Na última aula...

✓ Por que não posso parar só na ANAVA?

➢ Pois a ANAVA só mostra que há diferença entre seus tratamentos, mas para saber onde ela está, é preciso
realizar um teste de médias (para fatores qualitativos) ou uma análise de regressão (para fatores quantitativos)

✓ Pra que serve o teste de médias?

➢ Para comparar as médias entre os tratamentos e te dizer onde está a diferença entre eles, mostrando qual foi
melhor e qual foi pior

✓ Como o teste de médias consegue dizer qual tratamento diferiu do outro?

➢ Ele compara a diferença entre as médias dos tratamentos com um parâmetro chamado de diferença mínima
significante (DMS). Valores superiores ao DMS são considerados diferentes. Valores inferiores são
considerados iguais

✓ Como o teste identifica o que é diferente do que é igual?

➢ Através de letras. Mesma letra = igualdade entre os tratamentos. Letras diferentes = diferença entre os
tratamentos.
 ANAVA
Probabilidade dos tratamentos serem iguais é de apenas 2,24% (0,0224)
→ Logo, aceita-se que existem diferenças entre os tratamentos

Pr > Fc = probabilidade de os tratamentos serem iguais entre si

▪ Se a probabilidade deles serem iguais for > 5% (0,05), aceita-se que não existem diferenças entre os
tratamentos
▪ Se a probabilidade deles serem iguais for < 5% (0,05), aceita-se que existem diferenças entre os
 ANAVA
Ok, a análise de
variância mostrou que
eu tenho diferença
entre meus
tratamentos.
Mas e agora? Como
saber qual é o melhor
e qual é o pior?

Fatores qualitativos

✓ Cultivares Teste de médias

✓ Produtos
✓ Tipos de manejo
Regressão
Fatores quantitativos

✓ Doses (0,0; 0,1; 0,2; 0,3; 0,4 L ha-1)

✓ Épocas (0; 3; 6; 9; 12 dias após o fungicida)
✓ População (100; 200; 300; 400 mil plantas ha-1)
 Análise de regressão

Prof. Msc. Gabriel Bressiani Melo

 Exemplo 1

População de plantas x Produtividade

 Análise de regressão
Imagine que você está testando cinco populações de plantas (100, População Repetição PROD
200, 300, 400 e 500 mil plantas ha-1), ou seja, um fator quantitativo... 100 1 4.782
100 2 5.087
100 3 4.871
Você já executou a ANAVA e observou que houve diferença 100 4 4.877
significativa entre os tratamentos... Média 4.904
200 1 4.455
Qual população
200 2 4.897
de plantas vai ser
200 3 4.560
mais produtiva, e
200 4 4.765
qual vai ser Média 4.669
menos? 300 1 4.632
300 2 3.957
Como se 300 3 4.300
comportará a 300 4 4.854
produtividade a Média 4.436
medida que eu 400 1 4.721
aumento minha 400 2 4.859
400 3 4.911
população?? Vai
400 4 4.393
aumentar ou
Média 4.721
diminuir?
500 1 4.028
500 2 4.051
500 3 4.419
Para obter essas informações você precisa realizar 500 4 4.259
uma análise de regressão Média 4.189
 Análise de regressão
Quando se está trabalhando com fatores quantitativos (que seguem uma escala de
População Repetição PROD
proporção numérica) é possível saber não apenas qual é o melhor tratamento, mas também 100 1 4.782
100 2 5.087
como a variável se comporta a medida que você diminui ou aumenta o nível dos seus 100 3 4.871
tratamentos. 100 4 4.877
Média 4.904
200 1 4.455
200 2 4.897
Se eu fizer um gráfico relacionando as médias obtidas com os níveis dos meus tratamentos,
200 3 4.560
eu terei um diagrama de dispersão. 200 4 4.765
Média 4.669
5100 300 1 4.632
300 2 3.957
4904 300 3 4.300
4800 4721 300 4 4.854
4669
Produtividade (kg ha-1)

Média 4.436
400 1 4.721
4500 4436 400 2 4.859
400 3 4.911
400 4 4.393
4189
4200 Média 4.721
500 1 4.028
500 2 4.051
500 3 4.419
3900
100 200 300 400 500
500 4 4.259
Média 4.189
População de plantas (mil plantas ha-1)
 Análise de regressão
Com o diagrama de dispersão pronto, agora eu ierei testar modelos que expliquem o comportamento dos meus dados.

