Escolar Documentos
Profissional Documentos
Cultura Documentos
Estatística Experimental
Estatística Experimental
INTRODUÇÃO À ESTATÍSTICA
1 EXPERIMENTAL
B A C B B B
A B C C C C
-F
... Experimento
Preliminar
1 2 3 4 5 6 7 8 9 10 100
Seleção das 10 Melhores Variedades
BLOCO
Experimental
7 89 2 27 VL 54 33 64 29 93 15 I
Estação
BLOCO Experimento
VL 29 33 7 93 2 27 15 89 54 64 II
Crítico
BLOCO
27 54 64 15 33 89 29 93 VL 7 2 III
Fazenda
Experimento
Demonstrativo
Experimento
1 2 3 4 5 6 7 8 . . . 50 Preliminar
7 39 2 27 RL 50 33 46 29 13 15
I
Estação
BLOCO Experimento
RL 29 33 7 13 2 27 15 39 50 46 II
Crítico
BLOCO
27 50 46 15 33 39 29 13 RL 7 2
III
Fazenda
Experimento
RL 7 46 Demonstrativo
2 4 6 8 10 12 14 16 18
Número de Parcelas
SQD
s=
N 1
onde:
SQD = soma dos quadrados dos desvios;
N = número de observações ou de parcelas;
são:
SQD
sA
N 1
=
42 32 22 12 02 12 22 32 42
9 1
16 9 4 1 0 1 4 9 16
=
8
60
=
8
= 7,5 2,7386 g
SQD
sB
N 1
=
02 02 02 02 02 02 02 02 02
9 1
0 0 00 0 0 0 0 0
=
8
0
=
8
= 0 0,0000 g
SQD
sC
N 1
=
32 32 32 02 02 02 32 32 32
9 1
9990 0 0999
=
8
54
=
8
= 6,75 2,5981 g
X X X
X X X
X X X
X X X
X X X
Autor: PAULO VANDERLEI
X
X
FERREIRA – XXCECA-UFAL, 2011.
X
X
Página
13 X X X
X X X
X X X
X X X
X X X
X X X
X X X
14
Pode-se dizer que uma parcela experimental apresenta falhas quando ela possui
um stand reduzido em relação ao inicial, isto é, apresenta covas sem plantas, conforme se
observa na FIGURA 1.9. As falhas de plantas nas unidades experimentais são uma das
principais causas do erro experimental. Contudo, nem todas as falhas influem no erro
experimental, só aquelas extrínsecas aos tratamentos são as que influem, tal é o caso de
morte de plantas devida às doenças e aos insetos-praga, ao empoçamento de água em
virtude dos desníveis do terreno, etc.. Por outro lado, as causas intrínsecas devido aos
tratamentos, tais como morte de plantas por um dos tratamentos, queima ou maltrato das
plantas, etc., não influem no erro experimental.
0,6M
CW = 1 FW
H
onde:
CW = peso corrigido;
FW = peso de campo;
M = número de falhas;
H = stand inicial.
1.8.1 Repetição
1.8.2 Casualização
1.9 Exercícios
e) Cite cinco tipos de experimentos onde o pesquisador não deve de modo algum
esquecer do efeito bordadura no seu planejamento. Mostre, de maneira esquemática, o
efeito bordadura em cada um dos tipos de experimentos citados.
ETAPAS DE UM
2 EXPERIMENTO
Avaliação de Clones de Batata-doce (Ipomoea batatas (L.) Lam), em Rio Largo - AL.
Rio Largo/Alagoas
Setembro de 1999
Avaliação de Clones de Batata-doce (Ipomoea batatas (L.) Lam), em Rio Largo - AL.
1 – RESUMO
2 – INTRODUÇÃO
a situação em Alagoas é mais crítica, pois apresenta produtividade média de 7,7 t ha-1 e
não existem cultivares selecionadas para a região (FIBGE, 1999).
São poucos os trabalhos de pesquisas visando selecionar e recomendar cultivares
de batata-doce para diferentes regiões do país (SILVA e LOPES, 1995). Sabe-se que
tanto a introdução como a obtenção de novas cultivares, de qualquer espécie cultivada,
constitui um trabalho contínuo e dinâmico, pois as novas cultivares selecionadas
permanecem em uso durante um número variável de anos, para por sua vez serem
substituídas por outras superiores.
Por outro lado, a avaliação de genótipos superiores é feita geralmente a partir de
uma análise de variância e comparação de médias para cada variável. Contudo, seria
importante também incluir a análise de um parâmetro genético que venha dar suporte aos
resultados alcançados. Um dos parâmetros genéticos mais usados é o coeficiente de
determinação genotípica, pois o seu conhecimento para um dado caráter permite a
quantificação da relação entre o desempenho das plantas-mães e suas progênies em
gerações subseqüentes. Além disso, o seu conhecimento permite estabelecer os objetivos
principais a serem alcançados em programas de melhoramento de plantas
(GONÇALVES et al., 1983).
Considerando-se estes fatos e a extrema necessidade do Estado de Alagoas
expandir o seu potencial produtivo de hortigranjeiro, faz-se necessário um estudo no
sentido de obter para a região, através do melhoramento genético de plantas, cultivares de
batata-doce adaptadas, com boas características agronômicas, elevada capacidade
produtiva e resistência às principais pragas e doenças que assolam a cultura. Isto decerto,
irá contribuir para o desenvolvimento sócio-econômico da região.
3 – OBJETIVO
4 – META
5 – HIPÓTESE CIENTÍFICA
6 – REVISÃO DE LITERATURA
7 – MATERIAL E MÉTODOS:
8 – BIBLIOGRAFIA
10 - CRONOGRAMA DE EXECUÇÃO
Atividades jan fev mar abr maio jun jul ago set out nov dez
Revisão de Literatura
X X X
Elaboração do Projeto
X
Implantação do Projeto
X X
Tratos Culturais
X X X X
Coleta de Dados
X X X
Análise de Dados
X
Interpretação de Dados
X
Relatório Final
X
33,6 m
BLOCO I
14 5 4 7 11 6 2 8 13 3 12 1 9 10 6,0 m
1,0 m
9 11 13 12 8 6 14 1 3 10 7 5 2 4 BLOCO II
12 5 3 10 1 13 8 2 4 7 6 9 14 11 BLOCO III
3 13 9 7 14 5 4 8 2 12 11 6 10 1 BLOCO IV
Sempre que qualquer alteração seja feita no projeto para possibilitar a sua
instalação, a mesma deve ser transportada para o plano inicial, a fim de que o mesmo
sempre represente o que está sendo executado no campo, para possibilitar a interpretação
e divulgação dos resultados, principalmente nos projetos de longa duração.
Como a instalação do experimento constitui o início da sua fase prática, todo o
cuidado é pouco por parte do pesquisador, para se alcançar uma boa precisão do
experimento. Dessa forma, ele deve evitar os erros sistemáticos, aplicar corretamente os
princípios da experimentação e usar toda sua experiência para obter tal precisão
experimental.
(contagem após
Plântulas (data)
Emergência de
Aparecimento
Aparecimento
dos 1os Frutos
das 1as Flores
(mensurações
Nº da Parcela
Altura Média
Stand Inicial
Stand Final
no final da
colheitas)
desbaste)
de Planta
colheita)
Tratamento
(data)
(data)
Projeto: _________________________________________________________
Experimento: _____________________________________________________
Local de Execução: ________________________________________________
Textura do Solo: ________________________ pH do Solo: ______________
Análise de Nutrientes do Solo:________________________________________
Exposição do Campo: ______________________________________________
Semeadura (data): ______ Transplante (data):______ Desbaste (data): _______
Controle de Pragas
Controle de Doenças
Ficha de Tabulação
Ano Agrícola ________
Projeto: _________________________________________________________
Experimento: _____________________________________________________
Local de Execução: ________________________________________________
Rendimento
Emergência à
Emergência à
Emergência à
de Plântulas
Frutificação
Emergência
Tratamento
1a Colheita
2a Colheita
3a Colheita
Floração
kg/ha
Colheita
Última
Total
Mês/Ano:_______
Título:_____________________________________________________
Elaborador do Projeto: ________________________________________
Executor do Projeto: _________________________________________
Ano de Início: ___ Experimentos: a) Previstos: ____ b) Instalados:____
__________________________________________________________
MELO, I.S. de. Controle biológico de doenças de raiz. In: REUNIÃO SOBRE
CONTROLE BIOLÓGICO DE DOENÇAS DE PLANTAS, 1,1986, Piracicaba. Anais.
Campinas: Fundação Cargil, 1986. p. 7-12.
Mais detalhes sobre bibliografia, bem como sobre os outros itens de um relatório
de pesquisa, consultar, entre outros, IPARDES (2000).
A seguir será apresentado um modelo de relatório de pesquisa:
Avaliação de Clones de Batata-doce (Ipomoea batatas (L.) Lam), em Rio Largo - AL.
Rio Largo/Alagoas
Janeiro/ 2002
AVALIAÇÃO DE CLONES DE BATATA-DOCE
(Ipomoea batatas (L.) Lam.), EM RIO LARGO – AL 1
Jair Tenório Cavalcante 2; Paulo Vanderlei Ferreira 3; Lailton Soares 3
2
Escola Agrícola de Jundiaí/Universidade Federal do Rio Grande do Norte, CEP: 59280-000, Macaiba-
RN. E-mail: jairtc@bol.com.br
3
Universidade Federal de Alagoas, BR 104 Norte, km 14, CEP: 57100-000, Rio Largo-AL.
ABSTRACT: Since very little research has been done with sweet potato in the State of
Alagoas, Brazil, studies are necessary in order to obtain for this region, through plant
breeding, adapted cultivars, with good agronomic characteristics, high productive
capacity and resistance to the main plagues and diseases that destroy this crop. The
experiment was carried out in Rio Largo – countryside of Alagoas/Brasil, in 1999,
with the purpose of evaluating sweet potato clones through the analyses of variance,
comparison of means and genotype coefficient determination. The experimental design
was in randomised blocks with fourteen treatments and four repetitions. The following
variables were analysed: marketable tuber yield, tuber length, tuber diameter, number of
marketable tuber, plant aerial parts dry weight, non-marketable tuber yield, resistance to
stem drill, and resistance to white rust. The clone 13 presented the largest marketable
tuber yield (19.97 t ha-1), largest mean tuber diameter (7.05 cm) and the lowest
percentage of stem drill symptoms. The estimates of coefficient determination were high
(above 70%). Therefore, the environment has little influence in the expression of the
____________
1
Parte da Dissertação do primeiro autor, apresentada à Universidade Federal de Alagoas.
Magistra, Cruz das Almas-BA, v. 15, n.1, p. 13-17, jan./jun. 2003.
variables. The clones 13, 14, 03, 09 and 06 presented the best results, overcoming the
average productivity of marketable tubers of sweet potato in the State of Alagoas.
INTRODUÇÃO
MATERIAL E MÉTODOS
RESULTADOS E DISCUSSÃO
Tabela 2 – Médias1 de oito variáveis dos 14 clones de batata-doce (Ipomoea batatas (L.) Lam.). Rio
Largo-AL, 1999.
___________________________________________________________________________________________________________________________________________________________
CL - 01 13,52 abcd 20,78 a 4,38 cde 1,88 ab 2,47 abc 1,64 bcd 3,75 abcd 1,00 b
CL - 02 8,63 bcd 19,08 ab 4,23 de 3,06 a 1,75 abc 3,16 abc 3,75 abcd 1,00 b
CL - 03 14,43 abc 17,18 bcd 5,78 b 1,13 b 1,97 abc 1,13 d 4,00 abc 3,03 a
CL - 04 10,37 bcd 16,15 bcd 4,83 bcde 1,06 bc 1,97 abc 1,31 cd 4,00 abc 3,48 a
CL - 05 7,68 cd 17,80 abc 4,03 e 0,98 b 1,61 bc 1,69 bcd 2,50 cd 1,00 b
CL - 06 12,71 abcd 16,60 bcd 5,28 bcd 0,86 b 2,47 abc 1,83 bcd 4,50 ab 1,00 b
CL - 07 5,35 d 16,45 bcd 4,50 cde 1,19 b 1,25 c 1,39 cd 4,75 a 1,00 b
CL - 08 9,10 bcd 17,10 bcd 4,33 cde 0,92 b 1,82 abc 3,45 ab 4,00 abc 1,00 b
CL - 09 13,54 abcd 19,35 ab 4,05 de 2,16 ab 2,89 ab 2,25 abcd 2,25 cd 1,28 b
CL - 10 9,65 bcd 17,48 abc 4,80 bcde 0,94 b 1,75 abc 1,45 cd 2,75 bcd 1,03 b
CL - 11 7,07 cd 18,68 ab 3,68 e 2,29 ab 1,82 abc 3,88 a 4,50 abc 1,00 b
CL - 12 11,43 abcd 18,00 abc 4,48 cde 1,59 ab 2,36 abc 1,99 bcd 4,00 abc 1,00 b
CL - 13 19,97 a 13,78 cd 7,05 a 2,06 ab 2,65 ab 1,35 cd 2,00 d 1,00 b
CL - 14 17,01 ab 14,98 cd 5,50 bc 1,54 ab 3,00 a 2,15 abcd 3,75 abcd 1,00 b
___________________________________________________________________________________________________________________________________________________________
1
Médias seguidas de pelo menos uma mesma letra, em cada coluna, não diferem entre si a 5% de
probabilidade pelo teste de Tukey.
PRC: Produtividade de Raízes Comerciais; CR: Comprimento da Raiz; DMR: Diâmetro Médio da Raiz;
PPA: Peso da Parte Aérea; NRC: Número de Raízes Comerciais; PRNC: Produtividade de Raízes Não
Comerciais; RBC: Resistência à Broca do Coleto; RFB: Resistência à Ferrugem Branca.
2.7 Exercícios
TABELA 3.2 – DADOS BRUTOS DE PESO CORPORAL (g) DE UM LOTE MISTO DE FRANGOS
DE CORTE COM 15 DIAS DE IDADE
___________________________________________________________________________________________________________________________________________________________
k = 1 + 3,32 x log N
onde:
k = número de classes;
N = número total de observações.
da primeira, e assim sucessivamente, observando-se que todos os dados devem estar entre
o limite inferior da primeira classe e o limite superior da última classe.
Como exemplo têm-se as tabelas de freqüência de altura de planta (cm) de sorgo
granífero (TABELA 3.3) e de peso corporal (g) de um lote misto de frangos de corte com
15 dias de idade (TABELA 3.4) contendo os três tipos de freqüências (absoluta, relativa e
relativa acumulada).
metade das plantas de sorgo granífero (50,00%) tem uma altura menor ou igual a 78,00
cm.
A TABELA 3.4 também fornece um quadro global de como os dados de peso
corporal de um lote misto de frangos de corte com 15 dias de idade estão distribuídos
pelos intervalos de classe. As observações variam de 418,0 até 530,0 g, com
relativamente poucas medidas nas extremidades do intervalo e uma grande proporção dos
dados situados entre 446,0 e 502,0 g. Os intervalos 460,0 – 474,0 g e 474,0 – 488,0 g
contém as maiores freqüências, ou seja, 30 frangos de corte que corresponde a 25,00%, e
32 frangos de corte que corresponde a 26,66%, respectivamente. Por outro lado,
aproximadamente metade do lote misto de frangos de corte (48,34%) tem um peso
corporal menor ou igual a 474,0 g.
Pelo visto, as TABELAS 3.3 e 3.4 proporcionam um entendimento muito melhor
dos dados que as TABELAS 3.1 e 3.2, fornecendo informações importantes que auxiliam
a entender a distribuição de altura de plantas de sorgo granífero e a distribuição de peso
corporal de um lote misto de frangos de corte com 15 dias de idade.
3.2.1 Média
X 1 X 2 ... X N
m̂ =
N
=
X i
A média será:
m̂ =
X
N
2.731,0
= 455,17 kg/ha
6
m̂ =
X
N
495,0
= = 41,25 kg
12
mˆ
( Pm x f)
f
Exemplo 3: Calcular a média aritmética simples a partir de dados da TABELA
3.3.
A média será:
mˆ
( Pm x f)
f
=
50,0 x 3 58,0 x 7 ... 106,0 x 4
3 7 ... 4
=
150,0 406,0 ... 424,0
90
7.060,0
= 78,44 cm
90
mˆ
( Pm x f)
f
=
425,0 x 3 439,0 x 8 ... 523,0 x 4
3 8 ... 4
=
1.275,0 3.512,0 ... 2.092,0
120
56.978,0
= 474,82 g
120
m̂p
P x X
P
Exemplo 5: Calcular a média aritmética ponderada a partir de dados da TABELA
3.7.
1 129,0 73,0
2 139,0 101,0
3 138,0 102,0
4 132,0 87,0
5 129,0 79,0
6 112,0 69,0
A média será:
m̂p
P x X
P
129,0 x 73,0 139,0 x 101,0 ... 112,0 x 69,0
129,0 139,0 ... 112,0
9.417,0 14.039,0 ... 7.728,0
779,0
66.935,0
= 85,92 frutos
779,0
O valor m̂p 85,92 frutos é uma estimativa de número de frutos por lote de 42
2
m da população de abacaxi, variedade PÉROLA, no Município de Arapiraca-AL, que é
desconhecida. Esse valor representa melhor a amostra de seis lotes de 42 m2 da
distribuição de número de frutos da população de abacaxi, variedade PÉROLA, no
Município de Arapiraca-AL, do que a média aritmética simples ( m̂ 85,17 frutos), pois é
levado em conta o número de plantas por lote no cálculo da média do número de frutos
de abacaxi, enquanto que na média aritmética simples isso não ocorre. Sabe-se que numa
mesma área, quanto maior o número de plantas maior será o número de frutos. Portanto,
o valor m̂p 85,92 frutos traduz melhor a realidade.
Exemplo 6: Calcular a média aritmética ponderada a partir de dados da TABELA
3.8.
1 8,0 468,0
2 7,0 410,0
3 7,0 416,0
4 6,0 351,0
5 8,0 460,0
A média será:
m̂p
P x X
P
8,0 x 468,0 7,0 x 410,0 ... 8,0 x 460,0
8,0 7,0 ... 8,0
3.744,0 2.870,0 ... 3.680,0
36,0
15.312,0
= 425,33 ovos
36,0
O valor m̂p 425,33 ovos também é uma estimativa de número de ovos por
parcela da população de poedeiras Isa Brown durante um período de 60 dias, que é
desconhecida. Esse valor representa melhor a amostra de cinco parcelas da distribuição
de número de ovos por parcela de poedeiras Isa Brown durante um período de 60 dias, do
que a média aritmética simples ( m̂ 421,0 ovos), pois é levado em conta o número de
aves por parcela no cálculo da média do número de ovos de poedeiras Isa Brown,
enquanto que na média aritmética simples isso não ocorre. Sabe-se que numa mesma
área, quanto maior o número de galinhas poedeiras maior será o número de ovos.
Portanto, o valor m̂p 425,33 ovos traduz melhor a realidade.
3.2.2 Mediana
me = X 3 X 4
2
355,0 453,0
=
2
808,0
= = 404,0 kg/ha
2
média aritmética é sensível a esse tipo de variação, a mediana, nesse caso, seria a medida
de tendência central que traduz melhor a realidade por ser mais robusta, ou seja, muito
menos sensível a esse tipo de variação.
Considerando, também, os dados do Exemplo 2, a mediana será:
X6 X7
me =
2
41,0 45,0
=
2
86,0
= = 43,0 kg
2
N
f '
me = Li 2 x Ic
fm e
onde:
Li = limite inferior da classe mediana;
N = total de freqüência;
f’ = soma de todas as freqüências das classes inferiores à mediana;
fme = freqüência da classe mediana;
Ic = amplitude do intervalo da classe mediana.
N
f '
me = Li 2 x Ic
fm e
90
45
= 74,0 2 x 8,0
23
45 45
= 74,0 x 8,0
23
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 75
76
0
= 74,0 x 8,0
23
= 74,0 + 0 = 74,0 cm
N
f '
me = Li 2 x Ic
fm e
120
58
= 467,0 2 x 14,0
31
60 58
= 467,0 x 14,0
31
2
= 467,0 x 14,0
31
3.2.3 Moda
possuir apenas um valor como sendo o mais freqüente, este será a moda, denominando-se
unimodal. Contudo, quando a série possuir mais de um valor como sendo os mais
freqüentes, ela pode possuir mais de uma moda, denominando-se bimodal, trimodal, etc..
Exemplo 7: Calcular a moda a partir dos dados da TABELA 3.9.
BOSSIER 6 45 93
BR – 2 5 36 85
FOSCARIN – 31 8 36 95
IAC – 2 6 42 97
IAC – 4 6 41 99
IAC – 6 5 42 112
IAC – 9 6 44 101
IAC – 10 6 42 101
IAC – 12 4 39 93
PARANÁ 5 35 85
PÉROLA 4 37 97
PLANALTO 4 37 109
PRATA 4 35 90
TROPICAL 6 54 117
UFV – 1 5 40 99
UFV – 4 5 37 95
UFV – 5 6 41 99
VIÇOJA 7 36 93
mo = 6 dias
mo = 36 dias
mo = 37 dias
mo = 42 dias
mo = 93 dias
mo = 99 dias
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 77
78
m0 = 40,0 kg
m0 = 45,0 kg
m0 = 47,0 kg
fp
mo Li' x Ic
fa fp
onde:
Li’= limite inferior da classe modal;
fp = freqüência posterior à classe modal;
fp
mo Li' x Ic
fa fp
22
= 70,0 x 8,0
11 22
22
= 70,0 x 8,0
33
fp
mo Li' x Ic
fa fp
17
= 474,0 x 14,0
30 17
17
= 474,0 x 14,0
47
fm fa
mo = Li’ + o
x Ic
2 x fm o ( fa fp )
onde:
Li’= limite inferior da classe modal;
fp = freqüência posterior à classe modal;
fa = freqüência anterior à classe modal;
fmo= freqüência da classe modal;
Ic = amplitude do intervalo da classe modal.
fm fa
mo = Li’ + o
x Ic
2 x fm o ( fa fp )
24 11
= 70,0 + x 8,0
2 x 24 (11 22)
13
= 70,0 + x 8,0
48 (33)
13
= 70,0 + x 8,0
15
fm fa
mo = Li’ + o
x Ic
2 x fm o ( fa fp )
32 30
= 474,0 + x 14,0
2 x 32 (30 17)
2
= 474,0 + x 14,0
64 (47)
2
= 474,0 + x 14,0
17
Na seção anterior, foi visto que entre as medidas de tendência central, a média é a
mais importante, do ponto de vista estatístico, por ser a mais representativa de uma
amostra de dados. Contudo, ela não diz como os dados de uma amostra se distribuem em
torno dela. Por exemplo, sejam as seguintes amostras de dados:
Ver-se que as amostras (1), (2), (3) e (4) têm a mesma média, mas observa-se que
na amostra (1) todos os valores são iguais a 10, ou seja, igual a média aritmética, logo
todos os valores estão concentrados na média, não existindo qualquer diferença entre
cada valor e a média, consequentemente não existe variabilidade dos dados, o que na
prática é improvável de ocorrer. Ao passo que nas outras amostras existem diferenças em
relação à média. Assim pode-se dizer que na mostra (1) não existe variabilidade nos
dados, havendo para todas as outras, sendo a amostra (4) a de maior variabilidade.
Portanto, além da média, necessita-se de uma medida estatística complementar
para melhor caracterizar cada amostra apresentada.
As medidas estatísticas responsáveis pela variação ou dispersão dos valores de
uma série são as medidas de variabilidade ou medidas de dispersão, onde se destacam,
em nosso caso, a amplitude total, a variância, o desvio padrão, o erro padrão da
média e o coeficiente de variação.
A amplitude total (At) é a diferença entre os valores maior (ma) e menor (me) de
um conjunto de dados de uma determinada variável.
Assim, numa amostra de dados X1 , X2 , ... , XN , tem-se:
At = Xma – Xme
At (1) = X ma – X me
= 10 – 10 = 0,0
At ( 2 ) = X ma – X me
= 12 – 8 = 4,0
At ( 3) = X ma – X me
= 17 – 3 = 14,0
At ( 4 ) = X ma – X me
= 17 – 3 = 14,0
At = Xma – Xme
uma variação muito grande nos dados de produtividade de algodão herbáceo, em relação
à média aritmética.
Considerando, também, os dados do Exemplo 2, a amplitude total será:
At = Xma – Xme
At = Xma – Xme
3.3.2 Variância
SQD
s2 =
N 1
onde:
SQD = soma dos quadrados dos desvios em relação à média aritmética;
N = número de observações.
SQD
s2 =
(1)
N 1
=
02 02 02 02 02
5 1
=
0 0 0 0 0
4
0
= = 0,0
4
SQD
s2 =
( 2)
N 1
=
2 0 2 1 1
2 2 2 2 2
5 1
=
4 0 4 1 1
4
10
= = 2,5
4
SQD
s2 =
( 3)
N 1
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 85
86
=
0 7 1 7 1
2 2 2 2 2
5 1
=
0 49 1 49 1
4
100
= = 25,0
4
SQD
s2 =
( 4)
N 1
=
7 5 3 7 2
2 2 2 2 2
5 1
=
49 25 9 49 4
4
136
= = 34,0
4
X 2
SQD = X 2
N
X 2
X 2
N
s2 =
N 1
X 2
X 2
N
s2 (1) =
N 1
= 5
5 1
500 500
=
4
0
= = 0,0
4
X 2
2
X 2
N
s (2) =
N 1
= 5
5 1
510 500
=
4
10
= = 2,5
4
X 2
2
X 2
N
s (3) =
N 1
= 5
5 1
600 500
=
4
100
= = 25,0
4
X 2
2
X 2
N
s (4) =
N 1
= 5
5 1
636 500
=
4
136
= = 34,0
4
X 2
2
X 2
N
s =
N 1
= 6
6 1
=
74.529,0 435.600,0 205.209,0 1.243.060,167
5
1.396.213,0 1.243.060,167
=
5
153.152,833
= = 30.630,5666 (kg/ha)2
5
X 2
X 2
N
s2 =
N 1
= 12
12 1
=
2.209,0 1.681,0 1.600,0 20.418,75
11
20.919,0 20.418,75
=
11
500,25
= 45,4773 kg2
11
2
s =
d 2
x f
N 1
onde:
d = desvio de cada ponto médio em relação à média aritmética da série (Pm – m̂ );
f = freqüência de cada classe;
N = número de observações.
