposta.
Sim, pois cada sabor apareceu seis vezes no experimento.
3 - O princípio do controle local foi utilizado neste experimento? Justifique a sua resposta. Se a
resposta for afirmativa, quantas vezes o mesmo foi utilizado? Se a resposta for negativa, discuta
sobre a necessidade do mesmo ser utilizado neste experimento.
Sim, pois houve controle na casualização. Dois controles foram utilizados na casualização.
 ESTATÍSTICA EXPERIMENTAL
UNIDADE III
Delineamento inteiramente casualizado (DIC)
1 – Características
As unidades experimentais ou parcelas devem ser essencialmente homogêneas.
EX: Trabalhos em laboratório, estufas (temperatura, luminosidade, umidade do ar e do solo).
↓
EX: Pouco comum em ensaios agrícolas de campo.
↓
A casualização é feita inteiramente ao acaso.
↓
Princípios básicos: repetição e casualização.
↓
Casualização dos tratamentos (DIC).
Experimento: 5 temperaturas de armazenamento (5, 8, 11, 14 e 170C) e quatro repetições por
tratamento.
110C 80C 140C 50C 110C
80C 50C 110C 140C 170C
170C 80C 80C 50C 140C
140C 50C 170C 170C 110C

2 - Vantagens
Não exige, embora seja preferível, que os tratamentos tenham todos os mesmos números de
repetições.
Flexível: qualquer número de tratamentos ou repetição.
A análise de variância é simples, mesmo se o número de repetição variar entre os tratamentos.
3 - Desvantagens
 Não é fácil manter total homogeneidade das condições durante a toda
a realização do experimento.
Quando as condições experimentais não são uniformes, as variações que não sejam atribuídas a
tratamentos são incorporadas ao erro (afeta a precisão do experimento).
4 - Modelo matemático
Yij = μ + ti + εij
Yij = valor observado na parcela que recebeu o tratamento i na repetição j.
μ = média geral do experimento.
ti = efeito do tratamento i aplicado na parcela.
εij = erro dos fatores não controlados na parcela.
5 - Análise de variância (ANOVA)
- É uma técnica de análise estatística que permite decompor a variação total, ou seja, a
variação existente entre todas as observações, na variação q u e é devido à diferença entre os
efeitos dos tratamentos e na variação que é devido ao acaso, que também é denominada de erro
experimental ou resíduo.
- É um procedimento utilizado para verificação de efeito significativo entre tratamentos. Aqui
saberemos se os tratamentos diferem ou não com relação à determinada característica avaliada.
- Porém, não sabemos qual o melhor ou pior dos tratamentos testados.
A ANOVA baseia-se na decomposição da variação total da variável resposta em partes que podem ser
atribuídas aos tratamentos (variância entre tratamentos) e ao erro experimental (variância dentro dos
tratamentos proporcionadas por suas repetições).

Composição da análise de variância

FV GL SQ QM F
Trat. I–1 SQTR SQTR/GL QMTR/QMR
Erro I(J – 1) SQTO – SQTR SQR/GL
(resíduo)
Total IJ -1 SQTO -
 Especificações
1a coluna: Fontes de variação (FV): tratamento + resíduo = total.
2a coluna: Graus de liberdade: tratamento + erro (resíduo) = total.
GLTR = I – 1 (Grau de liberdade de tratamento).
GLTO = (I x J) – 1 (Grau de liberdade total).

GLR = GLTO - GLTR (Grau de liberdade do resíduo).

I = número de tratamentos.
J = número de repetições por tratamento.
3a coluna: SQ: tratamento + resíduo = total.
SQTO = ∑YIJ2 – C
C = G2 / IJ (Soma de quadrado total)
∑YIJ2 = Somatório das observações ao quadrado.
C = Correção das parcelas.
J = número de repetições por tratamento.
I = número de tratamentos.
SQTR = 1 / J (∑TOTRAT2) – C → (Soma de quadrado de tratamento).
∑TOTRAT2 = Somatório dos totais de tratamento ao quadrado.
SQR = SQTO - SQTR (Soma de quadrado do resíduo)
4a coluna: QM ou variância: tratamento e resíduo.
QMTR = SQTR/GLTR (Quadrado médio de tratamento).
SQTR = Soma de quadrado de tratamentos.
GLTR = Grau de liberdade de tratamentos.