Existem diversos tipos de modelos de ajuste dos pontos. Entretanto, na agronomia, só se consegue explicar modelos
lineares (em linha reta) ou quadráticos (em curva).

Linear Quadrático
+ +
Produtividade

Produtividade
- -

- + - +
População de plantas População de plantas
 Análise de regressão
Para saber qual modelo explica melhor às suas médias, é realizada a ANAVA da regressão para testar o ajuste de cada um
dos modelos (linear ou quadrático)

FV GL SQ QM Fc
Regressão Linear (RL.) 1 (ΣC1T)² / RK1 SQRL. / GLRL. QMRL. / QMRes.
Regressão Quadrática (RQ.) 1 (ΣC2T)² / RK2 SQRQ. / GLRQ. QMRQ. / QMRes.
Desvío da Regressão (DR.) GLTrat. - (GLRL. + GLRQ.) SQTrat. - (SQRL. + SQRQ.) SQDR. / GLDR. QMDR. / QMRes.
Resíduo (Res.) (Nt - 1) * (Nr - 1) (SQTot. - SQTrat. - SQBloc.) SQRes. / GLRes.

Legenda
Letra Referência
Nt Número de tratamentos
Nr Número de repetições
 Análise de regressão
Após a etapa da ANAVA, é calculado o R², que nada mais é do que o coeficiente de ajuste do modelo, ou seja, o quanto
aquele modelo consegue explicar seus resultados.

Além disso, é calculado a equação do modelo para poder calcular sua linha de tendência.

Também é calculado o ponto de máxima (ponto de maior valor), ou seja, descobrir qual o melhor tratamento

Modelos R² a b c Valor de y X máximo

Regressão Linear (RL.) (SQRL. / SQTrat.) - (B1*M1) / q Ӯ + ((B1*M1*( * -1)) / q) y = c + bx -
RegressãoModelos
Quadrática (RQ.) (SQRL. + SQRQ.)
R² / SQTrat. (B2*M2)
a / q² ((B2*M2*2*( * -1)) b/ q²) + ((B1*M1) / q) Ӯ + ((B1*M1*( * -1)) / q)
c + (B2*M2*(( / q)²-2)) y =Valor
c + bx
de+ yax² X|bmáximo
/ (2*a)|
Regressão Linear (RL.) (SQRL. / SQTrat.) - (B1*M1) / q Ӯ + ((B1*M1*( * -1)) / q) y = c + bx -
Regressão Quadrática (RQ.) (SQRL. + SQRQ.) / SQTrat. (B2*M2) / q² ((B2*M2*2*( * -1)) / q²) + ((B1*M1) / q) Ӯ + ((B1*M1*( * -1)) / q) + (B2*M2*(( / q)²-2)) y = c + bx + ax² |b / (2*a)|
Fórmulas Legenda
Fatores Variáveis Fórmula Letra Referência Encontrar o
B1 Fórmulas
RL ΣC1*T / Nr*K1 Nt número de tratamentos
Legenda melhor
Fatores
B2 Variáveis
RQ ΣC2*T / Nr*K2
Fórmula Nr Letra número de repetições
Referência tratamento
q
B1 -
RL ΣC1*T
X2 -/ X1
Nr*K1 Np
Nt parcelas
número de tratamentos
B2 Médio
RQ ΣC2*T
X1 + X2 / Nr*K2
+ X3 + X4 + X5 / Nt ΣTR²
Nr somatório
número dedos tratamentos ao quadrado
repetições
P1
q RL
- X2 Z- X1 Σy
Np somatório
número dedo total
parcelas
P2 RQ
Médio Z²- (Nt)²
X1 + X2 + X3 + -1)X4
/ 12)
+ X5 / Nt Σy²
ΣTR² somatório
somatório dos parcelas²
das tratamentos ao quadrado
Z RL (X - ) / q ΣB² total dos blocos²
P1 RL Z Σy somatório do total
Z² RQ ((X - ) / q))² Ӯ Média de todo o experimento
P2 RQ Z²- (Nt)² -1) / 12) Σy²
X1, X2, X3, X... somatório
Valores dos das parcelas²
níveis do tratamento
Z RL (X - ) / q ΣB² total dos blocos²
Z² RQ ((X - ) / q))² Ӯ Média de todo o experimento
X1, X2, X3, X... Valores dos níveis do tratamento
 Análise de regressão
Escolhendo o modelo ideal População Repetição PROD
100 1 4.782
100 2 5.087
100 3 4.871
100 4 4.877
Média 4.904
200 1 4.455
200 2 4.897
200 3 4.560
200 4 4.765
Média 4.669
300 1 4.632
Ambos os modelos são significativos
300 2 3.957
300 3 4.300
Quando a regressão linear (b1) for significativa à 5% (0,05), significa que ela 300 4 4.854
pode explicar o comportamento das médias Média 4.436
400 1 4.721
400 2 4.859
Quando a regressão quadrática (b2) for significativa à 5% (0,05), significa 400 3 4.911
que ela pode explicar o comportamento das médias 400 4 4.393
Média 4.721
500 1 4.028
Quando o desvio da regressão for significativo à 5% (0,05), significa que 500 2 4.051
nenhum dos dois modelos consegue explicar o comportamento dos dados 500 3 4.419
500 4 4.259
Média 4.189
 Análise de regressão
Escolhendo o modelo ideal

