Michereff (2013) - Tutorial Statistix 9

UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO
DEPARTAMENTO DE AGRONOMIA – ÁREA DE FITOSSANIDADE

LABORATÓRIO DE EPIDEMIOLOGIA DE DOENÇAS DE PLANTAS
TUTORIAL DO PROGRAMA
“STATISTIX 9”
PROF. SAMI J. MICHEREFF

LABORATÓRIO DE EPIDEMIOLOGIA DE DOENÇAS DE PLANTAS
DEPARTAMENTO DE AGRONOMIA – ÁREA DE FITOSSANIDADE
UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO
RECIFE - PE
2013
2
SUMÁRIO
Assunto Pág.
01. Criação de variáveis e inclusão de valores ................................................................ 03

02. Medidas de tendência central e dispersão ................................................................ 04
03. Teste de normalidade e transformação dos dados ..................................................... 06
04. Teste t ................................................................................................................. 09
04.1. Teste t – uma amostra ................................................................................. 09
04.2. Teste t – duas amostras dependentes ............................................................ 11
04.3. Teste t – duas amostras independentes ......................................................... 13
05. Análise de variância ............................................................................................... 16
06. Comparação de médias .......................................................................................... 21
07. Delineamento inteiramente casualizado ................................................................... 25
08. Delineamento em blocos ao acaso ........................................................................... 28
09. Arranjo fatorial ...................................................................................................... 32
09.1. Delineamento inteiramente casualizado em arranjo fatorial – dois fatores .......... 32
09.2. Delineamento de blocos ao acaso em arranjo fatorial – dois fatores .................. 36
10. Parcela subdividida ................................................................................................ 40
10.1. Delineamento de blocos ao acaso em parcela subdividida ................................ 40
11. Correlação simples ................................................................................................ 44
12. Regressão linear simples ........................................................................................ 46
13. Regressão múltipla ................................................................................................ 52
13.1. Regressão múltipla com duas variáveis independentes ..................................... 52
13.2. Regressão múltipla com mais de duas variáveis independentes ......................... 55
14. Regressão polinomial ............................................................................................. 58
15. Análise não-paramétrica ......................................................................................... 64
3
CRIAÇÃO DE VARIÁVEIS E INCLUSÃO DE VALORES
Criação de uma variável
1. Abrir o programa “Statistix”.

2. No menu principal (barra superior), clicar em Data e depois (→) em Insert → Variables.
3. Escrever na caixa de diálogo New Variable Names os nomes das variáveis que serão inseridas,
separadas uma da outra por um espaço. Utilizar no máximo 8 (oito) caracteres para nomear cada
variável (Ex. DADOS).
4. Quando terminar de incluir as variáveis, clicar em OK e vai aparecer uma coluna para cada variável
incluída.
5. É recomendável nomear o conjunto de dados. Para isso, clicar em Data → Labels → Data Set
Label, e escrever o nome que permitirá recordar a procedência dos dados (Ex. 01INICIO). Quando
terminar, clicar em OK.
6. Se utilizar uma abreviação ou nome alternativo para alguma variável, pode ser inserido o nome
verdadeiro. Para isso, clicar em Data → Labels → Variable Labels, e digitar o nome completo da
variável. Quando terminar, clicar em Close.
Inclusão dos valores da variável
1. Para inclusão dos valores da variável, basta digitar o valor (utilizar ponto para casas decimais – não
utilizar vírgula) e depois deslocar o cursor para a linha seguinte para um novo valor.
2. Uma forma alternativa de inclusão das variáveis e os dados é utilizar uma planilha Excel. Basta digitar
na primeira linha o nome da variável e nas linhas subseqüentes os valores.
DADOS
12.5
15.4
6.0
18.7
20.2
25.1
2.9
26.0
45.3
9.6
3. Na planilha Excel, selecionar a coluna contendo os dados (incluindo o nome da variável).

4. Copiar a parte selecionada.
6. Colar a coluna selecionada dentro da planilha do programa “Statistix”.
7. Para salvar a planilha, na barra de ferramenta clicar em File e depois em Save As.
8. Escolher a pasta de destino e nomear o arquivo (Ex. 01INICIO).
4
MEDIDAS DE TENDÊNCIA CENTRAL E DISPERSÃO
Situação: Em uma parcela experimental no campo, foram selecionadas ao acaso 12 plantas para
avaliação da severidade da doença (SEVER), sendo obtidos os seguintes resultados:
Variável Planta
1 2 3 4 5 6 7 8 9 10 11 12
SEVER 34,5 27,2 12,0 17,9 27,0 31,0 47,4 26,0 33,3 44,8 67,5 45,2
Questão: Qual a média, a variância, o desvio padrão, o erro padrão da média e o coeficiente de variação
dos dados de severidade observados?
Planilha Excel:
1. Incluir o nome da variável (SEVER) e os respectivos valores, utilizando ponto para casas decimais (não
utilizar vírgula).
SEVER
34.5
27.2
12.0
17.9
27.0
31.0
47.4
26.0
33.3
44.8
67.5
45.2

Procedimento STATISTIX 9.0:

3. Para salvar a planilha, na barra de ferramenta clicar em File e depois (→) em Save As.
4. Escolher a pasta de destino e nomear o arquivo (02ESTDESC).
5. No menu principal, clicar em Statistics → Summary Statistics → Descriptive Statistics.
6. Selecionar (clicar sobre) a variável (ex. SEVER) e transferir para a janela Descriptive Variable.
5
7. Selecionar as estatísticas a serem reportadas (clicar na janela):
- Mean (média)
- SD (desvio padrão)
- Variance (variância)
- SE Mean (erro padrão da média)
- C.V. (coeficiente de variação)
8. Após as estatísticas serem selecionadas, clicar em OK.

9. Será gerado o resultado da estatística descritiva:
Statistix 9.0 02ESTDESC
Descriptive Statistics
SEVER
Mean 34.483
SD 14.934
Variance 223.03
SE Mean 4.3111
C.V. 43.308
Esse resultado poderá ser salvo, clicando em File → Save as → nomear o arquivo (02ESTDESC).
Alternativamente, o resultado poderá ser salvo pela seleção com o mouse e clicando no lado direito do
mouse, sendo selecionada a opção copy. O resultado copiado poderá ser colado em qualquer arquivo
escolhido.
6
TESTE DE NORMALIDADE E TRANSFORMAÇÃO DOS DADOS
Situação: Os dados da tabela baixo se referem a três variáveis analisadas:
Número de colônias fúngicas - Severidade de doença (%) - SEV Concentração de esporos

NCF (conídios/ml) - CES
156 24 554.300
88 54 32.450
65 31 12.200
0 43 34.650
87 56 456.700
156 21 54.000
89 38 1.345.000
232 67 43.120
0 17 467.400
112 21 43.420
Questões:
- Será que os dados das diferentes variáveis apresentam distribuição normal?
- Se não possuam distribuição normal, qual a transformação de dados adequada para cada variável?
Planilha Excel:
1. Incluir as variáveis (NCF, SEV e CES) e os valores observados para a variável, sendo que nestes deve
ser utilizado ponto para casas decimais (não utilizar vírgula).
NCF SEV CES

156 24 554300
88 54 32450
65 31 12200
0 43 34650
87 56 456700
156 21 54000
89 38 1345000
232 67 43120
0 17 467400
112 21 43420

7
Teste de Normalidade dos Dados - Procedimento STATISTIX 9.0:

4. Escolher a pasta de destino e nomear o arquivo (03NORMAL).
5. No menu principal, clicar em Statistics → Randomness/Normality Tests → Shapiro-Wilk Test.
6. Selecionar (clicar sobre) as variáveis desejadas (NCF, SEV e CES) e transferir para a janela Test
Variables.
7. Clicar em OK.
8. Será gerado o resultado do teste de normalidade dos dados:
Statistix 9.0 03NORMAL
Shapiro-Wilk Normality Test
Variable N W P
CES 10 0.7176 0.0014
NCF 10 0.9426 0.5818
SEV 10 0.9205 0.3612
Conclusão Parcial:
Os dados das variáveis NCF e SEV apresentaram distribuição normal, pois os valores de probabilidade
foram maiores de 0,05 (P>0,05), enquanto os dados da variável CES não apresentou normalidade, pois o
valor de probabilidade foi menor que 0,05 (P≤0,05).
Portanto, há necessidade de efetuar a transformação dos dados de CES e verificar o atendimento ao
pressuposto da normalidade.
Utilizar as transformações clássicas, conforme abaixo:
- Arcsen (raiz(x/100)) = arco seno da raiz quadrada do valor de “x” dividido por 100.
- Log(x+1) = logaritmo do valor de “x + 1”
- Sqrt(x+0.5) = raiz quadrada do valor de “x + 0.5”
Transformação de Dados - Procedimento STATISTIX 9.0:
1. No menu principal, clicar em Data → Transformations.

2. Na janela Transformation Expression, colar as expressões (transformações) abaixo, uma de cada
vez, e clicar em Go.
ACES=Arcsin(Sqrt(CES/100))
LCES=Log(CES+1)
RCES=Sqrt(CES+0.5)
3. Na planilha de dados serão incluídas as novas variáveis geradas pelas transformações (ACES, LCES e
RCES).
Efetuar novamente o Teste de Normalidade e observar se as transformações propiciaram o atendimento

ao pressuposto de normalidade dos dados, pelos resultados obtidos no teste de Shapiro-Wilk, cujos valores
de probabilidade devem ser superiores a 0,05 (P>0,05).
1. No menu principal do “Statistix”, clicar em Statistics → Randomness/Normality Tests → Shapiro-

Wilk Test.
2. Selecionar (clicar sobre) as variáveis desejadas (ACES, LCES e RCES) e transferir para a janela Test
Variables.
8
3. Clicar em OK.
4. Será gerado o resultado do teste de normalidade dos dados transformados:
Statistix 9.0 03NORMAL
Variable N W P
CES 10 0.7176 0.0014
LCES 10 0.8792 0.1277
RCES 10 0.8126 0.0206
Conclusão Final:
A transformação ARCSEN não permitiu a transformação de todos os dados e a transformação RAIZ não
propiciou o atendimento ao pressuposto de normalidade dos dados pelo teste de Shapiro-Wilk (P≤0,05).
Por outro lado, a transformação LOG permitiu a transformação de todos os dados e propiciou o
atendimento ao pressuposto da normalidade dos dados pelo teste de Shapiro-Wilk (P>0,05). A
transformação LOG foi a mais consistente e deve ser utilizada na análise de variância.
9
TESTE T – UMA AMOSTRA
Situação: Considere o aumento do peso de túberas de inhame após a aplicação do fungicida B para o
controle da queima das folhas, causada por Curvularia eragrostidis. Os dados apresentados correspondem
ao ganho de peso em 5 túberas, em gramas (g), na época da colheita.
35 49 51 43 27
Suponhamos que, após vários anos de experiência, sabemos que a média de ganho de peso pelas túberas
com a aplicação do fungicida A, utilizado tradicionalmente pelos agricultores, é de 27,8 g
Questão: Será que a média de ganho de peso das túberas de inhame com a aplicação do fungicida B
difere do obtido tradicionalmente pelos agricultores com o fungicida A?
Planilha Excel:
1. Incluir os valores observados com o fungicida B (FUNGB), sendo que deve ser utilizado ponto para
casas decimais (não utilizar vírgula).
FUNGB
35
49
51
43
27

Teste de Normalidade - Procedimento STATISTIX 9.0:

4. Escolher a pasta de destino e nomear o arquivo (04TESTTUMA).
6. Selecionar (clicar sobre) a variável desejada (FUNGB) e transferir para a janela Test Variables.
7. Clicar em OK.
10
Statistix 9.0 04TESTTUMA
Variable N W P
FUNGB 5 0.9342 0.6250
Conclusão Parcial:
Os dados da variável FUNGB apresentaram normalidade, pois o valor de probabilidade foi superior a 0,05
(P>0,05). Portanto, os dados originais deverão ser utilizados no teste T.
Teste T para Uma Amostra - Procedimento STATISTIX 9.0:
1. No menu principal, clicar em Statistics → One, Two, Multi-Sample Tests → One-Sample T Test.
2. Selecionar (clicar sobre) a variável (FUNGB) e transferir para a janela Sample Variables.
3. Na janela Null Hypothesis, digitar o valor observado com o fungicida A (27.8).
4. Clicar em OK.
5. Será gerado o resultado do teste T para uma amostra:
Statistix 9.0 04TESTTUMA
One-Sample T Test
Null Hypothesis: mu = 27.8