QMR = SQR/GLR (Quadrado médio do resíduo)

SQR = Soma de quadrado do resíduo.
GLR = Grau de liberdade do resíduo.
5a coluna: Teste F
F = QMTR/QMR.
H0: m1 = m2 = m3 = ... = mi ao nível α de probabilidade.
H1: rejeita-se H0: pelo menos a média de dois tratamentos difere entre sí ao nível α de probabilidade.
Regra de decisão
Fcal ≤ Ftabα aceita-se H0.
Fcal > Ftabα rejeita-se H0.
7 - Pressuposições básicas da análise de variância (ANOVA)
Os erros experimentais devem ter uma variância comum. (homocedásticos).
S12/S22 ≤ 4
 Erros experimentais devem ser independentes e normalmente distribuídos.
8 - Transformação de dados
Utilizados quando não se consegue atender as pressuposições básicas da ANOVA.
Raiz quadrada X
Logarítmica
Potencial
Amostra: 9, 16, 4, 25, 36 → Amplitude = 32
Raiz quadrada:
Raiz 9 = 3; Raiz 16 = 4; Raiz 4 = 2; Raiz 25 = 5; Raiz 36 = 6;
Amplitude: 4 → CV (< coeficiente de variação).
EX1: Para comparar a produtividade de cinco variedades de milho, um agrônomo tomou 20 parcelas
similares e distribuiu inteiramente ao acaso. Cada uma das cinco variedades em quatro parcelas
experimentais. A partir dos dados experimentais fornecidos abaixo, é possível concluir que existe
diferença significativa com relação à produtividade em relação as variedades testadas, utilizando o
nível de significância de 5 %?
- Croqui do experimento no campo:

Var 1 Var 4 Var 2 Var 4

1,12 1,05 1,15 1,23
Var 3 Var 2 Var 5 Var 5
1,27 1,18 2,17 1,93
Var 5 Var 3 Var 1 Var 2
1,90 1,31 0,98 1,05
Var 3 Var 5 Var 2 Var 1
1,12 1,80 0,97 0,97
Var 4 Var 1 Var 4 Var 3
1,12 0,85 1,25 1,10

- Tabulação dos dados do experimento:

Repetições
Tratamentos I II III IV Totais
1 - Variedade 1 0,85 0,97 0,98 1,12 3,92
2 – Variedade 2 0,97 1,05 1,18 1,15 4,35
3 – Variedade 3 1,10 1,12 1,31 1,27 4,80
4 – Variedade 4 1,12 1,25 1,05 1,23 4,65
5 – Variedade 5 1,80 1,90 2,17 1,93 7,80
G = 25,52

Grau de liberdade
→ Total: (I x J) – 1 = (5 x 4) – 1 = 19.
→ Tratamento: I – 1 = 5 – 1 = 4.
 → Residual: GLTO – GLTR = 19 – 4 = 15.
I = número de tratamentos.
J = número de repetições por tratamento.
Soma de quadrados
→ Total: SQT0 = ∑YIJ2 – C → C = G2 / IJ
∑YIJ2 = Somatório das observações ao quadrado.
C = Correção das parcelas.
C = 25,522 / 20 = 32,56352
SQTO = (0,852 + 0,972 + ...+ 1,932) – 32,5635
SQTO = 35,1460 – 32,5635 = 2,58248

→ Tratamento: SQTR = 1 / J (∑TR2 – C)

J = número de repetições por tratamento.
∑TR2 = Somatório dos totais de cada tratamento ao quadrado.
C = Correção das parcelas.
SQTR = 1 / 4 (3,922 + 4,352 + ...+ 7,802) - 32,5635
SQTR = 34,9479 – 32,5635 = 2,38433

→ Residual: SQR = SQTO – SQTR

SQR = 2,5825 – 2,3844 = 0,19815
Quadrados médios
→ Tratamento: QMTR = SQTR / GLR
SQTR = Soma de quadrado de tratamentos.
GLTR = Grau de liberdade de tratamentos.
QMTR = 2,3844 / 4 = 0,59611
→ Residual: QMR = SQR / GLR
SQTR = Soma de quadrado do resíduo.
GLR = Grau de liberdade do resíduo.
QMR = 0,1981 / 15 = 0,01321
Valor de F
F = QMTR / QMR
QMTR = Quadrado médio de tratamentos.
QMR = Quadrado médio do resíduo.
F = 0,5961 / 0,0132 = 45,13
Testar a significância de F
Regra de decisão
Fcal ≤ Fα aceita-se H0.
 Fcal > Fα rejeita-se H0.
Ftabelado ou Fα.

F (I, GLR) a determinado nível α. (Tabela de F).

F(4,15) 5% = 3,06. F(4,15) 1% = 4,89.
Fcal > Ftab → 45,16 > 3,06 (5%)
Fcal > Ftab → 45,16 > 4,89 (1%).
Fcal > Ftab (rejeita-se H0)

Conclusão do teste F da ANOVA: foi observado diferença significativa na produtividade do milho em

função das variedades testadas a 5 % pelo teste F.

Teste F indica que há diferença mais não discrimina quais são.