Como os dois modelos forem significativos, para escolher entre um deles, é preciso observar qual deles tem o maior
R², ou seja, qual se ajusta melhor aos seus dados. Obs.: o R² precisa ser maior que 60%

Linear Quadrática

R² muito próximos

Como o R² foi muito próximo, o último critério é escolher qual modelo se encaixa melhor nos resultados esperados, ou
seja, se qual deles vai explicar melhor os resultados encontrados
 Análise de regressão
Escolhendo o modelo ideal População Repetição PROD
100 1 4.782
Observando os dados, nota-se uma tendência de diminuição linear da produtividade com o 100 2 5.087
100 3 4.871
aumento da população de plantas. Neste caso, o modelo linear se encaixa melhor, ou 100 4 4.877
seja, explica melhor o comportamento dos dados Média 4.904
200 1 4.455
200 2 4.897
Diagrama de dispersão 200 3 4.560
5100 200 4 4.765
Média 4.669
4904
300 1 4.632
300 2 3.957
4800 4721
4669 300 3 4.300
Produtividade (kg ha-1)

300 4 4.854
Média 4.436
4500 4436
400 1 4.721
400 2 4.859
4189 400 3 4.911
4200 400 4 4.393
Média 4.721
500 1 4.028
3900 500 2 4.051
100 200 300 400 500 500 3 4.419
População de plantas (mil plantas ha-1) 500 4 4.259
Média 4.189
 Análise de regressão
Depois de escolhido o modelo e feito os cálculos das equações, basta colocar os valores de X
(seus tratamentos, Ex.: 100, 200, 300...) na equação para encontrar os valores de Y População Repetição PROD
correspondentes. 100 1 4.782
100 2 5.087
100 3 4.871
Quando fizer isto você terá os valores observados, que foram aqueles que você obteve, e os
100 4 4.877
valores estimados, aqueles calculados pela equação.
Média 4.904
200 1 4.455
200 2 4.897
200 3 4.560
200 4 4.765
5100 Média 4.669
300 1 4.632
4904 300 2 3.957
4800 4721 4721 300 3 4.300
4859 300 4 4.854
Produtividade (kg ha-1)

4583 Média 4.436

4669
4446 400 1 4.721
4500 4436
400 2 4.859
4308 400 3 4.911
400 4 4.393
4200 Média 4.721
4189 500 1 4.028
500 2 4.051
3900 500 3 4.419
100 200 300 400 500 500 4 4.259
Média 4.189
População de plantas (mil plantas ha-1)
 Análise de regressão
Depois de escolhido o modelo e feito os cálculos das equações, basta colocar os valores de X
(seus tratamentos, Ex.: 100, 200, 300...) na equação para encontrar os valores de Y População Repetição PROD
correspondentes. 100 1 4.782
100 2 5.087
100 3 4.871
Quando fizer isto você terá os valores observados, que foram aqueles que você obteve, e os
100 4 4.877
valores estimados, aqueles calculados pela equação.
Média 4.904
200 1 4.455
Agora, é só traçar uma linha (linha de tendência), interligando os pontos dos valores 200 2 4.897
estimados. 200 3 4.560
200 4 4.765
5100 Média 4.669
300 1 4.632
4904 300 2 3.957
4800 4721 4721 300 3 4.300
4859 300 4 4.854
Produtividade (kg ha-1)