2
s =
d 2
x f
N 1
=
50,0 78,44 x 3 58,0 78,44 x 7 106,0 78,44 x 4
2 2 2
90 1
=
28,44 x 3 20,44 x 7 27,56 x 4
2 2 2
89
=
808,8336 x 3 417,7936 x 7 759,5536 x 4
89
=
2.426,5008 2.924,5552 3.038,2144
89
15.374,2240
= = 172,7440899 cm2
89
2
s =
d 2
x f
N 1
=
425,0 474,82 2
x 3 439,0 474,82 x 8 523,0 474,82 x 4
2 2
120 1
=
49,82 x 3 35,82 x 8 48,18 x 4
2 2 2
119
=
2.482,0324 x 3 1.283,0724 x 8 2.321,3124 x 4
119
=
7.446,0972 10.264,5792 9.285,2496
119
55.583,9680
= = 467,0921681 g2
119
aritmética ( m̂ 474,82 g). Mesmo sendo uma unidade quadrática, verifica-se que houve
uma variação muito pequena nos dados de peso corporal, em torno da média aritmética.
A variância, pela sua natureza, tem uma unidade quadrática. A sua raiz quadrada,
que ainda é uma medida de variabilidade, é denominada desvio padrão.
O desvio padrão é uma medida de dispersão muito usada pelo fato de que
permite a interpretação direta da variação dos dados, pois o mesmo apresenta a mesma
unidade dos dados originais e, consequentemente, da média. O seu cálculo é muito
importante, porque através dele o pesquisador estima a variação acidental que ocorre nos
dados experimentais.
Numa série de dados não grupados, como por exemplo, numa amostra de dados
X1 , X2 , ... , XN , o desvio padrão (s) é obtido através das seguintes fórmulas:
SQD
s= s2
N 1
ou
( X ) 2
X 2
N
s= = s2
N 1
s (1) = s2
= 0,0 = 0,0000
s ( 2) = s2
= 2,5 1,5811
s ( 3) = s2
= 25,0 = 5,0000
s ( 4) = s2
= 34,0 5,8310
s = s2
s= s2
= 45,4773 6,7437 kg
d 2x f
s= s2
N 1
s = s2
= 172,7440899 13,1432 cm
s = s2
= 467,0921681 21,6123 g
s2
s2 ( m̂ ) =
N
onde:
s2 = variância de uma amostra de dados;
N = número de observações.
s
s ( m̂ ) =
N
onde:
s = desvio padrão de uma amostra de dados;
N = número de observações.
O erro padrão da média dá uma perfeita idéia da precisão da média, isto é, quanto
menor ele for, maior precisão terá a média.
Considerando os dados das amostras do exemplo anterior, tem-se:
s
s ( m̂ )(1) =
N
0,0
=
5
0,0
= = 0,0000
2,236068
s
s ( m̂ )(2) =
N
1,581139
=
5
1,581139
= 0,7071
2,236068
s
s ( m̂ )(3) =
N
5,0
=
5
5,0
= 2,2361
2,236068
s
s ( m̂ )(4) =
N
5,830952
=
5
5,830952
= 2,6077
2,236068
Sempre que se cita uma média deve-se fazê-la acompanhar-se de seu erro padrão.
Assim, no caso das amostras de (1) a (4) exemplificadas, quando acompanhadas de seus
erros padrões ficam:
s
s ( m̂ ) =
N
175,0159
=
6
175,0159
= 71,4499 kg/ha
2,449490
s
s ( m̂ ) =
N
6,7437
=
12
6,7437
= 1,9467 kg
3,464102
s
s ( m̂ ) =
N
13,1432
=
90
13,1432
= 1,3854 cm
9,486833
s
s ( m̂ ) =
N
21,6123
=
120
21,6123
= 1,9729 g
10,954451
100 x s
CV =
mˆ
100 x s
CV (1) =
mˆ
100 x 0,0
=
10
0,0
= = 0,0%
10
100 x s
CV (2) =
mˆ
100 x 1,581139
=
10
158,1139
= 15,81%
10
100 x s
CV (3) =
mˆ
100 x 5,0
=
10
500,0
= = 50,00%
10
100 x s
CV (4) =
mˆ
100 x 5,830952
=
10
583,0952
= 58,31%
10
100 x s
CV =
mˆ
100 x 175,0159
=
455,17
17.501,59
= 38,45%
455,17
100 x s
CV =
mˆ
100 x 6,7437
=
41,25
674,37
= 16,35%
41,25
100 x s
CV =
mˆ
100 x 13,1432
=
78,44
1.314,32
= 16,76%
78,44
100 x s
CV =
mˆ
100 x 21,6123
=
474,82
2.161,23
= 4,55%
474,82
m̂ 455,17 kg/ha
s 175,0159 kg/ha
CV 38,45%
m̂ = 41,25 kg
s 6,7437 kg
CV 16,35%
m̂ 78,44 cm
s 13,1432 cm
CV 16,76%
m̂ 474,82 g
s 21,6123 g
CV 4,55%
superiores a 20% são normais e aceitáveis, pois em função do comportamento dos insetos
é muito raro obter coeficientes de variação baixos.
Por outro lado, nem sempre se consegue uma ótima precisão experimental, com
CV < 5%, nos ensaios de laboratório, casa-de-vegetação ou galpão, visto que geralmente
são mais precisos do que os ensaios de campo. Mais uma vez, isso depende muito do tipo
de experimento. Por exemplo, dados de análise de solo não raro apresentam coeficientes
de variação superiores a 20% e em alguns casos superiores a 30%, especialmente no caso
de solos pobres, como os de cerrado.
Portanto, cabe ao pesquisador avaliar e justificar a precisão de seus dados
experimentais baseando-se nesses fatos.
Foi visto até agora que as médias obtidas das amostras dos Exemplos 1, 2, 3 e 4
representam suas médias populacionais, onde o único valor obtido de cada amostra
estima esse parâmetro de interesse. Tal método de estimação é chamado de estimação
por ponto, o qual é comumente usado. Contudo, como a média de uma amostra é um
estatístico e os mesmos variam de amostra para amostra, o problema é que se tivessem
duas ou mais amostras para cada um dos exemplos citados acima é muito provável que os
resultados de suas médias não seriam iguais, havendo um grau de incerteza envolvido.
Uma estimativa por ponto não fornece nenhuma informação sobre a variabilidade
inerente do estimador, ou seja, não se sabe se a média estimada está próxima ou distante
da média verdadeira.
Por outro lado, existe um outro método de estimação muito usado, conhecido
como estimação por intervalo, que é freqüentemente preferido em relação ao método
anterior, pois fornece um intervalo de valores razoável no qual se presume que esteja o
parâmetro de interesse (a média verdadeira) com certo grau de confiança. Esse intervalo
de valores é chamado intervalo de confiança.
O intervalo de confiança (IC) para a média é obtido através da seguinte fórmula:
IC = m̂ + t (5%) x s ( m̂ )
onde:
m̂ = estimativa da média;
t (5%) = valor tabelado do teste t no nível de 5% de probabilidade (TABELA A.7);
s ( m̂ ) = erro padrão da média.
IC = m̂ + t (5%) x s ( m̂ )
= 455,17 + 2,57 x 71,4499
= 455,17 + 183,63
IC = m̂ + t (5%) x s ( m̂ )
= 41,25 + 4,28
IC = m̂ + t (5%) x s ( m̂ )
= 78,44 + 2,76
IC = m̂ + t (5%) x s ( m̂ )
= 474,82 + 1,98 x 1,9729
= 474,82 + 3,91
IC = (470,91 g; 478,82 g)
corporal de um lote misto de frangos de corte com 15 dias de idade. Houve uma variação
muito pequena no intervalo de confiança dos dados de peso corporal, indicando uma
precisão muito alta da estimativa da média ( m̂ 474,82 g).
3.4 Exercícios
Pede-se:
a.1) Determine, para cada variedade, o peso médio de 20 capulhos, o erro padrão
da média, o coeficiente de variação e o intervalo de confiança da média.
a.2) Sem levar em conta a variedade, determine o peso médio de 20 capulhos, o
erro padrão da média, a mediana, a moda, o coeficiente de variação e o intervalo de
confiança da média.
Pede-se:
d.1) A produção média, em kg/ha, com seu respectivo erro padrão.
d.2) O coeficiente de variação.
d.3) Admitindo-se que a área da fazenda destinada ao plantio de algodão seja de
180 ha, qual a produção esperada e seu erro padrão?
Pede-se:
e.1) Calcular a altura média de planta de soja, em cm, e o seu erro padrão.
e.2) Obter a mediana e a moda.
e.3) Determinar o coeficiente de variação.
e.4) Determinar o intervalo de confiança da média.
f) Considerando a série de dados a seguir, referente ao consumo acumulado de
ração (g) de frangos de corte com 25 dias de idade:
Pede-se:
f.1) Construir uma tabela de freqüência, um histograma de freqüência e um
polígono de freqüência.
f.2) Calcular o consumo médio acumulado de ração (g) de frangos de corte com
25 dias de idade e o seu erro padrão.
f.3) Obter a mediana e a moda.
f.4) Determinar a amplitude total, o coeficiente de variação e o intervalo de
confiança da média.
___________________________________________________________________________________________________________________________________________________________
Pede-se:
g.1) Construir uma tabela de freqüência, um histograma de freqüência e um
polígono de freqüência.
g.2) Calcular o número médio de sementes na espiga de milho e o seu erro
padrão.
g.3) Obter a mediana e a moda.
g.4) Determinar a amplitude total e o coeficiente de variação.
AO1 AO2
Média 485,6 360,0
Mediana 242,4 359,1
Moda 210,0 359,8
Pede-se:
h.1) Interpretar e discutir os resultados obtidos desse estudo, considerando que
uma cultura do capim elefante conduzida normalmente permite seis colheitas por ano, em
torno de 60 t/ha por corte.
ANÁLISE DE
4 VARIÂNCIA
*: A análise de variância é denominada “segundo um único critério”, porque, no caso apresentado, foi
levado em consideração apenas um critério, representado pelos efeitos das várias amostragens
(tratamentos). Os experimentos planejados com base neste tipo de análise são denominados
“experimentos inteiramente casualizados”.
s 2 máxima
F-máximo =
s 2 mínima
onde:
s2 máxima = maior valor das estimativas das variâncias entre as amostras;
s2 mínima = menor valor das estimativas das variâncias entre as amostras.
X 2
X 2
N
s 2
N 1
1
(491,0) 2
(78,0) 2 (90,0) 2 (90,0) 2 (75,0) 2 (70,0) 2 (88,0) 2
= 6
6 1
241.081,0
6.084,0 8.100,0 8.100,0 5.625,0 4.900,0 7.744,0
= 6
5
40.553,0 40.180,1667
=
5
372,8333
= 74,5667
5
X 2
X 2
N
s 22
N 1
(510,0) 2
(100,0) 2 (65,0) 2 (78,0) 2 (92,0) 2 (85,0) 2 (90,0) 2
= 6
6 1
260.100,0
10.000,0 4.225,0 6.084,0 8.464,0 7.225,0 8.100,0
= 6
5
44.098,0 43.350,0
=
5
748,0
= = 149,6000
5
X 2
X 2
N
s32
N 1
(562,0) 2
(102,0) 2 (95,0) 2 (102,0) 2 (85,0) 2 (80,0) 2 (98,0) 2
= 6
6 1
315.844,0
10.404,0 9.025,0 10.404,0 7.225,0 6.400,0 9.604,0
= 6
5
53.062,0 52.640,6667
=
5
421,3333
= 84,2667
5
X 2
X 2
N
s 2
N 1
4
(506,0) 2
(98,0) 2 (70,0) 2 (85,0) 2 (85,0) 2 (88,0) 2 (80,0) 2
= 6
6 1
256.036,0
9.604,0 4.900,0 7.225,0 7.225,0 7.744,0 6.400,0
= 6
5
43.098,0 42.672,6667
=
5
452,3333
= 85,0667
5
s 2 máxima
F-máximo =
s 2 mínima
149,6000
= 2,01
74,5667
Conforme foi visto, na análise de variância, algumas condições são exigidas para
que os testes de hipóteses tenham validade. Contudo, como tais condições raramente são
verificadas na prática, vários procedimentos são utilizados com o fim de reparar (pelo
menos aproximadamente) a falta de verificação dessas condições. Dentre os
procedimentos, geralmente utilizam-se transformações de dados.
Uma transformação é qualquer alteração sistemática num conjunto de dados onde
certas características são mudadas e outras permanecem inalteradas.
As principais transformações são:
a) Raiz quadrada – Própria para certos tipos de dados em que a média é
aproximadamente igual à variância, ou seja, para dados oriundos de uma distribuição de
Poisson (tipo de distribuição em que os dados apresentam uma probabilidade muito baixa
de ocorrência em qualquer indivíduo – os fenômenos naturais são os exemplos mais
óbvios desse tipo de ocorrência). Tais tipos de dados ocorrem quando as variáveis são
oriundas de contagem como: número de sementes por planta ou por parcela, número de
dias para enraizamento de bulbos por parcela, número de insetos por planta ou por
parcela, número de plantas atacadas por um determinado patógeno por parcela, número
de carrapatos por animal ou por parcela, número de animais doentes por parcela, etc.. Os
dados provenientes de uma escala de notas também devem ser transformados através da
raiz quadrada. Também os dados de porcentagens, referentes às contagens, quando
variam de 0 a 20% ou de 80 a 100%, podem ser transformados através da raiz quadrada.
Neste caso, as porcentagens entre 80 e 100% devem ser, de preferência, subtraídas de
100, antes de se fazer à transformação. A transformação da raiz quadrada é, ainda,
indicada no caso de porcentagens, fora dos limites acima considerados, quando as
observações estão claramente numa escala contínua.
Neste caso tem-se: x .
Quando nesse tipo de transformação os dados variam de 0 a 10, trabalha-se com
x 0,5 ou x 1 , em lugar de x , pois evita-se o problema dos valores de X iguais a
zero.
b) Logarítmica – É usada sempre que se têm dados em que os desvios padrões
das amostras são aproximadamente proporcionais às médias, ou seja, todas as amostras
apresentam o mesmo coeficiente de variação. Também quando os efeitos principais são
multiplicativos, em vez de aditivos, os dados devem ser transformados através desse tipo
de transformação. Essa transformação é satisfatória quando os dados se referem à
contagem de bactérias, de esporos, de grãos de pólen, de ovos de insetos, de ácaros, etc..
Dados provenientes de adição de vitaminas em animais também devem ser transformados
através da transformação logarítmica. É utilizada, ainda, quando os dados são
apresentados por porcentagens que abrangem uma grande amplitude de variação. Esse
tipo de transformação resolve tanto o problema de heterogeneidade de variâncias como a
falta de aditividade no modelo.
Nesse caso tem-se: log x.
Na transformação logarítmica, quando a amostra possui dados iguais a zero ou
muito próximos de zero, trabalha-se com log (x + 1), pois se evita que se usem números
negativos na análise, além de resolver o problema de valores de X iguais a zero.
Essa transformação deve ser usada quando as variâncias de cada amostra
possuem, no mínimo, 12 observações.
c) Arcoseno ou angular – Própria para dados em que a média é proporcional à
variância, ou seja, para dados oriundos de uma distribuição binomial (tipo de distribuição
em que os dados apresentam uma probabilidade calculável de ocorrência ou não em
qualquer indivíduo). Tais tipos de dados ocorrem quando as variáveis são oriundas de
proporção como: porcentagem de germinação de sementes, porcentagem de mortalidade
de plantas infectadas com vírus, porcentagem de sobrevivência de bezerros da raça
Nelore, etc..
Nesse caso tem-se: arco seno x (%) .
Na transformação arco seno, quando todos os dados estão entre 30 e 70% não
precisa usar a transformação. Se os dados extrapolam esta amplitude, usa-se então a
transformação.
Quando o número de observações for menor que 50 (N < 50), a proporção 0%
1 1
deve ser substituída por N e a proporção 100% para 100 – N, antes de transformar
4 4
os dados em arco seno x (%) .
Existe uma tabela própria para esta transformação (TABELA A.2).
Em alguns casos fica-se sem saber qual seria a transformação mais adequada.
Quando se defrontar com tais situações, têm-se várias maneiras para escolher a melhor
transformação. Entre as várias maneiras, uma das mais simples é por meio de gráficos,
onde se coloca no eixo dos x e y as médias e variâncias respectivas de cada amostra para
cada transformação e seleciona-se a que apresentar menor dispersão.
Outro procedimento é aplicar cada transformação para o maior e o menor dado
de cada amostra. A amplitude dentro de cada amostra é determinada e a razão entre a
maior e a menor amplitude é calculada. A transformação que produz a menor razão é a
selecionada.
Exemplo 2: Escolher a melhor transformação a partir de dados da TABELA 4.3.
transformados, indica que a transformação foi válida. Em caso contrário, não se justifica
o seu uso.
Considerando os dados do Exemplo 2, tem-se:
4.4 Exercício
2 – Ácido/água em 3:1 3 3 4 4 14
3 – Ácido/água em 2:1 5 5 6 4 20
4 – Ácido/água em 1:1 8 9 6 9 32
5 – Ácido/água em 1:2 10 10 8 10 38
6 – Ácido/água em 1:3 2 3 2 3 10
7 – Água Quente 5 5 7 5 22
8 – Testemunha 1 2 1 1 5
TESTES DE
5 HIPÓTESES
H0 : m̂ A = m̂ B
H1: m̂ A m̂ B
H1 : m̂ A > m̂ B
ou
H1 : m̂ A < m̂ B
H0 Verdadeira H0 Falsa
5.1 Teste F
O teste F tem seu maior emprego nas análises de variância dos delineamentos
experimentais. Ele é usado para comparar variâncias.
Como foi visto anteriormente, o F calculado é o quociente do quadrado médio de
tratamentos (QMT) pelo quadrado médio do resíduo (QMR), ou seja:
QM T
F=
QM R
Quadro da ANAVA
Tratamentos t–1 s 12 s 2 + r x s t2
Resíduo t (r – 1) s 22 s2
Total txr–1
De onde se obtém:
s 2 + r x s 2t = s 12
s12 s 2
s 2t = que é a estimativa da variância de tratamentos.
r
Por essa observação vê-se o porquê do teste F ser o quociente entre QMT pelo
QMR, ou seja,
QM T
F=
QM R
s 12
=
s 22
s 2 r x st2
=
s2
Causa da Variação GL SQ
QM F
Total 38 1,982327
Causa da Variação GL SQ QM F
Total 19 0,2887238
s12
F=
s 22
TABELA 5.3 – GANHOS DE PESO (kg), DE LEITOAS DUROC JERSEY ALIMENTADAS COM
FENO DE ALFAFA E FENO DE QUICUIO POR UM PERÍODO DE TRÊS MESES
67,5 kg 65,0 kg
70,5 kg 58,5 kg
76,0 kg 65,0 kg
67,5 kg 64,0 kg
Logo, tem-se:
X 2
X 2
N
s12 =
N 1
= 4
4 1
79.242,25
4.556,25 4.970,25 5.776,00 4.556,25
= 4
3
19.858,75 19.810,5625
=
3
48,1875
= = 16,0625
3
X 2
2
X 2
N
s =
N 1
2
= 4
4 1
63.756,25
4.225,00 3.422,25 4.225,00 4.096,00
= 4
3
15.968,25 15.939,0625
=
3
29,1875
= = 9,7292
3
s 12
F= 2
s2
16,0625
= 1,65
9,7292
5.2 Teste t
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 124
125
Ŷ1 = 1 – 1 = 0
Ŷ2 = 1 + 1 – 2 (1) = 0
Ŷ3 = 1 + 1 + 1 – 3 (1) = 0
Ŷ1 1 –1 0 0
Ŷ2 1 1 –2 0
Ŷ3
1 1 1 –3
= 1 –1 0 0= 0
_____________________________________________________________________________________
Pode-se tolerar o uso do teste t para alguns contrastes não ortogonais, desde que
o seu número não exceda o número de graus de liberdade de tratamentos.
Na análise de variância, quando se tem mais de dois tratamentos e o teste F for
significativo, pode-se utilizar o teste t na comparação de médias de tratamentos, cuja
fórmula é a seguinte:
Yˆi 0
t=
s 2 Yˆ
onde:
Yˆi = constante qualquer;
s2 Ŷ = estimativa da variância da estimativa de um contraste.
O valor de s2 Ŷ é obtido através da seguinte fórmula:
a) Para o caso do delineamento inteiramente casualizado, tem-se:
C2 C2
s2 Ŷ = 1 2 ...
CN 2
s 2
r1 r 2 rN
onde:
C = coeficiente de cada média do contraste;
r = número de repetições da média;
s2 = estimativa da variância do erro experimental, que corresponde ao quadrado médio do
resíduo.
s2 Ŷ =
1 1
s2
r1 r 2
onde:
r = número de repetições da média;
s2 = estimativa da variância do erro experimental, que corresponde ao quadrado médio do
resíduo.
2
s2 Ŷ = s 2
r
onde:
r = número de repetições da média;
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 126
127
b.2) Quando se tem apenas uma parcela perdida, a fórmula de s2 Ŷ fica assim:
2
s2 Ŷ =
t
s
2
r r r 1 t 1
onde:
t = número de tratamentos do experimento;
r = número de repetições do experimento;
s2 = estimativa da variância do erro experimental, que corresponde ao quadrado médio do
resíduo.
s2 Ŷ =
1 1
s2
r1 r 2
onde:
r = número efetivo de repetições;
s2 = estimativa da variância do erro experimental, que corresponde ao quadrado médio do
resíduo.
2
s2 Ŷ = s 2
r
onde:
r = número de repetições da média;
s2 = estimativa da variância do erro experimental, que corresponde ao quadrado médio do
resíduo.
c.2) Quando se tem apenas uma parcela perdida, a fórmula de s2 Ŷ fica assim:
2
s2 Ŷ =
1
s
2
r r 1 r 2
onde:
r = número de repetições do experimento;
s2 = estimativa da variância do erro experimental, que corresponde ao quadrado médio do
resíduo.
TABELA 5.4 – PRODUÇÃO MÉDIA (kg DE AÇÚCAR/t DE CANA), E VALORES DE GLR, QMR
E F DE VARIEDADES DE CANA-DE-AÇÚCAR (Saccharum officinarum L.).
PIRACICABA-SP
Variedades Médias 1/
1 – Co 775 133,75
2 – Co 740 133,10
3 – Co 421 120,43
4 – Co 678 118,46
5 – Co 419 114,77
6 – Co 413 113,92
GL Resíduo 18
QM Resíduo 83,3753
F 3,77 *
ˆ1 m
Ŷ1 = m ˆ2 m
ˆ3 m
ˆ4 m
ˆ5 m
ˆ6
ˆ3 m
Ŷ2 = 2m ˆ5 m
ˆ6
Ŷ 3 = mˆ 5 mˆ 6
ˆ1 m
Ŷ4 = m ˆ 2 2m
ˆ4
Ŷ5 = mˆ 1 mˆ 2
ˆ1 m
Ŷ1 = m ˆ2 m
ˆ3 m
ˆ4 m
ˆ5 m
ˆ6
s2
C12 C 22
Ŷ = ...
CN 2 2
s
r1 r 2 rN
1 1 1 1 1 1
= 83,3753
4 4 4 4 4 4
6
= 83,3753
4
Yˆi 0
t=
s 2 Yˆ
36,19 0
=
125,0630
36,19
= 3,24
11,1832
m̂1 m̂ 2
t
1 1
s 2m̂
N1 N 2
onde:
s 2m̂ = média das variâncias das duas amostras (s 12 e s 22 ).
X
2
X
2
X
2
X
2
N1 N2
N1 1 N2 1
s 12 s 22
2
s =
m̂ =
2 2
Logo, tem-se:
X 2
X 2
N
s
2
N 1
A
5
5 1
384,5521
14,5161 11,2896 21,1600 7,8400 25,4016
= 5
4
80,2073 76,91042
=
4
3,29688
= = 0,82422
4
X 2
X 2
N
s 2
N 1
B
5
5 1
212,2849
11,2896 3,6481 13,6900 7,8400 7,8400
= 5
4
44,3077 42,45698
=
4
1,85072
= = 0,46268
4
s 2A s B2
s 2m̂ =
2
0,82422 0,46268
2
1,2869
= = 0,64345
2
19,61
m̂ A = = 3,92
5
14,57
m̂ B = = 2,91
5
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 132
133
mˆ A mˆ B
t
1 1
s m2ˆ
1
N N 2
3,92 2,91
1 1
0,64345
5 5
1,01
=
2
0,64345
5
1,01
=
0,64345 0,4
1,01
=
0,25738
1,01
= 1,99 ns
0,50733
De acordo com o resultado obtido pode-se concluir que o contraste não foi
significativo no nível de 5% de probabilidade, ou seja, as duas variedades de batatinha
são igualmente produtivas.
Yˆi 0
tB =
s 2 Yˆ
onde:
Yˆi = constante qualquer;
s2 Ŷ = estimativa da variância da estimativa de um contraste (ver teste t).
onde:
t (5%) = valor tabelado do teste t no nível de 5% de probabilidade (TABELA A.7);
s ( Ŷ ) = estimativa do desvio padrão da estimativa de um contraste, que corresponde à
raiz quadrada da estimativa da variância da estimativa de um contraste [s2 Ŷ ],
ver teste t.
GL Resíduo 60
QM Resíduo 0,17154
F Variedades 14,07 **
ˆA m
Ŷ1 = m ˆB
Yˆ2 = m
ˆA m
ˆB
Yˆ3 = m
ˆA m
ˆB
Yˆ4 = m
ˆA m
ˆB
Yˆ2 = m
ˆA m
ˆB
Yˆ3 = mˆ A m
ˆB
Yˆ4 = m
ˆA m
ˆB
2,0 x 0,17154
= 2,0
4
0,34308
= 2,0
4
= 2,0 0,08577
A B Ŷ A B Ŷ
onde:
tB (’) = valor tabelado do teste t no nível ’ de probabilidade, obtido com n1 = nível de
significância ’ = , onde é o nível de 5% de probabilidade, que é o mais
n
utilizado na prática, e n o número de contrastes ortogonais, e n2 = graus de
liberdade do resíduo (TABELA A.7);
ˆA m
Ŷ1 = m ˆB
Yˆ2 = m
ˆA m
ˆB
Yˆ3 = mˆ A m
ˆB
Yˆ4 = m
ˆA m
ˆB
ˆA m
Ŷ1 = m ˆB
Yˆ2 = m
ˆA m
ˆB
Yˆ3 = mˆ A m
ˆB
Yˆ4 = m
ˆA m
ˆB
’ =
n
5%
= = 1,25%
4
tB = 2,5925
2,0 x 0,17154
= 2,5925
4
0,34308
= 2,5925
4
= 2,5925 0,08577
d’(5%) = t’ (5%) s ( Ŷ )
onde:
t’ (5%) = valor tabelado do teste de Dunnett no nível de 5% de probabilidade (TABELAS
A.8 e A.9);
s ( Ŷ ) = estimativa do desvio padrão da estimativa de um contraste, que corresponde à
raiz quadrada da estimativa da variância da estimativa de um contraste [s2 Ŷ ],
ver teste t.