Quadro 1 – Resumo da análise de variância para produtividade do milho. CCTA/UFCG, Pombal -
PB, 2019.
FV GL SQ QM F
Variedade 4 2,38433 0,5960825 45,12**
Resíduo 15 0,19815 0,01321
Total 19 2,58248

9 - Procedimento pós análise de variância (ANOVA):

Teste de médias (Unidade 4)
Tratamentos qualitativos: comparados por meio de diferentes categorias.
EX: cultivares de alface (Elisa, Verônica, Regina), tipos de adubos nitrogenados (Uréia, Nitrato de
Cálcio, Nitrato de Potássio), embalagens (Plástica, Papel), espaçamentos de plantio (2,0 x 0,5 m; 2,0
x 1,0 m, 2,0 x 1,5 m) etc.
Análise de regressão (Unidade 5)
Tratamentos quantitativos: aqueles que podem ser dosados ou quantificados.
Ex: doses de nitrogênio (0, 50, 100 e 150 kg/ha), lâminas de irrigação (2, 4, 6, 8 mm), temperatura de
armazenamento de frutos (5, 10, 15 e 200C), populações de plantas por hectare (2000, 4000, 6000) etc.

DIC: CASO DE PARCELAS PERDIDAS.

Exista condição de igualdade entre tratamentos.
Problemas de perda de parcelas
Perda de parcelas (plantas):
Destruição de plantas por animais
Corte de plantas por formiga
Doenças no solo e ataque de pragas
 Germinação de sementes
Perda de parcelas (morte de animais):
Aplicação errada do tratamento.
Contaminação de amostra pela incidência de fungos e bactérias.
Observação não realizada na parcela no momento certo.
DIC: Não é necessária a estimação das parcelas perdidas. Pode-se fazer a ANOVA com diferente
número de repetições por tratamento.
EX2: Com o objetivo de diminuir o consumo dos motores à gasolina, uma determinada indústria
petroquímica testou quatro novas formulações de gasolina, as quais se diferenciavam pelo tipo de
aditivo que era acrescentado à mesma durante o seu processo de fabricação. Para efetuar o teste, a
indústria petroquímica utilizou carros completamente homogêneos para todas as características. A
designação das formulações aos carros foi feita ao acaso. Após os testes de rodagem, os resultados
obtidos foram (km/l):
- A (ácido forte); B (ácido fraco); C (base forte) e D (base fraca).
A B B D B A
20,00 17,44 19,42 18,80 20,32 23,40
C D C C B D
18,80 18,96 19,42 20,32 XXX 18,18
D C A D A C
18,48 23,26 22,40 19,18 20,68 23,14
B D B A C A
18,22 18,74 18,24 21,26 19,20 XXX

Repetições Totais
Form. I II III IV V VI
A 20,00 23,40 22,40 20,68 21,26 - 107,74
B 17,44 19,42 20,32 18,24 18,22 - 93,64
C 19,20 23,26 23,14 20,32 19,42 18,80 124,14
D 18,74 19,18 18,48 18,96 18,18 18,80 112,34
437,86

→ Grau de liberdade
- Total: N – 1 = 22 – 1 = 21.
- Tratamento: I – 1 = 4 – 1 = 3.
- Residual: GLTO – GLTR = 21 – 3 = 18.
→ Soma de quadrados
- Total: SQT0 = ∑YIJ2 – C → C = G2 / N
C = 437,862 / 22 = 8714,608164
SQTO = (20,002 + 23,402 + ...+ 18,802) – 8714,6082
SQTO = 8780,4388 – 8714,6082 = 65,83063636
 - Tratamento: SQTR = 1 / J (∑tR2 – C)
SQTR = 1 / 5 (107,742 + 93,642) + 1 / 6 (124,142 + 112,342) – 8714,6082 = 32,499114303
- Residual: SQR = SQTO – SQTR
SQR = 65,83063636 – 32,499114303 = 33,33149333
→ Quadrados médios
- Tratamento: SQTR / GL
QMTR = 32,499114303 / 3 = 10,8330381
- Residual: SQR / GL
QMR = 33,33149333 / 18 = 1,851749629
Valor de F
F = QMTR / QMR = 10,8330 / 1,8518 = 5,85
F(3,18) 5% = 3,16.
F(3,18) 1% = 5,09.
Fcal > Ftab (rejeita-se H0)
Conclusão do teste F da ANOVA: foi observada diferença significativa na distância percorrida pelo
veículo em função das formulações do combustível testadas a 5 % pelo teste F.

Quadro 1 – Resumo da ANOVA para distância percorrida pelo veículo em quatro formulações de
combustível. Pombal – PB, CCTA/UFCG, 2018.
FV GL SQ QM F
Formulações 3 32,499114303 10,8330381 5,85*
Resíduo 18 33,33149333 1,851749629
Total 21 65,83063636

Considerações sobre o coeficiente de variação.

