Maria Luísa Santos Frei

Nelson António Moisés

Renalde Rui A. Daúdo

Rodrigues Sitoi Domingos

Valdemiro Veloso

Valdemiro Carlos Eusébio

Uassa Paulino António

Sérgio Borge Pompílio

Sheina Swelmi Inroga

Weneat da Leopoldina Miranda

Delineamento Em Quadrado Latino (DQL)

Licenciatura em Agro-pecuária Com Habilitação em Extensão Rural

3º Ano

Universidade Licungo

Quelimane

2019
 Maria Luísa Santos Frei

Nelson António Moisés

Renalde Rui A. Daúdo

Rodrigues Sitoi Domingos

Valdemiro Veloso

Valdemiro Carlos Eusébio

Uassa Paulino António

Sérgio Borge Pompílio

Sheina Swelmi Inroga

Weneat da Leopoldina Miranda

Delineamento Em Quadrado Latino (DQL)

Trabalho de Caracter Avaliativo, a Ser Entregue na

Escola Superior Técnica-ESTEC, Recomendado pelo
Eng. Agnaldo Fijamo.

Universidade Licungo

Quelimane

2019
1. Introdução

2. Objectivos
2.1. Gerais
 Adquirir conhecimentos sobre os delineamentos de quadrado latino.
 E desenvolver capacidades para sua aplicação em experimentos agrários.
2.2. Específicos
 Caracterizar o delineamento de Quadrado latino.
 Descrever e explicar seus princípios de aplicação.
 Apresentar o quadro de análise de variância- (ANOVA) para este delineamento.
 Demonstrar através de exemplos as estatísticas para o quadrado latino.
 Compartilhar os conhecimentos adquiridos com a turma.
 3. Delineamento em Quadrado Latino (DQL)
3.1. Caracterização do DQL

O Quadrado Latino é, assim como Blocos Causalizados, um delineamento apropriado para

experimentos heterogéneos. Sugerido por Sir Ronald A. Fisher, na década de 1920, para controlar
duas fontes de variabilidade presente nas unidades experimentais, determinando assim o que ele
chamou de Sistema Duplo de Bloqueamento (Pearce, 1983 citado por). Portanto a
heterogeneidade neste caso refere-se as variações decorrentes de factores que mereçam controlo e
que necessitam de dois tipos de estratificação das parcelas para garantir homogeneidade dentro
dos blocos. Como exemplo encontramos terrenos com gradientes de fertilidade em dois sentidos,
ou animais heterogéneos para raça e idade, entre outros.(BANZATTO & KRONKA, 2006).

Neste delineamento, o controlo local é feito estabelecendo-se dois tipos de blocos completos.

 As linhas- Homogéneas para um factor de variabilidade nas unidades experimentais

 E as colunas- Homogéneas para o outro factor de variação nas parcelas.

Dai a denominação de sistemas duplos de blocos. Portanto, cada bloco, representado por linhas e
colunas terá tantas parcelas, quantas forem os tratamentos.

O termo quadrado latino provém do fato de que os dois factores de heterogeneidade têm o
mesmo número de níveis. Este número de níveis é igual ao número de tratamentos e repetições e,
assim sendo, o número de UE é igual ao quadrado do número de tratamentos. O fato do número
de tratamentos ser igual ao número de repetições é uma limitação ao uso deste delineamento pois,
ao usar 8 ou mais tratamentos teremos um número exagerado de repetições.

Por apresentar número igual de tratamentos (t) e repetições (r), e consequentemente linhas (l) e
colunas (c) iguais, o número de parcelas a constituírem o experimento deve ser sempre um
quadrado perfeito dos tratamentos (n = t2= 25, 36, 49, 64, etc.), já que cada linha e cada coluna
dos blocos completos deveram conter todos os tratamentos uma única vez.