Rações Média 1/
A 26,0
B 39,0
C 32,0
D (Controle) 22,0
GL Resíduo 16
QM Resíduo = s2 68,75
F 3,99 *
Logo, tem-se:
d’(5%) = t’ (5%) s ( Ŷ )
2 x 68,75
= 2,23
5
137,50
= 2,23
5
= 2,23 27,5
Yˆ1 m
ˆA m
ˆD
Yˆ2 m
ˆB m
ˆD
Yˆ3 m
ˆ C mˆ D
s
(5%) = q
r
onde:
GL Resíduo 11
QM Resíduo 6,673264
F 5,69 *
Logo, tem-se:
s
(5%) q
r
6,673264
= 3,82
8
= 3,82 0,834158
Yˆ1 m
ˆ1 m
ˆ2
Yˆ2 m
ˆ1 m
ˆ3
Yˆ3 mˆ 2 m
ˆ3
(5%) q
s 2 Yˆ
2
onde:
q = valor da amplitude total estudentizada no nível de 5% ou de 1% de probabilidade
(TABELAS A.10 e A.11);
2
s = estimativa da variância da estimativa de um contraste, que dependerá do
delineamento estatístico utilizado (ver teste “t”).
for elevado, por exemplo superior a dez, a aplicação do referido teste se torna muito
trabalhosa. É um teste bastante usado em trabalhos de sementes e de laboratório. Tal
como o teste de Tukey, ele exige, para ser exato, que todos os tratamentos tenham o
mesmo número de repetições.
Quando as médias de tratamentos apresentam o mesmo número de repetições,
sua fórmula é a seguinte:
s
D (5%) = z
r
onde:
z = valor da amplitude total estudentizada no nível de 5% de probabilidade (TABELA
A.12);
s = estimativa do desvio padrão do erro experimental, que corresponde à raiz quadrada do
quadrado médio do resíduo;
r = número de repetições do experimento e/ou da média.
Espécies Médias 1/
GL Resíduo 72
QM Resíduo 20,6518
F 300,32 **
Logo, tem-se:
s
D2 (5%) = z 2
r
20,6518
= 2,821
8
= 2,821 2,581475
Yˆ1 m
ˆ1 m
ˆ2
Yˆ3 mˆ 3 mˆ 4
Yˆ4 m
ˆ4 m
ˆ5
Yˆ5 m
ˆ5 m
ˆ6
s
D3 (5%) = z 3
r
20,6518
= 2,971
8
= 2,971 2,581475
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 147
148
Y6 m
ˆ1 m
ˆ3
Yˆ7 m
ˆ 2 mˆ 4
Yˆ8 mˆ 3 mˆ 5
Yˆ9 mˆ 4 mˆ 6
s
D4 (5%) = z 4
r
20,6518
= 3,071
8
= 3,071 2,581475
Yˆ10 mˆ 1 m
ˆ4
Yˆ11 m
ˆ2 m
ˆ5
Yˆ12 m
ˆ3 m
ˆ6
s
D5 (5%) = z 5
r
20,6518
= 3,134
8
= 3,134 2,581475
Yˆ13 m
ˆ1 m
ˆ5
Yˆ14 m
ˆ 2 mˆ 6
s
D6 (5%) = z 6
r
20,6518
= 3,194
8
= 3,194 2,581475
Yˆ15 mˆ 1 m
ˆ6
D (5%) z
s 2 Yˆ
2
onde:
z = valor da amplitude total estudentizada no nível de 5% ou de 1% de probabilidade
(TABELAS A.12 e A. 13);
s (Yˆ ) = estimativa da variância da estimativa de um contraste, que dependerá do
2
O teste SNK pode ser usado na análise de variância para comparar todo e
qualquer contraste entre duas médias de tratamentos. Em termos de rigor é intermediário
entre os testes de Tukey e de Duncan. Ele utiliza a metodologia de Duncan com a tabela
de Tukey. Do mesmo modo que tais testes, ele exige, para ser exato, que todos os
tratamentos tenham o mesmo número de repetições.
Quando as médias de tratamentos apresentam o mesmo número de repetições,
sua fórmula é a seguinte:
s
SNK (5%) = q
r
onde:
q = valor da amplitude total estudentizada no nível de 5% de probabilidade (TABELA
A.10);
s = estimativa do desvio padrão do erro experimental, que corresponde à raiz quadrada do
quadrado médio do resíduo;
r = número de repetições do experimento e/ou da média.
s
NSK2 (5%) = q 2
r
20,6518
= 2,824
8
= 2,824 2,581475
Yˆ1 m
ˆ1 m
ˆ2
Yˆ2 m
ˆ2 m
ˆ3
Yˆ3 mˆ 3 mˆ 4
Yˆ4 m
ˆ4 m
ˆ5
Yˆ5 m
ˆ5 m
ˆ6
s
NSK3 (5%) = q3
r
20,6518
= 3,392
8
= 3,392 2,581475
Y6 m
ˆ1 m
ˆ3
Yˆ7 m
ˆ 2 mˆ 4
Yˆ8 mˆ 3 mˆ 5
Yˆ9 mˆ 4 mˆ 6
s
NSK4 (5%) = q 4
r
20,6518
= 3,730
8
= 3,730 2,581475
Yˆ10 mˆ 1 m
ˆ4
Yˆ11 m
ˆ2 m
ˆ5
Yˆ12 m
ˆ3 m
ˆ6
s
NSK5 (5%) = q5
r
20,6518
= 3,968
8
= 3,968 2,581475
Yˆ13 m
ˆ1 m
ˆ5
Yˆ14 m
ˆ 2 mˆ 6
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 152
153
s
NSK6 (5%) = q 6
r
20,6518
= 4,148
8
= 4,148 2,581475
Yˆ15 mˆ 1 m
ˆ6
SNK (5%) q
s 2 Yˆ
2
onde:
q = valor da amplitude total estudentizada no nível de 5% ou de 1% de probabilidade
(TABELAS A.10 e A. 11);
2 ˆ
s (Y ) = estimativa da variância da estimativa de um contraste, que dependerá do
delineamento estatístico utilizado (ver teste “t”).
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 153
154
B0
SK (5%)
2 ( 2) s 02
onde:
π = número irracional, cujo valor aproximado é 3,1416;
B0 = estimativa da soma de quadrados entre grupos obtida através da fórmula:
onde:
T = total das médias de tratamentos de cada grupo;
k = número de tratamentos de cada grupo;
s02 = estimativa da variância obtida através da fórmula:
1 QM Re síduo
s02 (Y 1 Y ) (Y 2 Y ) ... (Y g Y ) v
2 2 2
gv r
onde:
g = número de médias de tratamentos avaliados nos dois grupos;
v = número de graus de liberdade do resíduo;
Y i = média do tratamento i (i = 1, 2, ... g);
Y = média geral dos tratamentos avaliados nos dois grupos;
g
v
2
Este grau de liberdade será um número fracionário, uma vez que é função do
número irracional π.
Quando se aplica o teste SK, está-se testando as seguintes hipóteses:
a) H0 : Ŷ = 0 (os dois grupos de tratamentos são semelhantes);
b) H1 : Ŷ 0 (os dois grupos de tratamentos são diferentes).
Exemplo 10: Verificar pelo teste SK se existe ou não diferença significativa entre
os tratamentos a partir dos dados da TABELA 5.10.
GL Resíduo 75
QM Resíduo 91,271
F 3,43 **
=
90,56 92,45 ... 107,67
2
110,17 110,72 ... 125,67
2
13 13
=
1.317,132
1.499,082
1.317,13 1.499,082
13 13 26
=
1.317,132
1.499,082
2.816,212
13 13 26
__
Y
T
k
1.317,13 1.499,08
=
13 13
2.816,21
= 108,32
26
1 QM Re síduo
s02 (Y 1 Y ) (Y 2 Y ) ... (Y g Y ) v
2 2 2
gv r
1
90,56 108,322 92,45 108,322 ... 125,67 108,322 75 91,271
26 75 4
=
1
101
17,762 15,872 ... 17,352 75 22,81775
=
1
315,4176 251,8569 ... 301,0225 1.711,33125
101
3.668,40795
= = 36,32087079
101
B0
SK (5%)
2 ( 2) s 02
3,1416 x 1.273,3001
=
2 3,1416 2 x 36,32087079
3,1416 x 1.273,3001
=
2 1,1416 x 36,32087079
4.000,199594
= 48,23713
82,92781219
O valor de 2 26
é 34,89. Como SK (5%) > 34,89, existe diferença
0 , 05;
3,1416 2
90,562
92,45 93,78 ... 107,672
90,56 92,45 93,78 ... 107,672
1 12 1 12
=
90,562
1.226,572
1.317,132
1 12 13
__
Y1
T 1
k 1
1.317,13
= 101,32
13
1 QM Re síduo
s02 (Y 1 Y1 ) (Y 2 Y1 ) ... (Y g1 Y1 ) v
2 2 2
g1 v r
1
90,56 101,322 92,45 101,322 ... 107,67 101,322 75 91,271
13 75 4
=
1
88
10,762 8,872 ... 6,352 75 22,81775
=
1
115,7776 78,6769 ... 40,3225 1.711,33125
88
2.178,51275
= = 24,7558267
88
B0
SK (5%)
2 ( 2) s 02
3,1416 x 125,3719
=
2 3,1416 2 x 24,7558267
3,1416 x 125,3719
=
2 1,1416 x 24,7558267
393,868361
= 6,96835
56,52250352
O valor de 2 13
é 20,20. Como SK (5%) < 20,20, não existe diferença
0 , 05;
3,1416 2
110,17
2
110,72 111,06 ... 125,67
2
1 12
=
110,17
2
1.388,91
2
1.499,08
2
1 12 13
12.137,4289 1.929.070,988 2.247.240,846
=
1 12 13
__
Y2
T 2
k 2
1.499,08
= 115,31
13
1 QM Re síduo
s02 (Y 14 Y2 ) (Y 15 Y2 ) ... (Y g 2 Y2 ) v
2 2 2
g2 v r
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 159
160
1
110,17 115,312 110,72 115,312 ... 125,67 115,312 75 91,271
13 75 4
=
1
88
5,142 4,592 ... 10,362 75 22,81775
=
1
26,4196 21,0681 ... 107,3296 1.711,33125
88
216,5949
= = 2,461305682
88
B0
SK (5%)
2 ( 2) s 02
3,1416 x 28,6641
=
2 3,1416 2 x 2,461305682
3,1416 x 28,6641
=
2 1,1416 x 2,461305682
90,05113656
= 16,02432
5,619653133
O valor de 2 13
é 20,20. Como SK (5%) < 20,20, não existe diferença
0 , 05;
3,1416 2
onde:
t = número de tratamentos do experimento;
F = valor de F tabelado no nível de 5% de probabilidade (TABELAS: A.3 para F > 1;
A.5 para F < 1);
2 ˆ
s (Y ) = estimativa da variância da estimativa de um contraste, cujo valor é obtido
através de uma fórmula, que depende do delineamento estatístico utilizado
(ver teste “t”).
S1 (t 1) F (5%) s 2 (Yˆ )
= 6 1 x 2,77 x 125,0630
= 5 x 2,77 x 125,0630
= 1.732,12255 41,62
S 2 (t 1) x F (5%) x s 2 (Yˆ )
= 6 1 x 2,77 x 125,0630
= 5 x 2,77 x 125,0630
= 1.732,12255 41,62
S 3 (t 1) x F (5%) x s 2 (Yˆ )
= 6 1 x 2,77 x 41,6877
= 5 x 2,77 x 41,6877
= 577,374645 24,03
S 4 (t 1) x F (5%) x s 2 (Yˆ )
= 6 1 x 2,77 x 125,0630
= 5 x 2,77 x 125,0630
= 1.732,12255 41,62
S 5 (t 1) x F (5%) x s 2 (Yˆ )
= 6 1 x 2,77 x 41,6877
= 5 x 2,77 x 41,6877
= 577,374645 24,03
Ŷ 1 = 36,19 ns
Ŷ 2 = 12,17 ns
Ŷ 3 = 0,85 ns
Ŷ 4 = 29,93 ns
Ŷ 5 = 0,65 ns
com tais situações, faz-se necessário a utilização da interpolação para obtenção de tais
valores.
Tem-se dois tipos de interpolação: interpolação linear e interpolação
harmônica.
A interpolação linear é de aplicação mais simples que a harmônica, porém é
menos precisa.
Exemplo 14: Calcular o valor de F no nível de 1% de probabilidade, para o caso
de F > 1, através da interpolação linear, sendo n1 = 5 graus de liberdade de tratamentos e
n2 = 34 graus de liberdade do resíduo.
A TABELA A.4 fornece o seguinte:
Para n1 = 5 e n2 = 30 .......3,70;
Para n1 = 5 e n2 = 40 .......3,51.
Como vê-se, o valor n1 = 5 existe na tabela, mas o valor n2 = 34 não consta na
mesma. Então, tem-se:
Para 30 graus de liberdade do resíduo - 3,70;
Para 40 graus de liberdade do resíduo - 3,51.
Logo, uma diferença de 10 graus de liberdade do resíduo dá uma variação de
0,19. Então, arma-se a seguinte regra de três:
10 -------------- 0,19
4 -------------- X
logo:
4 x 0,19
X=
10
0,76
= = 0,076
10
1 1 1
- 0,02
40 60 120
1 1 1
- X
40 48 240
logo:
1
0,02
X 240
1
120
0,0041667 (0,02)
=
0,0083333
0,0000833
= 0,01
0,0083333
1 1 1
- 0,09
120 120
1 1 1
- X
120 130 1.560
logo:
1
0,09
X 1.560
1
120
0,000641 (0,09)
=
0,0083333
0,00005769
= 0,007
0,0083333
5.13 Exercícios
Cerosidade Foliar
Tempo (em dias)
Mantida Removida
GL Resíduo 126
QM Resíduo 0,08333
b.5) Compare os resultados obtidos pelos testes de Tukey, Duncan e SNK e tire
as devidas conclusões.
b.6) Organize um grupo de contrastes ortogonais, aplique o teste “t” no nível de
5% de probabilidade e tire as devidas conclusões.
b.7) Aplique, também, o teste de Scheffé no nível de 5% de probabilidade nos
contrastes do item anterior e tire as devidas conclusões.
b.8) Considere a cultivar H – 7974 como testemunha, aplique o teste de Dunnett
no nível de 5% de probabilidade e tire as devidas conclusões.
GL Resíduo 35
QM Cultivares 6.162.019,6
QM Resíduo 1.366.317,9
GL Resíduo 40,00
Cultivares de Tomate
Tratamentos 1/
MARGLOBE SANTA CRUZ GIGANTE IPA-3
KADA NACIONAL
GL Resíduo 41
QM Resíduo 0,020629
F 20,24 **
GL Resíduo 75
QM Resíduo 2,6096
F 2,43 *
DELINEAMENTO INTEIRAMENTE
6 CASUALIZADO
Quadro da ANAVA
Causa de Variação GL SQ QM F
QM Tratamentos
Tratamentos t–1 SQ Tratamentos QM Tratamentos
QM Re síduo
Resíduo t (r – 1) SQ Resíduo QM Resíduo
onde:
GL = número de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado médio;
F = valor calculado do teste F;
t = número de tratamento;
onde:
X = valor de cada observação;
N = número de observações, que corresponde ao número de tratamentos (t) multiplicado
pelo número de repetições do experimento (r);
2
2
SQ Tratamentos =
r
onde:
T = total de cada tratamento;
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
SQ Re síduo
QM Resíduo =
GL Re síduo
TABELA 6.1 – ALTURA DE MUDAS DE Eucalyptus spp (EM METROS) COM UM ANO DE IDADE
EM FUNÇÃO DO USO DE CINCO TIPOS DE RECIPIENTES
Total - - - - - - 37,8
Resolução:
a) Análise da Variância:
t = 5
r = 6
N = txr
= 5 x 6 = 30
GL Tratamentos = t – 1
=5–1= 4
GL Resíduo = t (r – 1)
= 5 (6 – 1)
= 5 (5 ) = 25
GL Total = N – 1
= 30 – 1 = 29
SQ Total = 2
2
= 49,46
37,8
2
30
1.428,84
= 49,46 –
30
2
2
SQ Tratamentos =
r
294,14 1.428,84
=
6 30
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
1,3953
= 0,348825
4
0,4367
= 0,017468
25
QM Tratamentos
F Calculado =
QM Re síduo
0,348825
= 19,97
0,017468
Causa de Variação GL SQ QM F
Total 29 1,8320
m̂ =
X
37,8
= = 1,26
30
s = QM Re síduo
= 0,017468 = 0,1321665
100 x 0,1321665
=
1,26
13,21665
= 10,49%
1,26
m̂ B = 1,300
m̂ C 1,017
m̂ D 1,133
m̂ E = 1,200
5% q
s
r
4,1583 x 0,1321665
=
6
0,5495879
= 0,224
2,4494897
TABELA 6.3 - ALTURA DE MUDAS DE Eucalyptus spp (EM METROS) COM UM ANO DE IDADE
EM FUNÇÃO DO USO DE CINCO TIPOS DE RECIPIENTES
m̂ A m̂ B m̂ C m̂ D m̂ E
m̂ D 1,133 0,067 ns
m̂ E 1,200
TABELA 6.3 - ALTURA DE MUDAS DE Eucalyptus spp (EM METROS) COM UM ANO DE IDADE
EM FUNÇÃO DO USO DE CINCO TIPOS DE RECIPIENTES
NOTA: (1/) As médias seguidas de pelo menos uma mesma letra não diferem estatisticamente entre si
pelo teste de Tukey, no nível de 5% de probabilidade.
FIGURA 6.1 - ALTURA DE MUDAS DE Eucalyptus spp (EM METROS) COM UM ANO DE IDADE
EM FUNÇÃO DO USO DE CINCO TIPOS DE RECIPIENTES
NOTAS: (1) Tipos de Recipientes: A – Laminado de Madeira; B – Torrão Paulista; C – Saco de Plástico;
D – Tubo de Papel; E – Fértil Pote.
(2) A linha vertical representa a diferença mínima significativa pelo teste de Tukey, no
nível de 5% de probabilidade.
Nota-se que qualquer um dos métodos, que venha a ser utilizado na apresentação
dos resultados das comparações de médias de tratamentos, chega-se às mesmas
conclusões. A escolha fica por conta da conveniência do pesquisador.
SQ Tratamentos =
1 2
2 2
...
2 X 2
r1 r2 r
Total - - - - 457,50746
Resolução:
a) Análise da Variância:
t = 20
r= 4
N = (t x r) – Nº de Parcelas Perdidas
= (20 x 4) – 4
= 80 – 4 = 76
GL Total = N – 1
= 76 – 1 = 75
GL Tratamentos = t – 1
= 20 – 1 = 19
= 20 (4 – 1) – 4
= 20 (3) – 4
= 60 – 4 = 56
SQ Total = 2
2
= 2.785,5000
457,507462
76
209.313,08
= 2.785,5000 –
76
SQ Tratamentos =
12 22 ...
2 X 2
r1 r2 r
=
23,2654282 25,0188012 + ... + 25,1244022 457,507462
4 4 4 76
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
13,3924
= 0,7048632
19
SQ Re síduo
QM Resíduo =
GL Re síduo
17,9882
= = 0,3212179
56
QM Tratamentos
F Calculado =
QM Re síduo
0,7048632
= 2,19
0,3212179
Causa de Variação GL SQ QM F
Total 75 31,3806
m̂
457,50746
= = 6,019835
76
s QM Re síduo
= 0,3212179 = 0,56676
100 x s
CV
mˆ
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 185
186
100 x 0,56676
=
6,019835
56,676
= 9,41%
6,019835
d’(5%) = t5% x s Ŷ
t5 % = 2,004
1 1
s Yˆ
2
s
r1 r2
s2 = QM Resíduo
Como se tem um tratamento com duas repetições, dois tratamentos com três
repetições e os demais com quatro repetições, inclusive o controle, então ter-se-á três
valores de d’(5%):
1 1
s Yˆ .0,3212179
4 3
= 0,58 0,3212179
= 0,186306382 = 0,43163
1 1
s Yˆ . 0,3212179
4 2
= 0,75 0,3212179
= 0,240913425 = 0,49083
Este valor de d’ (5%) é usado para comparar o controle com o tratamento que
têm duas repetições.
1 1
s Yˆ .0,3212179
4 4
= 0,50 0,3212179
= 0,16060895 = 0,40076
Este valor de d’ (5%) é usado para comparar o controle com os tratamentos que
têm quatro repetições.
Na apresentação dos resultados (médias), substituem-se os valores transformados
pelos dados originais. Contudo, a comparação entre o controle e os demais tratamentos,
através do teste d’ (5%), deve ser feita usando os valores transformados.
Cultivares Média
NOTAS: (ns) Não significativo pelo teste d’ no nível de 5% de probabilidade em relação ao controle.
(*) Significativo pelo teste d’ no nível de 5% de probabilidade em relação ao controle.
Tratamentos
Coeficiente de
Variação (%)
DELINEAMENTO EM BLOCOS
7 CASUALIZADOS
A C B D A C A C B
B D D
Quanto à distribuição dos blocos no campo, eles podem ficar juntos ou serem
espalhados por toda a área em estudo. Porém, eles são, geralmente, colocados uns
próximos aos outros, visando com isto uma maior facilidade nos trabalhos de campo,
durante a execução do experimento.
O delineamento em blocos casualizados apresenta certas vantagens em relação
aos outros delineamentos, tais como:
a) A perda total de um ou mais blocos ou de um ou mais tratamentos em
nada dificulta a análise estatística – Se, por exemplo, fosse considerado um
experimento com oito tratamentos e quatro repetições (blocos) e fosse perdido um dos
blocos, restariam os outros três, tendo-se, agora, um experimento em blocos casualizados
com oito tratamentos e três repetições. Analogamente, se fossem perdidas todas as
parcelas de um dos tratamentos, restariam os outros sete, tendo-se, agora, um
experimento em blocos casualizados com sete tratamentos e quatro repetições. Por outro
lado, quando isso ocorre no delineamento em quadrado latino, a análise de variância é
relativamente difícil.
b) Conduz a estimativas menos elevada do erro experimental – Pelo fato de
se ter o princípio do controle local, o delineamento em blocos casualizados conduz a
estimativas menos elevadas do erro experimental do que o delineamento inteiramente
casualizado, pois consegue isolar do resíduo as variações resultantes da heterogeneidade
das condições experimentais. O mesmo não acontece com o delineamento inteiramente
casualizado, pois todas as variações entre as parcelas, exceto as devidas a tratamentos,
ficam embutidas no resíduo.
c) A análise estatística é relativamente simples – Os cálculos efetuados são
menores do que o delineamento em quadrado latino, tendo em vista que no experimento
em quadrado latino existe mais uma causa de variação que deve ser isolada do resíduo,
tornando a análise estatística um pouco mais demorada.
d) Permite, dentro de certos limites, utilizar qualquer número de
tratamentos, e de blocos – Ele apresenta certa flexibilidade quanto ao número de
tratamentos ou/e blocos (repetições). Por exemplo, num experimento com dez
tratamentos devem-se ter, no mínimo, duas repetições a fim de atender-se à exigência de
que qualquer experimento deve ter, no mínimo, 20 parcelas, o que é perfeitamente viável.
Já no delineamento em quadrado latino isso não ocorre, porque o mesmo exige que o
número de tratamentos deva ser igual ao número de repetições, o que, no exemplo
apresentado, inviabilizaria praticamente o experimento.
A C D B E C E A B D E A C D B D A E B C
A C D B E C E A B D E A C D B D A E B C
A C D B E C E A B D E A C D B D A E B C
A
Blocos
Tratamentos Totais de Tratamentos
I II III IV
Quadro da ANAVA
Causa de GL SQ QM F
Variação
QM Tratamentos
Tratamentos t–1 SQ Tratamentos QM Tratamentos
QM Re síduo
QM Blo cos
Blocos r –1 SQ Blocos QM Blocos
QM Re síduo
onde:
GL = número de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado médio;
F = valor calculado do teste F;
t = número de tratamento;
r = número de repetições do experimento;
SQ Total = 2
2
onde:
X = valor de cada observação;
N = número de observações, que corresponde ao número de tratamento (t) multiplicado
pelo número de repetições do experimento (r);
2
2
SQ Tratamentos =
r
onde:
T = total de cada tratamento;
2
2
SQ Blocos =
t
onde:
B = total de cada bloco;
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
SQ Blo cos
QM Blocos =
GL Blo cos
SQ Re síduo
QM Resíduo =
GL Re síduo
t = 11
r= 5
N=txr
= 11 x 5 = 55
GL Tratamentos = t – 1
= 11 – 1 = 10
GL Blocos = r – 1
=5–1= 4
GL Resíduo = (t – 1) (r – 1)
= (11 – 1) (5 – 1)
= (10) (4) = 40
GL Total = N – 1
= 55 – 1 = 54
SQ Total = 2
2
195.142,15
3.245,302
55
10.531.972,09
= 195.142,15
55
2
2
SQ Tratamentos =
r
=
355,85 281,82 ... 303,20
2 2 2
3.245,302
5 55
973.727,53 10.531.972,09
=
5 55
2
2
SQ Blocos =
t
=
650,27 622,82 ... 684,79
2 2 2
3.245,302
11 55
2.108.635,9 10.531.972,09
=
11 55
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
3.255,11
= 325,511
10
SQ Blo cos
QM Blocos =
GL Blo cos
203,77
= 50,9425
4
SQ Re síduo
QM Resíduo =
GL Re síduo
192,87
= 4,82175
40
QM Tratamentos
F Calculado de Tratamentos =
QM Re síduo
325,511
= 67,51
4,82175
QM Blo cos
F Calculado de Blocos =
QM Re síduo
50,9425
= 10,57
4,82175
Causa de Variação GL SQ QM F
Total 54 3.651,87
m̂
3.245,30
= = 59,005
55
s QM Re síduo
= 4,82175 = 2,1958484
100 x s
CV =
mˆ
100 x 2,1958484
=
59,005
219,58484
= 3,72%
59,005
m̂ 1 71,17 m̂ 7 50,08
m̂ 2 56,36 m̂ 8 48,84
m̂ 3 65,93 m̂ 9 64,92
m̂ 4 63,08 m̂ 10 64,21
m̂ 5 58,36 m̂ 11 60,64
m̂ 6 45,47
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 202
203
s
5% q
r
4,82 x 2,1958484
=
5
10,583989
= 4,73
2,236068
6. Fx 86 45,47 a
8. Fx 4109 48,84 a
7. Fx 516 50,08 a
2. Fx 4425 56,36 b
5. Fx 3032 58,36 bc
9. Fx 3635 64,92 de
3. Fx 567 65,93 e
1. Fx 2804 71,17 f
NOTA: (1/) As médias seguidas de pelo menos uma mesma letra não diferem estatisticamente entre si
pelo teste de Tukey, no nível de 5% de probabilidade.