O CV é calculado da seguinte maneira:

QMERRO = Quadrado médio do erro

→ média geral
O CV é utilizado para avaliação da precisão referente a características avaliadas em experimentos.
Quanto menor o CV mais preciso tende a ser a variável testada. A título de classificação geral pode-
se utilizar a seguinte tabela:

CV Avaliação Precisão
< 10% Baixo Alta
10 a 20 % Médio Média
20 a 30 % Alto Baixa
> 30 % Muito alto Muito baixa
OBS: Porém o valor do CV não tem nada de absoluto, pois existe uma variabilidade inerente
a cada área de pesquisa. Por exemplo, experimentos realizados em locais com ambiente
controlado geralmente são mais precisos e podem apresentar CV menores que 5% do que
experimentos conduzidos, por exemplo em condições de campo onde as variações provocadas pelos
fatores do ambiente podem interferir na manifestação dos resultados esperados.
 ESTATÍSTICA EXPERIMENTAL
UNIDADE IV – PROCEDIMENTOS PÓS ANÁLISE DE VARIANCIA
TESTE DE COMPARAÇÕES MÚLTIPLAS DE MÉDIAS EXPERIMENTAIS.
Generalidades
Teste de comparações múltiplas (PÓS – ANOVA).
ANOVA: Testar pelo teste F a aceitação ou rejeição da hipótese H0.
Análise de variância (rejeição da hipótese nula).
↓
Evidências que existem diferenças entre médias populacionais.
Mais entre que médias se registra estas diferenças? (Teste de Comparações Múltiplas).
Procedimento PÓS-ANOVA:
Teste de médias: tratamentos qualitativos.
Análise de regressão: tratamentos quantitativos.
Teste de comparações múltiplas de médias.
(Tukey, Duncan, Newmam Keulls, Dunnett, Sheffé, t de Student).
1 - TESTE TUKEY
Usado para testar todo e qualquer contraste entre duas médias.
O teste é exato e de uso simples quando o n0 de repetições é o mesmo para todos os
tratamentos.
N0 de repetições é diferente é apenas aproximado.
Não permite comparar grupos entre sí
Tem por base a DMS:
Diferença mínima significativa.

∆ = diferença mínima significativa: valor limite para diferença entre médias de dois
tratamentos não diferirem estatisticamente entre sí).
q = amplitude total estudentizada.
Tabelas de Tukey: nível α, n0 de tratamentos (I) e do grau de liberdade do resíduo (n’).
QMR = quadrado médio do resíduo.
ri e ru = número de repetições.
 Tabela do teste de Tukey: (I, GLR)

Hipóteses estatísticas
H0: mI = mJ H1: mI ≠ mJ, I ≠ J
Regra de decisão
Y = |mI – mJ| ≤ ∆
Aceita-se H0. (contraste não significativo).
Y = |mI – mJ| > ∆
Rejeita-se H0. (contraste é significativo).

EX: Experimento DIC: Foi avaliada a altura de plântulas de Eucaliptus (cm) submetidos a
aplicação de cinco tipos de substratos.

Substrato 1 Substrato 3 Substrato 2 Substrato 3

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

Substrato 5 Substrato 4 Substrato 5 Substrato 4

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

Substrato 2 Substrato 5 Substrato 1 Substrato 2

7,1 6,4 5,8 7,2

Substrato 5 Substrato 1 Substrato 3 Substrato 4

5,8 5,1 7,2 4,9

Substrato 3 Substrato 4 Substrato 1 Substrato 2

5,8 5,6 4,6 6,0

Quadro 1: Dados coletados no experimento.

Substratos Repetições
1 2 3 4
1 4,6 5,1 5,8 5,5
2 6,0 7,1 7,2 6,8
3 5,8 7,2 6,9 6,7
4 5,6 4,9 5,9 5,7
5 5,8 6,4 6,6 6,8
Quadro 2 – Resumo da análise de variância para a altura da plântula de Eucaliptus em função
do tipo de substrato. CCTA/UFCG, Pombal – PB, 2019.

FV GL SQ QM F
Substratos 4 7,60 1,90 7,31*
Resíduo 15 3,91 0,26
Total 19 11,51

F5%(4,15) = 3,06.
Fcal > Ftab (rejeita-se H0)
Conclusão do teste F da ANOVA: foi observada diferença significativa na altura da plântula
de Eucaliptus em função dos substratos testados a 5 % pelo teste F.
Calcular o coeficiente de variação

EX: Comparar as médias pelo teste Tukey.

H0: mi = mJ
H1: m1 ≠ mJ.
Teste de Tukey
1) Colocar as médias em ordem decrescente:
m2 = 27,1/4 = 6,77
m3 = 26,6/4 = 6,65
m5 = 25,6/4 = 6,40
m4 = 22,1/4 = 5,52
m1 = 21,0/4 = 5,25
2) Formar e calcular o valor de cada contraste:
Y1 = |m2 – m3| = 6,77 – 6,65 = 0,12ns
Y2 = |m2 – m5| = 6,77 – 6,40 = 0,37ns
Y3 = |m2 – m4| = 6,77 – 5,52 = 1,25*
Y4 = |m2 – m1| = 6,77 – 5,25 = 1,52*
Y5 = |m3 – m5| = 6,65 – 6,40 = 0,25ns
Y6 = |m3 – m4| = 6,65 – 5,52 = 1,13*
Y7 = |m3 – m1| = 6,65 – 5,25 = 1,40*
Y8 = |m5 – m4| = 6,40 – 5,52 = 0,88ns
Y9 = |m5 – m1| = 6,40 – 5,25 = 1,15*
 Y10 = |m4 – m1| = 5,52 – 5,25 = 0,27ns
3) calcular o valor da DMS:
∆ = q √QMR / J = 4,37 √0,26 / 4 = 1,11 cm
q5% (5,15) = 4,37
4) Colocar a significância nos contrastes (passo 2) comparando o valor do contraste com o
valor DMS.
Regra de decisão
Y = |mI – mJ| ≤ ∆
Aceita-se H0. (contraste não significativo).
Y = |mI – mJ| > ∆
Rejeita-se H0. (contraste é significativo).
5) Colocar as letras nas médias dos tratamentos.
m2 = 27,1/4 = 6,77 a
m3 = 26,6/4 = 6,65 a
m5 = 25,6/4 = 6,40 ab
m4 = 22,1/4 = 5,52 bc
m1 = 21,0/4 = 5,25 c
6) Conclusão.
A maior altura de plântulas de Eucaliptus foi observada nas plantas cultivadas nos substratos 2
e 3 comparado a aquelas plantas cultivadas nos substratos 4 e 1 ao nível de 5 % de
probabilidade pelo teste Tukey.