Alternative Hyp: mu <> 27.8
95% Conf Interval
Variable Mean SE Lower Upper T DF P
FUNGB 41.000 4.4721 28.583 53.417 2.95 4 0.0419
Conclusão:
O ganho de peso das túberas de inhame com a aplicação do fungicida B (41,0) diferiu significativamente
(P=0,0419) do obtido tradicionalmente pelos agricultores com o fungicida A (27,8). Ou seja, o ganho de
peso das túberas de inhame propiciado pela aplicação do fungicida B foi significativamente superior ao
obtido tradicionalmente pelos agricultores com o fungicida A.
11
TESTE T – DUAS AMOSTRAS DEPENDENTES
Situação: Um experimento foi conduzido para analisar o efeito da aplicação de determinado bactericida
sobre a produção de repolho atacada pela podridão negra, causada por Xanthomonas campestris pv.
campestris. Um campo foi dividido em 10 blocos de mesma área e cada bloco foi dividido em duas parcelas
iguais, totalizando 10 pares de parcelas. Uma parcela de cada par foi sorteada para receber a aplicação do
bactericida (TRATA), enquanto na outra parcela do par não foi efetuada a aplicação (NTRAT). Os
resultados são mostrados abaixo.
Blocos Aplicação de bactericida

Não tratada (NTRAT) Tratada (TRATA)
1 140,4 190,5
2 174,7 207,4
3 170,2 215,9
4 174,6 209,0
5 154,5 171,6
6 185,0 201,2
7 148,9 209,9
8 169,8 213,3
9 174,7 184,1
10 176,7 220,4
Questão: Será que há diferença entre as médias de produção de repolho das parcelas tratadas e não
tratadas com o bactericida para controle da podridão negra?
Planilha Excel:
1. Incluir os blocos (BLOCO) e os tratamentos (NTRAT e TRAT), sendo que nestes deve ser utilizado ponto
para casas decimais (não utilizar vírgula).
BLOCO NTRAT TRATA

1 140.4 190.5
2 174.7 207.4
3 170.2 215.9
4 174.6 209.0
5 154.5 189.6
6 185.0 201.2
7 148.9 209.9
8 169.8 213.3
9 174.7 184.1
10 176.4 220.4

12

4. Escolher a pasta de destino e nomear o arquivo (04TESTTAMDP).
6. Selecionar (clicar sobre) as variáveis desejadas (NTRAT e TRATA) e transferir para a janela Test
Variables.
7. Clicar em OK.
Statistix 9.0 04TESTTAMDP
Variable N W P
NTRAT 10 0.8784 0.1250
TRATA 10 0.9253 0.4037
Conclusão Parcial:
Os dados das variáveis NTRAT e TRAT apresentaram normalidade, pois os valores de probabilidade foram
superiores a 0,05 (P>0,05). Portanto, os dados originais deverão ser utilizados no teste T.
Teste T para Amostras Dependentes (Pareadas) - Procedimento STATISTIX 9.0:
1. No menu principal, clicar em Statistics → One, Two, Multi-Sample Tests → Paired T Test.
2. Selecionar (clicar sobre) as variáveis (TRAT e NTRAT) e transferir para a janela Sample Variables.
3. Clicar em OK.
4. Será gerado o resultado do teste T para amostras dependentes:
Statistix 9.0 04TESTTAMDP
Paired T Test for NTRAT - TRATA
Null Hypothesis: difference = 0

Alternative Hyp: difference <> 0
Mean -37.210
Std Error 4.8732
Mean - H0 -37.210
Lower 95% CI -48.234
Upper 95% CI -26.186
T -7.64
DF 9
P 0.0000
Conclusão:
A diferença (37,21) de produção de repolho entre a parcela Tratada (204,13) e Não Tratada (166,92) com
o fungicida foi significativa (P≤0,05). Ou seja, a produção de repolho na parcela Tratada com bactericida
foi significativamente superior à da parcela Não Tratada.
13
TESTE T – DUAS AMOSTRAS INDEPENDENTES
Situação: A produtividade média de massa verde (t/ha) de duas cultivares (CA e CB) de sorgo forrageiro
atacadas pela antracnose é apresentada a seguir:
CA CB
57,8 64,2
56,2 58,7
61,9 63,1
54,4 62,5
53,6 59,8
56,4 59,2
53,2 -
Questão: Será que as duas cultivares de sorgo forrageiro (CA e CB) são igualmente produtivas quando
atacadas pela antracnose?
Planilha Excel:
1. Incluir os tratamentos (TRAT), repetições (REP) e a variável avaliada (PROD), sendo que nesta deve
TRAT REP PROD

CA 1 57.8
CA 2 56.2
CA 3 61.9
CA 4 54.4
CA 5 53.6
CA 6 56.4
CA 7 53.2
CB 1 64.2
CB 2 58.7
CB 3 63.1
CB 4 62.5
CB 5 59.8
CB 6 59.2

14

4. Escolher a pasta de destino e nomear o arquivo (04TESTTAMIN).
6. Selecionar (clicar sobre) a variável desejada (PROF) e transferir para a janela Test Variables.
7. Clicar em OK.
Statistix 9.0 04TESTTAMIN
Variable N W P
PROD 13 0.9506 0.6072
Conclusão Parcial:
Os dados da variável PROD apresentaram normalidade, pois o valor de probabilidade foi superior a 0,05
(P>0,05). Portanto, os dados originais deverão ser utilizados no teste T.
Teste T para Amostras Independentes - Procedimento STATISTIX 9.0:
1. No menu principal, clicar em Statistics → One, Two, Multi-Sample Tests → Two-Sample T Test
2. Selecionar (clicar sobre) a variável dependente (PROD) e transferir para a janela Dependent
Variables.
3. Selecionar (clicar sobre) a variável independente (TRAT) e transferir para a janela Categorical
Variable.
4. Clicar em OK.
5. Será gerado o resultado do teste T para amostras independentes:
Statistix 9.0 04TESTTAMIN
Two-Sample T Tests for PROD by TRAT
TRAT N Mean SD SE
1 7 56.214 3.0025 1.1348
2 6 61.250 2.3020 0.9398
Difference -5.0357 2.7066 1.5058
T-Tests for Mean Difference

Null Hypothesis: difference = 0
Alternative Hyp: difference <> 0
95% CI for Difference
Method Variances DF T P Lower Upper
Pooled Equal 11 -3,34 0,0065 -8.3500 -1.7214
Satterthwaite Unequal 10,9 -3,42 0,0058 -8.2823 -1.7891
Homogeneity of Variances DF F P
Folded F Test 6,5 1.70 0,2882
Conclusão:
15
A diferença na produtividade entre as cultivares CA (56,21) e CB (61,25) foi significativa (P=0,0065). Ou
seja, a produtividade média de massa verde (t/ha) da cultivar CB de sorgo forrageiro atacada pela
antracnose foi significativamente superior à da cultivar CA.
16
ANÁLISE DE VARIÂNCIA
Situação: A incidência (%) de determinada doença radicular foi avaliada em quatro cultivares de feijoeiro,
apresentando os seguintes resultados:
Repetição Cultivar A Cultivar B Cultivar C Cultivar D

1 40 88 11 67
2 14 76 21 31
3 8 20 17 28
4 20 98 37 13
5 56 19 29 8
Questão: Será que existe diferença significativa na incidência da doença radicular entre as cultivares de
feijoeiro?
Planilha Excel:
1. Incluir os tratamentos (CULTIVAR), as repetições (REP) e os valores observados para a variável

(INCID), sendo que nestes deve ser utilizado ponto para casas decimais (não utilizar vírgula).
CULTIVAR REP INCID

CULTA 1 40
CULTA 2 14
CULTA 3 8
CULTA 4 20
CULTA 5 56
CULTB 1 88
CULTB 2 76
CULTB 3 20
CULTB 4 98
CULTB 5 19
CULTC 1 11
CULTC 2 21
CULTC 3 17
CULTC 4 37
CULTC 5 29
CULTD 1 67
CULTD 2 31
CULTD 3 28
CULTD 4 13
CULTD 5 8

17
Análise de Variância - Procedimento STATISTIX 9.0:

4. Escolher a pasta de destino e nomear o arquivo (05ANOVA).
5. No menu principal, clicar em Statistics → Linear Models → Analysis of Variance → Completely
Randomized Design.
6. Selecionar (clicar sobre) as variáveis dependentes (INCID) e transferir para a janela Dependent
Variables.
7. Selecionar (clicar sobre) a variável tratamento (CULTIVAR) e transferir para a janela Treatment
Variable.
8. Clicar em OK.
9. Será gerado o resultado da análise de variância:
Statistix 9.0 05ANOVA
Completely Randomized AOV for INCID
Source DF SS MS F P
TRAT 3 4325.8 1441.92 2.33 0.1133
Error 16 9913.2 619.58
Total 19 14239.0
Grand Mean 35.050 CV 71.02
Homogeneity of Variances F P
Levene's Test 5.17 0.0109
O'Brien's Test 3.80 0.0312
Brown and Forsythe Test 1.45 0.2657
Welch's Test for Mean Differences

Source DF F P
TRAT 3.0 1.32 0.3326
Error 8.1
Component of variance for between groups 164.468

Effective cell size 5,0
TRAT Mean
CULTA 27.600
CULTB 60.200
CULTC 23.000
CULTD 29.400
Observations per Mean 5
Standard Error of a Mean 11.132
Std Error (Diff of 2 Means) 15.743
Conclusão Parcial:
Pelo Teste de Levene, a hipótese de nulidade de homogeneidade das variâncias é rejeitada, pois o
valor da probabilidade (P) do teste F é de 0,0109 (P≤0,05). Portanto, os dados da variável INCID não
apresentam homogeneidade nas variâncias, sendo necessário efetuar a transformação dos dados e
verificar o atendimento ao pressuposto da homogeneidade das variâncias.
18
Utilizar as transformações clássicas, conforme abaixo:
- Arcsen (raiz(x/100)) = arco seno da raiz quadrada do valor de “x” dividido por 100.
- Log(x+1) = logaritmo do valor de “x + 1”
- Sqrt(x+0.5) = raiz quadrada do valor de “x + 0.5”
Transformação de Dados - Procedimento STATISTIX 9.0:
1. No menu principal, clicar em Data → Transformations.

2. Na janela Transformation Expression, colar as expressões (transformações) abaixo, uma de cada
vez, e clicar em Go.
AINCID=Arcsin(Sqrt(INCID/100))
LINCID=Log(INCID+1)
RINCID=Sqrt(INCID+0.5)
3. Na planilha de dados serão incluídas as novas variáveis geradas pelas transformações (AINCID,
LINCID e RINCID).
Efetuar novamente a análise de variância e observar se as transformações propiciaram o atendimento ao

pressuposto da homogeneidade das variâncias, pelo Teste de Levene, cujos valores de probabilidade
devem ser superiores a 0,05 (P>0,05).

Randomized Design.
2. Selecionar (clicar sobre) as variáveis dependentes (AINCID, LINCID e RINCID) e transferir para a
janela Dependent Variables.
3. Selecionar (clicar sobre) a variável tratamento (CULTIVAR) e transferir para a janela Treatment
Variable.
4. Clicar em OK.
Statistix 9.0 05ANOVA
Completely Randomized AOV for AINCID
Source DF SS MS F P
TRAT 3 0.60343 0.20114 2.41 0.1048
Error 16 1.33457 0.08341
Total 19 1.93800

Source DF F P
TRAT 3.0 1.26 0.3491
Error 8.2

TRAT Mean
CULTA 0.5328
CULTB 0.9239
CULTC 0.4923
CULTD 0.5525
19
Completely Randomized AOV for LINCID
Source DF SS MS F P
TRAT 3 0.40440 0.13480 1.42 0.2741
Error 16 1.52074 0.09505
Total 19 1.92514

Source DF F P
TRAT 3.0 1.13 0.3901
Error 8.6

TRAT Mean
CULTA 1.3642
CULTB 1.6910
CULTC 1.3468
CULTD 1.3801
Completely Randomized AOV for RINCID
Source DF SS MS F P
TRAT 3 22.5114 7.50380 1.85 0.1788
Error 16 64.9033 4.05646
Total 19 87.4147

Source DF F P
TRAT 3.0 1.20 0.3694
Error 8.4

TRAT Mean
CULTA 5.0263
CULTB 7.4044
CULTC 4.7533
CULTD 5.1513
20
Conclusão Final:
Pelo Teste de Levene, os dados transformados em LOG (LINCI) e RAIZ (RINCID) apresentaram
homogeneidade das variâncias (P>0,05), podendo ser utilizados na análise de variância. No entanto, a
transformação LOG propiciou valores mais elevados de probabilidade (P=0,3753) que a transformação
RAIZ (P=0,0796), devendo ser preferida a utilização dos dados transformados em LOG na análise de
variância.
Pelos resultados da análise de variância com os dados transformados em LOG, não existe diferença
significativa (Teste F: P>0,05) na incidência da doença radicular entre as quatro cultivares de feijoeiro.
Uma possível causa de não ter sido detectada diferença entre os tratamentos, mesmo com valores
variando entre 23,0% (Cultivar C) e 60,2% (Cultivar B), é a grande variância dos dados, ou seja, entre as
repetições de um mesmo tratamento. O elevado valor do coeficiente de variação (CV = 21,33%), mesmo
após a transformação dos dados, é um indicativo de que a variância foi grande.
21
COMPARAÇÃO DE MÉDIAS
Situação: O tamanho médio das lesões (TML) em frutos de manga inoculados com Lasiodiplodia
theobromae, considerando o tratamento com oito fungicidas (A-H) e quatro repetições, sendo cada
repetição representada por um fruto inoculado, são apresentados a seguir:
Fungicida Tamanho das lesões – TML (mm) / Repetição