Y
r x B t x T G
r 1t 1
onde:
r = número de repetições do experimento;
t = número de tratamentos avaliados;
T = total do tratamento onde ocorreu a parcela perdida;
B = total do bloco onde ocorreu a parcela perdida;
G = total geral das parcelas existentes no experimento.
Deve-se salientar que o valor obtido de Y dificilmente será igual àquele perdido
(que se obteria no experimento). Por outro lado, é um valor que permitirá a execução da
análise da variância pelo processo comum e que dará como resultado, para essa análise, o
mesmo que se obteria por processos mais complicados.
b) O valor de Y é colocado no quadro auxiliar da análise da variância, no lugar da
parcela perdida, os cálculos são refeitos e a análise da variância é feita da maneira usual,
tomando-se o cuidado, porém, de se diminuir 1 GL do Resíduo, correspondente à parcela
perdida.
c) Como a SQ Tratamentos fica ligeiramente superestimada, isto é, obtém-se um
valor pouco acima do correto (daquele que se deveria obter) deve-se, então, proceder à
correção desta soma de quadrados subtraindo-a do valor de U dado pela fórmula:
t 1
2
U= Y
t t 1
onde:
t = número de tratamentos avaliados;
Y = estimativa da parcela perdida;
B = total do bloco onde ocorreu a parcela perdida.
Essa correção, em geral, influi pouco, de sorte que muitas vezes se dispensa.
Porém, quando o valor de F calculado, sem correção, for significativo e estiver próximo
do valor de F tabelado, essa correção poderá, em alguns casos, fazer com que a
significância deixe de existir, sendo necessário fazê-la. Quando o valor de F calculado,
sem correção, for não significativo, a correção é desnecessária, porque ela sempre
diminui o valor de F.
d) Na comparação de médias de tratamentos, se for utilizado os testes de Tukey,
de Duncan ou SNK, as fórmulas a serem usadas na comparação da média do tratamento
que perdeu uma parcela com uma média qualquer devem ser, respectivamente:
q
s 2 Yˆ
2
Dz
s 2 Yˆ
2
ou
SNK q
s 2 Yˆ
2
Blocos Totais de
Tratamentos
I II III Tratamentos
BARBIN (1982).
Resolução:
a) Estimativa da Parcela Perdida:
r= 3
t= 9
T = 376
B = 1.487
G = 4.764
Y
r x B t x T G
r 1t 1
(3 x 1.487) (9 x 376) 4.764
3 19 1
4.461 3.384 4.764
=
2 x8
3.081
= 193
16
Blocos Totais de
Tratamentos
I II III Tratamentos
BARBIN (1982).
b) Análise da Variância:
t= 9
r= 3
N= txr
= 9 x 3 = 27
GL Tratamentos = t – 1
= 9 – 1 = 8
GL Blocos = r – 1
=3–1= 2
= (9 – 1) (3 – 1) – 1
= (8) (2) – 1
= 16 – 1 = 15
= (27 – 1) – 1
= 26 – 1 = 25
SQ Total = 2
2
= 936.883 –
4.957
2
27
24.571.849
= 936.883 –
27
2
2
SQ Tratamentos =
r
=
4662 5802 ... 5472 – 4.957 2
3 27
2.799.473 24.571.849
=
3 27
2
2
SQ Blocos =
t
=
1.648 1.680 1.629
2 2 2
4.957
2
9 27
8.191.945 24.571.849
=
9 27
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
23.089,19
= 2.886,1488
8
SQ Re síduo
QM Resíduo =
GL Re síduo
3.577,70
= 238,51333
15
QM Tratamentos
F Calculado =
QM Re síduo
2.886,1488
= 12,10
238,51333
Causa de Variação GL SQ QM F
Blocos 2 147,63 - -
Total 25 26.814,52
m̂
4.957
= 183,59
27
s QM Re síduo
= 238,51333 = 15,443877
100 x s
CV =
mˆ
100 x 15,443877
=
183,59
1.544,3877
= 8,41%
183,59
m̂ 1 155,33 m̂ 6 = 140,00
m̂ 2 193,33 m̂ 7 189,67
m̂ 3 192,33 m̂ 8 250,33
m̂ 4 183,67 m̂ 9 182,33
m̂ 5 165,33
1 5% q
s
r
5,08 x 15,443877
=
3
78,454895
= 45,30
1,7320508
2 5% q
s 2 Yˆ
2
1 2 t
= q
2 r r r 1t 1
QM Re síduo
1 2 9
= 5,08
2 3 33 19 1
238,51333
1 2 9
= 5,08
2 3 328
238,51333
1 2 9
= 5,08 238,51333
2 3 48
1 32 9
= 5,08 238,51333
2 48 48
1 41
= 5,08 238,51333
2 48
0,85417 x 238,51333
= 5,08
2
203,73093
= 5,08
2
= 5,08 101,86547
= 5,08 x 10,09284 51,27
Porta-enxertos Média 1/
6. TRIFOLIATA 140,00 a
Y
r x B t x T G
r 1t 1
A seguir, leva-se este valor de Y na 2ª parcela perdida e com isso estima-se a 1ª
delas (X) pela mesma fórmula, ou seja:
X
r x B t x T G
r 1t 1
Confronta-se este valor com aquele inicial, p/X, que foi completamente
arbitrário. Se for igual (caso raro) o processo iterativo se encerra e os valores de X e de Y,
são as estimativas das parcelas perdidas. Se for diferente, volta-se a estimar Y usando
agora o 2º valor de X no lugar da 1ª parcela perdida. Confronta-se este valor com a sua
1ªestimativa. Se for igual ela é considerado o valor da 2ª parcela perdida e será usada na
análise. Com este valor, calcula-se novamente o X, através da fórmula, que, neste caso,
será o valor definitivo. Se for diferente o processo continua.
Quando ocorrem mais de duas parcelas perdidas, o processo iterativo tem
aplicação semelhante ao já visto par o caso de duas parcelas perdidas. Suponha-se que
foram perdidas K parcelas, onde K > 2. Atribuí-se valores arbitrários a (K – 1) delas e
com isso estima-se a K ésima através da fórmula, já conhecida, que é
Y
r x B t x T G
r 1t 1
Com esta estimativa parte-se para obter a estimativa de uma das (K –1) parcelas,
às quais foram atribuídos valores arbitrários. Usa-se, para isso, a mesma fórmula. Com
estas duas, estima-se uma terceira e assim sucessivamente até obterem-se as K
estimativas. Volta-se, a seguir, a obter uma nova estimativa para a K ésima parcela. O
processo se repete até que se obtenham duas estimativas iguais para a mesma parcela.
b) Os valores das estimativas das parcelas perdidas são colocados no quadro
auxiliar da análise da variância, nos respectivos lugares das parcelas perdidas, os cálculos
são refeitos e a análise da variância é feita da maneira usual, tomando-se o cuidado,
porém, de se diminuir 1 GL do Resíduo para cada parcela perdida.
c) Vê-se que quando se perdem parcelas a SQ Tratamentos fica ligeiramente
superestimada, isto é, obtém-se um valor pouco acima do correto (daquele que se deveria
obter), devendo, então, proceder-se à correção. Vê-se, também, que a correção, em geral,
influi pouco, de sorte que muitas vezes se dispensa. Porém, quando o valor de F
calculado, sem correção, for significativo e estiver próximo do valor de F tabelado, essa
correção poderá, em alguns casos, fazer com que a significância deixe de existir, sendo
necessário fazê-la. Quando o valor de F calculado, sem correção, for não significativo, a
correção é desnecessária, porque ela sempre diminui o valor de F.
Quando houver necessidade de se fazer à correção, um dos métodos usados é o
do Resíduo Condicional, que consiste no seguinte, para o caso de blocos:
Obtêm-se as Somas de Quadrados Totais, de Blocos e de Resíduo, a partir dos
dados originais, não se levando em conta as estimativas das parcelas perdidas. Com isso,
como SQ Resíduo (1) = SQ Total – SQ Blocos, esta SQ Resíduo (1) irá conter a S.Q
Tratamentos. Então, a SQ Tratamentos Corrigida = SQ Resíduo (1) – SQ Resíduo, onde
SQ Resíduo é obtida da análise, em blocos, onde se levaram em conta as estimativas das
parcelas perdidas.
d) Na comparação de médias de tratamentos, se se utilizar os testes de Tukey, de
Duncan ou SNK, as fórmulas a serem usadas em contrastes envolvendo uma das médias
com parcela perdida e outra qualquer (onde não ocorreu parcela perdida) e/ou em
contrastes envolvendo as duas médias para as quais ocorreram as parcelas perdidas
devem ser, respectivamente:
q
s 2 Yˆ
2
Dz
s 2 Yˆ
2
ou
SNK q
s 2 Yˆ
2
Blocos Totais de
Tratamentos Tratamentos
I II III
1. TANGERINEIRA SUNKI 145 155 166 466
Resolução:
a) Estimativa das Parcelas Perdidas:
Inicia-se atribuindo um valor arbitrário para X.
Seja X0 = 175, com ele obtém-se uma estimativa para Y através da fórmula:
Y0
r x B t x T G
r 1t 1
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 215
216
3.096
= = 193,5
16
X1
r x B t x T G
' ' '
r 1t 1
(3 x 1.458) (9 x 361) 4.574 193,5
3 19 1
4.374 3.249 4.767,5
=
2 x8
2.855,5
= 178,47
16
Confrontando-se este valor com o inicial, vê-se que são diferentes. Ele é
colocado na TABELA 7.4 e torna-se a calcular Y pela fórmula,
Y1
r x B t x T G ' '
r 1t 1
(3 x 1.487) (9 x 376) 4.574 178,47
3 19 1
4.461 3.384 4.752,47
=
2x8
3.092,53
= 193,28
16
Este valor ainda não é igual ao anterior. Logo, ele deve ser levado à TABELA
7.4 e recalcula-se X:
X2
r x B t x T G
' ' '''
r 1t 1
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 216
217
2.855,72
= 178,48
16
Confrontando-se este valor (178,48) com o anterior (178,47) verifica-se que são
praticamente iguais. Então se toma como estimativa da 1ª parcela perdida, o valor 178,5.
Leva-se o valor X = 178,48 na TABELA 7.4 e recalcula-se Y, obtendo-se o valor:
Y2 193,28, pois
Y2
r x B t x T G ' ' ' '
r 1t 1
r x B t x T G ' '
r 1t 1
O único valor que muda nas expressões de Y é G e tem-se, neste caso, G’’ = 4.574
+ 178,47 e G’’’’= 4.574 + 178,48.
Então, o valor que se deve usar para a 2ª parcela perdida é Y = 193,3.
Blocos Totais de
Tratamentos Tratamentos
I II III
b) Análise da Variância:
t=9
r=3
N = txr
= 9 x 3 = 27
GL Tratamentos = t – 1
= 9–1= 8
GL Blocos = r – 1
= 3–1= 2
= (9 – 1) (3 – 1) – 2
= (8) (2) – 2
= 16 – 2 = 14
= (27 – 1) – 2
= 26 – 2 = 24
SQ Total = 2
2
= 932.761,14
4.945,82
27
24.460.937,6
= 932.761,14 –
27
2
2
SQ Tratamentos =
r
=
466,0 580,0 ... 547,0 4.945,8
2 2 2
2
3 27
217.156,0 336.400,0 ... 299.209,0 24.460.937,6
=
3 27
2.787.273,7 24.460.937,6
=
3 27
2
2
SQBlocos =
r
=
1.636,5 1.680,3 1.629,0
2 2 2
4.945,8
2
9 27
8.155.181,3 24.460.937,6
=
9 27
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
23.130,60
= 2.891,325
8
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 219
220
SQ Re síduo
QM Resíduo =
GL Re síduo
3.499,28
= 249,94857
14
QM Tratamentos
F Calculado =
QM Re síduo
2.891,325
= 11,57
249,94857
Causa de Variação GL SQ QM F
Blocos 2 170,61 - -
Total 24 26.800,49
m̂
4.945,8
= 183,18
27
s QM Re síduo
= 249,94857 = 15,809762
100 x s
CV =
mˆ
100 x 15,809762
=
183,18
1.580,9762
= 8,63%
183,18
d) Teste de Tukey :
m̂ 1 155,33 m̂ 6 140,00
m̂ 2 193,33 m̂ 7 189,77
m̂ 3 192,33 m̂ 8 250,33
m̂ 4 179,83 m̂ 9 182,33
m̂ 5 165,33
1 1
s 2 Yˆ s 2
r1 r2
1 5% q
QM Re síduo
r
249,94857
= 5,13
3
= 5,13 83,31619
2) Contrastes envolvendo uma das médias com parcela perdida e outra qualquer
(onde não ocorreu parcela perdida).
Este caso envolve o método do número efetivo de repetições. Então, veja-se:
Tome-se o contraste Yˆ mˆ 1 mˆ 4 , onde em lugar de m̂1 poderia entrar qualquer
outra média onde não ocorreu parcela perdida, e em lugar de m̂4 poderia entrar m̂7 .
7
1º Bloco Aparece Não aparece
8
23
Total
8
Total 2
1 1
s 2 Yˆ QM Resíduo
r1 r2
1 1
= 249,94857
23 2
8
8 1
= 249,94857
23 2
Logo, tem-se:
2 5% q
s 2 Yˆ
2
211,9114
5,13
2
= 5,13 105,9557
7
2º Bloco Aparece Não aparece 8
Total 15
8
15
O número efetivo de repetições para o tratamento 4 é igual a em relação ao
8
tratamento 7.
7
1º Bloco Aparece Não aparece 8
15
Total 8
15
O número efetivo de repetições para o tratamento 7 também é igual a em
8
relação ao tratamento 4.
Sendo assim, a estimativa da variância da estimativa do contraste Yˆ mˆ 4 mˆ 7 ,
será:
1 1
s 2 Yˆ QM Resíduo
r4 r7
1 1
= 249,94857
15 15
8 8
8 8
= 249,94857
15 15
Logo, tem-se:
3 5% q
s 2 Yˆ
2
266,61014
= 5,13
2
= 5,13 133,30507
Porta-enxertos Média 1/
6. TRIFOLIATA 140,00 a
Causa de Variação GL
Tratamentos 1
Blocos 11
Resíduo 11
23
Total
Se, ao invés, fossem estruturados blocos de quatro parcelas, com duas repetições
por bloco, seria reduzido o número deles para seis e teria-se o seguinte esquema de
análise.
Quadro da ANAVA
Causa de Variação GL
Tratamentos 1
Blocos 5
Resíduo 11
Total 23
Quadro da ANAVA
Causa de Variação GL
Tratamentos 1
Blocos 5
Resíduo 17
Total 23
Verifica-se que este procedimento de análise tem a vantagem de, com o mesmo
número de parcelas, trazerem maior número de graus de liberdade para o resíduo,
promovendo, assim, maior precisão experimental, além de tornar os testes de hipóteses
mais sensíveis par detectarem diferença significativa entre os tratamentos avaliados.
Exemplo 3: A partir dos dados da TABELA 7.11, pede-se:
a) Fazer a análise da variância;
b) Obter o coeficiente de variação;
c) Aplicar, se necessário, o teste de Tukey, no nível de 5% de probabilidade, na
comparação de médias de tratamentos.
Blocos
Variedades Totais de Variedades
I II III
Resolução:
a) Análise da Variância:
t=3
r=3
r’ = 3
N = t x r x r’
= 3 x 3 x 3 = 27
GL Tratamentos = t – 1
= 3– 1 = 2
GL Blocos = r – 1
= 3 –1 = 2
GL Total = N – 1
= 27 – 1 = 26
= 26 – (2 + 2)
= 26 – 4 = 22
SQ Total = 2
2
= 5.822,6844
395,502
27
156.420,25
= 5.822,6844 –
27
2
2
SQ Tratamentos =
r x r'
=
120,482 140,562 134,462 395,50 2
3x3 27
52.352,0356 156.420,25
=
9 27
2
2
SQ Blocos =
t x r'
=
132,67 131,49 131,34
2 2 2
395,50
2
3x3 27
52.141,1446 156.420,25
= = 0,1179
9 27
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
23,5502
= 11,7751
2
SQ Re síduo
QM Resíduo =
GL Re síduo
5,6737
= 0,25789
22
QM Tratamentos
F Calculado =
QM Re síduo
11,7751
= 45,66
0,25789
Causa de Variação GL SQ QM F
Blocos 2 0,1179 -
Total 26 29,3418
m̂
395,50
= 14,648
27
s QM Re síduo
= 0,25789 = 0,50782
100 x s
CV =
mˆ
100 x 0,50782
=
14,648
50,782
= 3,47%
14,648
m̂ 1 13,39 m̂ 3 14,94
m̂ 2 15,62
5% q
s
r
3,555 x 0,50782
=
9
1,80353
= 0,60
3
1 13,39 a
3 14,94 b
2 15,62 c
NOTA: (1/) As médias com letras diferentes apresentam diferença significativa pelo teste de Tukey, no
nível de 5% de probabilidade.
7.7 Exercícios
Blocos
Clones Totais de Clones
I II III IV V
Blocos
Tratamento Totais de Tratamentos
I II III IV V VI
GOMES (1985).
DELINEAMENTO EM
8 QUADRADO LATINO
1’ 2’ 3’ 4’ 5’
A B C D E
1 A B C D E
1
B C D E A
2 B C D E A
2
C D E A B
3 C D E A B
3
D E E B C
4 D E A B C
4
E A B C D
5 E A B C D
5
Quadrado I
A seguir procede-se a uma casualização das linhas (ou colunas) do Quadrado I,
obtendo-se o Quadrado II, que apresenta as linhas casualizadas.
1’ 2’ 3’ 4’ 5’
4 D E A B C
4 D E A B C
5 E A B C D
5 E A B C D
2 A C D E A
2 B C D E A
1 B B C D E
1 A B C D E
3 C D E A B
3 C D E A B
Quadrado I I
3’ 1’ 4’ 5’ 2’
4 A D B C E
4 A D B C E
5 A E C D A
5 B E C D A
2 D B E A C
2 D B E A C
1 C A D E B
1 C A D E B
3 E C A B D
3 E C A B D
Quadrado I I I
A D B C E
B E C D A
D B E A C
C A D E B
E C A B D
Colunas
Linhas Totais de Linhas
1 2 3 4 5
1 XA XD XB XC XE L1
2 XB XE XC XD XA L2
3 XD XB XE XA XC L3
4 XC XA XD XE XB L4
5 XE XC XA XB XD L5
Totais de Colunas C1 C2 C3 C4 C5
Quadro da ANAVA
Causa de Variação
GL SQ QM F
QM Tratamentos
Tratamentos t–1 SQ Tratamentos QM Tratamentos
QM Re síduo
Total t2 – 1 SQ Total
onde:
GL = número de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado médio;
F = valor calculado do teste F;
t = número de tratamentos;
SQ Total = 2
2
onde:
X = valor de cada observação;
N = número de observações, que corresponde ao número de tratamentos (t) ao quadrado;
2 2
SQ Tratamentos =
r
onde:
T = total de cada tratamento, o qual é obtido somando-se os valores de cada tratamento
isoladamente;
r = número de repetições do experimento, que é igual ao número de tratamentos (t );
L2
2
SQ Linhas =
t
onde:
L = total de cada linha;
C 2
2
SQ Colunas =
t
onde:
C = total de cada coluna;
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
SQ Re síduo
QM Resíduo =
GL Re síduo
Colunas
Linhas Totais de Linhas
1 2 3 4 5
1 B* A D E C
7,6 8,2 10,4 11,2 9,0 46,4
2 C B E A D
10,4 5,4 16,0 7,4 8,4 47,6
3 A D B C E
6,0 7,2 7,0 11,0 12,4 43,6
4 D E C B A
8,8 13,0 14,2 7,2 8,0 51,2
5 E C A D B
15,0 16,0 7,0 8,2 7,5 53,7
Resolução:
a) Análise da Variância:
t = 5
r = 5
N = t2
= (5)2 = 25
=5 –1 = 4
GL Linhas = t – 1
= 5 – 1 = 4
GL Colunas = t – 1
= 5 – 1 = 4
GL Resíduo = (t – 1) (t – 2)
= (5 – 1) (5 – 2)
= 4 x 3 = 12
SQ Total = 2
2
= 2.587,25
242,5
2
25
58.806,25
= 2.587,25
25
L2
2
SQ Linhas =
t
=
46,42 47,62 ... 53,72
242,52
5 25
11.824,81 58.806,25
=
5 25
C 2
2
SQ Colunas =
t
=
47,82 49,82 ... 45,32
242,52
5 25
11.823,13 58.806,25
=
5 25
Tratamentos:
2
2
SQ Tratamentos =
t
=
36,62 34,72 ... 67,62
242,52
5 25
12.634,77 58.806,25
=
5 25
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
SQ Re síduo
QM Resíduo =
GL Re síduo
35,21
= = 2,9342
12
QM Tratamentos
F Calculado =
QM Re síduo
43,675
= 14,88
2,9342
Causa de Variação GL SQ QM F
Linhas 4 12,71 - -
Colunas 4 12,38 - -
Total 24 235,00
m̂ =
242,5
= = 9,7
25
s QM Re síduo
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 246
247
= 2,9342 = 1,71295
100 x s
CV =
mˆ
100 x 1,71295
=
9,7
171,295
= 17,66%
9,7
m̂ A = 7,32 m̂ D = 8,60
m̂ B = 6,94 m̂ E = 13,52
m̂ C = 12,12
5% q
s
r
4,51 x 1,71295
=
5
7,7254045
= 3,45
2,236068
ROSINHA 12,12 b
RICO 23 13,52 b
NOTA: (1/) As médias seguidas pela mesma letra não diferem estatisticamente entre si pelo teste de
Tukey, no nível de 5% de probabilidade.
r L C 2 x G
Y
r 1r 2
onde:
r = número de repetições do experimento;
L = total da linha onde ocorreu a parcela perdida;
C = total da coluna onde ocorreu a parcela perdida;
T = total do tratamento onde ocorreu a parcela perdida;
G = total geral das parcelas existentes no experimento.
Deve-se salientar que o valor obtido de Y dificilmente será àquele perdido (que
se obteria no experimento). Por outro lado, é um valor que permitirá a execução da
análise da variância pelo processo comum e que dará como resultado, para essa análise, o
mesmo que se obteria por processos mais complicados.
b) O valor de Y é colocado no quadro auxiliar da análise da variância, no lugar da
parcela perdida. Os cálculos são refeitos e a análise da variância é feita da maneira usual,
tomando-se o cuidado, porém, de se diminuir 1 GL do Resíduo, correspondente à parcela
perdida.
c) Como a SQ Tratamentos fica ligeiramente superestimada, isto é, obtém-se um
valor acima do correto (daquele que se deveria obter), deve-se, então, proceder à correção
desta soma de quadrados subtraindo-a do valor de U dado pela fórmula:
r L C G
2
r 1
2
U= Y
r r 12
Como foi visto no capítulo anterior, essa correção, em geral, influi pouco, de
sorte que muitas vezes se dispensa. Quando, porém, o valor de F calculado, sem correção,
for significativo e estiver próximo do valor de F tabelado, essa correção poderá, em
alguns casos, fazer com que a significância deixe de existir, sendo necessário fazê-la.
Quando o valor de F calculado, sem correção, for não significativo, a correção é
desnecessária, porque ela sempre diminui o valor de F.
d) Na comparação de médias de tratamentos, se for utilizado os testes de Tukey,
de Duncan ou SNK, as fórmulas a serem usadas na comparação da média do tratamento
que perdeu uma parcela com uma média qualquer devem ser, respectivamente:
q
s 2 Yˆ
2
Dz
s 2 Yˆ
2
ou
SNK q
s 2 Yˆ
2
Colunas
Linhas Totais de Linhas
1 2 3 4 5
1 B* A D E C
7,6 8,2 Y 11,2 9,0 36,0 + Y
2 C B E A D
10,4 5,4 16,0 7,4 8,4 47,6
3 A D B C E
6,0 7,2 7,0 11,0 12,4 43,6
4 D E C B A
8,8 13,0 14,2 7,2 8,0 51,2
5 E C A D B
15,0 16,0 7,0 8,2 7,5 53,7
Resolução:
a) Estimativa da Parcela Perdida:
r = 5
L = 36,0
C = 44,2
T = 32,6
G = 232,1
r L C 2 x G
Y
r 1r 2
5 112,8 464,2
=
4x3
564,0 464,2
=
12
99,8
= 8,3
12
Colunas
Linhas Totais de Linhas
1 2 3 4 5
1 B* A D E C
7,6 8,2 8,3 11,2 9,0 44,3
2 C B E A D
10,4 5,4 16,0 7,4 8,4 47,6
3 A D B C E
6,0 7,2 7,0 11,0 12,4 43,6
4 D E C B A
8,8 13,0 14,2 7,2 8,0 51,2
5 E C A D B
15,0 16,0 7,0 8,2 7,5 53,7
b) Análise da Variância:
t = 5
r = 5
N = t2
= (5)2 = 25
GL Tratamentos = t – 1
=5 –1 = 4
GL Linhas = t – 1
= 5 – 1 = 4
GL Colunas = t – 1
= 5 – 1 = 4
= (5 – 1) (5 – 2) – 1
= (4) (3) – 1
= 12 – 1 = 11
= (25 – 1) – 1
= 24 – 1 = 23
SQ Total = 2
2
= 2.547,98
240,42
25
57.792,16
= 2.547,98 –
25
L2
2
SQ Linhas =
t
=
44,32 47,62 ... 53,72
240,42
5 25
11.634,34 57.792,16
=
5 25
C 2
2
SQ Colunas =
t
=
47,82 49,82 ... 45,32
240,42
5 25
11,598,22 57.792,16
=
5 25
Tratamentos:
2
2
SQ Tratamentos =
r
=
36,6 34,7 ... 67,6 240,42
2 2 2
5 25
12.458,58 57.792,16
=
5 25
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
180,0296
= = 45,0074
4
SQ Re síduo
QM Resíduo =
GL Re síduo
QM Tratamentos
F Calculado =
QM Re síduo
45,0074
= 14,95
3,011346
Causa de Variação GL SQ QM F
Linhas 4 15,1816 - -
Colunas 4 7,9576 - -
Total 23 236,2936
m̂ =
240,4
= = 9,616
25
s QM Re síduo
= 3,011346 = 1,735323
100 x s
CV =
mˆ
100 x 1,735323
=
9,616
173,5323
= 18,05%
9,616
m̂ A = 7,32 m̂ D = 8,18
m̂ B = 6,94 m̂ E = 13,52
m̂ C = 12,12
1 5% q
s
r
4,57 x 1,735323
=
5
7,9304261
= 3,55
2,236068
2 5% q
s 2 Yˆ
2
1 2 1
= q r r 1r 2 QM Re síduo
2
1 2 1
= 4,57 5 5 15 2 3,011346
2
1 2 1
= 4,57 5 43 3,011346
2
1 2 1
= 4,57 3,011346
2 5 12
1 24 5
= 4,57 3,011346
2 60 60
1 29
= 4,57 3,011346
2 60
0,48333 x 3,011346
= 4,57
2
1,4554839
= 4,57
2
= 4,57 0,72774
ROSINHA 12,12 b
RICO 23 13,52 b
NOTA: (1/) As médias seguidas pela mesma letra não diferem estatisticamente entre si pelo teste de
Tukey, no nível de 5% de probabilidade.