Tabela 1 – Valores médios da altura de plântulas de Eucaliptus submetidos a diferentes tipos

de substratos em Pombal - PB. CCTA/UFCG, 2019.

Tipos de Substratos Altura da plântula (cm)

2 6,77 a
3 6,65 a
5 6,40 ab
4 5,52 bc
1 5,25 c
DMS 1,11
CV (%) 8,33
* Nas colunas, as médias seguidas pela mesma letra não diferem entre sí ao nível de 5 % de
probabilidade.

2 - TESTE DUNCAN
Usado para testar contraste entre duas médias.
É menos rigoroso que o teste Tukey em termos de rejeitar H0. Pode indicar resultados
significativos que Tukey não indicaria. (aplicação mais trabalhosa).
 Exige que as médias sejam colocadas em ordem decrescente e que tenham o mesmo número
de repetições para ser exato.
A significância do teste é indicada ligando-se por uma barra ou letras as médias que não
diferem entre sí.
Baseia-se na amplitude total mínima significativa (Di)
Di = diferença mínima significativa
Zi = amplitude total estudentizada
Zi = f (α, i e n’).
α = nível de significância (1 e 5 %).
i = n0 de médias ordenadas abrangidas pelo contraste.
n’ = número de grau de liberdade do resíduo.
Tabela do teste de Duncan: (n, GLR)

Hipóteses estatísticas
H0: mi = mJ H1: m1 ≠ mJ, I ≠ J.
Regra de decisão
Y = |mI – mJ| ≤ Di
Aceita-se H0. (contraste não significativo).
Y = |mI – mJ| > Di
Rejeita-se H0. (contraste é significativo).
Ex: Aplicar o teste de Duncan nas médias do exemplo anterior.
1) Colocar as médias em ordem decrescente:
m2 = 6,77
m3 = 6,65
m5 = 6,40
 m4 = 5,52
m1 = 5,25
2) Formar e calcular o valor de cada contraste envolvendo grupo de médias: calcular o
valor da DMS e comparar com o valor de cada contraste para testar o mesmo.
Contrastes envolvendo grupo com 5 médias
Z5% (5,15) = 3,31
D5 = 3,31 √0,26/4 = 0,84
Y5 = |m2 – m1| = 6,77 – 5,25 = 1,52*
Contrastes envolvendo grupo com 4 médias
Z5% (4,15) = 3,25
D4 = 3,25 √0,26/4 = 0,83
Y4 = |m2 – m4| = 6,77 – 5,52 = 1,25*
Y4 = |m3 – m1| = 6,65 – 5,25 = 1,40*
Contrastes envolvendo grupo com 3 médias
Z5% (3,15) = 3,16
D3 = 3,16 √0,26/4 = 0,80
Y3 = |m2 – m5| = 6,77 – 6,40 = 0,37ns
Y3 = |m3 – m4| = 6,65 – 5,52 = 1,13*
Y3 = |m5 – m1| = 6,40 – 5,25 = 1,15*
Contrastes envolvendo grupo com 2 médias
Z5% (2,15) = 3,01
D2 = 3,01 √0,26/4 = 0,77
Y2 = |m2 – m3| = 6,77 – 6,65 = 0,12ns
Y2 = |m3 – m5| = 6,65 – 6,40 = 0,15ns
Y2 = |m5 – m4| = 6,40 – 5,52 = 0,88*
Y2 = |m4 – m1| = 5,52 – 5,25 = 0,27ns
3) Colocar as letras nas médias dos tratamentos.
m2 = 6,77 a
m3 = 6,65 a
m5 = 6,40 a
m4 = 5,52 b
m1 = 5,25 b
4) Conclusão.
A altura da plântula de Eucaliptus não diferiu entre sí quando foi utilizado os substratos 2, 3 e
5, porém apresentaram plantas com altura superior quando comparados com aquelas plantas
cultivadas nos substratos 4 e 1 ao nível de 5 % de probabilidade pelo teste de Duncan.