I II III IV
A 12,3 8,4 9,7 15,8
B 34,8 23,7 31,0 27,5
C 16,8 21,4 21,0 18,7
D 45,3 43,4 56,5 49,7
E 21,2 18,5 22,0 21,7
F 32,1 37,4 23,9 33,5
G 12,8 19,5 21,2 15,8
H 43,7 56,9 67,4 56,1
Questão: Será que existe diferença significativa no tamanho das lesões (TML) em frutos de manga
inoculados com L. theobromae?
Planilha Excel:
1. Incluir os tratamentos (FUNG), as repetições (REP) e os valores observados para a variável (TML),
sendo que nestes deve ser utilizado ponto para casas decimais (não utilizar vírgula).
FUNG REP TML

A 1 12.3
A 2 8.4
A 3 9.7
A 4 15.8
B 1 34.3
B 2 23.7
B 3 31.0
B 4 27.5
C 1 16.8
C 2 21.4
C 3 21.0
C 4 18.7
D 1 45.3
D 2 43.4
D 3 56.5
D 4 49.7
E 1 21.2
E 2 18.5
E 3 22.0
E 4 21.7
F 1 32.1
F 2 37.4
F 3 23.9
F 4 33.5
G 1 12.8
G 2 19.5
22
G 3 21.2
G 4 15.8
H 1 43.7
H 2 56.9
H 3 67.4
H 4 56.1


4. Escolher a pasta de destino e nomear o arquivo (06TESTEMED).
Randomized Design.
6. Selecionar (clicar sobre) as variáveis independentes (TML) e transferir para a janela Dependent
Variables.
7. Selecionar (clicar sobre) a variável tratamento (FUNG) e transferir para a janela Treatment Variable.
8. Clicar em OK.
Statistix 9.0 06TESTEMED
Completely Randomized AOV for TML
Source DF SS MS F P
FUNG 7 6895.37 985.054 37.02 0.0000
Error 24 638.65 26.610
Total 31 7534.02

Source DF F P
FUNG 7.0 21.33 0.0000
Error 10.0

FUNG Mean
A 11.550
B 29.125
C 19.475
D 48.725
E 20.850
F 31.725
G 17.325
H 56.025
23
Conclusão Parcial:
Pelo Teste de Levene, os dados da variável TML apresentaram homogeneidade das variâncias (P>0,05),
podendo ser utilizados na análise de variância.
Pela análise de variância utilizando os dados de TML, existe diferença significativa (P<0,05) entre os
fungicidas quanto ao tamanho das lesões. Portanto, o próximo passo é efetuar a comparação dos
tratamentos, por um dos seguintes testes de comparação de médias:
- Tukey HSD (Diferença Altamente Significativa)

- LSD (Diferença Mínima Significativa)
Comparação de Médias - Procedimento STATISTIX 9.0:
1. No menu principal dos resultados do “Statistix”, clicar em Results → Multiple Comparisons → All-
pairwise Comparisons
2. Selecionar (clicar) no método de comparação de média selecionado (Tukey HSD ou LSD).
3. Clicar em OK.
4. Será gerado o resultado da comparação de médias:
Statistix 9.0 06TESTEMED
LSD All-Pairwise Comparisons Test of TML by FUNG
FUNG Mean Homogeneous Groups

H 56.025 A
D 48.725 A
F 31.725 B
B 29.125 B
E 20.850 C
C 19.475 C
G 17.325 CD
A 11.550 D
Alpha 0.05 Standard Error for Comparison 3.6476

Critical T Value 2,064 Critical Value for Comparison 7.5283
There are 4 groups (A, B, etc.) in which the means are not significantly
different from one another.
Conclusão Final:
Os fungicidas “Ä” e “G” foram o mais eficientes na redução dos tamanhos das lesões causadas por L.
theobromae em manga, enquanto os fungicidas H e D foram os menos eficientes.
Apresentação dos Resultados:
Na apresentação dos resultados a tabela deverá conter os dados originais, havendo indicação no
rodapé da mesma que os dados foram transformados para a análise estatística, quando esse procedimento
for efetuado.
24
Tabela - Tamanho médio de lesões em frutos de manga inoculados com Lasiodiplodia theobromae e
tratados com fungicidas.
Fungicida Tamanho das lesões (mm)*

H 56,0 a
D 48,7 a
F 31,7 b
B 29,1 b
E 20,9 c
C 19,4 c
G 17,3 cd
A 11,6 d
C.V. (%) = 17,6
*Média de quatro repetições. Médias seguidas pela mesma letra não diferem significativamente
entre si pelo teste de Fisher DMS (P=0,05).
25
DELINEAMENTO INTEIRAMENTE CASUALIZADO
Situação: Foi avaliada a influência de cinco métodos de inoculação de Myrothecium roridum na

severidade (área lesionada = ALE) da podridão-de-cratera em frutos meloeiro, com cinco repetições, sendo
cada repetição representada por um fruto inoculado. Os resultados são apresentados a seguir:
Método de inoculação Área lesionada – ALE (mm2) / Repetição

I II III IV V
Gota 1 4 4 9 4
Ferimento+ Gota 255 288 234 270 288
Pulverização 30 20 6 30 20
Ferimento + Pulverização 240 121 240 182 238
Injeção 304 198 210 224 240
Questão: Será que existe diferença significativa na área lesionada (ALE) em frutos de meloeiro inoculados
com M. roridum pelos diferentes métodos?
Planilha Excel:
1. Incluir os tratamentos (METOD), as repetições (REP) e os valores observados para a variável (ALE),
METOD REP ALE

GOTA 1 1
GOTA 2 4
GOTA 3 4
GOTA 4 9
GOTA 5 4
FER+GOTA 1 255
FER+GOTA 2 288
FER+GOTA 3 234
FER+GOTA 4 270
FER+GOTA 5 288
PULV 1 30
PULV 2 20
PULV 3 6
PULV 4 30
PULV 5 20
FER+PULV 1 240
FER+PULV 2 121
FER+PULV 3 240
FER+PULV 4 182
FER+PULV 5 238
INJECAO 1 304
INJECAO 2 198
INJECAO 3 210
INJECAO 4 224
INJECAO 5 240

26

4. Escolher a pasta de destino e nomear o arquivo (07INTCASUAL).
Randomized Design.
6. Selecionar (clicar sobre) a variável dependente (ALE) e transferir para a janela Dependent Variables.
7. Selecionar (clicar sobre) a variável tratamento (METOD) e transferir para a janela Treatment
Variable.
8. Clicar em OK.
Statistix 9.0 07INTCASUAL
Completely Randomized AOV for ALE
Source DF SS MS F P
METOD 4 308048 77012.1 74.89 0.0000
Error 20 20568 1028.4
Total 24 328616

Source DF F P
METOD 4.0 173.87 0.0000
Error 8.4

METOD Mean
FER+GOTA 267.00
FER+PULV 204.20
GOTA 4.40
INJECAO 235.20
PULV 21.20
Conclusão Parcial:
Pelo Teste de Levene, os dados da variável ALE apresentaram homogeneidade das variâncias (P>0,05),
podendo ser utilizados na análise de variância.
Pela análise de variância utilizando os dados de ALE, existe diferença significativa (P≤0,05) entre os
métodos de inoculação quanto ao tamanho das lesões. Portanto, o próximo passo é efetuar a comparação
dos tratamentos, por um dos seguintes testes de comparação de médias:
27
3. Clicar em OK.
Statistix 9.0 07INTCASUAL
LSD All-Pairwise Comparisons Test of ALE by METOD
METOD Mean Homogeneous Groups

FER+GOTA 267.00 A
INJECAO 235.20 AB
FER+PULV 204.20 B
PULV 21.200 C
GOTA 4.4000 C

There are 3 groups (A, B, etc.) in which the means
are not significantly different from one another.
Conclusão:
Os métodos de inoculação de ferimento+gota e injeção foram significativamente (P≤0,05) mais eficientes
na indução das lesões causadas por M. roridum em melão, enquanto os métodos de pulverização e gotas,
ambos sem ferimento, foram os menos eficientes.
Tabela – Influência de métodos de inoculação de Myrothecium roridum na severidade da podridão-de-

cratera em frutos meloeiro.
Método de inoculação Área lesionada (mm2)*

Ferimento+ Gota 267,0 a
Injeção 235,2 ab
Ferimento + Pulverização 204,2 b
Pulverização 21,2 c
Gota 4,4 c
C.V. (%) = 21,9
*Média de cinco repetições. Médias seguidas pela mesma letra não diferem significativamente entre
si pelo teste de DMS (P=0,05).
28
DELINEAMENTO EM BLOCOS AO ACASO
Situação: Foi avaliado o comportamento de oito cultivares de caupi em relação à severidade da

cercosporiose (Cercospora cruenta), em condições de campo. Foram utilizados quatro blocos por
tratamento e avaliadas cinco plantas por bloco, sendo obtido a média por bloco. Os resultados são
apresentados a seguir:
Cultivares Severidade (%) - Blocos

I II III IV
BR-17 21,7 18,3 23,4 19,2
IPA-206 34,3 29,4 30,8 22,4
IPA-207 46,7 56,3 49,5 65,1
Olho de Pomba 11,4 13,5 9,2 14,7
Guariba 67,3 59,0 61,2 55,8
Marataoã 27,5 29,4 23,5 30,4
Paraguaçu 56,7 62,4 60,2 52,6
Milênio 23,4 21,3 19,4 17,2
Questão: Será que existe diferença significativa na severidade da cercosporiose entre as cultivares de
caupi?
Planilha Excel:
1. Incluir os tratamentos (CULT), os blocos (BLOC) e os valores observados para a variável (SEV), sendo
que nestes deve ser utilizado ponto para casas decimais (não utilizar vírgula).
CULT BLOC SEV

BR-17 1 21.7
BR-17 2 18.3
BR-17 3 23.4
BR-17 4 19.2
IPA-206 1 34.3
IPA-206 2 29.4
IPA-206 3 30.8
IPA-206 4 22.4
IPA-207 1 46.7
IPA-207 2 56.3
IPA-207 3 49.5
IPA-207 4 65.1
OLHO POMBA 1 11.4
OLHO POMBA 2 13.5
OLHO POMBA 3 9.2
OLHO POMBA 4 14.7
GUARIBA 1 67.3
GUARIBA 2 59.0
GUARIBA 3 61.2
GUARIBA 4 55.8
MARATAOA 1 27.5
MARATAOA 2 29.4
MARATAOA 3 23.5
MARATAOA 4 30.4
29
PARAGUACU 1 56.7
PARAGUACU 2 62.4
PARAGUACU 3 60.2
PARAGUACU 4 52.6
MILENIO 1 23.4
MILENIO 2 21.3
MILENIO 3 19.4
MILENIO 4 17.2


4. Escolher a pasta de destino e nomear o arquivo (0BLOCOACA).
5. No menu principal, clicar em Statistics → Linear Models → Analysis of Variance → Randomized
Complete Block.
6. Selecionar (clicar sobre) a variável dependente (SEV) e transferir para a janela Dependent Variables.
7. Selecionar (clicar sobre) a variável bloco (BLOC) e transferir para a janela Block Variable.
8. Selecionar (clicar sobre) a variável tratamento (CULT) e transferir para a janela Treatment Variable.
9. Clicar em OK.
Statistix 9.0 08BLOCOACA
Randomized Complete Block AOV Table for SEV
Source DF SS MS F P
BLOC 3 18.0 6.01
CULT 7 10390.2 1484.31 66.79 0.0000
Error 21 466.7 22.22
Total 31
Note: SS are marginal (type III) sums of squares
Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P
Nonadditivity 1 0.088 0.0880 0.00 0.9516
Remainder 20 466.587 23.3294
Relative Efficiency, RCB 0,93
Means of SEV for CULT
CULT Mean
BR-17 20.650
GUARIBA 60.825
IPA-206 29.225
IPA-207 54.400
MARATAOA 27.700
MILENIO 20.325
OLHO POMBA 12.200
30
PARAGUACU 57.975
Conclusão Parcial:
Pelo Teste de Tukey para Não-Aditividade, foi atendido o pressuposto da análise de variância de
aditividade do modelo (P>0,05), motivo pelo qual a análise de variância dever ser realizada com os dados
originais.
Pela análise de variância utilizando os dados de SEV originais, existe diferença significativa (P≤0,05) entre
as cultivares de caupi quanto à severidade da cercosporiose. Portanto, o próximo passo é efetuar a
comparação dos tratamentos, por um seguintes testes de comparação de médias:
3. Clicar em OK.
Statistix 9.0 08BLOCOACA
LSD All-Pairwise Comparisons Test of SEV for CULT
CULT Mean Homogeneous Groups

GUARIBA 60.825 A
PARAGUACU 57.975 A
IPA-207 54.400 A
IPA-206 29.225 B
MARATAOA 27.700 B
BR-17 20.650 C
MILENIO 20.325 C
OLHO POMBA 12.200 D