4583 Média 4.436

4669
4446 400 1 4.721
4500 4436
400 2 4.859
4308 400 3 4.911
400 4 4.393
4200 Média 4.721
4189 500 1 4.028
500 2 4.051
3900 500 3 4.419
100 200 300 400 500 500 4 4.259
Média 4.189
População de plantas (mil plantas ha-1)
 Análise de regressão
Depois de escolhido o modelo e feito os cálculos das equações, basta colocar os valores de X
(seus tratamentos, Ex.: 100, 200, 300...) na equação para encontrar os valores de Y
correspondentes. População Repetição PROD
100 1 4.782
100 2 5.087
Quando fizer isto você terá os valores observados, que foram aqueles que você obteve, e os
100 3 4.871
valores estimados, aqueles calculados pela equação.
100 4 4.877
Média 4.904
Agora, é só traçar uma linha (linha de tendência), interligando os pontos dos valores 200 1 4.455
estimados. 200 2 4.897
200 3 4.560
Por fim, é só colocar a legenda com a equação e o valor do R² 200 4 4.765
5100 Média 4.669
y = 4997,10 – 1,377x; R² = 61,97%
300 1 4.632
4904 300 2 3.957
300 3 4.300
4800 4859 4721 4721
300 4 4.854
Produtividade (kg ha-1)

4583 Média 4.436

4669
400 1 4.721
4500 4436 4446
400 2 4.859
4308 400 3 4.911
400 4 4.393
4200 Média 4.721
4189 500 1 4.028
500 2 4.051
3900 500 3 4.419
100 200 300 400 500 500 4 4.259
Média 4.189
População de plantas (mil plantas ha-1)
 Análise de regressão
Tudo pronto!
População Repetição PROD
Agora, observando o gráfico você consegue descrever como se comporta a variável de acordo 100 1 4.782
com o aumento dos níveis de seus tratamentos... 100 2 5.087
100 3 4.871
100 4 4.877
...ou seja, no caso deste exemplo, você é capaz de dizer que a medida em que se aumenta a
Média 4.904
população de plantas, ocorre redução linear na produtividade, sendo a maior produtividade
200 1 4.455
obtida na população de 100 mil e a menor na população de 500 mil plantas ha-1. 200 2 4.897
200 3 4.560
200 4 4.765
5100 Média 4.669
y = 4997,10 – 1,377x; R² = 61,97%
300 1 4.632
4904 300 2 3.957
300 3 4.300
4800 4859 4721 4721
300 4 4.854
Produtividade (kg ha-1)

4583 Média 4.436

4669
400 1 4.721
4500 4436 4446
400 2 4.859
4308 400 3 4.911
400 4 4.393
4200 Média 4.721
4189 500 1 4.028
500 2 4.051
3900 500 3 4.419
100 200 300 400 500 500 4 4.259
Média 4.189
População de plantas (mil plantas ha-1)
 Exemplo 2

Doses de um adubo x Produtividade

 Análise de regressão
Agora, Imagine que você está testando cinco doses de um adubo (400, DOSES Repetição PROD
500, 600, 700 e 800 kg ha-1), ou seja, um fator quantitativo... 400
400
1
2
4.001
4.002
400 3 3.999
Você já executou a ANAVA e observou que houve diferença significativa 400 4 3.998
entre os tratamentos... Média 4.000
500 1 4.242
Qual dose de 500 2 4.250
adubo vai resultar 500 3 4.260
500 4 4.238
em maior
produtividade? Média 4.248
600 1 4.520
600 2 4.530
600 3 4.510
600 4 4.502
Como se
Média 4.516
comportará a
700 1 4.252
produtividade a
700 2 4.280
medida que eu 700 3 4.200
aumento as doses 700 4 4.260
do meu adubo? Média 4.248
800 1 3.990
800 2 4.050
800 3 4.020
Para obter essas informações você precisa realizar 800 4 3.999
Média 4.015
uma análise de regressão
 Análise de regressão
Se eu fizer um gráfico relacionando as médias obtidas com os níveis dos meus tratamentos,
DOSES Repetição PROD
eu terei meu diagrama de dispersão. 400 1 4.001
400 2 4.002
400 3 3.999
400 4 3.998
4600 Média 4.000
4516
500 1 4.242
500 2 4.250
Produtividade (kg ha-1)