Tabela 2 – Valores médios da altura de plântulas de Eucaliptus submetidos a diferentes tipos

de substratos em Pombal - PB. CCTA/UFCG, 2019.

3 - TESTE DE NEWMAM-KEULLS
Usado para testar contraste entre duas médias.
Rigor: intermediário entre Tukey e Duncan.
Usa-se a metodologia do Duncan com a tabela de Tukey.

A significância do teste é indicada ligando-se por uma barra ou letras as médias que não
diferem entre sí.

∆i = diferença mínima significativa

QMR = Quadrado médio do resíduo.
qi = amplitude total estudentizada.
qi = f (α, i e n’).
α = nível de significância
i = n0 de médias ordenadas abrangidas pelo contraste.
n’ = número de grau de liberdade do resíduo.
 Tabela do teste: Tukey.

Hipóteses estatísticas
H0: mI = mJ H1: mI ≠ mJ, I ≠ J
Regra de decisão
Y = |m1 – m2| ≤ ∆'
Aceita-se H0. (contraste não significativo).
Y = |m1 – m2| > ∆'
Rejeita-se H0. (contraste é significativo).

Ex: Aplicar o teste de Newman-Keuls nas médias do exemplo anterior.

1) Colocar as médias em ordem decrescente:
m2 = 6,77
m3 = 6,65
m5 = 6,40
m4 = 5,52
m1 = 5,25
2) Formar e calcular o valor de cada contraste envolvendo grupo de médias: calcular o valor
da DMS e comparar com o valor de cada contraste para testar o contraste.
Contrastes envolvendo grupo com 5 médias
q5% (5,15) = 4,37
∆’5 = 4,37 √0,26/4 = 1,11
Y5 = |m2 – m1| = 6,77 – 5,25 = 1,52*
Contrastes envolvendo grupo com 4 médias
q5% (4,15) = 4,08
∆’4 = 4,08 √0,26/4 = 1,04
Y4 = |m2 – m4| = 6,77 – 5,52 = 1,25*
Y4 = |m3 – m1| = 6,65 – 5,25 = 1,40*
Contrastes envolvendo grupo com 3 médias
q5% (3,15) = 3,67
 ∆’3 = 3,67 √0,26/4 = 0,93
Y3 = |m2 – m5| = 6,77 – 6,40 = 0,37ns
Y3 = |m3 – m4| = 6,65 – 5,52 = 1,13*
Y3 = |m5 – m1| = 6,40 – 5,25 = 1,15*
Contrastes envolvendo grupo com 2 médias
q5% (2,15) = 3,01
∆’2 = 3,01 √0,26/4 = 0,77
Y2 = |m2 – m3| = 6,77 – 6,65 = 0,12ns
Y2 = |m3 – m5| = 6,65 – 6,40 = 0,15ns
Y2 = |m5 – m4| = 6,40 – 5,52 = 0,88*
Y2 = |m4 – m1| = 5,52 – 5,25 = 0,27*
3) Colocar as letras nas médias dos tratamentos.

m2 = 6,77 a
m3 = 6,65 a
m5 = 6,40 a
m4 = 5,52 b
m1 = 5,25 b
4) Conclusão.
As plantas de Eucaliptus não apresentaram diferença significativa em sua altura quando
cultivadas nos substratos 2, 3 e 5, porém, nesses substratos as plantas altura superior a
aquelas cultivadas nos substratos 4 e 1 que não diferiram entre sí a 5 % de probabilidade
pelo teste de Newmann Keulls.
Tabela 3 – Valores médios da altura de plântulas de Eucaliptus submetidos a diferentes tipos
de substratos em Pombal - PB. CCTA/UFCG, 2019.

4 - TESTE DE DUNNETT
Usado quando há interesse em comparar media de um tratamento padrão (testemunha) com os
demais tratamentos.
Não há interesse na comparação dos demais tratamentos entre sí.
Um experimento com I tratamentos permite a aplicação do teste a (I – 1) comparações.
Aplicação do teste Dunnett
Calcular a estimativa de cada contraste.
Y1 = mi - mP
Y2 = mi - mP
Y(I – 1) = m(I – 1) - mP
Calcular a estimativa de variância de cada contraste.
V(Y) = (1 / ri + 1/rp) QMR
Calcular o desvio padrão do contraste.
S(Y) = √V(Y)
Calcular o valor do teste d’.
d’ = td x s(Y)
td = valor tabelado para teste Dunnett (1 e 5 %).
td = f (α, i e n).
α = nível de significância
i = n0 de grau de liberdade de tratamentos (I – 1).
n’ = número de grau de liberdade do resíduo.
Regra de decisão
Y = |mI – mJ| ≤ d’
Aceita-se H0. (contraste não significativo).
Y = |mI – mJ| > d’
Rejeita-se H0. (contraste é significativo).
Ex: Aplicar o teste Dunnett para o exercício anterior, admitindo o tratamento 1 como sendo a
testemunha.
1) Calcular a estimativa de cada contraste.
Y1 = m2 – m1 = 6,77 – 5,25 = 1,52*
Y2 = m3 – m1 = 6,65 – 5,25 = 1,40*
Y3 = m4 – m1 = 5,52 – 5,25 = 0,27ns
Y4 = m5 – m1 = 6,40 – 5,25 = 1,15*
2) Calcular a estimativa da variância de cada contraste.
V(Y) = (1/4 + 1/4) x 0,26 = 0,13
3) Calcular o desvio padrão do contraste.
 S(Y) = √V(Y) = √0,13 = 0,36.
4) Calcular o valor do teste d’ (DMS).
d’ = td x S(Y)
td (5%,4,15) = 2,73 d’ = 2,73 x 0,36 = 0,98
Regra de decisão
Y = |mI – mJ| ≤ d’
Aceita-se H0. (contraste não significativo).
Y = |mI – mJ| > d’
Rejeita-se H0. (contraste é significativo).
5) Conclusão.
Verifica-se maior altura de plântulas de Eucaliptus quando utilizou-se os substratos 2, 3 e 5
comparado a testemunha (substrato 1). Não houve diferença significativa na altura da plântula
de Eucaliptus quando se usou o substrato 4 comparado a testemunha (substrato 1) ao nível de
5 % de probabilidade pelo teste de Dunnett.