8.5 Exercícios
Colunas
Linhas Totais de Linhas
1 2 3 4 5
1 D* A B C E
2.322
432 518 458 583 331
2 C E A B D
2.676
724 478 524 550 400
3 E B C D A
2.146
489 384 556 297 420
4 B D E A C
2.294
494 500 313 486 501
5 A C D E B
2.325
515 660 438 394 318
REGRESSÃO E
9 CORRELAÇÃO
Parcelas 1 2 3 4 5
Para a maioria dos casos, tem-se uma regressão linear pelo menos para os valores
de X adotados em pesquisa agropecuária, cuja equação de regressão é:
Ŷ = a + bX
onde:
Ŷ = estimativa da variável dependente;
a = intercepção no eixo dos Y, ou seja, o valor de Y quando X = 0;
b = coeficiente angular da reta, isto é, b = tg (o ângulo formado pela reta ao cortar o
eixo dos X) que determina a declividade da mesma e expressa o valor de Y para
X = 0;
X = variável independente.
â Y bX
XY
( X )( Y )
bˆ N
( X ) 2
X 2
onde:
Y = média de Y;
X = média de X;
N = número de observações.
N= 5
( X )( Y )
XY N
b̂ =
( X ) 2
X 2
N
(500,0)(13.665,2)
1.559.560,0
= 5
(500,0) 2
75.000,0
5
6.832.600,0
1.559.560,0
= 5
250.000,0
75.500,0
5
1.559.560,0 1.366.520,0
=
75.500,0 50.000,0
193.040,0
= = 7,570196
25.500,0
Y
Y
N
13.665,2
= = 2.733,04
5
X
X
N
500,0
= = 100,0
5
â Y bX
Ŷ = a + bX
= 1.976,0204 + 7,570196 X
( X )( Y )
XY N
r
( X ) 2
( Y ) 2
X Y
2 2
N N
onde:
t = valor calculado do teste t com N – 2 graus de liberdade;
r = estimativa do coeficiente de correlação;
N = número de observações.
Exemplo 1: A partir dos dados da TABELA 9.1, pede-se:
a) Obter a estimativa do coeficiente de correlação;
b) Aplicar o teste “t” e verificar se o valor de r é significativo.
Resolução:
a) Estimativa do Coeficiente de Correlação:
X = caráter brotamento (em dias);
Y = caráter capacidade de armazenamento (em %);
N = 25
( X )( Y )
XY N
r
( X ) 2 ( Y ) 2
2 2
X Y
N N
(1.587,2)(955,0)
67.789,5
= 25
(1587,2)
2
(955,0) 2
110.220,82 48.925,0
25 25
1.515.776,0
67.789,5
= 25
2.519.203,8 912.025,0
110.220,82 48.925,0
25 25
7.158,46
=
9.452,6712.444,0
7.158,46
=
117.620.000,0
7.158,46
0,66
10.845,692
b) Teste “t”:
r
t N 2
1 r2
0,66 25 2
=
1 0,66
2
0,66 23
=
1 0,4356
0,66 x 4,7958315
=
0,5644
3,1652488
= 4,21
0,7512656
SQ Re gressão x 100
R2
SQ Tratamentos
onde:
SQ Re gressão x 100
R2
SQ Total
onde:
SQ Regressão = soma das SQ Regressão até a regressão de maior grau que apresentou
significância estatística pelo teste F na análise de variância;
SQ Total = soma de quadrados total da análise de variância.
O R 2 assume valores entre 0 e 1. Se R 2 = 1, a equação de regressão explica
100% da variação de Y (variável dependente) em função da variação de X (variável
independente). Se R 2 = 0,5, a equação de regressão explica somente 50% da variação de
Y em função da variação de X, os outros 50% da variação não é explicado por essa
relação. Se R 2 = 0, não há uma relação entre as variáveis X e Y.
No caso de regressão linear simples, o coeficiente de determinação poderá ser
calculado através do quadrado do coeficiente de correlação (r), ou seja, r 2 R 2 .
Considerando os dados do Exemplo 1, tem-se:
R 2 r
2
= 0,662 = 0,4356
( X )( Y )
2
XY
SQ Re gressão Linear N
( X )
2
X 2
N
onde:
Y = variável dependente;
X = variável independente;
N = número de observações;
Regressão Linear = 1 GL
Desvios de Regressão = t – 2 GL
onde:
t = número de tratamentos (variável X);
QM Re gressão Linear
F Calculado para Regressão Linear =
QM Re síduo
QM Desvios de Re gressão
F Calculado para Desvios de Regressão =
QM Re síduo
Resolução:
a)Análise da Variância:
t = 4
r = 6
N = txr
= 4 x 6 = 24
GL Tratamentos = t – 1
= 4 –1 = 3
GL Resíduo = t (r – 1)
= 4 (5) = 20
GL Total = t x r – 1
= 4x6 – 1
= 24 – 1 = 23
SQ Total Y 2
2.427,9192
235,54
2
24
55.479,0916
= 2.427,9192
24
T
2
Y 2
SQ Tratamentos
r N
=
51,502 54,032 59,902 70,112
235,542
6 24
14.074,913 55.479,0916
=
6 24
34,19
= 11,396667
3
SQ Re síduo
QM Resíduo =
GL Re síduo
82,1004
= 4,10502
20
QM Tratamentos
F Calculado =
QM Re síduo
11,396667
= 2,78
4,10502
F Tabelado (1%) = 4,94
Causa de Variação GL SQ QM F
Total 23 116,2904
235,54
= 9,814
24
s QM Re síduo
= 4,105020 = 2,0260849
100 x s
CV
mˆ
100 x 2,0260849
=
9,814
202,60849
= 20,64%
9,814
GL de Regressão Linear = 1
GL de Desvios de Regressão = t – 2
= 4 – 2 = 2
N = txr
= 4 x 6 = 24
( X )( Y )
2
XY
N
SQ Re gressão Linear
( X ) 2
X2 N
2
(540,0)(235,54)
5.682,0 24
=
(540,00) 2
17.400,00
24
2
127.191,6
5.682,0
= 24
291.600,00
17.400,00
24
=
5.682,00 5.299,65 2
17.400,00 12.150,00
=
382,35 2
5.250,00
146.191,52
= = 27,846004
5.250,00
SQ Re gressão Linear
QM Regressão Linear =
GL Re gressão Linear
27,846004
= = 27,846004
1
SQ Desvios de Re gressão
QM Desvios de Regressão =
GL Desvios de Re gressão
6,343996
= = 3,171998
2
QM Re gressão Linear
F Calculado para Regressão Linear =
QM Re síduo
27,846004
= 6,78
4,105020
QM Desvios de Re gressão
F Calculado para Desvios de Regressão =
QM Re síduo
3,171998
= 0,773
4,105020
Causa de Variação GL SQ QM F
Total 23 116,290400
XY
( X )( Y )
bˆ N
X
2
( X)
2
(540,0)(235,54)
5.682,0
= 24
(540,00) 2
17.400,00
24
127.191,6
5.682,0
= 24
291.600,00
17.400,00
24
5.682,00 5.299,65
=
17.400,00 12.150,00
382,35
= 0,072829
5.250,0
Y
Y
N
235,54
= 9,814167
24
X
X
N
540,0
= = 22,5
24
aˆ Y bˆX
Yˆ a bX
= 8,175514 + 0,072829 X
Médias Esperadas:
m0 8,175514 0,072829 x 0,0
Médias Observadas:
mˆ 0
Y 0
51,50
= 8,58
6
mˆ 20
Y 20
54,03
= 9,01
6
mˆ 30
Y 30
59,90
= 9,98
6
ˆ 40
m
Y 40
70,11
= 11,69
6
SQ Re gressão x 100
R2
SQ Tratamentos
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 277
278
27,846004 x 100
=
34,190000
2.784,6004
= 81,44%
34,1900
( C 1T )
2
SQ Regressão Linear
rK1
( C 2T )
2
SQ Regressão Quadrática
rK 2
( C 3T )
2
SQ Regressão Cúbica
rK 3
( C 4T )
2
SQ Regressão de 4º Grau
rK 4
onde:
C = coeficiente para interpolação de polinômios ortogonais, obtido em tabelas (TABELA
A-14);
T = totais de tratamentos;
K = soma de quadrados dos coeficientes, obtido em tabelas (TABELA A-14);
r = número de repetições do experimento, para o caso dos experimentos simples, e
número de repetições do experimento (r) multiplicado pelo número de tratamentos
Regressão Linear = 1 GL
Regressão Quadrática = 1 GL
Regressão Cúbica = 1 GL
Regressão de 4º Grau = 1 GL
GL Regressão de 4º Grau)
onde:
Y = estimativa da variável dependente;
Y = estimativa da média observada da variável dependente;
B = coeficiente angular, obtido através da fórmula:
B
CT
rK
onde:
C = coeficiente para interpolação de polinômios ortogonais, obtido em tabelas (TABELA
A-14);
P1 = x
sendo
XX
x
q
onde:
X = variável independente;
X = média da variável independente;
q = diferença entre dois níveis sucessivos de X;
n2 1
P2 x 2
12
onde:
n = número de níveis de X;
3n 2 7
P3 x 3 x
20
3n 2 13 2 3(n 2 1)(n 2 9)
P4 x 4 x
14 560
TABELA 9.5 – DADOS DE PRODUÇÃO (em kg/parcela) DE MILHO (Zea mays L.) EM RELAÇÃO
AOS NÍVEIS DE ADUBAÇÃO FOSFATADA
Causa de Variação GL SQ QM F
Total 19 85,87
Resolução:
a) Análise da Variância com Regressão:
GL Regressão Linear = 1
GL Regressão Cúbica = 1
GL Regressão de 4º Grau = 1
r = 4
K1 = 10
K2 = 14
K3 = 10
K4 = 70
Coeficientes
Totais de Tratamentos (T)
C1 C2 C3 C4
18,59 – 2 + 2 – 1 + 1
37,02 – 1 – 1 + 2 – 4
37,20 0 – 2 0 + 6
37,40 + 1 – 1 – 2 – 4
38,56 + 2 + 2 + 1 + 1
( C1T ) 2
SQ Re gressão Linear
rK1
=
(2 x 18,59) (1 x 37,02) (0 x 37,20) (1 x 37,40) (2 x 38,56) 2
4 x 10
=
( 37,18) ( 37,02) (0,00) (37,40) (77,12) 2
40
(40,32) 2
=
40
1.625,7024
= = 40,64256
40
( C 2T ) 2
SQ Re gressão Quadrática
rK 2
=
(2 x 18,59) (1 x 37,02) (2 x 37,20) (1 x 37,40) (2 x 38,56) 2
4 x 14
=
(37,18) ( 37,02) ( 74,40) ( 37,40) (77,12) 2
56
(34,52) 2
=
56
1.191,6304
= = 21,279114
56
( C3T ) 2
SQ Re gressão Cúbica
rK 3
=
(1 x 18,59) (2 x 37,02) (0 x 37,20) (2 x 37,40) (1 x 38,56) 2
4 x 10
=
( 18,59) (74,04) (0,00) ( 74,80) (38,56) 2
40
(19,21) 2
=
40
369,0241
= = 9,225603
40
( C 4T ) 2
SQ Re gressão de 4º Grau
rK 4
=
(1 x 18,59) ( 4 x 37,02) (6 x 37,20) ( 4 x 37,40) (1 x 38,56) 2
4 x 70
=
(18,59) ( 148,08) (223,20) ( 149,60) (38,56) 2
280
(17,33) 2
=
280
300,3289
= = 1,072603
280
40,64256
= = 40,64256
1
SQ Re gressão Quadrática
QM Re gressão Quadrática
GL Re gressão Quadrática
21,279114
= = 21,279114
1
SQ Re gressão Cúbica
QM Re gressão Cúbica
GL Re gressão Cúbica
9,225603
= = 9,225603
1
SQ Re gressão de 4º Grau
QM Re gressão de 4º Grau
GL Re gressão de 4º Grau
1,072603
= = 1,072603
1
QM Re gressão Linear
F Calculado para Regressão Linear =
QM Re síduo
40,64256
= 44,66
0,910
QM Re gressão Quadrática
F Calculado para Regressão Quadrática =
QM Re síduo
21,279114
= 23,38
0,910
QM Re gressão Cúbica
F Calculado para a Regressão Cúbica =
QM Re síduo
9,225603
= 10,14
0,910
QM Re gressão de 4º Grau
F Calculado para Regressão de 4º Grau =
QM Re síduo
1,072603
= 1,18
0,910
Causa de Variação GL SQ QM F
Blocos 3 2,730000 - -
Total 19 85,870000
Y
Y
N
B1
C T1
rK1
40,32
= = 1,008
40
B2
C T2
rK 2
(2 x 18,59) (1 x 37,02) (2 x 37,20) (1 x 37,40) (2 x 38,56)
=
4 x 14
34,52
= = – 0,616428571
56
B3
C T3
rK 3
19,21
= = 0,48025
40
M1 = 1
M2 = 1
= 0,833333333
P1 = x
n2 1
P2 x 2
12
(5) 2 1
= x2
12
25 1
= x2
12
24
= x2
12
= x2 – 2
3n 2 7
P3 x 3 x
20
3 (5) 2 7
= x3 x
20
3 (25) 7
= x3 x
20
75 7
= x3 x
20
68
= x3 x
20
= x3 – 3,4 x
Y = Y + B1M1P1 + B2M2P2 + B3M3P3 + B4M4P4
0,400208333 x3 – 1,360708333 x
XX
x
q
X
X
N
=
(0,0 x 4) (25,0 x 4) (50,0 x 4) (75,0 x 4) (100,0 x 4)
20
=
0,0 100,0 200,0 300,0 400,0
20
1.000,0
= = 50,0
20
q = 25
XX
x
q
X 50,0
=
25
= 0,04 X – 2
Médias Esperadas:
0,000025613 (15.625)
0,000025613 (125.000)
0,000025613 (421.875)
0,000025613 (1.000.000)
Médias Observadas:
mˆ 0
Y 0
18,59
= 4,6475
4
mˆ 25
Y 25
37,02
= 9,2550
4
mˆ 50
Y 50
37,20
= 9,3000
4
mˆ 75
Y 75
37,40
= 9,3500
4
mˆ 100
Y 100
38,56
= = 9,6400
4
c) Coeficiente de determinação:
SQ Re gressão x 100
R2
SQ Tratamentos
71,147277 x 100
=
72,2200
7.114,7277
= 98,51%
72,2200
O valor de R 2 explica 98,51% do incremento na produção de milho em função
do aumento do nível de adubação fosfatada determinado pela equação de 3º grau.
1 – Janeiro 30 – 11 55 – 33
2 – Fevereiro 30 –9 25 3
3 – Março 30 –7 1 21
4 – Abril 29 –5 – 17 25
5 – Maio 28 –3 – 29 19
6 – Junho 27 –1 – 35 7
7 – Julho 27 1 – 35 –7
8 – Agosto 27 3 – 29 – 19
9 – Setembro 28 5 – 17 – 25
10 – Outubro 29 7 1 – 21
11 – Novembro 29 9 25 –3
12 – Dezembro 30 11 55 33
2
M 2 3
3
Resolução:
a) Análise da Variância com Regressão:
GL Total = N – 1
= 12 – 1 = 11
GL Regressão Quadrática = 1
GL Regressão Cúbica = 1
GL Regressão Cúbica)
= 11 – ( 1 + 1 + 1)
= 11 – 3 = 8
( Y ) 2
SQ Total = Y 2 N
(344) 2
= (30) 2 (30) 2 ... (30) 2
12
118.336
= 900 + 900 +...+ 900 –
12
( C1Y ) 2
SQ Re gressão Linear
K1
(11 x 30) (9 x 30) ... (11 x 30) 2
572
=
( 330) ( 270) ... (330) 2
572
( 24) 2
=
572
576
1,006993
572
( C 2Y ) 2
SQ Re gressão Quadrática
K2
(55 x 30) (25 x 30) ... (55 x 30) 2
12.012
=
(1.650) (750) ... (1.650) 2
12.012
(380) 2
=
12.012
144.400
12,021312
12.012
( C3Y ) 2
SQ Re gressão Cúbica
K3
(33 x 30) (3 x 30) ... (33 x 30) 2
5.148
=
( 990) (90) ... (990) 2
5.148
68
2
5.148
4.624
0,898213
5.148
SQ Re gressão Linear
QM Re gressão Linear
GL Re gressão Linear
1,006993
1,006993
1
SQ Re gressão Quadrática
QM Re gressão Quadrática
GL Re gressão Quadrática
0,898213
0,898213
1
SQ Desvios de Re gressão
QM Desvios de Regressão =
GL Desvios de Re gressão
2,740149
= = 0,342519
8
QM Re gressão Linear
F Calculado para Regressão Linear =
QM Desvios de Re gressão
1,006993
2,94
0,342519
QM Re gressão Quadrática
F Calculado para Regressão Quadrática =
QM Desvios de Re gressão
12,021312
35,10
0,342519
QM Re gressão Cúbica
F Calculado para Regressão Cúbica =
QM Desvios de Re gressão
0,898213
2,62
0,342519
Causa de Variação GL SQ QM F
Total 11 16,666667
Y
Y
N
344
= = 28,66666667
12
( C1Y )
B1
K1
24
= = – 0,041958041
572
380
= = 0,031635031
12.012
M1 = 2
M2 = 3
P1 = x
n2 1
P2 x 2
12
(12) 2 1
= x2
12
144 1
= x2
12
143
= x2
12
= x 2 – 11,91666667
Y = Y + B1M1P1 + B2M2P2
XX
x
q
X
X
N
1 2 ... 12
=
12
78
= = 6,5
12
q = 1
XX
x
q
X 6,5
=
1
= X – 6,5
1,233766209 X + 4,009740179
Médias Esperadas:
2
m̂ 4 = 32,09090902 – 1,317682291 (4) + 0,094905093 (4)
Médias Observadas:
m 1 = 30
m 2 = 30
m 3 = 30
m 4 = 29
m 5 = 28
m 6 = 27
m 7 = 27
m 8 = 27
m 9 = 28
m 10 = 29
m 11 = 29
m 12 = 30
c) Coeficiente de determinação:
SQ Re gressão x 100
R2
SQ Total
13,028305 x 100
=
16,666667
1.302,8305
= 78,17%
16,666667
9.6 Exercícios
X Y Z
O kg de P2 O5/ha 445,80
50 kg de P2 O5/ha 482,70
Causa de Variação GL SQ QM F
Blocos 5 735,6497 - -
Total 29 1.301,1826
EXPERIMENTOS
10 FATORIAIS
C1 E1 C2 E1 C3 E1 C4 E1 C5 E1
C1 E2 C2 E2 C3 E2 C4 E2 C5 E2
que são todas as combinações possíveis dos dois fatores em seus diversos níveis.
Dependendo da natureza dos fatores usados, os experimentos fatoriais podem ser:
a) qualitativo – quando os tratamentos dos dois ou mais grupos são qualitativos
como, por exemplo, cultivares, tipos de poda e tipos de adubo; cultivares e tipos de
fungicida; tipos de adubo e tipos de herbicida; raças, tipos de ração e tipos de ambiente;
raças e tipos de vermífugo; tipos de vacina e tipos de ambiente; etc.;
b) quantitativo – quando os tratamentos dos dois ou mais grupos são
quantitativos como, por exemplo, idades de planta, doses de N e doses de herbicida;
doses de N e doses de fungicida; idades de animal, doses de vermífugo e doses de
vitamina; níveis de inclusão de um alimento na ração e períodos de restrição alimentar;
etc.;
c) misto – quando se usa os dois tipos de tratamentos, ou seja, quando um grupo
é qualitativo e o outro grupo é quantitativo, como por exemplo, cultivares e doses de N;
Blocos
Totais de
Tratamentos
I II III IV Tratamentos
A0 T A0 B0 T A0 B1 T A0
A1 T A1 B0 T A1 B1 T A1
A2 T A2 B0 T A2 B1 T A2
Totais de Tratamentos B T B0 T B1
Quadro da ANAVA
Causa de GL SQ QM F
Variação
SQ QM QM Tratamentos A
Tratamentos A tA – 1 Tratamentos A Tratamentos A
QM Re síduo
SQ QM QM Tratamentos B
Tratamentos B tB – 1 Tratamentos B Tratamentos B
QM Re síduo
SQ QM QM Interação A x B
Interação A x B (tA – 1) (tB – 1) Interação A x B Interação A x B
QM Re síduo
Tratamentos t–1 SQ Tratamentos - -
Total txr–1
onde:
GL = número de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado médio;
F = valor calculado do teste F;
t = número de tratamentos (combinações);
r = número de repetições do experimento;
tA = número de tratamentos A;
tB = número de tratamentos B;
SQ Total = 2
2
onde:
X = valor de cada observação;
N = número de observações, que corresponde ao número de tratamentos (t) multiplicado
pelo número de repetições do experimento (r);
SQ Tratamentos =
T( AB
2
)
2
r
onde:
T ( AB ) = total de cada combinação (AB);
2
2
SQ Blocos =
t
onde:
B = total de cada bloco;
SQ Tratamentos A =
T 2
A
2
r x tB
onde:
TA = total de cada tratamento A;
SQ Tratamentos B =
T B
2
2
r x t
onde:
TB = total de cada tratamento B;
SQ Re síduo
QM Resíduo =
GL Re síduo
SQ Tratamentos A
QM Tratamentos A =
GL Tratamentos A
SQ Tratamentos B
QM Tratamentos B =
GL Tratamentos B
SQ Interação A x B
QM Interação A x B =
GL Interação A x B
Quadro da ANAVA
Causa de Variação GL
Tratamentos B tB – 1
(Tratamentos) (t – 1)
Blocos r–1
Resíduo (t – 1) (r – 1)
Total txr–1
_____________________________________________________________________________________________
onde:
Dentro de 02 ( 0 )
2
=
r r x t
=
r r x t
Quadro da ANAVA
Causa de Variação GL
Tratamentos A tA – 1
(Tratamentos) (t – 1)
Blocos r–1
Total txr–1
onde:
Dentro de 02 ( 0 )
2
=
r r x t
SQ Entre Tratamentos B Dentro do Tratamento A1
=
r r x t
Dentro de 22 ( 2 )
2
=
r r x t
Resolução:
a) Análise da Variância no Esquema Fatorial 11 x 3 com Regressão Polinomial
para Épocas de Plantio:
t = 33
tA = 11
tB = 3
r = 2
N = txr
= 33 x 2 = 66
GL Tratamentos = t – 1
= 33 – 1 = 32
GL Blocos = r – 1
= 2–1 = 1
GL Resíduo = (t – 1) (r – 1)
= (33 – 1) (2 – 1)
= (32) (1) = 32
GL Total = t x r – 1
= 33 x 2 – 1
= 66 – 1 = 65
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 316
317
GL Cultivares = tA – 1
= 11 – 1 = 10
GL Épocas de Plantio = tB – 1
= 3 – 1 = 2
GL Regressão Linear = 1
GL Regressão Quadrática = 1
= (11 – 1) (3 – 1)
= (10) (2) = 20
SQ Total = 2
2
= 233,98121
122,456972
66
14.995,7095
= 233,98121 –
66
SQ Tratamentos =
T( AB
2
)
2
r
=
3,464102 3,464102 ... 2,828422 122,456972
2 66
466,35532 149.995,7095
=
2 66
2
2
SQ Blocos =
t
=
61,144352 61,312622 122,45697 2
33 66
7.497,868908 149.995,7095
=
33 66
Épocas de Plantio
Cultivares Totais de Cultivares
B1 B2 B3
T2 2
SQ Cultivares =
r x t
=
10,07446 12,67629 ... 9,75662
2 2 2
122,45697
2
2 x3 66
1.389,6882 14.995,7095
=
6 66
T2 2
SQ Épocas de Plantio =
r x t
=
42,94564 42,28334 37,22799
2 2 2
122,45697
2
2 x 11 66
1.844,327995 1.787,880842 1.385,923239 14.995,7095
=
22 66
5.018,132076 14.995,7095
=
22 66
Coeficientes
Totais de Épocas de Plantio (T)
C1 C2
42,94564 (22) – 1 + 1
42,28334 0 – 2
37,22799 +1 + 1
K 2 6
M 1 3
( C1T ) 2
SQ Re gressão Linear
rK1
=
(1 x 42,94564) (0 x 42,28334) ( 1 x 37,22799) 2
22 x 2
=
( 42,94564 (0,00000) (37,22799) 2
44
( 5,71765) 2
=
44
32,69152152
= 0,74299
44
( C 2T ) 2
SQ Re gressão Quadrática
rK 2
=
(1 x 42,94564) ( 2 x 42,28334) ( 1 x 37,22799) 2
22 x 6
=
(42,94564 ( 84,56668) (37,22799) 2
132
( 4,39305) 2
=
132
19,2988883
= 0,14620
132
SQ Interação C x EP =
T
2
2 –
r
SQ Re síduo
QM Resíduo =
GL Re síduo
0,80312
= 0,025098
32
SQ Culti var es
QM Cultivares =
GL Culti var es
SQ Re gressão Linear
QM Re gressão Linear
GL Re gressão Linear
0,74299
= = 0,74299
1
SQ Re gressão Quadrática
QM Re gressão Quadrática
GL Re gressão Quadrática
0,14620
= = 0,14620
1
SQ Interação C x EP
QM Interação C x EP =
GL Interação C x EP
0,67377
= 0,0336885
20
QM Culti var es
F Calculado para Cultivares =
QM Re síduo
0,440698
= 17,56
0,025098
QM Re gressão Linear
F Calculado para Regressão Linear =
QM Re síduo
0,74299
= 29,60
0,025098
QM Re gressão Quadrática
F Calculado para Regressão Quadrática =
QM Re síduo
0,14620
= 5,83
0,025098
QM Interação C x EP
F Calculado para Interação C x EP =
QM Re síduo
0,0336885
= 1,34
0,025098
Causa de Variação GL SQ QM F
Blocos 1 0,00043 - -
Total 65 6,77349
m̂ =
Y
122,45697
1,855408636
66
s QM Re síduo
= 0,025098 = 0,158423483
100 x s
CV =
mˆ
100 x 0,158423483
=
1,855408636
15,8423483
= 8,54%
1,855408636
Y
Y
N
122,45697
= = 1,855408636
66
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 323
324
B1
C T 1
rK1
5,71765
= = – 0,12994659
44
B2
C T 2
rK 2
4,39305
= = – 0,033280681
132
M1 = 1
M2 = 3
P1 = x
n2 1
P2 x 2
12
(3) 2 1
= x2
12
9 1
= x2
12
8
= x2
12
= x2 – 0,666666667
Y = Y + B1M1P1 + B2M2P2
XX
x
q
X
X
N
=
(0 x 22) (14 x 22) (28 x 22)
66
=
0 308 616
66
924
= = 14
66
q = 14
XX
x
q
X 14
=
14
= 0,071428571 X – 1
Médias Esperadas:
2
m̂0 = 1,952074545 + 0,004981248 (0) – 0,000509398 (0)
Médias Observadas:
mˆ 0
Y 0
42,94564
= = 1,952074545
22
mˆ 14
Y 14
42,28334
= 1,92197
22
mˆ 28
Y 28
Verifica-se que o plantio efetuado no dia 20/05/86 (3ª época de plantio), que
corresponde a 28 dias após a 1ª época de plantio, apresentou uma queda acentuada na
incidência de Alternaria porri (Ell.) Cif., agente casual da mancha púrpura, em alho
(Allium sativum L.) no Município de Viçosa-AL, conforme TABELA 10.4 e FIGURA
10.1.
c.2) Coeficiente de Determinação para Épocas de Plantio:
SQ Re gressão x 100
R2
SQ Épocas de Plantio
0,88919 x 100
=
0,88919
88,919
= = 100,00%
0,88919
m̂ 1 = 1,6790767 m̂ 7 = 1,9363967
m̂ 2 = 2,1127150 m̂ 8 = 2,2360600
m̂ 3 = 1,3451750 m̂ 9 = 1,9500267
m̂ 4 = 2,0733717 m̂ 10 = 1,8517267
m̂ 5 = 1,5648150 m̂ 11 = 1,6261033
m̂ 6 = 2,0340283
5% q
s
r
4,9 x 0,158423483
=
6
0,776275066
= 0,3169130
2,449489743
DOURADA 1,3451750 a
CENTENÁRIO 1,5648150 ab
JURÉIA 2,0340283 ef
PERUANO 2,2360600 f
TABELA 10.5 – RESISTÊNCIA DE CULTIVARES DE ALHO (Allium sativum L.) À Alternaria porri
(Ell.) Cif., AGENTE CAUSAL DA MANCHA PÚRPURA, NO MUNICÍPIO DE
VIÇOSA-AL. MACEIÓ-AL, 1995
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 329
330
DOURADA 1,83 a
CENTENÁRIO 2,50 ab
JURÉIA 4,33 ef
PERUANO 5,00 f
NOTAS: (1/) Dados médios referentes a notas, variando de 0 (ausência de manchas) a 5 (murcha e
enrugamento das folhas de 90 a 100% com morte conseqüente).