3.2. Distribuição dos Tratamentos e Sua Casualização

O ponto de partida para a organização do quadrado latino e a disposição sistemática dos

tratamentos para atender a condição de que cada tratamento consta uma única vez na linha e
coluna.
Para promover a casualização do Q.L, existem planos fornecidos em literaturas, mas há uma
maneira prática, de realizar o sorteio, a qual consiste em escrever um Q.L padrão fazendo
posteriormente o sorteio das linhas e das colunas.
D A B C
(BARROS NETO, 1995)
A B C D

B C D A
1. Sorteia-se uma letra para a diagonal e completa
em ordem alfabética. C D A B

D A B C

2. Com as colunas numeradas ou marcadas faz-se o A B C D

sorteio das mesmas (1, 4, 2 e 3)
B C D A

C D A B

D C A B
3. Com as linhas numeradas ou marcadas faz-se o
sorteio das mesmas (2, 1, 4, e 3). A D B C

B A C D

C B D A

C D B A

D A C B
4. Aos tratamentos deveram ser seleccionadas as
letras. Assim sendo este será o plano que será A B D C
instalado no campo o qual apresenta casualização
nas linhas e colunas. B C A D
 3.3. Modelo Estatísticos e Pressuposições

A observação da parcela na coluna j e na linha k, que recebe o tratamento i, é definida por:

𝒀𝑲(𝒊𝒋) = 𝝁 + 𝑻𝑲(𝒊𝒋) + 𝑪𝒋 + 𝑳𝒊 + 𝒆𝑲(𝒊𝒋)

Em que:

𝒀𝑲(𝒊𝒋) : E a observação referente ao tratamento, da linha i e da coluna j.

𝝁: é a média ou constante comum a todas as parcelas;

𝑻𝑲(𝒊𝒋) : efeito do tratamento k, com k= 1,2, e t.

𝑪𝒋 : efeito da coluna j, com j=1,2, e t.

𝑳𝒊 : efeito da linha i, com i=1,2, e t.

𝒆𝑲(𝒊𝒋) : erro experimental associado a todas observações 𝒀𝑲(𝒊𝒋) Que por hipótese tem distribuição
normal com médias zero e variância 𝑆 2 .

 Aditividade - os diversos efeitos são aditivos, isto é, tem-se uma soma de efeitos e estes
efeitos são independentes;
 Aleatoriedade - os erros ou desvios 𝒆𝑲(𝒊𝒋) , São conjuntamente independentes, isto é, não
são correlacionados;
 Homogeneidade de variâncias - todos os erros 𝒆𝑲(𝒊𝒋) tem a mesma variância σ²;
 Normalidade dos erros - os erros 𝒆𝑲(𝒊𝒋) tem distribuição normal. (GOMES, 1981).
3.3.1. Análise de variância

Neste delineamento, a variância recebe a denominação de análise segundo três critérios de

classificação: tratamentos, colunas, linhas. Neste caso, pressupõe-se que a variabilidade total
observada nos dados de unidades experimentais para uma variável resposta, pode ser decomposta
nos efeitos decorrentes de causas controladas (tratamentos, colunas e linhas) e de causas não
controladas (erro). (DUARTE, 1996).
 Para obtenção da análise de variância relativa a este delineamento são apresentadas a seguir
expressões que o facilitam análise dos dados.

FV GL SQ QM F
Colunas (C) 𝑟−1 ∑𝑟𝑗=1 𝐶𝑗2 𝑆𝑄𝐶 𝑄𝑀𝐶
− 𝐹𝐶 𝐺𝐿𝐶 𝑄𝑀𝐸
𝑟
Linhas (L) 𝑟−1 ∑𝑟𝑖=1 𝐿2𝑖 𝑆𝑄𝐿 𝑄𝑀𝐿
− 𝐹𝐶 𝐺𝐿𝐿 𝑄𝑀𝐸
𝑟
Tratamentos (Tr) 𝑟−1 ∑𝑟𝑘=1 𝑇𝑟𝑘2 𝑆𝑄𝑇𝑟 𝑄𝑀𝑇𝑟
− 𝐹𝐶
𝑟 𝐺𝐿𝑇𝑟 𝑄𝑀𝐸
Erros (E) (𝑟 − 1)(𝑟 − 1) 𝑆𝑄𝐸 = 𝑆𝑄𝑇𝑜𝑡 − 𝑆𝑄𝐶 − 𝑆𝑄𝐿 − 𝑆𝑄𝑇𝑟 𝑆𝑄𝐸
𝐺𝐿𝐸
𝑟 𝑟 𝑟
Total (Tot) 𝑟2 − 1
2
∑ ∑ ∑ 𝑌𝑖𝑗𝑘 − 𝐹𝐶
𝑖=1 𝑗=1 𝑘=1