4400 500 3 4.260

500 4 4.238
4248 4248 Média 4.248
4200 600 1 4.520
600 2 4.530
600 3 4.510
4015
600 4 4.502
4000 4000
Média 4.516
700 1 4.252
700 2 4.280
3800 700 3 4.200
400 500 600 700 800
700 4 4.260
Doses adubo (kg ha-1)
Média 4.248
800 1 3.990
800 2 4.050
800 3 4.020
800 4 3.999
Média 4.015
 Análise de regressão
Com o diagrama de dispersão pronto, agora eu ierei testar modelos que expliquem o comportamento dos meus dados.

Existem diversos tipos de modelos de ajuste dos pontos. Entretanto, na agronomia, só se consegue explicar modelos
lineares (em linha reta) ou quadráticos (em curva).

Linear Quadrático
+ +
Produtividade

Produtividade
- -

- + - +
Doses adubo Doses adubo
 Análise de regressão
Para saber qual modelo explica melhor às suas médias, é realizada a ANAVA da regressão para testar o ajuste de cada um
dos modelos (linear ou quadrático)

FV GL SQ QM Fc
Regressão Linear (RL.) 1 (ΣC1T)² / RK1 SQRL. / GLRL. QMRL. / QMRes.
Regressão Quadrática (RQ.) 1 (ΣC2T)² / RK2 SQRQ. / GLRQ. QMRQ. / QMRes.
Desvío da Regressão (DR.) GLTrat. - (GLRL. + GLRQ.) SQTrat. - (SQRL. + SQRQ.) SQDR. / GLDR. QMDR. / QMRes.
Resíduo (Res.) (Nt - 1) * (Nr - 1) (SQTot. - SQTrat. - SQBloc.) SQRes. / GLRes.

Legenda
Letra Referência
Nt Número de tratamentos
Nr Número de repetições

Doses adubo Doses adubo

 Análise de regressão
Após a etapa da ANAVA, é calculado o R², que nada mais é do que o coeficiente de ajuste do modelo, ou seja, o quanto
aquele modelo consegue explicar seus resultados.

Além disso, é calculado a equação do modelo para poder calcular sua linha de tendência.

Também é calculado o ponto de máxima (ponto de maior valor), ou seja, descobrir qual o melhor tratamento

Modelos R² a b c Valor de y X máximo

Regressão Linear (RL.) (SQRL. / SQTrat.) - (B1*M1) / q Ӯ + ((B1*M1*( * -1)) / q) y = c + bx -
RegressãoModelos
Quadrática (RQ.) (SQRL. + SQRQ.)
R² / SQTrat. (B2*M2)
a / q² ((B2*M2*2*( * -1)) b/ q²) + ((B1*M1) / q) Ӯ + ((B1*M1*( * -1)) / q)
c + (B2*M2*(( / q)²-2)) y =Valor
c + bx
de+ yax² X|bmáximo
/ (2*a)|
Regressão Linear (RL.) (SQRL. / SQTrat.) - (B1*M1) / q Ӯ + ((B1*M1*( * -1)) / q) y = c + bx -
Regressão Quadrática (RQ.) (SQRL. + SQRQ.) / SQTrat. (B2*M2) / q² ((B2*M2*2*( * -1)) / q²) + ((B1*M1) / q) Ӯ + ((B1*M1*( * -1)) / q) + (B2*M2*(( / q)²-2)) y = c + bx + ax² |b / (2*a)|
Fórmulas Legenda
Fatores Variáveis Fórmula Letra Referência Encontrar o
B1 Fórmulas
RL ΣC1*T / Nr*K1 Nt número de tratamentos
Legenda melhor
Fatores
B2 Variáveis
RQ ΣC2*T / Nr*K2
Fórmula Nr Letra número de repetições
Referência tratamento
q
B1 -
RL ΣC1*T
X2 -/ X1
Nr*K1 Np
Nt parcelas
número de tratamentos
B2 Médio
RQ ΣC2*T
X1 + X2 / Nr*K2
+ X3 + X4 + X5 / Nt ΣTR²
Nr somatório
número dedos tratamentos ao quadrado
repetições
P1
q RL
- X2 Z- X1 Σy
Np somatório
número dedo total
parcelas
P2 RQ
Médio Z²- (Nt)²
X1 + X2 + X3 + -1)X4
/ 12)
+ X5 / Nt Σy²
ΣTR² somatório
somatório dos parcelas²
das tratamentos ao quadrado
Z RL (X - ) / q ΣB² total dos blocos²
P1 RL Z Σy somatório do total
Z² RQ ((X - ) / q))² Ӯ Média de todo o experimento
P2 RQ Z²- (Nt)² -1) / 12) Σy²
X1, X2, X3, X... somatório
Valores dos das parcelas²
níveis do tratamento
Z RL (X - ) / q ΣB² total dos blocos²
Z² RQ ((X - ) / q))² Ӯ Média de todo o experimento
X1, X2, X3, X... Valores dos níveis do tratamento
 Análise de regressão
Escolhendo o modelo ideal DOSES Repetição PROD
400 1 4.001
400 2 4.002
400 3 3.999
400 4 3.998
Média 4.000
500 1 4.242
500 2 4.250
500 3 4.260
500 4 4.238
Média 4.248