(2/) As médias de cultivares seguida de pelo menos uma mesma letra não diferem entre si pelo
teste de Tukey no nível de 5% de probabilidade.
Resolução:
a) Análise da Variância no Esquema Fatorial de 6 x 5:
t = 30
tA = 6
tB = 5
r = 4
N = txr
= 30 x 4 = 120
GL Tratamentos = t – 1
= 30 – 1 = 29
GL Resíduo = t (r – 1)
= 30 ( 4 – 1)
= 30 (3) = 90
GL Total = t x r – 1
= 30 x 4 – 1
= 120 – 1 = 119
GL Cultivares = tA – 1
= 6 –1 = 5
GL Concentrações = tB – 1
= 5 –1 = 4
= (6 – 1) (5 – 1)
= (5) (4) = 20
SQ Total = 2
2
= 1.546,83
411,3 2
120
169.167,69
= 1.546,83 –
120
SQ Tratamentos =
T( AB
2
)
2
r
=
7,62 12,12 ... 19,12 411,32
4 120
6.144,37 169.167,69
=
4 120
Concentrações
Cultivares Totais de Cultivares
B1 B2 B3 B4 B5
T2 2
SQ Cultivares =
r x t
T2 2
SQ Concentrações =
r x t
=
52,62 74,42 ... 112,32 411,32
4 x6 120
35.993,41 169.167,69
= –
24 120
SQ Interação C x Con. =
T
2
2
–
r
SQ Re síduo
QM Resíduo =
GL Re síduo
10,73750
= 0,119306
90
SQ Culti var es
QM Cultivares =
GL Culti var es
27,21975
= 5,443950
5
SQ Concentraç ões
QM Concentrações =
GL Concentraç ões
89,99467
= 22,498668
4
SQ Interação C x Con.
QM Interação C x Con. =
GL Interação C x Con.
9,14733
= 0,457367
20
QM Culti var es
F Calculado para Cultivares =
QM Re síduo
5,443950
= 45,63
0,119306
QM Concentraç ões
F Calculado para Concentrações =
QM Re síduo
22,498668
= 188,58
0,119306
QM Interação C x Con.
F Calculado para Interação C x Con. =
QM Re síduo
0,457367
= 3,83
0,119306
Causa de Variação GL SQ QM F
m̂ =
411,3
= = 3,4275
120
s QM Re síduo
= 0,119306 = 0,345407006
100 x s
CV =
mˆ
100 x 0,345407006
=
3,4275
34,5407006
= 10,08%
3,4275
=
Dentro de 12
1
2
r r x t
=
7,6 8,3 ... 8,0
2 2 2
–
52,62
4 4x6
479,9 2.766,76
4 24
Dentro de 22
2
2
=
r r x t
=
12,12 9,42 ... 12,92 –
74,42
4 4x6
954,4 5.535,36
4 24
Dentro de 32 3 2
=
r r x t
=
9,62 10,32 ... 15,12 –
74,02
4 4x6
962,8 5.476,0
4 24
=
Dentro de 24
4 2
r r x t
=
12,12 14,92 ... 17,12 –
98,02
4 4x6
1.638,48 9.604,0
4 24
Dentro de 52 5 2
=
r r x t
=
18,22 16,72 ... 19,12 –
112,32
4 4x6
2.108,79 12.611,29
=
4 24
4,69333
= = 0,938666
5
7,96000
=
6 1
7,96000
= = 1,592000
5
12,53333
=
6 1
12,53333
= = 2,506666
5
9,45333
=
6 1
9,45333
= = 1,890666
5
1,72708
= = 0,345416
5
0,938666
= 7,87
0,119306
1,592000
= 13,34
0,119306
2,506666
= 21,01
0,119306
1,890666
= 15,85
0,119306
Causa de Variação GL SQ QM F
Concentrações 4 89,99467 - -
m̂ 1 = 1,90 m̂ 4 = 3,10
m̂ 3 = 1,75 m̂ 6 = 2,00
m̂ 2 = 2,35 m̂ 5 = 3,38
m̂ 3 = 2,53 m̂ 6 = 3,23
m̂ 1 = 2,40 m̂ 4 = 3,93
m̂ 2 = 2,58 m̂ 5 = 3,68
m̂ 3 = 2,15 m̂ 6 = 3,78
m̂ 1 = 3,03 m̂ 4 = 4,95
m̂ 2 = 3,73 m̂ 5 = 4,63
m̂ 3 = 3,90 m̂ 6 = 4,28
m̂ 1 = 4,55 m̂ 4 = 5,00
m̂ 2 = 4,18 m̂ 5 = 4,90
m̂ 3 = 4,68 m̂ 6 = 4,78
5% q
s
r
4,13 x 0,345407006
=
4
1,426530935
= 0,71
2
NOTAS: (*) As três primeiras cultivares são do grupo ceroso e as três últimas são do grupo não ceroso.
(1/) Nas colunas, as médias de cultivares dentro de concentração seguidas de pelo menos uma
mesma letra não diferem entre si pelo teste de Tukey, no nível de 5% de probabilidade.
GRUPO W GRUPO X
GRUPO Y GRUPO Z
N0 P0 K0 X (N0 P0 K0 ) X(N0 P0 K0) TN0 P0 K0 N0 P0 K1 X (N0 P0 K1 ) X (N0 P0 K1 ) TN0 P0 K1 N0 P0 K2 X (N0 P0 K2 ) X (N0 P0 K2 ) TN0 P0 K2
N0 P1 K2 X (N0 P1 K2) X (N0 P1 K2) TN0 P1 K2 N0 P1 K0 X (N0 P1 K0) X (N0 P1 K0) TN0 P1 K0 N0 P1 K1 X (N0 P1 K1) X (N0 P1 K1) TN0 P1 K1
N0 P2 K1 X (N0 P2 K1) X (N0 P2 K1) TN0 P2 K1 N0 P2 K2 X (N0 P2 K2) X (N0 P2 K2) TN0 P2 K2 N0 P2 K0 X (N0 P2 K0) X (N0 P2 K0) TN0 P2 K0
N1 P0 K1 X (N1 P0 K1) X (N1 P0 K1) TN1 P0 K1 N1 P0 K2 X (N1 P0 K2) X (N1 P0 K2) TN1 P0 K2 N1 P0 K0 X (N1 P0 K0) X (N1 P0 K0) TN1 P0 K0
N1 P1 K0 X (N1 P1 K0) X (N1 P1 K0) TN1 P1 K0 N1 P1 K1 X (N1 P1 K1) X (N1 P1 K1) TN1 P1 K1 N1 P1 K2 X (N1 P1 K2) X (N1 P1 K2) TN1 P1 K2
N1 P2 K2 X (N1 P2 K2) X (N1 P2 K2) TN1 P2 K2 N1 P2 K0 X (N1 P2 K0) X (N1 P2 K0) TN1 P2 K0 N1 P2 K1 X (N1 P2 K1) X (N1 P2 K1) TN1 P2 K1
N2 P0 K2 X (N2 P0 K2) X (N2 P0 K2) TN2 P0 K2 N2 P0 K0 X (N2 P0 K0) X (N2 P0 K0) TN2 P0 K0 N2 P0 K1 X (N2 P0 K1) X (N2 P0 K1) TN2 P0 K1
N2 P1 K1 X (N2 P1 K1) X (N2 P1 K1) TN2 P1 K1 N2 P1 K2 X (N2 P1 K2) X (N2 P1 K2) TN2 P1 K2 N2 P1 K0 X (N2 P1 K0) X (N2 P1 K0) TN2 P1 K0
N2 P2 K0 X (N2 P2 K0) X (N2 P2 K0) TN2 P2 K0 N2 P2 K1 X (N2 P2 K1) X (N2 P2 K1) TN2 P2 K1 N2 P2 K2 X (N2 P2 K2) X (N2 P2 K2) TN2 P2 K2
Tratamentos P0 P1 P2 Totais de N
Tratamentos K0 K1 K2 Totais de N
Tratamentos K0 K1 K2 Totais de P
Causa de Variação GL SQ QM F
SQ Total = 2
2
onde:
X = valor de cada observação;
N = número de observações, que corresponde ao número de tratamentos (t) multiplicado
pelo número de repetições do experimento (r);
G 2
2 2 2
=
r g
onde:
T(NPK) = total de cada combinação (NPK);
TG = total geral de cada sub-bloco, que corresponde ao somatório do total de cada
combinação (NPK) do sub-bloco;
g = número de tratamentos (combinações) do sub-bloco (t’) multiplicado pelo número
de repetições do experimento (r);
2
2
SQ Blocos =
t'
onde:
B = total de cada bloco;
SQ Tratamentos N =
N 2
2
r x tP x tK
onde:
TN = total de cada tratamento N;
SQ Tratamentos P =
P 2
2
r x tN x tK
onde:
TP = total de cada tratamento P;
SQ Tratamentos K =
2
2
r x tN x tP
onde:
TK = total de cada tratamento K;
2 2
SQ Interação N x P = –
r x tK
onde:
T(NP) = total de cada combinação (NP);
2 2
SQ Interação N x K = –
r x tP
onde:
T(NK) = total de cada combinação (NK);
P
2 2
SQ Interação P x K = –
r xtN
onde:
T(PK) = total de cada combinação (PK);
SQ Tramentos N
QM Tratamentos N =
GLTratamentos N
SQ Tramentos P
QM Tratamentos P =
GLTratamentos P
SQ Tramentos K
QM Tratamentos K =
GLTratamentos K
SQ Interação N x P
QM Interação N x P =
GL Interção N x P
SQ Interação N x K
QM Interação N x K =
GL Interção N x K
SQ Interação P x K
QM Interação P x K =
GL Interção P x K
SQ Interação N x P x K
QM Interação N x P x K =
GL Interção N x P x K
Trat. 1º Rep. 2º Rep. Totais Trat. 1º Rep. 2º Rep. Totais Trat. 1º Rep. 2º Rep. Totais
012 365 208 573 010 78 339 417 001 130 195 325
021 221 469 690 022 182 208 390 020 117 299 416
101 781 286 1.067 102 820 404 1.224 100 169 339 508
110 469 417 886 111 586 417 1.003 112 365 378 743
122 1.016 573 1.589 120 547 260 807 121 260 547 807
202 247 326 573 200 352 130 482 201 195 443 638
211 396 534 930 212 898 690 1.588 210 278 508 786
220 278 443 721 221 768 143 911 222 625 599 1.224
Resolução:
a) Análise da Variância no Esquema Fatorial 33 com Confundimento
com Regressão Polinomial para os Efeitos de N, P e K:
t = 27
tN = 3
tP = 3
tK = 3
b = 3
N = txr
= 27 x 2 = 54
= 27 – 1 – 2 = 24
GL Blocos = r x b – 1
= 2x3 – 1
= 6 – 1 = 5
GL Resíduo = (t – 1) (r – 1) – 2
= (27 – 1) (2 – 1) – 2
= (26) (1) – 2
= 26 – 2 = 24
GL Total = t x r – 1
= 27 x 2 – 1
= 54 – 1 = 53
GL Tratamentos N = tN – 1
= 3 –1 = 2
GL Regressão Linear = 1
GL Regressão Quadrática = 1
GL Tratamentos P = tP – 1
= 3 –1 = 2
GL Regressão Linear = 1
GL Regressão Quadrática = 1
= 3 –1 = 2
GL Regressão Linear = 1
GL Regressão Quadrática = 1
= (3 – 1) (3 – 1)
= (2) (2) = 4
= (3 – 1) (3 – 1)
= (2) (2) = 4
= (3 – 1) (3 – 1)
= (2) (2) = 4
= (3 – 1) (3 – 1) (3 – 1) – 2
= 8 – 2 = 4
SQ Total = 2
2
(20.095,0) 2
= 10.130.071,0
54
403.809.025,0
= 10.130.071,0 –
54
2 –
2
SQ Tratamentos Não Confundidos = –
r
G 2 2
g
2
2
SQ Blocos =
t'
=
3.955,02 3.334,02 ... 3.377,02 20.095,02
9 54
70.722.963,0 403.809.025,0
=
9 54
Fósforo
Nitrogênio Totais de Nitrogênio
P0 P1 P2
Potássio
Fósforo Totais de Fósforo
K0 K1 K2
Potássio
Nitrogênio Totais de Nitrogênio
K0 K1 K2
SQ Tratamentos N =
2
2
r x tP x tK
=
3.608,0 8.634,0 7.853,0
2 2 2
20.095,0
2
2x3x3 54
149.233.229,0 403.809.025,0
=
18 54
Coeficientes
Totais de Tratamentos N (T)
C1 C2
3.608,0 (18) – 1 + 1
8.634,0 0 – 2
7.853,0 +1 + 1
K 2 6
M 1 3
( C1T ) 2
SQ Re gressão Linear
rK1
=
(1 x 3.608,0) (0 x 8.634,0) ( 1 x 7.853,0) 2
18 x 2
=
( 3.608,0) (0,00000) (7.853,0) 2
36
(4.245,0) 2
=
36
( C 2T ) 2
SQ Re gressão Quadrática
rK 2
=
(1 x 3.608,0) ( 2 x 8.634,0) ( 1 x 7.853,0) 2
18 x 6
=
(3.608,0) ( 17.268,0) (7.853,0) 2
108
( 5.807,0) 2
=
108
33.721.249,0
= = 312.233,787
108
SQ Tratamentos P =
P 2
2
r x tN x tK
=
5.289,02 7.251,02 7.555,02 20.095,02
2 x3x3 54
137.628.547,0 403.809.025,0
=
18 54
Coeficientes
Totais de Tratamentos P (T)
C1 C2
5.289,0 (18) – 1 + 1
7.251,0 0 – 2
7.555,0 +1 + 1
K 2 6
M 1 3
( C1T ) 2
SQ Re gressão Linear
rK1
=
(1 x 5.289,0) (0 x 7.251,0) ( 1 x 7.555,0) 2
18 x 2
=
( 5.289,0) (0,00000) (7.555,0) 2
36
(2.266,0) 2
=
36
5.134.756,0
= = 142.632,1111
36
( C 2T ) 2
SQ Re gressão Quadrática
rK 2
=
(1 x 5.289,0) ( 2 x 7.251,0) ( 1 x 7.555,0) 2
18 x 6
=
(5.289,0) ( 14.502,0) (7.555,0) 2
108
( 1.658,0) 2
=
108
2.748.964,0
= = 25.453,37037
108
SQ Tratamentos K =
K 2
2
r x tN x tP
=
5.283,02 6.787,02 8.025,02 20.095,02
2 x3x3 54
138.374.083,0 403.809.025,0
=
18 54
Coeficientes
Totais de Tratamentos K (T)
C1 C2
5.283,0 (18) – 1 + 1
6.787,0 0 – 2
8.025,0 +1 + 1
K 2 6
M 1 3
( C1T ) 2
SQ Re gressão Linear
rK1
=
(1 x 5.283,0) (0 x 6.787,0) ( 1 x 8.025,0) 2
18 x 2
=
( 5.283,0) (0,00000) (8.025,0) 2
36
(2.742,0) 2
=
36
7.518.564,0
= = 208.849,0
36
( C 2T ) 2
SQ Re gressão Quadrática
rK 2
=
(1 x 5.283,0) ( 2 x 6.787,0) ( 1 x 8.025,0) 2
18 x 6
=
(5.283,0) ( 13.574,0) (8.025,0) 2
108
( 266,0) 2
=
108
70.756,0,0
= 655,14815
108
( P) 2
2
SQ Interação N x P = –
r x tK
=
797,02 1.315,02 ... 2.856,02 20.095,0 – 812.790,0 + 168.085,5)
2x3 54
51.562.885,0 403.809.025,0
– 980.875,5
6 54
( K ) 2
2
SQ Interação N x K =
r x tP
=
1.093,02 1.431,02 ... 3.385,02 – 20.095,0 –
2x3 54
(812.790,0 + 209.504,2)
51.743.919,0 403.809.025,0
– 1.022.294,2
6 54
(K ) 2
2
SQ Interação P x K =
r xtN
=
1.250,0 2.121,0 ... 3.203,0
2 2 2
–
20.095,0
2x3 54
(168.085,5 + 209.504,2)
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 360
361
47.472.375,0 403.809.025,0
– 377.589,7
6 54
581.571,9
= 24.232,1625
24
SQ Re gressão Linear ( N )
QM Regressão Linear (N) =
GL Re gressão Linear ( N )
500.556,25
= = 500.556,25
1
SQ Re gressão Quadrática ( N )
QM Regressão Quadrática (N) =
GL Re gressão Quadrática ( N )
312.233,787
= = 312.233,787
1
SQ Re gressão Linear ( P)
QM Regressão Linear (P) =
GL Re gressão Linear ( P)
142.632,1111
= = 142.632,1111
1
SQ Re gressão Quadrática ( P)
QM Regressão Quadrática (P) =
GL Re gressão Quadrática ( P)
SQ Re gressão Linear ( K )
QM Regressão Linear (K) =
GL Re gressão Linear ( K )
208.849,0
= = 208.849,0
1
SQ Re gressão Quadrática ( K )
QM Regressão Quadrática (K) =
GL Re gressão Quadrática ( K )
655,14815
= = 655,14815
1
SQ Interação N x P
QM Interação N x P =
GL Interação N x P
134.993,8
= 33.748,45
4
SQ Interação N x K
QM Interação N x K =
GL Interação N x K
123.747,4
= 30.936,85
4
SQ Interação P x K
QM Interação P x K =
GL Interação P x K
56.527,9
= 14.131,975
4
SQ Interação N x P x K
QM Interação N x P x K =
GL Interação N x P x K
184.743,3
= = 30.790,55
6
QM Re gressão Linear ( N )
F Calculado para Regressão Linear (N) =
QM Re síduo
500.556,25
= 20,66
24.232,1625
QM Re gressão Quadrática ( N )
F Calculado para Regressão Quadrática (N) =
QM Re síduo
312.233,787
= 12,89
24.232,1625
QM Re gressão Linear ( P)
F Calculado para Regressão Linear (P) =
QM Re síduo
142.632,1111
= 5,89
24.232,1625
QM Re gressão Quadrática ( P)
F Calculado para Regressão Quadrática (P) =
QM Re síduo
25.453,37037
= 1,05
24.232,1625
QM Re gressão Linear ( K )
F Calculado para Regressão Linear (K) =
QM Re síduo
208.849,0
= 8,62
24.232,1625
QM Re gressão Quadrática ( K )
F Calculado para Regressão Quadrática (K) =
QM Re síduo
655,14815
= 0,027
24.232,1625
QM Interação N x P
F Calculado para Interação N x P =
QM Re síduo
33.748,45
= 1,39
24.232,1625
QM Interação N x K
F Calculado para Interação N x K =
QM Re síduo
30.936,85
= 1,28
24.232,1625
14.131,975
= 0,583
24.232,1625
QM Interação N x P x K
F Calculado para Interação N x P x K =
QM Re síduo
30.790,55
= 1,27
24.232,1625
Causa de Variação GL SQ QM F
Blocos 5 380.162,10000 - -
Total 53 2.652.126,10000
m̂
20.095,0
= 372,12963
54
s = QM Re síduo
= 24.232,1625 155,66683
100 x s
CV =
mˆ
100 x 155,66683
=
372,12963
15.566,683
= 41,83%
372,12963
Y
Y
N
20.095,0
= 372,1296296
54
B1
C T 1
rK1
4.245,0
= = 117,9166667
36
B2
C T 2
rK 2
5.807,0
= 53,76851852
108
M1 = 1
M2 = 3
P1 = x
n2 1
P2 x 2
12
(3) 2 1
= x2
12
9 1
= x2
12
8
= x2
12
= x2 – 0,666666667
Y = Y + B1M1P1 + B2M2P2
X
X
N
=
(0 x 18) (40 x 18) (80 x 18)
54
=
0 720 1.440
54
2.160
= = 40
54
q = 40
XX
x
q
X 40
=
40
= 0,025 X – 1
8,06527778 X – 161,3055556
Médias Esperadas:
2
m̂40 = 200,4444444 + 11,01319445 (40) – 0,100815972 (40)
Médias Observadas:
mˆ 0
Y 0
3.608,0
= = 200,4444444
18
mˆ 40
Y 40
8.634,0
= 479,6666667
18
mˆ 80
Y 80
7.853,0
= 436,2777778
18
SQ Re gressão x 100
R2
SQ Tratamentos N
812.790,037 x 100
=
812.790,0
81.279.003,7
= = 100,00%
812.790,0
O valor de R 2 explica 100,00% do comportamento da produção de algodão
herbáceo em função dos níveis de nitrogênio determinado pela equação de 2º grau.