Tabela. 1. Esquema da ANOVA para o delineamento em Quadrado Latino.

3.3.1.1. Teste De Hipótese ou teste F e Interpretação Dos Resultados

1) Interpretação para Colunas C.
 Estabelecer as hipóteses:
H0: 𝜎𝐶2 = 0 (colunas não heterogêneas)
H1: 𝜎𝐶2 ≠ 0 (colunas heterogéneas)
 Estabelecer o nível de significância do teste, ou erro tipo I (α)
 Calcular o valor de F calculado entre colunas.
 Ver o valor de F tabelado ao nível de significância
 Decisão e conclusão: se 𝑭𝒄𝒂𝒍𝒄 ≥ 𝑭𝒕𝒂𝒃, rejeitamos 𝐻0 e concluímos que as
colunas são heterogéneas, em nível α de probabilidade de erro ou de significância,
ou seja, o uso de colunas foi eficiente. A variância entre colunas é significativa. E
se 𝑭𝒄𝒂𝒍𝒄 < 𝑭𝒕𝒂𝒃, não rejeitamos 𝐻0 e concluímos que as colunas não são
heterogéneas, ou seja, o uso de colunas não foi eficiente. Em próximos
experimentos não precisamos fazer esse bloqueamento. A variação existente entre
colunas deve-se ao acaso.
2) Interpretação para Linhas
 Estabelecer as hipóteses:
𝐻0: 𝜎𝐿2 = 0 (linhas não heterogéneas)
𝐻1: 𝜎𝐿2 ≠ 0(linhas heterogéneas)
 Estabelecer o nível de significância do teste, ou erro tipo I (α)
 Calcular o valor de 𝐹𝑐𝑎𝑙 entre linhas.
 Decisão e conclusão: Se 𝑭𝒄𝒂𝒍𝒄 ≥ 𝑭𝒕𝒂𝒃, rejeitamos H0 e concluímos que as
linhas são heterogéneas, em nível α de probabilidade de erro ou de significância,
ou seja, o uso de linhas foi eficiente. A variância entre filas é significativa.
Se 𝑭𝒄𝒂𝒍𝒄 < 𝑭𝒕𝒂𝒃, não rejeitamos H0 e concluímos que as linhas não são
heterogéneas, ou seja, o uso de colunas não foi eficiente. Em próximos
experimentos não precisamos fazer esse bloqueamento. A variação existente entre
filas deve-se ao acaso.
3) Interpretação para Tratamentos de efeito fixo
 Estabelecer as hipóteses:
𝐻0: 𝒕𝒊 = 𝟎 (para todo e qualquer i), ou seja, as médias de tratamentos não
diferem.
𝐻1: 𝒕𝒊 ≠ 𝟎, (para algum i), ou seja, pelo menos um contraste de médias de
tratamento difere.
 Estabelecer o nível de significância do teste, ou erro tipo I (α).
 Calcular o valor de 𝐹𝑐𝑎𝑙𝑐 entre tratamentos.
 Decisão e conclusão: Se 𝑭𝒄𝒂𝒍𝒄 ≥ 𝑭𝒕𝒂𝒃, rejeitamos H0 e concluímos que as
médias dos tratamentos (grupos) diferem entre si, em nível α de probabilidade de
erro ou de significância. Ou ainda, concluímos que 𝑡𝑖 ≠ 0 para algum i, ou
melhor, no mínimo duas médias de tratamentos diferem entre si e, a diferença
existente não pode ser atribuída à variação do acaso.
Se 𝑭𝒄𝒂𝒍𝒄 < 𝑭𝒕𝒂𝒃, não rejeitamos 𝐻0 e concluímos que as médias dos
tratamentos (grupos) não diferem entre si, ou seja, a diferença entre as médias dos
tratamentos pode ser atribuída ao acaso.
 4) Avaliação Da Precisão Experimental