5 - TESTE t DE STUDENT
Usado também para comparações de médias.
As comparações devem ser escolhidas antes de serem examinados os dados.
N0 de comparações = GL para tratamentos.
Os contrastes devem ser ortogonais.
Contraste: função linear (se a soma algébrica dos coeficientes das variáveis é igual a zero).
(Y = a1x1 + a2x2 +...+ anxn → ∑an = 0).
Contrastes ortogonais: a soma algébrica dos produtos dos coeficientes de mesma variável
for também igual à zero.
(Y1 = a1x1 + a2x2 +...+ anxn → ∑an = 0).
(Y2 = b1x1 + b2x2 +...+ bnxn → ∑bn = 0).
a1b1 + a2b2 +…+ anbn = 0
EX: Foi realizado um experimento para avaliar a perda de massa do fruto do melão em função
de três tipos de embalagem (A, B e C) com 6 repetições por tratamento.
Definidos os contrastes.
Experimento com 3 médias (mA, mB, mC) → 2 graus de liberdade para tratamentos (2
contrastes).
Y1 = mA – mB Y2 = mA + mB – 2mC
EX 1: Se as estimativas das médias forem:
mA = 26,0; mB = 24,8; mC = 22,8;
1) Calcule o valor do contraste Y1
Y1 = 26,0 – 24,8 = 1,20.
2) Calcule a estimativa da variância do contraste.

Variância é a raiz quadrada do desvio padrão.

S(Y) = √V(Y)
V(Y1) = (1/6 + 1/6) x 1,44 = 0,48

S(Y1) = √0,48 = 0,693

3) Calcule a estatística do teste t:

t = 1,20 / 0,693 = 1,73
4) Veja a significância do contraste.
t5%,15 = 2,13
tcal < ttab contraste é dito não significativo.
5) Conclusão
Não foi observada diferença significativa na perda de massa do fruto do melão nas
embalagens A e B a 5% pelo teste t de Student.
Faça também para o contraste Y2
1) Calcule o valor do contraste Y1
Y2 = mA + mB – 2mC = 26,0 + 24,8 – 2 x (22,8) = 5,2.
2) Calcule a estimativa da variância do contraste.

V(Y2) = (1/6 + 1/6 + 4/6) X 1,44 = 1,44

S(Y2) = √1,44 = 1,20.

3) Calcule a estatística do teste t:

Tcalc = 5,20 / 1,20 = 4,33.
4) Veja a significância do contraste.
t5%,15 = 2,13.
tcal > ttab contraste é dito significativo. (mA + mB ≠ mC).
 Conclusão: a perda de massa do fruto de melão foi maior em médias quando esses foram
acondicionados nas embalagens A e B em relação a embalagem C 5 % de probabilidade pelo
teste t de Student.
6 - TESTE DE SHEFFÉ
Aplicado para testar todo e qualquer contraste de médias.
Frequentemente utilizado para testar contraste que envolve grupos de médias.
Mais rigoroso que o teste t, porém mais flexível.
(ortogonalidade e estabelecimento dos contrastes).
OBS: a estatística do teste é denotada por S.

I = número de tratamentos do experimento.

Fα = valor tabelado; Fα = f(n1, n2).
n1 = grau de liberdade para tratamento.
n2 = grau de liberdade para resíduo.
V(C) = Variância do contraste.