Error term used: BLOC*CULT, 21 DF
Conclusão Final:
A cultivar de caupi Olho de Pomba apresentou o menor nível de severidade da cercosporiose, diferindo
significativamente (P≤0,05) das demais cultivares. As cultivares Guariba, Paraguaçu e IPA-207
apresentaram os maiores níveis de severidade da doença, diferindo das demais cultivares.
31
Tabela – Severidade da cercosporiose do caupi em oito cultivares de caupi, avaliadas em campo.
Cultivar Severidade (%)*

Guariba 60,8 a
Paraguaçu 58,0 a
IPA-207 54,4 a
IPA-206 29,2 b
Marataoã 27,7 b
BR-17 20,7 c
Milênio 20,3 c
Olho de Pomba 12,2 d
C.V. (%) = 13,3
*Média de quatro repetições. Médias seguidas pela mesma letra não diferem significativamente entre si
pelo teste de DMS (P=0,05).
32
ARRANJO FATORIAL
DELINEAMENTO INTEIRAMENTE CASUALIZADO COM DOIS FATORES
Situação: Foi avaliada a influência de quatro meios de cultura e dois tipos de luz no crescimento micelial
de Colletotrichum gloeosporioides em câmara tipo BOD, com quatro repetições, sendo cada repetição
representada por uma placa de Petri. Os resultados são apresentados a seguir:
Meio de cultura Tipo de luz Crescimento micelial – CML (mm) / Repetição

I II III IV
BDA Branca 22 18 33 25
Negra 75 71 69 54
Aveia Branca 29 23 24 31
Negra 59 56 51 55
Sabouraud Branca 44 36 39 41
Negra 55 54 62 47
Cenoura Branca 66 54 56 57
Negra 26 28 25 31
Questão: Será que existe diferença significativa no crescimento micelial de C. gloeosporiodes sob a
influência de diferentes meios de cultura e tipos de luz?
Planilha Excel:
1. Incluir os tratamentos (MEIO e LUZ), as repetições (REP) e os valores observados para a variável
(CML), sendo que nestes deve ser utilizado ponto para casas decimais (não utilizar vírgula).
MEIO LUZ REP CML

BDA BRANCA 1 22
BDA BRANCA 2 18
BDA BRANCA 3 33
BDA BRANCA 4 25
BDA NEGRA 1 75
BDA NEGRA 2 71
BDA NEGRA 3 69
BDA NEGRA 4 54
AVEIA BRANCA 1 29
AVEIA BRANCA 2 23
AVEIA BRANCA 3 24
AVEIA BRANCA 4 31
AVEIA NEGRA 1 59
AVEIA NEGRA 2 56
AVEIA NEGRA 3 51
AVEIA NEGRA 4 55
SABOURAUD BRANCA 1 44
SABOURAUD NEGRA 1 55
33
CENOURA BRANCA 1 66
CENOURA BRANCA 2 54
CENOURA BRANCA 3 56
CENOURA BRANCA 4 57
CENOURA NEGRA 1 26
CENOURA NEGRA 2 28
CENOURA NEGRA 3 25
CENOURA NEGRA 4 31


4. Escolher a pasta de destino e nomear o arquivo (09INTCAS2FAT).
5. No menu principal, clicar em Statistics → Linear Models → Analysis of Variance → Factorial
Designs.
6. Selecionar (clicar sobre) a variável dependente (CML) e transferir para a janela Dependent
Variables.
7. Selecionar (clicar sobre) as variáveis tratamentos (MEIO e LUZ) e transferir para a janela Treatment
Variables.
8. Na janela Interaction Terms, selecionar (clicar sobre) Up to 2-way.
9. Clicar em OK.
Statistix 9.0 09INTCAS2FAT
Analysis of Variance Table for CML
Source DF SS MS F P
MEIO 3 192.75 64.25 2.19 0.1153
LUZ 1 1512.50 1512.50 51.56 0.0000
MEIO*LUZ 3 6078.75 2026.25 69.08 0.0000
Error 24 704.00 29.33
Total 31
Conclusão Parcial:
Pela análise de variância, não houve influência significativa (P>0,05) dos meios de cultura no crescimento
micelial de C. gloeosporioides, mas a diferença foi significativa entre os tipos de luz (P≤0,05) e a interação
meios x luz foi significativa (P≤0,05). Isso indica que os fatores isolados, apesar de serem significativos,
não explicam sozinhos o fenômeno.
Como a interação em maior nível foi significativa (meios x luz), os fatores isolados não devem ser
considerados. Portanto, o próximo passo é efetuar a comparação dos tratamentos (interação), por um
seguintes testes de comparação de médias:
34
2. Selecionar (clicar) sobre o termo do modelo (Terms in Model) a ser comparado, no caso a interação
MEIO*LUZ e transferir para a janela Terms Selected for Mean Comparisons.
4. Selecionar o Report Format → Triangular matrix.
5. Clicar em OK.
Statistix 9.0 089INTCAS2FAT
LSD All-Pairwise Comparisons Test of CML for MEIO*LUZ

MEIO LUZ Mean AVEIA,BRANCA
AVEIA BRANCA 26.750
AVEIA NEGRA 55.250 28.500*
BDA BRANCA 24.500 2.250 30.750*
BDA NEGRA 67.250 40.500* 12.000* 42.750*
CENOURA BRANCA 58.250 31.500* 3.000 33.750* 9.000*
CENOURA NEGRA 27.500 0.750 27.750* 3.000 39.750* 30.750*
SABOURAUD BRANCA 40.000 13.250* 15.250* 15.500* 27.250* 18.250* 12.500*
SABOURAUD NEGRA 54.500 27.750* 0.750 30.000* 12.750* 3.750 27.000*
MEIO LUZ Mean SABOURAUD,BRANCA
SABOURAUD BRANCA 40.000
SABOURAUD NEGRA 54.500 14.500*

Error term used: Error, 24 DF
Procedimento importante:
Reduzir o tamanho da letra para “8” e reorganizar as comparações (diferenças):
AV-BC AV-NE BD-BC BD-NE CE-BC CE-NE SB-BC

AVEIA BRANCA 26.750
AVEIA NEGRA 55.250 28.500*
BDA BRANCA 24.500 2.250 30.750*
BDA NEGRA 67.250 40.500* 12.000* 42.750*
CENOURA BRANCA 58.250 31.500* 3.000 33.750* 9.000*
CENOURA NEGRA 27.500 0.750 27.750* 3.000 39.750* 30.750*
SABOURAUD NEGRA 54.500 27.750* 0.750 30.000* 12.750* 3.750 27.000* 14.500*
O valor crítico de comparação da diferença entre os tratamentos é 7,9041.

Como exemplo, a diferença entre o tratamento Meio Aveia-Luz Branca (26,75) e Meio Aveia-Luz Negra
(55,25) é 28,50 e significativa (*). Por outro lado, a diferença entre o tratamento Meio Aveia-Luz Branca
(26,75) e Meio BDA-Luz Branca (24,50) é de 2,25 e não significativa.
Montar uma tabela de resultados com as combinações entre os fatores Meio*Luz, indicando a comparação
das médias nas colunas (letras minúsculas) e nas linhas (letras maiúsculas), baseado no valor crítico de
comparação e a significância (*) das diferenças. Sempre efetuar as comparações dos valores maiores para
os menores, na coluna e na linha, separadamente.
Meio Luz
Branca Negra
Aveia 26,75 cB 55,25 bA
35
BDA 24,50 cB 67,25 aA
Cenoura 58,25 aA 27,50 cB
Sabouraud 40,00 bB 54,50 bA
Tabela – Influência do meio de cultura e do tipo de luz no crescimento micelial de Colletotrichum

gloeosporioides.
Meio Luz
Branca Negra
Aveia 26,75 cB 55,25 bA
BDA 24,50 cB 67,25 aA
C.V. (%) = 12,2
*Média de quatro repetições. Médias seguidas pela mesma letra minúscula na coluna e maiúscula na linha
não diferem significativamente entre si pelo teste de DMS (P=0,05).
Conclusão:
Nos meios de cultura de aveia, BDA e Sabouraud, a luz negra propiciou crescimento micelia de C.
gloesporioides significativamente (P≤0,05) superior ao observado na luz branco, enquanto no meio de
cenoura foi constatado maior crescimento na luz branca.
Quando incubado sob luz branca, o meio de cenoura propiciou o maior crescimento micelial, enquanto os
menores crescimentos foram constatados nos meios de aveia e BDA.
Na incubação em luz negra, o maior crescimento micelial foi verificado no meio BDA, enquanto o menor
crescimento no meio de cenoura, diferindo significativamente entre si e dos demais.
36
ARRANJO FATORIAL
DELINEAMENTO DE BLOCOS AO ACASO COM DOIS FATORES
Situação: Foi avaliada a influência de quatro meios de cultura e dois tipos de luz no crescimento micelial
de Colletotrichum gloeosporioides em câmara tipo BOD, com quatro blocos. Os resultados são
Meio de cultura Tipo de luz Crescimento micelial – CML (mm) / Bloco

I II III IV
BDA Branca 22 18 33 25
Negra 75 71 69 54
Aveia Branca 29 23 24 31
Negra 59 56 51 55
Sabouraud Branca 44 36 39 41
Negra 55 54 62 47
Cenoura Branca 66 54 56 57
Negra 26 28 25 31
Questão: Será que existe diferença significativa no crescimento micelial de C. gloeosporiodes sob a
influência de diferentes meios de cultura e tipos de luz?
Planilha Excel:
1. Incluir os tratamentos (MEIO e LUZ), os blocos (BLO) e os valores observados para a variável (CML),
MEIO LUZ BLO CML

BDA BRANCA 1 22
BDA BRANCA 2 18
BDA BRANCA 3 33
BDA BRANCA 4 25
BDA NEGRA 1 75
BDA NEGRA 2 71
BDA NEGRA 3 69
BDA NEGRA 4 54
AVEIA BRANCA 1 29
AVEIA BRANCA 2 23
AVEIA BRANCA 3 24
AVEIA BRANCA 4 31
AVEIA NEGRA 1 59
AVEIA NEGRA 2 56
AVEIA NEGRA 3 51
AVEIA NEGRA 4 55
37
CENOURA BRANCA 1 66
CENOURA BRANCA 2 54
CENOURA BRANCA 3 56
CENOURA BRANCA 4 57
CENOURA NEGRA 1 26
CENOURA NEGRA 2 28
CENOURA NEGRA 3 25
CENOURA NEGRA 4 31


4. Escolher a pasta de destino e nomear o arquivo (10BLOCAC2FAT).
5. No menu principal, clicar em Statistics → Linear Models → Analysis of Variance → Factorial
Designs.
6. Selecionar (clicar sobre) a variável dependente (CML) e transferir para a janela Dependent
Variables.
7. Selecionar (clicar sobre) a variável blocos (BLO) e transferir para a janela Block Variable.
8. Selecionar (clicar sobre) as variáveis tratamentos (MEIO e LUZ) e transferir para a janela Treatment
Variables.
9. Na janela Interaction Terms, selecionar (clicar sobre) Up to 2-way.
10. Clicar em OK.
Statistix 9.0 10BLOCAC2FAT
Analysis of Variance Table for CML
Source DF SS MS F P
BLO 3 109.25 36.42
MEIO 3 192.75 64.25 2.27 0.1102
LUZ 1 1512.50 1512.50 53.40 0.0000
MEIO*LUZ 3 6078.75 2026.25 71.54 0.0000
Error 21 594.75 28.32
Total 31
Conclusão Parcial:
Pela análise de variância, não houve influência significativa (P>0,05) dos meios de cultura no crescimento
micelial de C. gloeosporioides, mas a diferença foi significativa entre os tipos de luz (P≤0,05) e a interação
meios x luz foi significativa (P≤0,05).
Como a interação em maior nível foi significativa (meios x luz), os fatores isolados não devem ser
considerados. Portanto, o próximo passo é efetuar a comparação dos tratamentos (interação), por um
seguintes testes de comparação de médias:
38
MEIO*LUZ e transferir para a janela Terms Selected for Mean Comparisons.
5. Clicar em OK.
Statistix 9.0 10BLOCAC2FAT
LSD All-Pairwise Comparisons Test of CML for MEIO*LUZ

AVEIA BRANCA 26.750
AVEIA NEGRA 55.250 28.500*
BDA BRANCA 24.500 2.250 30.750*
BDA NEGRA 67.250 40.500* 12.000* 42.750*
CENOURA BRANCA 58.250 31.500* 3.000 33.750* 9.000*
CENOURA NEGRA 27.500 0.750 27.750* 3.000 39.750* 30.750*
SABOURAUD NEGRA 54.500 27.750* 0.750 30.000* 12.750* 3.750 27.000*
MEIO LUZ Mean SABOURAUD,BRANCA
SABOURAUD BRANCA 40.000
SABOURAUD NEGRA 54.500 14.500*

Error term used: BLO*MEIO*LUZ, 21 DF
Reduzir o tamanho da letra para “8” e reorganizar as comparações:
AV-BC AV-NE BD-BC BD-NE CE-BC CE-NE SB-BC