A precisão experimental pode ser avaliada pela magnitude do erro experimental. Quanto menor o
erro experimental, mais preciso é o experimento. A estatística coeficiente de variação (CV) serve
para avaliar a precisão experimental. O CV é calculado pela seguinte expressão:

√𝑄𝑀𝐸
𝐶𝑉 = × 100
𝑥̅

O autor Pimentel Gomes sugeriu a seguinte classificação da precisão experimental de acordo com
o CV.

CV (%) Classificação do CV Classificação da Precisão

Experimental

< 10 Baixo Alta

≥ 10 𝑒 < 20 Médio Média

≥ 20 𝑒 < 30 Alto Baixa

≥ 30 Muito Alto Muito

Após o teste de hipótese para interpretarmos o efeito de tratamento salientamos o seguinte: Se

concluirmos que não há diferença entre as médias de tratamento, ou seja, as diferenças existentes
podem ser atribuídas ao acaso, ou ainda, não rejeitamos H0 não precisamos fazer mais nada. No
entanto, se concluirmos que há diferença significativa entre as médias de tratamentos, ou seja,
rejeitamos H0, o que sabemos é que no mínimo duas médias (a maior e a menor média) diferem.

Precisamos comparar as demais médias de tratamento e para isso quando os tratamentos são
qualitativos usam-se testes de comparação múltipla de médias (Tukey, Duncan, Scott Knott,
DMS, e outros) e quando os tratamentos são quantitativos, com mais de dois níveis usa-se, mais
apropriadamente, a análise de regressão, que estabelece uma função entre a variável dependente
(medida no experimento) e a variável independente (tratamento aplicado). (FILHO, LÚCIO &
LOPES, 2009).
 3.4. Testes De Comparações Múltiplas

Os testes de comparações múltiplas ou testes de comparações de médias, servem como um

complemento do teste F, para detectar diferenças entre os tratamentos. Existem diversos
procedimentos de comparação múltipla de médias, cada um com as suas particularidades. Como
exemplo: Scott Knott – indicado quando o número de tratamentos é elevado, evitando
ambiguidades; Dunnett – quando tem-se um tratamento testemunha (grupo controle), etc
(FILHO, LÚCIO & LOPES, 2009).

Experimento

Dados

Anova

Teste F
Significativo?
Não Sim
Aceita H0 Tipo de Factor

Quantitativo Qualitativo

Teste t Student

Teste de Tukey Comparação Múltipla de

Análise de regressão Médias
Teste Duncan
Teste Dunnett

etc

Fig. 1: Análise complementar de experimentos independente do delineamento.

4. Conclusão
 5. Referências Bibliográficas
BANZATTO, D.A. e S. N. KRONKA. Experimentação Agrícola. Jaboticabal, SP: FUNEP, 4ª
Ed., 237p, 2006.

BARROS NETO, J. C. e Outros. Planejamento e Optimização de Experimentos. Unicamp,

Campinas, SP, 1995.

DUARTE, J.B, Princípios sobre delineamentos em experimentação Agrícola. Monografia

apresentada ao curso de especialização em estatística oferecido DEI/IMF/UFG. Goiás, 1996

FILHO, A.C, LÚCIO, A.D & LOPES, S.J. Experimentação Agrícola E Florestal Santa Maria:
UFSM / CCR / Departamento de Fitotecnia, 2009. 204 p.

GOMES, F. P. Curso de Estatística Experimental. ESALQ, Piracicaba, SP, Editora da USP, 9ª ed,
430p, 1981.