Ambos os modelos são significativos 600 1 4.520

600 2 4.530
600 3 4.510
Quando a regressão linear (b1) for significativa à 5% (0,05), significa que ela 600 4 4.502
pode explicar o comportamento das médias Média 4.516
700 1 4.252
700 2 4.280
Quando a regressão quadrática (b2) for significativa à 5% (0,05), significa 700 3 4.200
que ela pode explicar o comportamento das médias 700 4 4.260
Média 4.248
800 1 3.990
Quando o desvio da regressão for significativo à 5% (0,05), significa que 800 2 4.050
nenhum dos dois modelos consegue explicar o comportamento dos dados 800 3 4.020
800 4 3.999
Média 4.015
 Análise de regressão
Escolhendo o modelo ideal DOSES Repetição PROD
400 1 4.001
400 2 4.002
Observando os dados, nota-se um comportamento em curva da produtividade em relação as 400 3 3.999
doses do adubo, portanto o modelo quadrático se encaixa bem, ou seja, consegue 400 4 3.998
Média 4.000
explicar o comportamento dos dados 500 1 4.242
500 2 4.250
500 3 4.260
4600 500 4 4.238
4516
Média 4.248
600 1 4.520
Produtividade (kg ha-1)

4400 600 2 4.530

600 3 4.510
4248 4248
600 4 4.502
4200 Média 4.516
700 1 4.252
4015 700 2 4.280
4000 4000 700 3 4.200
700 4 4.260
Média 4.248
3800 800 1 3.990
400 500 600 700 800 800 2 4.050
Doses adubo (kg ha-1) 800 3 4.020
800 4 3.999
Média 4.015
 Análise de regressão
Escolhendo o modelo ideal

Agora, basta observar o valor do coeficiente de ajuste (R²) para ter certeza que terá um bom ajuste do modelo ao
comportamento dos dados. Obs.: o R² precisa ser maior que 60%

Quadrática
 Análise de regressão
Depois de escolhido o modelo e feito os cálculos das equações, basta colocar os valores de X
(seus tratamentos, Ex.: 400, 500, 600...) na equação para encontrar os valores de Y DOSES Repetição PROD
correspondentes. 400 1 4.001
400 2 4.002
400 3 3.999
Quando fizer isto você terá os valores observados, que foram aqueles que você obteve, e os
400 4 3.998
valores estimados, aqueles calculados pela equação.
Média 4.000
500 1 4.242
500 2 4.250
500 3 4.260
500 4 4.238
4600 Média 4.248
4516
600 1 4.520
4419 600 2 4.530
4400 600 3 4.510
4309 4315 600 4 4.502
Produtividade (kg ha-1)