Regra de decisão
|C = m1 - m2| ≤ S
Aceita-se H0. (contraste não significativo).
|C = m1 - m2| > S
Rejeita-se H0. (contraste é significativo).
EX: Um experimento testou adubos nitrogenados para o abacaxizeiro com 6 tratamentos (5
tipos de adubo e 1 testemunha) e 4 repetições no DIC.
Médias de produção em kg / parcela.
1 – Testemunha m1 = 21,57
2 – Sulfato de amônio m2 = 27,76
3 – Salitre do Chile m3 = 24,58
4 – Uréia m4 = 28,44
5 – Nitrato de cálcio m5 = 28,85
6 – Nitrato de potássio m6 = 28,30
- Estimativa da variância residual: QMR = 0,64.
- Esquema da ANOVA:
FV GL
Tratamento 5
Resíduo 18
Total 23
1) Formar e calcular o valor do contraste.
C = 5 m1 – m2 – m3 – m4 – m5 – m6
C = 5 (21,57) – 27,76 – 24,58 – 28,44 – 28,85 – 28,30
C = - 30,08 kg / parcela
2) Calcular o valor da DMS.

- Cálculo de S:

I = 6; F5% (5,18) = 2,77

3) Comparar o valor do contraste com a DMS.

Regra de decisão
|C | ≤ S
Aceita-se H0. (contraste não significativo).
|C| > S
Rejeita-se H0. (contraste é significativo).
4) Conclusão.
Os adubos nitrogenados proporcionaram, em média, uma diferença significativa na produção
do abacaxizeiro de 6,02 kg / parcela (C/5) em relação à testemunha que não utilizou nenhum
adubo nitrogenado durante seu cultivo.
 ESTATÍSTICA EXPERIMENTAL
UNIDADE V - REGRESSÃO LINEAR SIMPLES
Considerações
- Um fator em estudo num experimento pode ser classificado como qualitativo ou
quantitativo.
- Um fator qualitativo é aquele onde os seus níveis diferem por algum atributo qualitativo.
EX: variedades, tipos de defensivos, tipo de embalagem, etc.
- Um fator quantitativo é aquele onde os níveis se diferem com relação a quantidade do
fator.
EX: temperatura, umidade, concentração de um princípio ativo, níveis de insumo, pH, etc.

- Fator é qualitativo: proceder à análise de variância dos dados e às comparações entre

médias dos níveis do fator usando algum dos procedimentos para comparações múltiplas,
quando o F for significativo.
- Fator quantitativo: estudar o efeito do fator quantitativo por meio de uma relação funcional
entre o mesmo e a variável resposta. A técnica indicada neste caso é a análise de regressão.

Modelo Matemático: Y = β0 + β1X + εi

Y = β0 + β1X + β2X2 + εi
Y → variável dependente (resposta).
X → variável independente (explanatória).
Y = 2,5 + 2,0 x X = 1; Y = 4,5;
 Modelo de regressão linear simples:
Relaciona uma variável aleatória Y com uma variável X.

Yi = β0 + β1Xi

A parte da variação de X não explicada é atribuída ao acaso e constitui a variação residual.

OBS: o n0 de tratamentos disponíveis deve ser maior que o número de parâmetros da equação
de regressão.
 R2: O coeficiente de determinação fornece uma informação auxiliar visando
verificar se o modelo proposto é adequado ou não para descrever o fenômeno.
Trata-se do indicador de qualidade do ajustamento.
R2 = VE/VT
0 ≤ R2 ≤ 1, ou 0 a 100 %.
Ex 1: Os dados da tabela a seguir referem-se ao efeito das doses do inseticida Vertimec sob
mosca branca em condições de laboratório.
Doses (X) Mortalidade (Y) % X2 Y2 XY
ml
0.5 3 0,25 9 1,5
1,0 9 1,00 81 9,0
1,5 44 2,25 1936 66,0
2,0 68 4,00 4624 136,0
2,5 79 6,25 6241 197,5
3,0 82 9,00 6724 246,0
3,5 85 12,25 7225 297,5
4,0 94 16,00 8836 376,0
4,5 100 20,25 10000 450,0
Total - - - -
22,5 564 71,25 45676 1779,5

* Com base nesses dados, calcule as estimativas dos parâmetros da equação de regressão:
 = ∑y / n = 564/9 = 62,66

= ∑x / n = 22,5/9 = 2,5
β0 = 62,66 – 24,63 * 2,5 = 1,09.

Pode-se fazer então o diagrama de dispersão e traçar a reta da equação de regressão linear.

Coeficiente de determinação (R2)

Trata-se do indicador de qualidade do ajustamento.
R2 = VE/VT
a – Variância total (VT):
VT = ∑y2 - (∑y)2 / n.
b – Variação explicada pela variável independente (VE):
VE = β1 * ∑xy – (∑x * ∑y) / n
Ex 2: Calcular o R2 para o exemplo anterior.
 VT = ∑y2 - (∑y)2 / n = 45.676 – (564)2/9 = 10.332.

VE = β1 * ∑xy - (∑x * ∑y) / n

VE = 24,63 * [1.779,5 – (22,5 * 564)/9] = 9.100,79.

R2 = VE/VT = 9100,79/ 10332

R2 = 0,8808 ou 88,08 %.
Conclusão: O uso das doses do inseticida (x) explica 88,08 % da variação da mortalidade de
insetos (Y).