c.3) Equação de Regressão para o Efeito de P2 O5, acompanhada de Tabela de
Médias e de Gráfico:
Y
Y
N
20.095,0
= 372,1296296
54
B1
C T 1
rK1
2.266,0
= = 62,94444444
36
M1 = 1
P1 = x
Y = Y + B1M1P1
= 372,1296296 + 62,94444444 x
XX
x
q
X
X
N
=
(0 x 18) (60 x 18) (120 x 18)
54
=
0 1.080 2.160
54
3.240
= = 60
54
q = 60
XX
x
q
X 60
=
60
= 0,016666666 X – 1
= 309,1851852 + 1,049074032 X
Médias Esperadas:
Médias Observadas:
mˆ 0
Y 0
5.289,0
= = 293,8333333
18
mˆ 60
Y 60
7.251,0
= 402,8333333
18
mˆ 120
Y 120
7.555,0
= 419,7222222
18
SQ Re gressão x 100
R2
SQ Tratamentos P
142.632,1111 x 100
=
168.085,5
14.263.211,11
= 84,86%
168.085,5
Y
Y
N
20.095,0
= 372,1296296
54
B1
C T 1
rK1
2.742,0
= = 76,16666667
36
M1 = 1
P1 = x
Y = Y + B1M1P1
= 372,1296296 + 76,16666667 x
XX
x
q
X
X
N
=
(0 x 18) (60 x 18) (120 x 18)
54
=
0 1.080 2.160
54
q = 60
XX
x
q
X 60
=
60
= 0,016666666 X – 1
= 295,9629629 + 1,269444394 X
Médias Esperadas:
Médias Observadas:
mˆ 0
Y 0
5.283,0
= = 293,5000000
18
mˆ 60
Y 60
6.787,0
= 377,0555556
18
mˆ 120
Y 120
8.025,0
= 445,8333333
18
SQ Re gressão x 100
R2
SQ Tratamentos K
20.884.900,0
= 99,69%
209.504,2
10.7 Exercícios
A0 B0 54 51 57 71 52 55 55 64 459
A0 B1 52 69 50 79 57 81 81 80 549
A0 B2 69 46 82 48 48 47 54 51 445
A1 B0 49 54 52 49 48 48 47 46 393
A1 B1 44 42 52 44 46 47 52 49 376
A1 B2 59 50 50 49 46 51 53 56 414
A2 B0 53 47 66 49 49 51 51 53 419
A2 B1 69 50 53 54 47 44 47 49 413
A2 B2 50 54 53 57 45 49 56 71 435
000 61,21 111,23 172,44 001 59,88 131,70 191,58 002 72,73 120,80 193,53
012 106,43 107,00 213,43 010 70,60 145,03 215,63 011 119,76 142,56 262,32
021 128,80 120,27 249,07 022 105,67 155,41 261,08 020 115,00 128,75 243,75
102 46,00 131,94 177,94 100 66,10 122,65 188,75 101 688,45 123,37 191,82
111 111,20 137,17 248,37 112 114,24 145,27 259,51 110 92,63 128,13 220,76
120 122,14 129,56 251,70 121 130,94 128,98 259,92 122 133,80 108,37 242,17
201 72,02 96,23 168,25 202 73,45 82,27 158,72 220 46,79 102,42 149,21
210 111,43 121,70 233,13 211 137,84 123,84 261,68 212 104,48 104,80 209,28
222 145,18 140,98 286,16 220 142,84 134,08 276,92 221 105,19 121,70 226,86
EXPERIMENTOS EM
11 PARCELAS SUBDIVIDIDAS
E E E E E E E E
E2 E3 E1 E1 E3 E3 E1 E2 E2
FATORIAL
C1 C2 C3 C1 C3 C1 C2 C3 C2
E2 E1 E3
C C C C C C C C
C C C C C C C C C
C1 C3 C2 C 3 C2 C1 C3 C 1 C2
PARCELAS
SUBDIVIDIDAS ou
C3 C1 C2
E E E E E E E E E
E E E E E E E E E
E E E E E E E E E
E2 E1 E3 E3 E1 E2 E1 E3 E2
Blocos
Totais de
Tratamentos A Tratamentos B Tratamentos
I II III
Tratamentos B
Tratamentos A Totais de Tratamentos A
B0 B1
A0 T A0B0 T A0B1 T A0
A1 T A1B0 T A1B1 T A1
A2 T A2B0 T A2B1 T A2
A3 T A3B0 T A3B1 T A3
Totais de Tratamentos B T B0 T B1
Quadro da ANAVA
Causa de Variação GL SQ QM F
Parcelas tA x r – 1 SQ Parcelas -
QM Tratamentos B
Tratamentos B tB – 1 SQ Tratamentos B QM Tratamentos B
QM Re síduo (b)
QM Interação A x B
Interação A x B (tA – 1) (tB – 1) SQ Interação A x B QM Interação A x B
QM Re síduo (b)
Total t A x tB x r – 1 SQ Total
onde:
GL = número de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado médio;
F = valor calculado do teste F;
r = número de repetições do experimento;
tA = número de tratamentos A;
tB = número de tratamentos B;
SQ Total = 2
2
onde:
X = valor de cada observação;
N = número de observações, que corresponde ao número de tratamentos A (tA)
multiplicado pelo número de tratamentos B (tB) multiplicado pelo número de
repetições do experimento (r);
SQ Parcelas =
PA
2 2
tB
onde:
PA = total de cada parcela;
SQ Blocos =
2
2
t A x tB
onde:
B = total de cada bloco;
SQ Tratamentos A =
A
2
2
r x tB
onde:
TA = total de cada tratamento A;
SQ Tratamentos B =
B
2 2
r x tA
onde:
TB = total de cada tratamento B;
SQ Interação A x B =
T( AB
2
)
2 – (SQ Tratamentos A + SQ Tratamentos B)
r
onde:
T ( AB ) = total de cada combinação (AB);
SQ Tratamentos A
QM Tratamentos A =
GL Tratamentos A
SQ Re síduo(a)
QM Resíduo (a) =
GL Re síduo(a)
SQ Tratamentos B
QM Tratamentos B =
GL Tratamentos B
SQ Re síduo(b)
QM Resíduo (b) =
GL Re síduo(b)
Quadro da ANAVA
Causa de Variação GL
Blocos r–1
Tratamentos B tB – 1
Entre Tratamentos A Dentro do Tratamento B0 tA – 1
Entre Tratamentos A Dentro do Tratamento B1 tA – 1
Resíduo Composto n (SATTERTHWAITE, 1946)
onde n é o número de graus de liberdade do resíduo composto, que deve ser sempre
maior que o número de graus de liberdade do resíduo (a) e menor que a soma dos
números de graus de liberdade dos resíduos (a) e (b), cujo valor, que é aproximado, mas
fornece bons resultados, é obtido pela fórmula:
n =
QM Re síduo(a) ( K 1)QM Re síduo(b)2
QM Re síduo(a)2 ( K 1) 2 QM Re síduo(b)2
GL Re síduo(a) GL Re síduo(b)
onde:
K = número de subparcelas, que corresponde ao número de Tratamentos B (tB);
Dentro de 02 0
2
=
r r x t
=
r r x t
1
QM Resíduo Composto = [QM Resíduo (a) + (K – 1) QM Resíduo (b)]
K
Quadro da ANAVA
Causa de Variação GL
Blocos r–1
Tratamentos A tA – 1
Resíduo (a) (tA – 1) (r – 1)
Parcelas tA x r – 1
Total tA x tB x r – 1
onde:
Dentro de 02 0
2
=
r r x t
=
r r x t
Dentro de 22 2
2
=
r r x t
Dentro de 32 3
2
=
r r x t
100 QM Re síduo(a)
CV(a) =
m
100 QM Re síduo(b)
CV(b) =
m
g.4) Em casos mais complexos, as subparcelas podem, por sua vez, ser repartidas
em subsubparcelas. Tem-se, então, três resíduos distintos: Resíduo (a), referente às
parcelas, Resíduo (b), às subparcelas, e Resíduo (c), correspondente às subsubparcelas.
Os processos de subdivisão pode ser levado mais além, se for conveniente. Mais detalhes
sobre análise de variância, desdobramentos das interações e comparações de médias,
inclusive um exemplo ilustrativo, são obtidos em CAMPOS (1984).
Resolução:
a) Análise de Variância com Regressão Polinomial para Doses de Adubação
Fosfatada:
tA = 4
tB = 3
r = 4
N = txr
= 12 x 4 = 48
GL Blocos = r – 1
= 4–1 = 3
= 4–1 = 3
GL Regressão Linear = 1
GL Regressão Quadrática = 1
GL Regressão Cúbica = 1
GL Parcelas = tA x r – 1
= 4x4–1
= 16 – 1 = 15
= (4 – 1) (4 – 1)
= (3) (3) = 9
GL Tipos de Aplicação = tB – 1
= 3 –1 = 2
= (4 – 1) (3 – 1)
= (3) (2) = 6
= 4 (3 – 1) (4 – 1)
= 4 (2) (3) = 24
GL Total = tA x tB x r – 1
= 4x3x4–1
= 48 – 1 = 47
SQ Total = 2
2
= 548.487.358,0
160.042,0
2
48
25.613.441.000,0
= 548.487.358,0
48
SQ Blocos =
2
2
t A x tB
6.436.505.930,0 25.613.441.000,0
=
12 48
SQ Parcelas =
PA
2 2
tB
1.621.972.826,0 25.613.441.000,0
=
3 48
r x tB
6.414.911.162,0 25.613.441.000,0
=
12 48
41.102,0 –3 +1 –1
37.185,0 –1 –1 +3
40.217,0 +1 –1 –3
41.538,0 +3 +1 +1
K 20 4 20
( C1T ) 2
SQ Re gressão Linear
rK1
=
(3 x 41.102,0) (1 x 37.185,0) ( 1 x 40.217,0) (3 x 41.538,0) 2
12 x 20
=
( 123.306,0) ( 37.185,0) (40.217,0) (124.614,0) 2
240
(4.340,0) 2
=
240
18.835.600,0
= = 78.481,66667
240
( C 2T ) 2
SQ Re gressão Quadrática
rK 2
=
( 1 x 41.102,0) (1 x 37.185,0) ( 1 x 40.217,0) (1 x 41.538,0) 2
12 x 4
=
(41.102,0) ( 37.185,0) ( 40.217,0) (41.538,0) 2
48
(5.238,0) 2
=
48
27.436.644,0
= = 571.596,75
48
( C3T ) 2
SQ Re gressão Cúbica
rK 3
=
( 1 x 41.102,0) (3 x 37.185,0) ( 3 x 40.217,0) (1 x 41.538,0) 2
12 x 20
=
( 41.102,0) (111.555,0) ( 120.651,0) (41.538,0) 2
240
( 8.660,0) 2
=
240
74.995.600,0
= = 312.481,6667
240
SQ Resíduo (a) = SQ Parcelas –
SQ Tipos de Aplicação =
B
2
2
r x tA
8.564.321.290,0 25.613.441.000,0
=
16 48
(962.560,067 + 1.656.710,5)
2.152.747.300,0 25.613.441.000,0
= – 2.619.270,567
4 48
SQ Re gressão Linear
QM Re gressão Linear
GL Re gressão Linear
78.481,66667
= = 78.481,66667
1
SQ Re gressão Quadrática
QM Re gressão Quadrática
GL Re gressão Quadrática
571.596,75
= = 571.596,75
1
SQ Re gressão Cúbica
QM Re gressão Cúbica
GL Re gressão Cúbica
312.481,6667
= = 312.481,6667
1
SQ Re síduo (a)
QM Resíduo (a) =
GL Re síduo (a)
3.319.554,4
= = 368.839,3778
9
1.656.710,5
= = 828.355,25
2
SQ Interação DAF x TA
QM Interação DAF x TA =
GL Interação DAF x TA
1.954.184,333
= = 325.697,3888
6
SQ Re síduo(b)
QM Resíduo (b) =
GL Re síduo(b)
4.218.854,5
= = 175.785,6042
24
QM Re gressão Linear
F Calculado para Regressão Linear =
QM Re síduo (a)
78.481,66667
= 0,213
368.839,3778
QM Re gressão Quadrática
F Calculado para Regressão Quadrática =
QM Re síduo (a)
571.596,75
= 1,55
368.839,3778
QM Re gressão Cúbica
F Calculado para a Regressão Cúbica =
QM Re síduo (a)
312.481,6667
= 0,847
368.839,3778
QM Tipos de Aplicação
F Calculado para Tipos de Aplicação =
QM Re síduo (b)
828.355,25
= 4,71
175.785,6042
325.697,3888
= 1,85
175.785,6042
Causa de Variação GL SQ QM F
Blocos 3 2.762.124,10000 - -
Doses de Adubação Fosfatada (3) (962.560,06700) - -
Regressão Linear 1 78.481,66667 78.481,66667 0,213 ns
Regressão Quadrática 1 571.596,75000 571.596,75000 1,55 ns
Regressão Cúbica 1 312.481,66670 312.481,66670 0,847 ns
Resíduo (a) 9 3.319.554,40000 368.839,37780
Parcelas 15 7.044.238,56700 -
Total 47 14.873.987,90000
( X )
m
N
160.042,0
= 3.334,208333
48
s( a ) QM Re síduo(a)
= 368.839,3778 = 607,3214781
s(b ) QM Re síduo(b)
= 175.785,6042 = 419,2679384
100 x s ( a )
CV(a) =
m
100 x 607,3214781
=
3.334,208333
60.732,14781
= 18,21%
3.334,208333
100 x s (b )
CV(b) =
m
100 x 419,2679384
=
3.334,208333
41.926,79384
= 12,57%
3.334,208333
m̂ 1 = 3.107,4375 m̂ 3 = 3.332,6875
m̂ 2 = 3.562,5000
5% q
s
r
3,53 x 419,2679384
=
16
1.480,015823
= 370,0040
4
Cova 3.107,4375 a
Sulco 3.562,5000 b
Lanço 3.332,6875 ab
NOTAS: (1/) As médias de tipos de aplicação de adubação fosfatada seguidas de pelo menos uma mesma
letra não diferem entre si pelo teste de Tukey no nível de 5% de probabilidade.
0 3.425,1667
40 3.098,7500
80 3.351,4167
120 3.461,5000
tA = 6
tB = 5
r = 4
N = tA x tB x r
= 6 x 5 x 4 = 120
GL Estádio de Desenvolvimento = tA – 1
= 6–1 = 5
GL Parcelas = tA x r – 1
= 6x4–1
= 24 – 1 = 23
GL Resíduo (a) = tA (r – 1)
= 6 (4 – 1)
= (6) 3 = 18
GL Cultivares = tB – 1
= 5–1 = 4
= (6 – 1) (5 – 1)
= (5) (4) = 20
= 6 (5 – 1) (4 – 1)
= 6 (4) (3) = 72
GL Total = tA x tB x r – 1
= 6x5x4 – 1
= 120 – 1 = 119
SQ Total = 2
2
= 1.113,87
351,7 2
120
123.692,89
= 1.113,87
120
SQ Parcelas =
PA
2 2
tB
5.381,67 123.692,89
=
5 120
Cultivares
Estádios de Totais de Estádios de
Desenvolvimento Desenvolvimento
B1 B2 B3 B4 B5
SQ Estádios de Desenvolvimento =
A
2
2
r x tB
SQ Cultivares =
B
2
2
r x tA
25.348,21 123.692,89
=
24 120
SQ Interação ED x C =
AB
2
2
–
r
4.427,49 123.692,89
= – 68,52272
4 120
43,1214
= = 8,62428
5
SQ Re síduo (a)
QM Resíduo (a) =
GL Re síduo (a)
2,4385
= = 0,13547
18
SQ Culti var es
QM Cultivares =
GL Culti var es
25,40132
= = 6,35033
4
SQ Interação ED x C
QM Interação ED x C =
GL Interação ED x C
7,57568
= = 0,378784
20
SQ Re síduo (b)
QM Resíduo (b) =
GL Re síduo (b)
4,559
= = 0,063319
72
8,62482
= 63,67
0,13547
QM Culti var es
F Calculado para Cultivares =
QM Re síduo (b)
QM Interação ED x C
F Calculado para Interação ED x C =
QM Re síduo (b)
0,378784
= 5,98
0,063319
Causa de Variação GL SQ QM F
Parcelas 23 45,55990 -
( X )
m
N
351,7
= 2,93083
120
s( a ) QM Re síduo(a)
0,135470 = 0,36806
s(b ) QM Re síduo(b)
0,063319 = 0,25163
100 x s ( a )
CV(a) =
m
100 x 0,36806
=
2,93083
36,806
= 12,56%
2,93083
100 x s (b )
CV(b) =
m
100 x 0,25163
=
2,93083
25,163
= 8,59%
2,93083
=
13,6 13,2 ... 12,4
2 2 2
–
66,1
2
4 4x5
875,37 4.369,21
4 20
=
14,3 15,6 ... 16,4
2 2 2
–
76,9
2
4 4x5
1.194,67 5.913,61
=
4 20
=
10,4 10,7 ... 12,9
2 2 2
–
58,52
4 4x5
=
10,0 11,7 ... 14,3
2 2 2
–
62,2
2
4 4x5
802,6 3.868,84
4 20
=
6,02 8,32 ... 12,32 – 48,02
4 4x5
503,16 2.304,00
4 20
=
5,32 6,82 ... 10,52 – 40,0 2
4 4x5
0,382
=
5 1
0,382
= = 0,0955
4
2,987
=
5 1
2,987
= = 0,74675
4
4,695
=
5 1
4,695
= = 1,17375
4
7,208
=
5 1
10,59
=
5 1
10,59
= = 2,6475
4
7,115
=
5 1
7,115
= = 1,77875
4
0,0955
= 1,51
0,063319
0,74675
= 11,79
0,063319
1,17375
= 18,54
0,063319
F Calculado para Cultivares Dentro de Estádio de 39 Dias
1,802
= 28,46
0,063319
2,6475
= 41,81
0,063319
1,77875
= 28,09
0,063319
= 3,616
= 2,514
Causa de Variação GL SQ QM F
Parcelas 23 45,55990
m̂ 1 = 3,40 m̂ 4 = 3,50
m̂ 2 = 3,30 m̂ 5 = 3,10
m̂ 3 = 3,23
m̂ 1 = 3,58 m̂ 4 = 4,38
m̂ 2 = 3,90 m̂ 5 = 4,10
m̂ 3 = 3,28
m̂ 1 = 2,60 m̂ 4 = 3,73
m̂ 2 = 2,68 m̂ 5 = 3,23
m̂ 3 = 2,40
m̂ 1 = 2,50 m̂ 4 = 4,03
m̂ 2 = 2,93 m̂ 5 = 3,58
m̂ 3 = 2,53
m̂ 1 = 1,50 m̂ 4 = 3,43
m̂ 2 = 2,08 m̂ 5 = 3,08
m̂ 3 = 1,93
m̂ 1 = 1,33 m̂ 4 = 2,08
m̂ 2 = 1,70 m̂ 5 = 2,63
m̂ 3 = 1,55
s( b)
(5%) = q
r
3,968 x 0,25163
=
4
Cultivares **
Estádios de
Desenvolvimento * B1 1/ B2 B3 B4 B5
r x TS t B TAB TA
Y
r 1t B 1
onde:
r = número de repetições do experimento;
TS = total das subparcelas restantes na parcela onde ocorreu a perda;
tB = número de tratamentos B;
TAB = total das demais subparcelas da combinação (AB) correspondentes à subparcela
perdida;
TA = total de subparcelas restantes do tratamento A correspondente à subparcela perdida .
X1
r .x TS1 t B TA 1 B 1 TA 1 y 0
r 1t B 1
Y1
r x TS 2 t B TA 1 B 2 TA 1 x1
r 1t B 1
X1
r TS y 0 t B TA 1 B 1 TA 1 y 0
r 1t B 1
Y1
r TS x1 t B TA 1 B 2 TA 1 x1
r 1t B 1
X1
r x TS1 t B TA 1 B 1 y 0 TA 1 y 0
r 1t B 1
Y1
r x TS 2 t B TA 1 B 2 x1 TA 1 x1
r 1t B 1
Como nos casos anteriores, prossegue-se com outros ciclos, até obter-se
convergência de X e de Y.
Uma vez estimada as subparcelas, procede-se à análise da variância da maneira
usual, tomando-se o cuidado, porém, de se diminuir 1 GL do Resíduo (b) para cada
subparcela perdida.
Quando o que mais se interessa é a primeira parte da análise, isto é, as
comparações entre os tratamentos A, pode-se, com maior rigor, considerar perdida toda a
r x B tA x T G
Y
r 1t A 1
2 QM Re síduo a f x QM Re síduo b
s2 Y
r x tB
2 QM Re síduo b 1 f t B / t A
s2 Y
r x tA
n 2 = GL Resíduo (b)
2 QM Re síduo b 1 f tB / t A
s2 Y
r
n 3 = GL Resíduo (b)
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 420
421
2 QM Re síduo a 2 QM Re síduo b t B 1 f t B
s Y
2
2
r x tB
2
QM Re síduo (a) t 1 f t B 2 QM Re síduo (b)
B
n4 =
QM Re síduo (b)
2
t 1 f t B 2
QM Re síduo (a) 2 B
GL Re síduo (a) GL Re síduo (b)
1
f
2 r 1t B 1
T
f
2 r M t B T R 1
11.6 Exercícios
TABELA 11.10 – PRODUÇÃO DE ADUBOS VERDES E MILHO (kg DE MATÉRIA VERDE POR
PARCELA) EM DOIS ANOS SUCESSIVOS
Mucuna Preta 86,8 90,2 76,8 94,0 88,6 86,4 81,6 82,2
Feijão de Porco 44,0 88,8 56,6 72,2 52,4 88,6 52,2 83,2
Crotalarea juncea 102,4 120,2 90,8 104,6 92,0 112,0 84,8 113,6
Guandu 68,4 91,0 55,2 78,8 49,0 83,4 61,2 91,2
Teph. candida 34,0 57,2 32,4 54,0 24,4 50,8 30,0 46,2
Soja 33,0 33,6 34,8 33,2 32,0 33,4 33,6 42,6
Crotalarea grantiana 25,8 77,0 21,6 62,4 19,2 63,6 21,0 63,6
Milho 138,8 110,2 106,4 80,0 108,2 92,0 81,8 90,6
ANÁLISE CONJUNTA
12 DE EXPERIMENTOS
Ambientes
Totais de
Tratamentos
Tratamentos
A1 A2 A3
Causa de Variação GL SQ QM F
QM Tratamentos
Tratamentos (T) t–1 SQ Tratamentos QM Tratamentos
QM Interação (T x A)
QM Ambientes
Ambientes (A) a–1 SQ Ambientes QM Ambientes
QM Interação (T x A)
QM Interação (T x A)
Interação (T x A) (t – 1) (a – 1) SQ Interação (T x A) QM Interação (T x A)
QM Re síduo Médio
Resíduo Médio N' - QM Resíduo Médio
onde:
GL = número de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado médio;
F = valor calculado do teste F;
t = número de tratamentos;
a = número de ambientes;
N' = soma dos graus de liberdade dos resíduos das análises individuais;
T
2
TT 2
SQ Tratamentos =
r x a
onde:
TT = total de cada tratamento;
r = número de repetições do experimento;
N = número de observações, que corresponde ao número de tratamentos (t)
multiplicado pelo número de repetições do experimento (r) multiplicado pelo
número de ambientes (a);
A
2
T A 2
SQ Ambientes =
r x t
onde:
TA = total de cada ambiente;
TA
2
TTA 2
onde:
TTA = total de cada combinação (TA);
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
SQ Ambientes
QM Ambientes =
GL Ambientes
SQ Interação T x A
QM Interação (T x A) =
GL Interação T x A
Causa de Variação GL
onde:
T dentro de A1
2
A 1
2
=
r r xt
T dentro de A2
2
A 2
2
=
r r xt
T dentro de A3
2
A 3
2
=
r r xt
SQ Tratamentos dentro de A1
=
t 1
SQ Tratamentos dentro de A2
=
t 1
SQ Tratamentos dentro de A3
=
t 1
QM Tratamentos dentro de A1
=
QM Re síduo Médio
QM Tratamentos dentro de A2
=
QM Re síduo Médio
QM Tratamentos dentro de A3
=
QM Re síduo Médio
Causa de QM 1/
Variação ____________________________________________________
GL A B C D E
Resolução:
a) Análise de Variância Conjunta:
QM Re síduo
R=
QM Re síduo
0,07775
= 2,09
0,03725
Locais Totais de
Espécies _______________________________________ Espécies
A B C D E
t= 4
l = 5
r = 5
GL Espécies = t – 1 = 4 – 1 = 3
GL Locais = 1 – 1 = 5 – 1 = 4
N = t x r x l = 4 x 5 x 5 = 100
E
2
TE 2
SQ Espécies =
r x l
=
5 x 5 100
32.641,85 126.807,21
=
25 100
L
2
TL 2
SQ Locais =
r x t
25.377,27 126.807,21
=
20 100
EL
2
TEL 2
SQ Interação (E x L) = –
r
(37,6019 + 0,7914)
6.537,67 126.807,21
= – 38,3933
5 100
SQ Espécies
QM Espécies =
GL Espécies
37,6019
= = 12,533967
3
SQ Locais
QM Locais =
GL Locais
0,7914
= = 0,197850
4
SQ Interação E x L
QM Interação (E x L) =
GL Interação E x L
1,0686
= = 0,089050
12
QM Resíduo Médio
0,276
= = 0,0552
5
QM Espécies
F Calculado para Espécies =
QM Interação ( E x L)
12,533967
= 140,75
0,089050
QM Locais
F Calculado para Locais =
QM Interação ( E x L)
0,197850
= 2,22
0,089050
QM Interação ( E x L)
F Calculado para Interação (E x L) =
QM Re síduo Médio
0,089050
= 1,61
0,0552
Causa de Variação GL SQ QM F
( X )
m
N
69,5
= = 3,475
20
s QM Re síduo
= 0,07775 = 0,27884
100 x s
CV =
m
100 x 0,27884
=
3,475
27,884
= 8,02%
3,475
( X )
m
N
74,6
= = 3,73
20
s QM Re síduo
= 0,05050 = 0,22472
100 x s
CV =
m
100 x 0,22472
=
3,73
22,472
= 6,02%
3,73
( X )
m
N
70,8
= = 3,54
20
s QM Re síduo
= 0,06375 = 0,25248
100 x s
CV =
m
100 x 0,25248
=
3,54
25,248
= 7,13%
3,54
( X )
m
N
70,1
= = 3,505
20
s QM Re síduo
= 0,03725 = 0,1930
100 x s
CV =
m
100 x 0,1930
=
3,505
19,30
= 5,51%
3,505
( X )
m
N
71,1
= = 3,555
20
s QM Re síduo
= 0,04675 = 0,21621
100 x s
CV =
m
100 x 0,21621
=
3,555
21,621
= 6,08%
3,555
m̂ 1 = 3,672 m̂ 3 = 4,096
m̂ 2 = 3,944 m̂ 4 = 2,532
s= QM Interação (E x L)
= 0,089050 = 0,2984124
s
5% q
r
0,2984124
= 4,20
25
0,2984124
= 4,20
5
E. citriodora 2,532 a
E. saligna 3,672 b
E. tereticornes 3,944 c
E. alba 4,096 c
NOTA: (1/) As médias de espécies com a mesma letra não diferem entre si pelo teste de Tukey no nível
de 5% de probabilidade.