Média 4.516
4200 4248 4248 700 1 4.252
700 2 4.280
700 3 4.200
4015
700 4 4.260
4000 4000
3997 Média 4.248
3985
800 1 3.990
800 2 4.050
3800
800 3 4.020
400 500 600 700 800
800 4 3.999
Doses adubo (kg ha-1) Média 4.015
 Análise de regressão
Depois de escolhido o modelo e feito os cálculos das equações, basta colocar os valores de X
(seus tratamentos, Ex.: 400, 500, 600...) na equação para encontrar os valores de Y DOSES Repetição PROD
correspondentes. 400 1 4.001
400 2 4.002
400 3 3.999
Quando fizer isto você terá os valores observados, que foram aqueles que você obteve, e os
400 4 3.998
valores estimados, aqueles calculados pela equação.
Média 4.000
500 1 4.242
Agora, é só traçar uma linha (linha de tendência), interligando os pontos dos valores
500 2 4.250
estimados. 500 3 4.260
500 4 4.238
4600 Média 4.248
4516
600 1 4.520
4419 600 2 4.530
4400 600 3 4.510
4309 4315 600 4 4.502
Produtividade (kg ha-1)

Média 4.516
4200 4248 4248 700 1 4.252
700 2 4.280
700 3 4.200
4015
700 4 4.260
4000 4000
3997 Média 4.248
3985
800 1 3.990
800 2 4.050
3800
800 3 4.020
400 500 600 700 800
800 4 3.999
Doses adubo (kg ha-1) Média 4.015
 Análise de regressão
Depois de escolhido o modelo e feito os cálculos das equações, basta colocar os valores de X
(seus tratamentos, Ex.: 400, 500, 600...) na equação para encontrar os valores de Y
correspondentes. DOSES Repetição PROD
400 1 4.001
Quando fizer isto você terá os valores observados, que foram aqueles que você obteve, e os 400 2 4.002
400 3 3.999
valores estimados, aqueles calculados pela equação.
400 4 3.998
Média 4.000
Agora, é só traçar uma linha (linha de tendência), interligando os pontos dos valores
500 1 4.242
estimados.
500 2 4.250
500 3 4.260
Agora é preciso colocar a legenda com a equação e o valor do R² 500 4 4.238
y = 551,58 + 12,861x – 0,0107x²; R² = 89,8% Média 4.248
4600
600 1 4.520
4516 600 2 4.530
4419
600 3 4.510
4400 600 4 4.502
4309 4315
Produtividade (kg ha-1)

Média 4.516
700 1 4.252
4200 4248 4248 700 2 4.280
700 3 4.200
4015 700 4 4.260
4000 4000 Média 4.248
3997
3985 800 1 3.990
800 2 4.050
3800 800 3 4.020
400 500 600 700 800 800 4 3.999
Média 4.015
Doses adubo (kg ha-1)
 Análise de regressão
Em uma regressão quadrática, também é possível calcular o ponto de máxima, ou seja, o valor do tratamento que resultou no maior valor da variável
analisada. No caso deste exemplo, é a dose do adubo que resultou na maior produtividade.

Para calcular o ponto de máxima e descobrir qual é a melhor dose, basta usar a fórmula: |b/(2*a)| → b = constante que acompanha o x; a =
constante que acompanha x²

Depois de calculado o ponto de máxima, é possível descobrir qual foi o maior valor de produtividade obtido. Basta substituir o valor do ponto de
máxima no X da equação.

Neste exemplo a equação da regressão foi: y = 551,58 + 12,861x – 0,0107x² → substituindo: y = 551,58 + 12,861*600,98 – 0,0107*600,98² → y =
4416,19
4600 y = 551,58 + 12,861x – 0,0107x²; R² = 89,8%
4516
4419
4416,19 |12,861/(2*0,0107)|
4400
4309 4315
Produtividade (kg ha-1)

600,98
4200 4248 4248

4015
4000 4000
3997
3985

3800
400 500 600
600,98 700 800

Doses adubo (kg ha-1)

 Análise de regressão
Tudo pronto!

Agora, observando o gráfico você consegue descrever como se comporta a variável de acordo com o aumento dos níveis de seus
tratamentos...

Você é capaz de dizer que seus dados apresentaram comportamento quadrático (em curva). Sendo que, com o aumento das
doses do adubo, houve acréscimo de produtividade, que se manteve até a dose de 600,98 kg ha-1, resultando na produtividade
máxima de 4416,19 kg ha-1. Após esta dose, acréscimos na quantidade de adubo resultaram em redução na produtividade.

4600 y = 551,58 + 12,861x – 0,0107x²; R² = 89,8%

4516
4419
4416,19
4400
4309 4315
Produtividade (kg ha-1)

4200 4248 4248

4015
4000 4000
3997
3985

3800
400 500 600
600,98 700 800

Doses adubo (kg ha-1)

Obrigado!!!