AVEIA BRANCA 26.750
AVEIA NEGRA 55.250 28.500*
BDA BRANCA 24.500 2.250 30.750*
BDA NEGRA 67.250 40.500* 12.000* 42.750*
CENOURA BRANCA 58.250 31.500* 3.000 33.750* 9.000*
CENOURA NEGRA 27.500 0.750 27.750* 3.000 39.750* 30.750*
SABOURAUD NEGRA 54.500 27.750* 0.750 30.000* 12.750* 3.750 27.000* 14.500*
O valor crítico de comparação entre os tratamentos é 7,9041.
Montar uma tabela de resultados com as combinações entre os fatores Meio*Luz, indicando a comparação
das médias nas colunas (letras minúsculas) e nas linhas (letras maiúsculas), baseado no valor crítico de
comparação e a significância (*) das diferenças. Sempre efetuar as comparações dos valores maiores para
os menores, na coluna e na linha, separadamente.
39
Meio Luz
Branca Negra
Aveia 26,75 cB 55,25 bA
BDA 24,50 cB 67,25 aA
Tabela – Influência do meio de cultura e do tipo de luz no crescimento micelial de Colletotrichum

gloeosporioides.
Meio Luz
Branca Negra
Aveia 26,75 cB 55,25 bA
BDA 24,50 cB 67,25 aA
C.V. (%) = 12,2
não diferem significativamente entre si pelo teste de Fisher DMS (P=0,05).
Conclusão Final:
Nos meios de cultura de aveia, BDA e Sabouraud, a luz negra propiciou crescimento micelia de C.
gloesporioides significativamente (P≤0,05) superior ao observado na luz branco, enquanto no meio de
cenoura foi constatado maior crescimento na luz branca.
Quando incubado sob luz branca, o meio de cenoura propiciou o maior crescimento micelial, enquanto os
menores crescimentos foram constatados nos meios de aveia e BDA.
Na incubação em luz negra, o maior crescimento micelial foi verificado no meio BDA, enquanto o menor
crescimento no meio de cenoura, diferindo significativamente entre si e dos demais.
40
PARCELA SUBDIVIDIDA
DELINEAMENTO DE BLOCOS AO ACASO
Situação: Foi avaliada a influência de três níveis de adubação (AD-1, AD-2, AD-3) e dois espaçamentos
(ES-1, ES-2) de plantio da couve-chinesa na severidade da alternariose (Alternaria brassicae), com quatro
blocos. Os resultados são apresentados a seguir:
Bloco AD-1 AD-2 AD-3

ES-1 ES-2 ES-1 ES-2 ES-1 ES-2
I 58 44 85 59 66 54
II 77 59 90 68 93 75
III 38 30 73 45 67 53
IV 52 34 77 55 64 48
Questão: Há diferença significativa na severidade da alternariose da couve-chinesa sob a influência de

níveis de adubação e espaçamentos?
Planilha Excel:
1. Incluir os tratamentos (ADUB e ESPA), as repetições (BLOCO) e os valores observados para a variável
(SEV), sendo que nestes deve ser utilizado ponto para casas decimais (não utilizar vírgula).
Planilha Excel:
ADUB ESPA BLOCO SEV

AD-1 ES-1 1 58
AD-1 ES-1 2 77
AD-1 ES-1 3 38
AD-1 ES-1 4 52
AD-1 ES-2 1 44
AD-1 ES-2 2 59
AD-1 ES-2 3 30
AD-1 ES-2 4 34
AD-2 ES-1 1 85
AD-2 ES-1 2 90
AD-2 ES-1 3 73
AD-2 ES-1 4 77
AD-2 ES-2 1 59
AD-2 ES-2 2 68
AD-2 ES-2 3 45
AD-2 ES-2 4 55
AD-3 ES-1 1 66
AD-3 ES-1 2 93
AD-3 ES-1 3 67
AD-3 ES-1 4 64
AD-3 ES-2 1 54
AD-3 ES-2 2 75
AD-3 ES-2 3 53
AD-3 ES-2 4 48
41

4. Escolher a pasta de destino e nomear o arquivo (10BLOCOPASUB).
5. No menu principal, clicar em Statistics → Linear Models → Analysis of Variance → Split-Plot.
7. Selecionar (clicar sobre) a variável da repetição (BLOCO) e transferir para a janela Replication
Variable.
8. Selecionar (clicar sobre) a parcela principal (ADUB) e transferir para a janela Main-plot Factor.
9. Selecionar (clicar sobre) a parcela secundária (ESPA) e transferir para a janela Subplot Factor.
10. Clicar em OK.
Statistix 9.0 11BLOCOPASUB
Analysis of Variance Table for SEV
Source DF SS MS F P
BLOCO 3 2352.00 784.00
ADUB 2 1792.00 896.00 16.80 0.0035
Error BLOCO*ADUB 6 320.00 53.33
ESPA 1 1944.00 1944.00 306.95 0.0000
ADUB*ESPA 2 127.00 63.50 10.03 0.0051
Error BLOCO*ADUB*ESPA 9 57.00 6.33
Total 23
Grand Mean 61.000

CV(BLOCO*ADUB) 11.97
CV(BLOCO*ADUB*ESPA) 4.13
Conclusão Parcial:
Pela análise de variância, houve influência significativa dos níveis de adubação (P≤0,05) e dos
espaçamentos (P≤0,05) na severidade da alternariose. No entanto, como a interação adubação x
espaçamento foi significativa (P≤0,05), os fatores separadamente não explicam a severidade da doença.
Portanto, o próximo passo é efetuar a comparação dos tratamentos (interação), por um seguintes testes
de comparação de médias:
42
ADUB*ESPA e transferir para a janela Terms Selected for Mean Comparisons.
5. Clicar em OK.
Statistix 9.0 11BLOCOPASUB
LSD All-Pairwise Comparisons Test of SEV for ADUB*ESPA
ADUB ESPA Mean AD-1,ES-1 AD-1,ES-2 AD-2,ES-1 AD-2,ES-2 AD-3,ES-1

AD-1 ES-1 56.250
AD-1 ES-2 41.750 14.500*
AD-2 ES-1 81.250 25.000* 39.500*
AD-2 ES-2 56.750 0.500 15.000* 24.500*
AD-3 ES-1 72.500 16.250* 30.750* 8.750 15.750*
AD-3 ES-2 57.500 1.250 15.750* 23.750* 0.750 15.000*
Comparisons of means for the same level of ADUB

Error term used: REP*ADUB*ESPA, 9 DF
Comparisons of means for different levels of ADUB
Error terms used: REP*ADUB and REP*ADUB*ESPA
O valor crítico de comparação entre os espaçamentos num mesmo nível de adubação é 4,0255 e o valor
crítico da comparação entre os níveis de adubação num mesmo espaçamento é 9,3747.
Montar uma tabela de resultados com as combinações entre os fatores Adubação*Espaçamento, indicando
a comparação das médias nas colunas (letras minúsculas) e nas linhas (letras maiúsculas), baseado no
valor crítico de comparação e a significância (*) das diferenças. Sempre efetuar as comparações dos
valores maiores para os menores, na coluna e na linha, separadamente.
Adubação Espaçamento
ES-1 ES-2
AD-1 56,25 bA 41,75 bB
AD-2 81,25 aA 56,75 aB
AD-3 72,50 aA 57,50 aB
43
Tabela – Influência de níveis de adubação e do espaçamento do plantio de couve-chinesa na severidade

da altenariose.
Adubação Espaçamento
ES-1 ES-2
AD-1 56,25 bA 41,75 bB
AD-2 81,25 aA 56,75 aB
AD-3 72,50 aA 57,50 aB
C.V. (%) = 4,1
não diferem significativamente entre si pelo teste de Fisher DMS (P≤0,05).
Conclusão Final:
Nos três níveis de adubação a severidade da alternariose foi significativamente (P≤0,05) superior no
espaçamento ES-1.
Nos dois espaçamentos o nível de adubação AD-1 propiciou os menores valores de severidade da
alternariose, enquanto nos níveis AD-2 e AD-3 foram constatados valores similares de severidade.
44
CORRELAÇÃO SIMPLES
Situação: Os dados a seguir se referem ao levantamento da intensidade da Sigatoka-amarela da

bananeira no Vale do Siriji (Pernambuco), quando consideradas 25 áreas de plantio em relação às
variáveis: primeira folha com sintomas (PFS), primeira folha necrosada (PFN) e índice de doença na planta
(IDP). Efetuar a análise de correlação de Pearson (P=0,05) entre as variáveis.
Planilha Excel:
1. Incluir o tratamento (AREA), as variáveis (PFS, PFN e IDP) e os valores observados para cada, sendo
que nestes deve ser utilizado ponto para casas decimais (não utilizar vírgula).
Planilha Excel:
AREA PFS PFN IDP

1 5.53 5.73 29.88
2 6.40 7.80 28.40
3 4.33 4.86 33.25
4 5.73 6.40 25.56
5 4.80 6.53 31.80
6 4.46 5.46 26.74
7 5.86 7.06 33.34
8 3.66 4.53 30.86
9 4.40 5.93 34.44
10 3.00 4.00 47.30
11 4.86 5.26 27.98
12 5.26 5.13 24.02
13 3.86 5.66 24.96
14 4.06 4.86 24.33
15 4.33 5.00 27.53
16 4.00 5.73 26.54
17 3.80 6.20 33.20
18 4.20 6.00 32.98
19 3.60 5.13 34.98
20 3.66 5.33 24.66
21 2.73 3.66 41.72
22 2.73 4.66 36.59
24 3.26 4.86 30.92
25 3.13 4.60 32.02
25 4.06 5.06 33.03

Análise de Correlação - Procedimento STATISTIX 9.0:

4. Escolher a pasta de destino e nomear o arquivo (11CORRELA).
45
5. No menu principal, clicar em Statistics → Linear Models → Correlations (Pearson).
6. Selecionar (clicar sobre) as variáveis (PFS, PFN e IDP) e transferir para a janela Correlation
Variables.
7. Selecionar (clicar) nas janelas Fit Constant e Compute P-Values, para mostrar o nível de
significância da correlação.
8. Clicar em OK.
9. Será gerado o resultado da análise de correlação:
Statistix 9.0 12CORRELA
Correlations (Pearson)
IDP PFN
PFN -0,3855
P-VALUE 0,0570
PFS -0,4792 0,7974

0,0154 0,0000
Cases Included 25 Missing Cases 0
Tabela – Correlação entre a primeira folha com sintomas (PFS), primeira folha necrosada (PFN) e índice
de doença na planta (IDP) da Sigatoka-amarela da bananeira no Vale do Siriji (Pernambuco), quando
consideradas 25 áreas de plantio.
Variável PFN IDP

PFN -0,39
PFS 0,80* -0,48*
1
Coeficientes de correlação de Pearson seguidos por asterisco são significativos a P≤0,05.
Conclusão:
Houve correlação positiva significativa (P≤0,05) entre PFS e PFN (r = 0,80 ou r = 79,7%), bem como
correlação negativa significativa (P≤0,05) entre PFS e IDP (r = -0,48 ou r = -47,9%) e entre PFN e IDP (r
= -0,39 ou r = -38,6%).
46
REGRESSÃO LINEAR SIMPLES
Situação: Os dados abaixo se referem à severidade (SEVER) de uma doença foliar em diferentes períodos
de tempo (TEMPO) após o plantio, em dias. Efetuar a análise regressão linear simples (y = a + bx),
mostrando o quadro de análise de variância, a equação resultante, o coeficiente de determinação e o
gráfico:
TEMPO 15 30 45 60 75 90 105
SEVER 8 21 34 51 68 75 96
Planilha Excel:
1. Incluir as variáveis (TEMPO e SEVER) e os valores observados para as variáveis, sendo que nestes deve
Planilha Excel:
TEMPO SEVER
26 8
30 21
44 34
50 51
62 68
68 75
74 96

Análise de Regressão Linear Simples - Procedimento STATISTIX 9.0:

4. Escolher a pasta de destino e nomear o arquivo (13REGRESIM).
5. No menu principal, clicar em Statistics → Linear Models → Linear Regression.
6. Selecionar (clicar sobre) a variável dependente (SEVER) e transferir para a janela Dependent
Variables.
7. Selecionar (clicar sobre) a variável independente (TEMPO) e transferir para a janela Independent
Variables.
8. Clicar em OK.
9. Será gerado o resultado da análise de regressão:
Statistix 9.0 13REGRESIM
Least Squares Linear Regression of SEVER
Predictor
47
Variables Coefficient Std Error T P
Constant -34.5818 5.83024 -5,93 0,0019
TEMPO 1.68100 0.10919 15,39 0,0000
R-Squared 0,9793 Resid. Mean Square (MSE) 24.4871

Adjusted R-Squared 0,9752 Standard Deviation 4.94844
AICc 34.032
PRESS 269.95
Source DF SS MS F P
Regression 1 5803.28 5803.28 236,99 0,0000
Residual 5 122.44 24.49
Total 6 5925.71
Conclusão 1:
A regressão linear simples (y = a + bx) foi significativa (P≤0,05), ou seja, os níveis de SEVERIDADE
podem ser explicados pelas variações no TEMPO. Além disso, os parâmetros da regressão (Pa (Constant)
= 0,0019 e Pb (TEMPO) = 0,0000) também foram significativos (P≤0,05). O coeficiente de determinação
foi elevado (R2 = 0,9793 ou 97,9%). A equação de regressão é: SEVER = -34,58 + 1,68*TEMPO.
Geração de Gráficos - Procedimento STATISTIX 9.0:
1. No menu principal dos resultados do “Statistix”, clicar em Results → Plots → Fitted-Line.

2. Clicar em OK.
3. Será gerado o gráfico da análise de regressão:
Linear Regression Fitted Line

100
80
SEVER
60
40
20
0
26 34 42 50 58 66 74
TEMPO
SEVER = -34.582 + 1.6810 * TEMPO
Observação: o gráfico poderá ser editado, basta clicar com a parte direita do mouse sobre o gráfico
gerado.
48
Conclusão 2:
Com esse modelo, pode ser estimada com precisão qual seria a severidade da doença em determinado
tempo. Como exemplo, qual seria a severidade da doença aos 53 dias após o plantio?
Predição de Valores de Regressão - Procedimento STATISTIX 9.0:
1. No menu dos resultados da regressão do “Statistix”, clicar em Results → Prediction.

2. Na janela Predictor Values, digitar 53 (tempo após o plantio)
3. Clicar em OK.
4. Será gerado o resultado da previsão:
Statistix 9.0 13REGRESIM
Predicted/Fitted Values of SEVER
Lower Predicted Bound 40.895 Lower Fitted Bound 49.655

Predicted Value 54.511 Fitted Value 54.511
Upper Predicted Bound 68.127 Upper Fitted Bound 59.367
SE (Predicted Value) 5.2968 SE (Fitted Value) 1.8890
Unusualness (Leverage) 0,1457

Percent Coverage 95,0
Corresponding T 2,57
Predictor Values: TEMPO = 53.000
Conclusão 2:
Utilizando o modelo de regressão linear simples (SEVER = -34,58 + 1,68*TEMPO), aos 53 dias após o
plantio a severidade da doença será de 54,51%.
49
REGRESSÃO LINEAR SIMPLES – COMPARAÇÃO DE CURVAS
Situação: Os dados abaixo se referem à severidade (SEVER) de uma doença foliar em diferentes períodos
de tempo (TEMPO) após o plantio, em dias, em duas cultivares. Comparar as curvas de regressão linear
simples (y = a + bx) resultantes para as duas cultivares.
Tempo Severidade
Cultivar A Cultivar B
15 8 2
30 21 11
45 34 17
60 51 26
75 68 35
90 75 41
105 96 52
Planilha Excel:
1. Incluir as variáveis (CULTIVAR, TEMPO e SEVER) e os valores observados para as variáveis, sendo que
nestes deve ser utilizado ponto para casas decimais (não utilizar vírgula).
Planilha Excel:
CULTIVAR TEMPO SEVER

A 15 8
A 30 21
A 45 34
A 60 51
A 75 68
A 90 75
A 105 96
B 15 2
B 30 11
B 45 17
B 60 26
B 75 35
B 90 41
B 105 52
2. Na planilha Excel, selecionar as colunas contendo os dados para a análise de regressão (CULTIVAR,
TEMPO e SEVER).
50

4. Escolher a pasta de destino e nomear o arquivo (13.1REGRESIM).
6. Selecionar (clicar sobre) a variável dependente (SEVER) e transferir para a janela Dependent
Variables.
7. Selecionar (clicar sobre) a variável independente (TEMPO) e transferir para a janela Independent
Variables.
8. Clicar em OK.
Statistix 9.0
Least Squares Linear Regression of SEVER
Predictor
Constant -6.92857 8.88322 -0.78 0.4505
TEMPO 0.75476 0.13242 5.70 0.0001
R-Squared 0.7303 Resid. Mean Square (MSE) 220.952

Adjusted R-Squared 0.7078 Standard Deviation 14.8645
AICc 81.813
PRESS 3769.5
Source DF SS MS F P
Regression 1 7177.79 7177.79 32.49 0.0001
Residual 12 2651.43 220.95
Total 13 9829.21
Lack of Fit 5 35.93 7.186 0.02 0.9998

Pure Error 7 2615.50 373.643
Comparação de Curvas de Regressão Linear Simples - Procedimento STATISTIX 9.0:
1. No menu principal, clicar em Results e selecionar Comparison of Regression Lines.

2. Na janela aberta (Variables), selecionar a CULTIVAR e transferir para a janela Group Variable.
3. Clicar em OK.
4. Será gerado o resultado da comparação entre as curvas de regressão.
Statistix 9.0
Comparison of Regression Lines for SEVER = TEMPO
CULTIVAR N Intercept Slope MSE

A 7 -7.57143 0.96667 7.74286
B 7 -6.28571 0.54286 1.37143
F DF P
Equality of Variances 5.65 5, 5 0.0402
Comparison of Slopes 124.15 1, 10 0.0000
Comparison of Elevations 36.71 1, 11 0.0001
Conclusão:
51
Houve diferença significativa entre as interseções (intercepto) e as inclinações (coeficiente angular da reta)
das curvas de regressão linear simples (y = a + bx) das duas cultivares quanto aos níveis de severidade
no tempo. A cultivar A apresentou a interseção (a = -7,57143) significativamente (P=0,00001) superior à
constatada na cultivar B (a = -6,28571), bem como a inclinação (b = 0,96667) da cultivar A foi
significativamente (P<0,0001) superior à da cultivar B (0,54286).
52
REGRESSÃO MÚLTIPLA
COM DUAS VARIÁVEIS INDEPENDENTES
Situação: Os dados abaixo se referem às populações de Meloidogyne em várias amostras de solo

(MELOSOL), bem como os teores de sódio e a condutividade hidráulica nas amostras. Efetuar a análise
regressão múltipla, mostrando o quadro de análise de variância, a equação resultante e o coeficiente de
determinação:
Teores de Sódio Condutividade Hidráulica População de Meloidogyne

0.15 226.35 53
0.11 301.97 53
0.13 259.90 53
0.15 327.87 53
0.12 182.00 53
0.14 185.07 53
0.11 264.62 53
0.13 229.50 53
0.12 231.59 53
0.29 334.47 106
0.26 326.48 106
0.20 308.65 159
0.20 182.01 159
0.24 210.89 159
0.17 250.23 159
0.23 254.65 212
0.23 286.91 212
0.17 137.25 212
0.21 189.16 265
0.18 141.75 265
0.17 211.22 424
0.19 132.79 477
Planilha Excel:
1. Incluir as variáveis (SODI, CONDHID e MELOSOL) e os valores observados para as variáveis, sendo que
nestes deve ser utilizado ponto para casas decimais (não utilizar vírgula).
Planilha Excel:
SODI CONDHID MELOSOL

0.15 226.35 53
0.11 301.97 53
0.13 259.90 53
0.15 327.87 53
0.12 182.00 53
0.14 185.07 53
0.11 264.62 53
0.13 229.50 53
0.12 231.59 53
0.29 334.47 106
0.26 326.48 106
0.20 308.65 159
0.20 182.01 159
53
0.24 210.89 159
0.17 250.23 159
0.23 254.65 212
0.23 286.91 212
0.17 137.25 212
0.21 189.16 265
0.18 141.75 265
0.17 211.22 424
0.19 132.79 477

Análise de Correlação Parcial - Procedimento STATISTIX 9.0:

4. Escolher a pasta de destino e nomear o arquivo (14REGREMULT).
5. No menu principal, clicar em Statistics → Linear Models → Partial Correlations.
6. Selecionar (clicar sobre) a variável dependente (MELOSOL) e transferir para a janela Dependent
Variables.
7. Selecionar (clicar sobre) sobre a variável que se pretende contrastar a dependência (CONDHID) e
transferir para a janela Adjust for Variables.
8. Selecionar (clicar sobre) sobre a variável que se quer determinar a correlação (SODI) e transferir para
a janela Correlation Variable.
9. Clicar em OK.
10. Será gerado o resultado da análise de correlação parcial:
Statistix 9.0 14REGRESMULT
Partial Correlations with MELOSOL

Controlled for CONDHID
SODI 0.5408
Conclusão Parcial: para o caso da correlação parcial entre a população de Meloidogyne (MELOSOL) e
os teores de sódio (SODI), mantendo a condutividade hidráulica (CONDHID) como constante, a
correlação parcial (r) é positiva de 0,5408 ou 54,08%.
Para verificar a correlação parcial entre a população de Meloidogyne (MELOSOL) e a condutividade

hidráulica (CONDHID), mantendo os teores de sódio (SODI) como constante, deverá ser adotado o
seguinte procedimento:
1. Na barra de ferramenta dos resultados clicar em Results e depois em Options ...

Variables.
3. Selecionar (clicar sobre) sobre a variável que se pretende contrastar a dependência (SODI) e transferir
para a janela Adjust for Variables.
4. Selecionar (clicar sobre) sobre a variável que se quer determinar a correlação (CONDHID) e transferir
para a janela Correlation Variable.
5. Clicar em OK.
54
Partial Correlations with MELOSOL

Controlled for SODI
CONDHID -0.6061
Conclusão Final: para o caso da correlação parcial entre a população de Meloidogyne (MELOSOL) e a
condutividade hidráulica (CONDHID), mantendo os teores de sódio (SODI) como constante, a correlação
parcial (r) é negativa de -0,6061 ou 60,61%.
Análise de Regressão Múltipla - Procedimento STATISTIX 9.0:

4. Escolher a pasta de destino e nomear o arquivo (14REGREMULT).
Variables.
7. Selecionar (clicar sobre) as variáveis independentes (SODI e CONDHID) e transferir para a janela
Independent Variables.
8. Clicar em OK.
Least Squares Linear Regression of MELOSOL
Predictor
Variables Coefficient Std Error T P VIF
Constant 212.574 97.9711 2.17 0.0429 0.0
SODI 1163.02 415.046 2.80 0.0114 1.1
CONDHID -1.12465 0.33863 -3.32 0.0036 1.1

AICc 207.26
PRESS 221264
Source DF SS MS F P
Regression 2 138851 69425.3 7.78 0.0034
Residual 19 169629 8927.8
Total 21 308479
Conclusão:
A regressão múltipla (y = a + b1x1 + b2x2) foi significativa (P=0,0034), ou seja, os níveis populacionais
de Meloidogyne no solo podem ser explicados pelas pelos teores de sódio e condutividade hidráulica
conjuntamente. Além disso, os parâmetros da regressão (a = 212,574, b1 = 1163.02 e b2 = -1.12465)
também foram significativos (P≤0,05). O coeficiente de determinação (R2) foi de = 0,4501 ou 45,01%. A
equação de regressão múltipla é: MELOSOL = 212,574 + 1163.02*SODI -1.12465* CONDHID.
55
REGRESSÃO MÚLTIPLA
COM MAIS DE DUAS VARIÁVEIS INDEPENDENTES
Situação: Os dados abaixo se referem aos teores de nitrogênio constatados no solo (N_MIN) em função
do tamanho da partícula do solo antes da análise (PART), profundidade de amostragem do solo (PROF) e
da quantidade de nitrogênio aplicado (TRATN). Efetuar a análise regressão múltipla:
N_MINERAL PART PROF TRATN

26.34 0.5 20 0
28.25 0.5 30 0
26.24 0.5 50 0
37.28 0.5 70 0
42.04 0.5 90 0
21.15 1 20 0
34.38 1 30 0
26.67 1 50 0
28.39 1 70 0
40.50 1 90 0
35.53 2 20 0
22.30 2 30 0
20.75 2 50 0
20.35 2 70 0
47.32 2 90 0
44.75 0.5 20 1
74.16 0.5 30 1
62.11 0.5 50 1
57.41 0.5 70 1
60.78 0.5 90 1
41.54 1 20 1
61.10 1 30 1
63.67 1 50 1
62.31 1 70 1
65.21 1 90 1
51.80 2 20 1
74.04 2 30 1
60.69 2 50 1
56.52 2 70 1
69.23 2 90 1
Planilha Excel:
1. Incluir as variáveis (N_MINERAL, PART, PROF e TRATN) e os valores observados para as variáveis,
Planilha Excel:
N_MINERAL PART PROF TRATN

26.34 0.5 20 0
28.25 0.5 30 0
26.24 0.5 50 0
37.28 0.5 70 0
42.04 0.5 90 0
21.15 1 20 0
34.38 1 30 0
56
26.67 1 50 0
28.39 1 70 0
40.50 1 90 0
35.53 2 20 0
22.30 2 30 0
20.75 2 50 0
20.35 2 70 0
47.32 2 90 0
44.75 0.5 20 1
74.16 0.5 30 1
62.11 0.5 50 1
57.41 0.5 70 1
60.78 0.5 90 1
41.54 1 20 1
61.10 1 30 1
63.67 1 50 1
62.31 1 70 1
65.21 1 90 1
51.80 2 20 1
74.04 2 30 1
60.69 2 50 1
56.52 2 70 1
69.23 2 90 1

Seleção das Variáveis Independentes - Procedimento STATISTIX 9.0:

4. Escolher a pasta de destino e nomear o arquivo (14REGRESMULT3VARIND).
5. No menu principal, clicar em Statistics → Linear Models → Best Subset Regressions.
6. Selecionar (clicar sobre) a variável dependente (N_MINERAL) e transferir para a janela Dependent
Variable.
7. Selecionar (clicar sobre) sobre as outras variáveis (PART, PROF e TRATN) e transferir para a janela
Non-Forced Indep. Variables.
8. Clicar em OK.
Statistix 9.0 14REGRESMULT3VARIND
Best Subset Regression Models for N_MINERAL
Unforced Independent Variables: (A)PROF (B)PAR (C)TRATN

3 "best" models from each subset size listed.
Adjusted AICc -
P Cp R Square Min AICc Resid SS Model Variables
1 104.2 0.0000 43.63 8892.87 Intercept Only
2 6.8 0.7429 4.31 2207.81 C
2 99.4 0.0177 44.52 8434.06 A
2 106.2 -0.0357 46.11 8892.62 B
3 2.0 0.7888 0.00 1749.01 A C
57
3 8.8 0.7334 6.99 2207.56 B C
3 101.4 -0.0186 47.20 8433.81 A B
4 4.0 0.7807 2.90 1748.76 A B C
Conclusão:
O modelo que propiciou o melhor ajuste (R2 = 0,7888) incluí as variáveis A (PROF) e C (TRATN). Portanto,
o melhor modelo é o que utiliza uma regressão múltipla com duas variáveis independentes: profundidade
da amostragem do solo (PROF) e a quantidade de nitrogênio aplicada no solo (TRATN). O tamanho da
partícula (PART) parece não influir nos valores obtidos sobre o conteúdo de nitrogênio na s amostras de
solo.
O próximo passo é efetuar a análise de regressão múltipla com as variáveis independentes selecionadas
(PROF e TRATN).
Análise de Regressão Múltipla - Procedimento STATISTIX 9.0:

2. Selecionar (clicar sobre) a variável dependente (N_MINERAL) e transferir para a janela Dependent
Variable.
3. Selecionar (clicar sobre) sobre as variáveis independentes a serem consideradas no modelo (PROF e
TRATN) e transferir para a janela Independent Variables.
4. Clicar em OK.
Statistix 9.0 14REGRESMULT3VARIND
Least Squares Linear Regression of N_MINERAL
Predictor
Constant 22.5596 3.63579 6.20 0.0000 0.0
PROF 0.15269 0.05737 2.66 0.0129 1.0
TRATN 29.8553 2.93889 10.16 0.0000 1.0

AICc 131.57
PRESS 2167.1
Source DF SS MS F P
Regression 2 7143.86 3571.93 55.14 0.0000
Residual 27 1749.01 64.78
Total 29 8892.87
Lack of Fit 7 1151.79 164.541 5.51 0.0012

Pure Error 20 597.22 29.861
Conclusão:
A regressão múltipla (y = a + b1x1 + b2x2) foi significativa (P<0,0001), ou seja, os teores de nitrogênio no
solo (N_MINERAL) podem ser explicados pela profundidade da amostra (PROF) e pela quantidade de
nitrogênio aplicado ao solo (TRATN). Além disso, os parâmetros da regressão (a = 22,5596, b1 = 0,15269
e b2 = 29,8553) também foram significativos (P≤0,05). O coeficiente de determinação (R2) foi de = 0,8033
ou 80,33%). A equação de regressão múltipla é: N_MINERAL = 22,5596+ 0,15269* PROF - 29,8553*
TRATN.
58
REGRESSÃO POLINOMIAL
Situação: Os dados abaixo se referem à severidade (SEV) da rizoctoniose (Rhizoctonia solani) do feijoeiro
com o inóculo depositado a diferentes profundidades (PROF), em centímetros. Efetuar a análise de
regressão com os modelos linear (y = a + bx), quadrático (y = a + bx + cx2) e cúbico (y = a + bx + cX2 +
dx3), mostrando para cada modelo o quadro de análise de variância, a equação resultante, o coeficiente de
determinação e o gráfico. Decidir sobre o melhor modelo para ajuste dos dados e comentar os resultados.
PROF 2 5 10 15 20
SEV 97,5 67,5 21 12,5 4,0
Planilha Excel:
1. Incluir as variáveis (TEMP e SEV) e os valores observados para as variáveis, sendo que nestes deve ser
utilizado ponto para casas decimais (não utilizar vírgula).
Planilha Excel:
PROF SEV
2 97.5
5 67.5
10 21.0
15 12.5
20 4,0


4. Escolher a pasta de destino e nomear o arquivo (15REGREPOL).
7. Selecionar (clicar sobre) a variável independente (PROF) e transferir para a janela Independent
Variables.
8. Clicar em OK.
9. Será gerado o resultado da análise de regressão linear simples:
59
Statistix 9.0 15REGREPOL
Least Squares Linear Regression of SEV – LINEAR SIMPLES
Predictor
Constant 93.9634 14.0753 6,68 0,0069
PROF -5.14071 1.14619 -4,49 0,0207

AICc 55.621
PRESS 2856.5
Source DF SS MS F P
Regression 1 5634.22 5634.22 20,12 0,0207
Residual 3 840.28 280.09
Total 4 6474.50
1. No menu dos resultados da regressão do “Statistix”, clicar em Results → Plots → Fitted-Line.

2. Clicar em OK.
Linear Simples
100
70
SEV
40
10
-20
2 5 8 11 14 17 20
PROF
SEV = 93.963 - 5.1407 * PROF
Análise de Regressão Polinomial (Quadrática) - Procedimento STATISTIX 9.0:
1. No menu principal, clicar em Statistics → Nonlinear Models → Polynomial Regression.

Variables.
4. Na janela Degree, digitar 2 (equação de segundo grau)
5. Clicar em OK.
6. Será gerado o resultado da análise de regressão polinomial pelo modelo quadrático:
60
Polynomial Regression of SEV - QUADRÁTICA
Differenced Scale (i.e., Xi - Xbar)

Predictor
Constant 24.4598 4.39679 5,56 0,0308
PROF -5.54978 0.42114 -13,18 0,0057 1.0
PROF^2 0.37618 0.08160 4,61 0,0440 1.0
Original Scale
Predictor
Variables Coefficient Std Error
Constant 122.865 8.05341
PROF -13.3743 1.83275
PROF^2 0.37618 0.08160

AICc M
PRESS 713.47
Source DF SS MS F P
Regression 2 6402.23 3201.12 88,59 0,0112
Residual 2 72.27 36.13
Total 4 6474.50
1. No menu dos resultados da regressão do “Statistix”, clicar em Results → Plots → Fitted-Curve.

2. Clicar em OK.
Quadrática
100
80
60
SEV
40
20
0
2 5 8 11 14 17 20
PROF
SEV = 122.86 - 13.374 * PROF + 0.3762 * PROF^2
61
Análise de Regressão Polinomial (Cúbica) - Procedimento STATISTIX 9.0:
1. No menu principal, clicar em Statistics → Nonlinear Models → Polynomial Regression.

Variables.
4. Na janela Degree, digitar 3 (equação de terceiro grau)
5. Clicar em OK.
6. Será gerado o resultado da análise de regressão polinomial pelo modelo cúbico:
Polynomial Regression of SEV - CÚBICA
Differenced Scale (i.e., Xi - Xbar)

Predictor
Constant 23.9502 5.54670 4,32 0,1449
PROF -4.73487 1.59183 -2,97 0,2065 9.7
PROF^2 0.40135 0.11157 3,60 0,1726 1.3
PROF^3 -0.01216 0.02243 -0,54 0,6838 10.4
Original Scale
Predictor
Variables Coefficient Std Error
Constant 130.279 16.9498
PROF -17.0279 7.11462
PROF^2 0.78067 0.75304
PROF^3 -0.01216 0.02243

AICc M
PRESS 7553.7
Source DF SS MS F P
Regression 3 6418.65 2139.55 38,31 0,1181
Residual 1 55.85 55.85
Total 4 6474.50
1. No menu principal dos resultados do “Statistix”, clicar em Results → Plots → Fitted-Curve.

2. Clicar em OK.
62
Cúbica
100
80
60
SEV
40
20
0
2 5 8 11 14 17 20
PROF
SEV = 130.28 - 17.028 * PROF + 0.7807 * PROF^2 - 0.0122 * PROF^3
Conclusão 1:
A regressão polinomial pelo modelo quadrático (y = a + bx + cx2) propiciou o melhor ajuste dos dados,
pois o modelo foi significativo (P=0,0112), todos os parâmetros foram significativos (Pa=0,0308;
Pb=0,0057; Pc=0,0440) e o coeficiente de determinação foi alto (R2 = 0,9888).
A regressão linear simples (y = a + bx) propiciou o ajuste adequado dos dados, pois o modelo foi
significativo (P=0,0207), todos os parâmetros foram significativos (Pa=0,0069; Pb=0,0207), mas o
coeficiente de determinação (R2 = 0,8702) foi inferior ao obtido pelo modelo quadrático.
A regressão polinomial pelo modelo cúbico (y = a + bx + cx2 + cx3) não propiciou o ajuste adequado dos
dados, pois o modelo não foi significativo (P=0,1181), os parâmetros não foram significativos (Pa=0,1449;
Pb=0,2065; Pc=0,1726; Pd=0,5838), embora o coeficiente de determinação tenha sido alto (R2 = 0,9914).
Portanto, o modelo SEV = 128,86 – 13,374*PROF + 0,3762*PROF2 representa com elevada precisão
(R2 = 0,9888) o efeito da profundidade do inóculo de R. solani na severidade da rizoctoniose em feijoeiro.
Com esse modelo, pode ser estimada com precisão qual seria a severidade da doença a determinada
profundidade de inóculo. Como exemplo, qual seria a severidade da rizoctoniose se o inóculo estivesse a
12 cm de profundidade?
Predição de Valores de Regressão - Procedimento STATISTIX 9.0:
1. No menu dos resultados da regressão do “Statistix”, clicar em Results → Prediction.

2. Na janela Predictor Values, digitar 12 (a profundidade do inóculo)
3. Clicar em OK.
4. Será gerado o resultado da previsão:
Predicted/Fitted Values of SEV
Lower Predicted Bound -15.493 Lower Fitted Bound -2.3613

Predicted Value 16.543 Fitted Value 16.543
Upper Predicted Bound 48.579 Upper Fitted Bound 35.448
SE (Predicted Value) 7.4457 SE (Fitted Value) 4.3937
Unusualness (Leverage) 0,5342

Percent Coverage 95,0
Corresponding T 4,30
Predictor Values: PROF = 12.000

Conclusão 2:
Utilizando o modelo quadrático (SEV = 128,86 – 13,374*PROF + 0,3762*PROF2), quando o inóculo for
depositado à profundidade de 12 cm a severidade da rizoctoniose será de 16,54%.
63
64
ANÁLISE NÃO-PARAMÉTRICA
Situação 1: Severidade da queima das folhas do inhame, causada por Curvularia eragrostidis, em áreas
de plantio do Estado de Pernambuco. Efetuar as comparações:
a) Severidade no estádio vegetativo entre locais de plantio.
b) Severidade no estádio de maturação entre áreas irrigadas e não irrigadas.
c) Severidade entre estádio vegetativo e de maturação.
Área Local Irrigação Severidade (%)*

Est. vegetativo Est. maturação
1 Goiana + 1,02 7,10
2 Goiana + 0,97 4,45
3 Goiana + 1,30 6,34
4 Goiana + 1,65 2,65
5 Goiana + 2,93 5,21
6 Goiana - 4,33 7,22
7 Condado + 1,19 4,13
8 Condado + 2,17 10,23
9 Condado + 1,42 5,54
10 Condado + 0,39 4,65
11 Condado + 2,03 10,11
12 Condado - 1,24 4,91
13 Condado + 3,55 2,89
14 Condado - 0,89 5,17
15 Amaraji - 1,17 7,21
16 Amaraji - 2,10 10,20
17 Amaraji + 2,93 11,50
18 Amaraji - 1,16 9,10
19 Amaraji - 2,25 8,22
20 Amaraji - 3,15 11,70
Situação Teste
Duas amostras independentes Soma de Rankings de Wilcoxon
Duas amostras dependentes Rankings Com Sinais de Wilcoxon
K amostras independentes - Del. Inteiramente Casualizado Kruskal-Wallis
K amostras independentes – Del. Blocos ao Acaso Friedman
Planilha Excel:
a) Locais de plantio b) Irrigadas X Não-Irrigadas c) Vegetativo x Maturação
LOCAL SEV1 AREA SEV2 VEGET MATUR

Goiana 1.02 Irrig 7.1 1.02 7.1
Goiana 0.97 Irrig 4.45 0.97 4.45
Goiana 1.3 Irrig 6.34 1.3 6.34
Goiana 1.65 Irrig 2.65 1.65 2.65
Goiana 2.93 Irrig 5.21 2.93 5.21
Goiana 4.33 Naoir 7.22 4.33 7.22
Condado 1.19 Irrig 4.13 1.19 4.13
Condado 2.17 Irrig 10.23 2.17 10.23
Condado 1.42 Irrig 5.54 1.42 5.54
Condado 0.39 Irrig 4.65 0.39 4.65
Condado 2.03 Irrig 10.11 2.03 10.11
65
Condado 1.24 Naoir 4.91 1.24 4.91
Condado 3.55 Irrig 2.89 3.55 2.89
Condado 0.89 Naoir 5.17 0.89 5.17
Amaraji 1.17 Naoir 7.21 1.17 7.21
Amaraji 2.1 Naoir 10.2 2.1 10.2
Amaraji 2.93 Irrig 11.5 2.93 11.5
Amaraji 1.16 Naoir 9.1 1.16 9.1
Amaraji 2.25 Naoir 8.22 2.25 8.22
Amaraji 3.15 Naoir 11.7 3.15 11.7
1. Para cada comparação, selecionar na planilha Excel a coluna contendo os dados (incluindo o nome da
variável).
Análise Não-Paramétrica - Procedimento STATISTIX 9.0:

4. Escolher a pasta de destino e nomear o arquivo (16NPARAM).
Para a comparação entre Locais de Plantio:
1. No menu principal, clicar em Statistics → One, Two, Multi-Sample Tests → Kruskall-Wallis One-
Way AOV.
2. Selecionar (clicar sobre) a variável dependente (SEV1) e transferir para a janela Dependent
Variable.
3. Selecionar (clicar sobre) a variável tratamento (LOCAL) e transferir para a janela Categorical
Variable.
4. Clicar em OK.
5. Será gerado o resultado do teste de Kruskal-Wallis:
Statistix 9.0 16NPARAM
Kruskal-Wallis One-Way Nonparametric AOV for SEV1 by LOCAL
Mean Sample
LOCAL Rank Size
Amaraji 12.3 6
Condado 9.1 8
Goiana 10.6 6
Total 10.5 20
Kruskal-Wallis Statistic 0.9591

P-Value, Using Chi-Squared Approximation 0.6191
Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 33.542 16.7708 0.45 0.6439
Within 17 630.958 37.1152
Total 19 664.500
66
Conclusão:
As áreas de Amaraji, Condado e Goiana não diferem quanto aos níveis de severidade da queima das folhas
do inhame, pois as diferenças não foram significativas (P=0,6439, ou seja, P>0,05) pelo teste de Kruskal-
Wallis.
Caso houvesse diferença entre os tratamentos, poderia ser efetuada a comparação dos tratamentos
(rankings).
Comparação de Médias do Teste de Kruskal-Wallis - Procedimento STATISTIX 9.0:
2. Clicar em OK.
Kruskal-Wallis All-Pairwise Comparisons Test of SEV1 by LOCAL
LOCAL Mean Homogeneous Groups

Amaraji 12.250 A
Goiana 10.583 A
Condado 9.1250 A
Alpha 0.05
Critical Z Value 2.394 Critical Value for Comparison 7.6489 TO 8.1770
There are no significant pairwise differences among the means.
Para a comparação entre Irrigadas e Não Irrigadas:
1. No menu principal, clicar em Statistics → One, Two, Multi-Sample Tests → Wilcoxon Rank Sum
Test.
2. Selecionar (clicar sobre) a variável dependente (SEV2) e transferir para a janela Dependent
Variable.
3. Selecionar (clicar sobre) a variável tratamento (AREA) e transferir para a janela Categorical
Variable.
4. Clicar em OK.
5. Será gerado o resultado do teste de Soma de Rankings de Wilcoxon:
Wilcoxon Rank Sum Test for SEV2 by AREA
AREA Rank Sum N U Stat Mean Rank

Irrig 106.00 12 28.000 8.8
Naoir 104.00 8 68.000 13.0
Total 210.00 20
Exact Permutation Test Two-tailed P-value 0.1349
Normal Approximation with Corrections for Continuity and Ties 1.504

Two-tailed P-value for Normal Approximation 0.1325
Total number of values that were tied 0

Maximum difference allowed between ties 0.00001
67
Conclusão:
As áreas irrigadas e não irrigadas não diferem entre si quanto aos níveis de severidade da queima das
folhas do inhame, pois as diferenças não foram significativas (P=0,1325, ou seja, P>0,05) pelo teste de
Soma de Rankings de Wilcoxon.
Para a comparação entre Estádio Vegetativo e Estádio Maturação:
1. No menu principal, clicar em Statistics → One, Two, Multi-Sample Tests → Wilcoxon Signed
Rank Test.
2. Selecionar (clicar sobre) as variáveis em comparação (VEGET e MATUR) e transferir para a janela
Sample Variables.
3. Clicar em OK.
4. Será gerado o resultado do teste de Rankings Com Sinais de Wilcoxon:
Wilcoxon Signed Rank Test for VEGET - MATUR
Sum of Negative Ranks -209.00

Sum of Positive Ranks 1.0000
Exact probability of a result as or more extreme

than the observed ranks (one-tailed p-value) 0.0000
Normal Approximation with Continuity Correction 3.864

Two-tailed P-value for Normal Approximation 0.0001
Total number of values that were tied 0

Number of zero differences dropped 0
Max. diff. allowed between ties 0.00001
Conclusão:
A severidade da queima das folhas do inhame é significativamente superior no estádio de maturação
comparado ao estádio vegetativo, pois a diferença foi significativas (P=0,0001, ou seja, P<0,05) pelo teste
de Rankings Com Sinais de Wilcoxon.
68
Situação 2: Foi avaliado o comportamento de oito cultivares de caupi em relação à severidade da

cercosporiose (Cercospora cruenta), em condições de campo. Foram utilizados quatro blocos por
tratamento e avaliadas cinco plantas por bloco, sendo obtida a média por bloco. Os resultados são
Cultivares Severidade (%) - Blocos

I II III IV
BR-17 21,7 18,3 23,4 19,2
IPA-206 34,3 29,4 30,8 22,4
IPA-207 46,7 56,3 49,5 65,1
Olho de Pomba 11,4 13,5 9,2 14,7
Guariba 67,3 59,0 61,2 55,8
Marataoã 27,5 29,4 23,5 30,4
Paraguaçu 56,7 62,4 60,2 52,6
Milênio 23,4 21,3 19,4 17,2
Questão: Será que existe diferença significativa na severidade da cercosporiose entre as cultivares de
caupi?
Planilha Excel:
CULT BLOC SEV

BR-17 1 21.7
BR-17 2 18.3
BR-17 3 23.4
BR-17 4 19.2
IPA-206 1 34.3
IPA-206 2 29.4
IPA-206 3 30.8
IPA-206 4 22.4
IPA-207 1 46.7
IPA-207 2 56.3
IPA-207 3 49.5
IPA-207 4 65.1
OLHO POMBA 1 11.4
OLHO POMBA 2 13.5
OLHO POMBA 3 9.2
OLHO POMBA 4 14.7
GUARIBA 1 67.3
GUARIBA 2 59.0
GUARIBA 3 61.2
GUARIBA 4 55.8
MARATAOA 1 27.5
MARATAOA 2 29.4
MARATAOA 3 23.5
MARATAOA 4 30.4
PARAGUACU 1 56.7
PARAGUACU 2 62.4
PARAGUACU 3 60.2
PARAGUACU 4 52.6
MILENIO 1 23.4
MILENIO 2 21.3
MILENIO 3 19.4
MILENIO 4 17.2
69
Análise Não-Paramétrica Teste Friedman - Procedimento STATISTIX 9.0:

4. Escolher a pasta de destino e nomear o arquivo (16NPARAMBLOC).
Para a comparação entre Locais de Plantio:
1. No menu principal, clicar em Statistics → One, Two, Multi-Sample Tests → Friedman Two-Way
AOV.
2. Selecionar (clicar sobre) a variável dependente (SEV) e transferir para a janela Dependent Variable.
3. Selecionar (clicar sobre) as outras variáveis tratamento (BLOC e SEV) e transferir para a janela
Categorical Variables.
4. Clicar em OK.
5. Será gerado o resultado do teste de Friedman:
Statistix 9.0 16NPARAMBLOC
Friedman Two-Way Nonparametric AOV for SEV = BLOC CULT
Mean Sample
BLOC Rank Size
1 2.75 8
2 2.63 8
3 2.38 8
4 2.25 8
Friedman Statistic 0.7500

P-value, Chi-Squared Approximation 0.8614
Degrees of Freedom 3
Mean Sample
CULT Rank Size
BR-17 2.50 4
GUARIBA 7.50 4
IPA-206 4.63 4
IPA-207 6.50 4
MARATAOA 4.38 4
MILENIO 2.50 4
OLHO POMBA 1.00 4
PARAGUACU 7.00 4
Friedman Statistic, Corrected for Ties 26.433

P-value, Chi-Squared Approximation 0.0004
Degrees of Freedom 7
Conclusão:
Não houve diferença significativa entre os blocos (P=0,8614) e houve diferença significativa entre as
cultivares de caupi (P=0,0004) em relação à severidade da cercosporiose.

Michereff (2013) - Tutorial Statistix 9

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Michereff (2013) - Tutorial Statistix 9

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO

DEPARTAMENTO DE AGRONOMIA – ÁREA DE FITOSSANIDADE

PROF. SAMI J. MICHEREFF

01. Criação de variáveis e inclusão de valores ................................................................ 03

CRIAÇÃO DE VARIÁVEIS E INCLUSÃO DE VALORES

Criação de uma variável

1. Abrir o programa “Statistix”.

Inclusão dos valores da variável

3. Na planilha Excel, selecionar a coluna contendo os dados (incluindo o nome da variável).

MEDIDAS DE TENDÊNCIA CENTRAL E DISPERSÃO

2. Na planilha Excel, selecionar a coluna contendo os dados (incluindo o nome da variável).

Procedimento STATISTIX 9.0:

1. Abrir o programa “Statistix”.

8. Após as estatísticas serem selecionadas, clicar em OK.

Statistix 9.0 02ESTDESC

TESTE DE NORMALIDADE E TRANSFORMAÇÃO DOS DADOS

Situação: Os dados da tabela baixo se referem a três variáveis analisadas:

Número de colônias fúngicas - Severidade de doença (%) - SEV Concentração de esporos

NCF SEV CES

2. Na planilha Excel, selecionar a coluna contendo os dados (incluindo o nome da variável).

Teste de Normalidade dos Dados - Procedimento STATISTIX 9.0:

1. Abrir o programa “Statistix”.

Statistix 9.0 03NORMAL

Shapiro-Wilk Normality Test

Transformação de Dados - Procedimento STATISTIX 9.0:

1. No menu principal, clicar em Data → Transformations.

Efetuar novamente o Teste de Normalidade e observar se as transformações propiciaram o atendimento

1. No menu principal do “Statistix”, clicar em Statistics → Randomness/Normality Tests → Shapiro-

Statistix 9.0 03NORMAL

Shapiro-Wilk Normality Test

TESTE T – UMA AMOSTRA

2. Na planilha Excel, selecionar a coluna contendo os dados (incluindo o nome da variável).

Teste de Normalidade - Procedimento STATISTIX 9.0:

1. Abrir o programa “Statistix”.

Statistix 9.0 04TESTTUMA

Shapiro-Wilk Normality Test

Teste T para Uma Amostra - Procedimento STATISTIX 9.0:

Statistix 9.0 04TESTTUMA

Null Hypothesis: mu = 27.8

TESTE T – DUAS AMOSTRAS DEPENDENTES

Blocos Aplicação de bactericida

BLOCO NTRAT TRATA

2. Na planilha Excel, selecionar a coluna contendo os dados (incluindo o nome da variável).

1. Abrir o programa “Statistix”.

Statistix 9.0 04TESTTAMDP

Shapiro-Wilk Normality Test

Teste T para Amostras Dependentes (Pareadas) - Procedimento STATISTIX 9.0:

Statistix 9.0 04TESTTAMDP

Paired T Test for NTRAT - TRATA

Null Hypothesis: difference = 0

TESTE T – DUAS AMOSTRAS INDEPENDENTES

TRAT REP PROD

2. Na planilha Excel, selecionar a coluna contendo os dados (incluindo o nome da variável).

1. Abrir o programa “Statistix”.

Statistix 9.0 04TESTTAMIN

Shapiro-Wilk Normality Test

Teste T para Amostras Independentes - Procedimento STATISTIX 9.0:

Statistix 9.0 04TESTTAMIN

Two-Sample T Tests for PROD by TRAT

T-Tests for Mean Difference

Repetição Cultivar A Cultivar B Cultivar C Cultivar D

1. Incluir os tratamentos (CULTIVAR), as repetições (REP) e os valores observados para a variável

CULTIVAR REP INCID

2. Na planilha Excel, selecionar a coluna contendo os dados (incluindo o nome da variável).