TABELA 12.6 – TOTAIS DAS ALTURAS (EM METROS) DE PLANTAS DAS PROGÊNIES DE
Eucaliptus grandis COM SETE ANOS DE IDADE DOS ENSAIOS REALIZADOS
EM SÃO PAULO NO DELINEAMENTO EM BLOCOS CASUALIZADOS COM
SEIS TRATAMENTOS (PROGÊNIES) E QUATRO REPETIÇÕES
Totais de Altura de Plantas 1/
Progênies ___________________________________________
A B C
1 – Pretória* 82,5 39,1 89,0
2 – 637** 76,2 48,1 85,5
3 – 2093** 92,1 56,0 85,0
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 436
437
QM Re síduo
R=
QM Re síduo
3,7831
= 2,64
1,4354
Locais
Totais de
Progênies
Progênies
A B C
t = 6
l = 3
r = 4
GL Progênies = t – 1
= 6 –1 = 5
GL Locais = 1 – 1
= 3–1= 2
GL Interação = (P x L) = (t – 1) (l – 1)
= (6 – 1) (3 – 1)
= (5) (2) = 10
P
2
TP 2
SQ Progênies =
r x l
=
(210,6) 2 (209,8) 2 ... (211,3) 2
1.355,8
2
4 x 3 72
307.987,42 1.838.193,64
=
12 72
L
2
TL 2
SQ Locais =
r x t
=
(506,6) 2 (299,5) 2 (549,7) 2
1.355,82
4 x 6 72
648.513,90 1.838.193,64
=
24 72
AL
2
T AL 2
SQ Interação (P x L) = –
r
(135,1511 + 1.490,9453)
108.932,54 1.838.193,64
= – 1.626,0964
4 72
SQ Pr ogênies
QM Progênies =
GL Pr ogênies
135,1511
= = 27,03022
5
SQ Locais
QM Locais =
GL Locais
1.490,9453
= = 745,47265
2
SQ Interação P x L
QM Interação (P x L) =
GL Interação P x L
76,5714
= = 7,65714
10
8,9745
= = 2,9915
3
QM Pr ogênies
F Calculado para Progênies =
QM Interação ( P x L)
27,03022
= 3,53
7,65714
QM Locais
F Calculado para Locais =
QM Interação ( P x L)
745,47265
= 97,36
7,65714
QM Interação ( P x L)
F Calculado para Interação (P x L) =
QM Re síduo Médio
7,65714
= 2,56
2,9915
Causa de Variação GL SQ QM F
( X )
m
N
506,6
21,1083
24
s QM Re síduo
= 3,7831 = 1,9450193
100 x s
CV =
m
100 x 1,9450193
=
21,1083
194,50193
9,21%
21,1083
( X )
m
N
299,5
12,4792
24
s QM Re síduo
= 3,7560 = 1,9380402
100 x s
CV =
m
100 x 1,9380402
=
12,4792
193,80402
15,53%
12,4792
( X )
m
N
549,7
22,9042
24
s QM Re síduo
= 1,4354 = 1,1980818
100 x s
CV =
m
100 x 1,1980818
=
22,9042
119,80818
5,23%
22,9042
P dentro de L1
2
L 1
2
42.987,94 256.643,56
=
4 24
P dentro de L2
2
L 2 2
15.158,69 89.700,25
=
4 24
P dentro de L3
2
L 3
2
50.785,91 302.170,09
=
4 24
53,5033
=
6 1
53,5033
= = 10,70066
5
52,1621
=
6 1
52,1621
= = 10,43242
5
106,0575
=
6 1
106,0575
= = 21,2115
5
10,70066
= 3,58
2,9915
10,43242
= 3,49
2,9915
21,2115
= 7,09
2,9915
Causa de Variação GL SQ QM F
m̂ 1 = 20,625 m̂ 4 = 22,500
m̂ 2 = 19,050 m̂ 5 = 21,950
m̂ 3 = 23,025 m̂ 6 = 19,500
m̂ 1 = 9,775 m̂ 4 = 12,975
m̂ 2 = 12,025 m̂ 5 = 14,125
m̂ 3 = 14,000 m̂ 6 = 11,975
m̂ 1 = 22,250 m̂ 4 = 24,175
m̂ 2 = 21,375 m̂ 5 = 27,025
m̂ 3 = 21,250 m̂ 6 = 21,350
QM Resíduo Médio
(5%) = q
r
2,9915
= 4,2125
4
= 4,2125 0,747875
Locais
Progênies
Araraquara 1/ Bento Quirino Mogi-Guaçu
NOTA: (1/) Nas colunas, as médias de progênies dentro de locais seguidas de pelo menos uma
mesma letra não diferem entre si pelo teste de Tukey no nível de 5% de probabilidade.
progênies 637, 2094 e 9575 de Eucaliptus grandis apresentaram uma altura de plantas
intermediária entre as progênies 9559 e 2093, e Pretória.
Em Mogi-Guaçu, a progênie 9559 de Eucaliptus grandis apresentou a maior
altura de plantas com sete anos de idade, apesar de não diferir estatisticamente da
progênie 2094, que apresentou uma altura de plantas intermediária entre as progênies
avaliadas. Neste mesmo local, as progênies Pretória, 637, 2093 e 9575 de Eucaliptus
grandis apresentaram as menores alturas de plantas com sete anos de idade, e diferiram
estatisticamente da progênie 9559.
12.4 Exercícios
QM
Causa de ____________________________________________________
Variação GL A B C D E
Totais
Tratamentos ________________________________________________________
(Adubação) A B C D E
EXPERIMENTOS EM BLOCOS
13 CASUALIZADOS COM ALGUNS
TRATAMENTOS COMUNS
Causa de Variação GL SQ QM F
onde :
GL = número de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado médio;
F = valor calculado do teste F;
e = número de experimentos;
r = número de repetições do experimento;
tr = número de tratamentos regulares por experimento;
tc = número de tratamentos comuns por experimento;
X 2
SQ Total = X2
onde:
X = valor de cada observação;
N = número de observações, que corresponde ao número de tratamentos regulares
(tr) mais o número de tratamentos comuns (tc) multiplicado pelo número de
repetições do experimento (r) multiplicado pelo número de experimentos (e);
SQ Experimentos =
E2
X 2
r (tc tr )
onde:
E = total de cada experimento (inclui os tratamentos comuns e regulares);
onde:
SQ Bloco (E) = soma de quadrados de blocos do experimento respectivo, ou seja,
SQ Blocos (E) =
B2
X 2
tr tc (tr tc ) r
onde:
B = total de cada bloco do experimento respectivo;
onde:
SQ Resíduo (E) = soma de quadrados do resíduo do experimento respectivo.
(r) (e x r)
C1 TC1E1 TC1E2 TC1E3 TC1
C2 TC2E1 TC2E2 TC2E3 TC2
C3 TC3E1 TC3E2 TC3E3 TC3
(tc x r) (tc x e x r)
Totais de Experimentos TE1 TE2 TE3 TG
SQ Tratamentos Comuns =
TC 2
TG 2
e x r tc x e x r
onde:
TC = total de cada tratamento comum;
TG = total geral;
SQ Experimentos’ =
TE 2
TG 2
tc x r tc x e x r
onde:
TE = total de cada experimento, incluindo apenas os tratamentos comuns;
=
TCE 2
TG 2
onde:
TCE = total de cada combinação (CE) entre tratamentos comuns e experimentos’;
SQ Re síduo
QM Resíduo =
GL Re síduo
SQ Tratamentos (ajustados )
QM Tratamentos (ajustados) =
GL Tratamentos (ajustados )
2 2
s2 ( Yˆ ) = s
r
onde:
s2 = estimativa da variância do erro experimental, que corresponde ao quadrado médio do
resíduo.
2 1 2
s2 ( Yˆ ) = 1 s
r tc
2
s2 ( Yˆ ) = s2
e x r
1 1 1 1 2
s2 ( Yˆ ) = 1 s
r tc e tc x e
onde:
K = média dos tratamentos comuns no experimento respectivo menos a média geral dos
tratamentos comuns.
Algumas observações:
a) Quando se tem apenas um tratamento comum, não há possibilidade de estimar-
se a interação (Tratamentos Comuns x Experimentos’);
b) É conveniente ter-se pelo menos dois tratamentos comuns, pois no caso de se
ter um tratamento comum e ocorrer a sua perda, não há possibilidade de se efetuar a
análise conjunta;
c) Os experimentos poderão apresentar número de tratamentos regulares
diferentes, sem dificultar a análise da variância conjunta. Contudo, é conveniente que
esse número não seja excessivamente discrepante para que todos os blocos tenham
tamanhos similares;
d) A perda de blocos traz alguma dificuldade, mas existe método apropriado para
este caso (ver GOMES, 1985);
e) A perda de parcelas, que não implique a perda total de um tratamento ou
bloco, resolve-se facilmente; basta aplicar no experimento respectivo o método relativo
aos blocos casualizados (Capítulo 7);
f) Quando a Interação Tratamentos Comuns x Experimentos’ for não
significativa, indica que os tratamentos comuns se comportam mais ou menos do mesmo
modo em todos os ensaios, o que sugere que ocorra o mesmo com os tratamentos
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 453
454
regulares. Tal fato deverá ocorrer quando todos os experimentos são conduzidos lado a
lado, numa mesma área, ou em condições mais ou menos semelhantes, embora em
localidades distintas;
g) Quando a Interação Tratamentos Comuns x Experimentos’ for significativa,
indica que os tratamentos comuns se comportam distintamente nos diversos locais, o que
sugere que ocorra o mesmo com os tratamentos regulares. Tal fato deverá ocorrer quando
os experimentos forem conduzidos em condições ecológicas diferentes. Neste caso, a
situação se torna um tanto complexa, mas um procedimento indicado será, sem dúvida, o
de tornar para resíduo o quadrado médio da Interação Tratamentos Comuns x
Experimentos’ para a comparação de tratamentos regulares de experimentos diferentes.
Totais de Totais de
Blocos 1.264,9 1.253,0 2.517,9 Blocos 1.219,3 1.257,1 2.476,4
Ensaio 3 Ensaio 4
Variedades B1 B2 Totais de Variedades B1 B2 Totais de
Variedades Variedades
Totais de Totais de
Blocos 1.217,2 1.250,3 2.467,5 Blocos 1.211,0 1.207,3 2.418,3
FONTE: CAMPOS (1984).
QM
Causa de ____________________________________________________
Variação GL Ensaio 1 Ensaio 2 Ensaio 3 Ensaio 4
Blocos 1 - - - -
Variedades 9 589,09 * * 710,39 * * 158,52 * 310,98 * *
Resíduo 9 46,77 35,06 46,43 22,08
Resolução:
a) Análise de Variância Conjunta:
QM Re síduo
R=
QM Re síduo
46,77
= 2,12
22,08
e =4
r = 2
tr = 8
tc = 2
N = (tr + tc) e x r
= (8 + 2) 4 x 2
= (10) 8 = 80
GL Experimentos = e – 1
= 4–1 = 3
= 4 (2 – 1)
= 4 (1) = 4
GL Variedades (ajustados) = e x tr + tc – 1
= 4x8 + 2–1
= 32 + 2 – 1 = 33
= (2 – 1) (4 – 1)
= (1) (3) = 3
GL Resíduo = e (r – 1) (tr + tc – 1)
= 4 (2 – 1) (8 + 2 – 1)
= 4 (1) (9) = 36
= (8 + 2) 4 x 2 – 1
= (10) 8 – 1
= 80 – 1 = 79
X
2
SQ Total = X 2
2
(9.880,1)
= 1.237.863,13
80
97.616.376,01
= 1.237.863,13
80
SQ Experimentos =
E2
X
2
r (tc tr )
24.409.108,51 97.616.376,01
=
20 80
Experimentos
Tratamentos Totais de
Comuns Tratamentos Comuns
E1 E2 E3 E4
(2) (8)
V1 297,2 286,7 286,6 270,9 1.141,4
V2 266,7 234,4 245,1 244,2 990,4
Totais de (4)
Experimentos 563,9 521,1 531,7 515,1 2.131,8
SQ Tratamentos Comuns =
TC 2
TG 2
e x r tc x e x r
2.283.686,12 4.544.571,24
=
8 16
SQ Experimentos’ =
TE 2
TG 2
tc x r tc x e x r
=
(563,9) 2 (521,1) 2 (531,7) 2 (515,1) 2
2.131,82
2 x 2 2 x 4 x 2
1.137.561,32 4.544.571,24
=
4 16
=
TCE 2
TG 2
571.831,00 4.544.571,24
= – 1.779,69
2 16
SQ Variedades (ajustadas )
QM Variedades (ajustadas) =
GL Variedades (ajustadas )
15.820,5495
= = 479,410591
33
100,1075
= = 33,369167
3
SQ Re síduo
QM Resíduo =
GL Re síduo
1.353,06
= = 37,585
36
QM Variedades (ajustadas )
=
QM Re síduo
479,410591
= 12,76
37,585
33,369167
= 0,888
37,585
Causa de Variação GL SQ QM F
Experimentos 3 250,725375 - -
Blocos Dentro de Experimentos 4 133,987500 - -
Variedades (ajustadas) 33 15.820,549500 479,410591 12,76 **
ns
Interação (Trat. Comuns x Experimentos’) 3 100,107500 33,369167 0,888
Resíduo 36 1.353,060000 37,585000
Total 79 17.658,429875
( X )
m
N
2.517,9
= = 125,895
20
s QM Re síduo ( E1 )
= 46,77 6,838856
100 x s
CV =
m
100 x 6,838856
=
125,895
683,8856
= 5,43%
125,895
( X )
m
N
2.476,4
= = 123,82
20
s QM Re síduo ( E1 )
= 35,06 5,921149
100 x s
CV =
m
100 x 5,921149
=
123,82
592,1149
= 4,78%
123,82
( X )
m
N
2.467,5
= = 123,375
20
s QM Re síduo ( E1 )
= 46,43 6,813956
100 x s
CV =
m
100 x 6,813956
=
123,375
681,3956
= 5,52%
123,375
( X )
m
N
2.418,3
= = 120,915
20
s QM Re síduo ( E1 )
= 22,08 4,698936
100 x s
CV =
m
100 x 4,698936
=
120,915
469,8936
= 3,89%
120,915
m̂ 9 = 120,60 m̂ 21 = 126,60
m̂ 10 = 87,80 m̂ 22 = 109,15
Então:
Assim, tem-se:
m̂ 9 = 123,56 m̂ 21 = 126,91
m̂ 10 = 90,76 m̂ 22 = 109,46
s 2 (Ŷ)
1 (5%) = q
2
1 1 1 1 2
s 2 ( Yˆ ) = 1 s
r tc e tc x e
1 1 1 1
= 1 37,585
2 2 4 2 x 4
1 1 1 1
= 1 37,585
2 2 4 8
30,537812
1 (5%) = 5,856
2
= 5,856 15,268906
1
= 5,856 x 3,9075447 22,88
s 2 (Ŷ)
2 (5%) = q
2
2
s 2 ( Yˆ ) = s 2
e x r
2
= 37,585
4 x 2
2
= 37,585
8
9,39625
2 (5%) = 5,856
2
= 5,856 4,698125
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 466
467
O valor de 1 é usado para comparar contrastes entre uma variedade nova e uma
padrão (testemunha); e o valor de 2 é usado para comparar o contraste entre as duas
variedades padrões (testemunhas).
NOTA: (1/) As médias de variedades com a mesma letra maiúscula da testemunha T1 e com a mesma
letra minúscula da testemunha T2 não diferem entre si pelo teste de Tukey no nível de 5 % de
probabilidade.
13.3 Exercícios
1º Experimento
Blocos
Totais de Variedades
Variedades
I II III
2º Experimento
Blocos
Variedades
Totais de Variedades
I II III
ANÁLISE DE
14 COVARIÂNCIA
mesmos), para o caso dos animais. Nessa situação, essa variabilidade entre parcelas
contribui para aumentar o erro experimental e, consequentemente, reduzir a precisão do
experimento.
Numa situação como essa, a análise de covariância pode ser utilizada para
reduzir o erro experimental, ajustando as médias dos tratamentos em função dessas
pequenas diferenças que ocorrem no experimento. Portanto, a análise de covariância
complementa o controle local.
Blocos
Tratamentos Totais de Tratamentos
I II III IV
A XAI (YAI) XAII (YAII) XAIII (YAIII) XAIV (YAIV) TXA (TYA)
B XBI (YBI) XBII (YBII) XBIII (YBIII) XBIV (YBIV) TXB (TYB)
C XCI (YCI) XCII (YCII) XCIII (YCIII) XCIV (YCIV) TXC (TYC)
D XDI (XDI) XDII (XDII) XDIII (XDIII) XDIV (XDIV) TXD (TYD)
E XEI (XEI) XEII (XEII) XEIII (XEIII) XEIV (XEIV) TXE (TYE)
Totais de Blocos BXI (BYI) BXII (BYII) BXIII (BYIII) BXIV (BYIV)
Quadro da ANCOVA
onde:
GL = número de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado médio;
F = valor calculado do teste F;
t = número de tratamento;
r = número de repetições do experimento;
* = ajuste feito para a regressão.
X 2
SQ Total (X) = X 2
onde:
X = valor de cada observação da variável X;
N = número de observações, que corresponde ao número de tratamento (t) multiplicado
pelo número de repetições do experimento (r);
Y 2
SQ Total (Y) = Y 2
onde:
Y = valor de cada observação da variável Y;
( X ) ( Y )
SP Total (XY) = XY
T X
2 2
(X )
SQ Tratamentos (X) =
r
onde:
T = total de cada tratamento da variável X;
T Y
2 2
(Y )
SQ Tratamentos (Y) =
r
onde:
T = total de cada tratamento da variável Y;
SP Tratamentos (XY) =
T ( XY )
( X ) ( Y )
r
B X
2 2
(X )
SQ Blocos (X) =
t
onde:
B = total de cada bloco da variável X;
B Y
2 2
(Y )
SQ Blocos (Y) =
t
onde:
B = total de cada bloco da variável Y;
SP Blocos (XY) =
B ( XY )
( X ) ( Y )
t
SQ Re síduo( X )
SQ Tratamentos + Residuo (Y)*
SQ Tratamentos Re síduo ( X )
SQ Tratamentos (Y)*
SQ Tratamentos(Y ) *
QM Tratamentos (Y)* =
GL Tratamentos *
SQ Re síduo (Y )*
QM Resíduo (Y)* =
GL Re síduo (Y )*
Yˆi Yi bˆ ( X i X )
onde:
Yi = média da variável Y do tratamento em questão;
X i = média da variável X do tratamento em questão;
X = média geral da variável X.
b̂ = coeficiente de regressão linear do resíduo entre X e Y, obtido através da fórmula:
SP Re síduo( XY )
b̂ =
SQ Re síduo( X )
2 QMRY * SQTX
s 2 (Yˆ ) = 1
r (t - 1) SQR X
onde:
r = número de repetições do experimento;
t = número de tratamentos;
QMRY* = quadrado médio do resíduo da variável Y ajustado para a regressão;
SQTX = soma de quadrados de tratamentos da variável X;
SQRX = soma de quadrados do resíduo da variável X.
14.2 Um Exemplo
Blocos
Cultivares Totais de Cultivares
I II III
1 - BR 201 – F1 8.268,0 (20) 4.557,0 (16) 6.249,0 (20) 19.074,0 (56)
Totais de Blocos 80.396,0 (239) 77.083,0 (235) 83.268,0 (240) 240.747,0 (714)
20 16 ... 21 714
t = 12
r = 3
N = txr
= 12 x 3 = 36
GL Cultivares = t – 1
= 12 – 1 = 11
GL Blocos = r – 1
=3–1=2
GL Resíduo = (t – 1) (r – 1)
= (12 – 1) (3 – 1)
= (11) (2) = 22
GL Total = N – 1
= 36 – 1 = 35
GL Cultivares + Resíduo = r (t – 1)
= 3 (12 – 1)
= 3 (11) = 33
GL Cultivares + Resíduo * = r (t – 1) – 1
= 3 (12 – 1) – 1
= 3 (11) – 1
= 33 – 1 = 32
GL Cultivares * = t – 1
= 12 – 1 = 11
GL Resíduo * = (t – 1) (r – 1) – 1
= (12 – 1) (3 – 1) – 1
= (11) (2) – 1
= 22 – 1 = 21
X 2
SQ Total (X) = X 2
(714) 2
= 14.216
36
509.796
= 14.216
36
= 14.216 – 14.161 = 55
Y 2
SQ Total (Y) = Y 2
(240.747,0) 2
= 1.678.867.776,0
36
57.959.118.009,0
= 1.678.867.776,0
36
( X ) ( Y )
SP Total (XY) = XY
(714) (240.747,0)
= 4.815.095,0
36
171.893.358,0
= 4.815.095,0
36
T X
2 2
(X )
SQ Cultivares (X) =
r
42.560 509.796
=
3 36
T Y
2 2
(Y )
SQ Cultivares (Y) =
r
4.954.641.805,0 57.959.118.009,0
=
3 36
SP Cultivares (XY) =
T ( XY )
( X ) ( Y )
r
14.390.087,0 171.893.358,0
=
3 36
B X
2 2
(X )
SQ Blocos (X) =
t
169.946 509.796
=
12 36
B Y
2 2
(Y )
SQ Blocos (Y) =
t
19.338.865.529,0 57.959.118.009,0
=
12 36
SP Blocos (XY) =
B ( XY )
( X ) ( Y )
t
57.313.469,0 171.893.358,0
=
12 36
= 55 – (25,6667 + 1,1667)
= 55 – 26,8334 = 28,1666
SQ Re síduo( X )
= 25.723.880,5
17.092,41162
28,1667
292.150.534,3038
= 25.723.880,5
28,1667
= 67.295.648,5833
38.972,5833
2
53,8333
1.518.862.249,0754
= 67.295.648,5833
53,8333
SQ Culti var es (Y ) *
QM Cultivares (Y)* =
GL Culti var es *
23.729.787,2314
= = 2.157.253,3847
11
SQ Re síduo (Y )*
QM Resíduo (Y)* =
GL Re síduo (Y )*
15.351.684,4563
= = 731.032,5932
21
QM Culti var es *
F Calculado (Y)* =
QM Re síduo *
2.157.253,3847
= 2,95
731.032,5932
QM Culti var es ( X )
F Calculado (X) =
QM Re síduo ( X )
25,6667
= 11
28,1666
22
2,3333
= 1,82 ns
1,2803
m̂ =
Y
240.747,0
= = 6.687,4167
36
s = QM Re síduo (Y )
25.723.880,5
=
22
= 1.169.267,2955 = 1.081,3266
100 x s
CV ANTES DA COVARIÂNCIA =
mˆ
100 x 1.081,3266
=
6.687,4167
108.132,66
= 16,17%
6.687,4167
s* = QM Re síduo (Y )*
= 731.032,5932 = 855,0044
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 482
483
100 x s *
CV APÓS A COVARIÂNCIA =
mˆ
100 x 855,0044
=
6.687,4167
85.500,44
= 12,79%
6.687,4167
SP Re síduo( XY )
b̂ =
SQ Re síduo( X )
17.092,4116
= 606,8305
28,1667
X =
X
714
= = 19,8333
36
X1 =
X
56
= = 18,6667
3
X2 =
X
59
= = 19,6667
3
X3 =
X
66
= = 22,0000
3
X4 =
X
58
= = 19,3333
3
X5 =
X
59
= = 19,6667
3
X6 =
X
58
= = 19,3333
3
X7 =
X
60
= = 20,0000
3
X8 =
X
58
= = 19,3333
3
X9 =
X
61
= = 20,3333
3
X 10 =
X
60
= = 20,0000
3
X 11 =
X
57
= = 19,0000
3
X 12 =
X
62
= = 20,6667
3
Y1 =
Y
19.074,0
= = 6.358,0000
3
Y2 =
Y
22.040,0
= = 7.346,6667
3
Y3 =
Y
26.847,0
= = 8.949,0000
3
Y4 =
Y
14.807,0
= = 4.935,6667
3
Y5 =
Y
16.605,0
= = 5.535,0000
3
Y6 =
Y
16.744
= = 5.581,3333
3
Y7 =
Y
20.844,0
= = 6.948,0000
3
Y8 =
Y
21.788,0
= = 7.262,6667
3
Y9 =
Y
24.194,0
= = 8.064,6667
3
Y10 =
Y
19.919,0
= = 6.639,6667
3
Y11 =
Y
18.832,0
= = 6.277,3333
3
Y12 =
Y
19.053,0
= = 6.351,0000
3
Yˆ1 Y1 bˆ ( X 1 X )
Yˆ2 Y2 bˆ ( X 2 X )
Yˆ3 Y3 bˆ ( X 3 X )
Yˆ4 Y4 bˆ ( X 4 X )
Yˆ5 Y5 bˆ ( X 5 X )
Yˆ6 Y6 bˆ ( X 6 X )
Yˆ7 Y7 bˆ ( X 7 X )
Yˆ8 Y8 bˆ ( X 8 X )
Yˆ9 Y9 bˆ ( X 9 X )
Yˆ10 Y10 bˆ ( X 10 X )
Yˆ11 Y11 bˆ ( X 11 X )
Yˆ12 Y12 bˆ ( X 12 X )
TABELA 14.3 PRODUÇÃO MÉDIA DE GRÃOS (kg/ha), NÃO AJUSTADA E AJUSTADA PELA
COVARIÂNCIA, DE CULTIVARES DE MILHO CONSORCIADAS COM
CULTIVARES DE FEIJÃO
Verifica-se que houve uma mudança considerável nos valores ajustados pela
covariância quando comparados com os valores não ajustados, inclusive com alteração na
classificação das cultivares de milho.
e) Teste de Tukey:
2 QMRY * SQTX
s 2 (Yˆ ) = 1
r (t - 1) SQR X
2 x 731.032,5932 25,6667
= 1
3 (12 1) 28,1666
1.462.065,1864 25,6667
= 1
3 (11) 28,1666
25,6667
= 487.355,06211
309,8326
25,6667
= 487.355,06211
309,8326
= 487.355,06211 0,0828
= 487.355,06211,0828
= 527.708,0612 = 726,4352
(5%) q
s 2 Yˆ
2
726,4352
= 5,175
2
= 5,175 363,2176
1 - BR 201 – F1 7.065,9285 f
2 - BR 201 – F2 7.447,7647 g
3 - BR 201 – F3 7.634,1804 h
4 - Cruzeta – F1 5.239,0820 a
5 - Cruzeta – F2 5.636,0980 b
6 - Cruzeta – F3 5.884,7486 c
7 - C 515 – F1 6.846,8414 e
8 - C 515 – F2 7.566,0820 h
9 - C 515 – F3 7.761,2514 i
10 - C 606 – F1 6.538,5081 d
11 - C 606 – F2 6.783,0052 e
12 - C 606 – F3 5.845,2675 c
NOTA: (1/) As médias seguidas de uma mesma letra não diferem estatisticamente entre si pelo teste de
Tukey, no nível de 5% de probabilidade.
14.3 Exercício
EXPERIMENTOS COM
15 CONSORCIAÇÃO DE CULTURAS
Ye = Y m + r Y f
onde:
Ye = produção equivalente de milho;
Ym = produção de grãos (kg/ha) de milho;
Yf = produção de grãos (kg/ha) de feijão;
r = relação de preços de feijão para milho, isto é, r = preço vigente do feijão/ preço
vigente do milho.
Uma das vantagens deste sistema é que não há necessidade dos respectivos
monocultivos. A principal dificuldade é que os valores de r têm apresentado variações
em função da oferta dos dois produtos a cada ano, nas diferentes regiões produtoras.
b) Uso Eficiente da Terra (UET) – A vantagem do sistema de plantio
consorciado sobre o plantio isolado das culturas em relação à área plantada é determinada
pelo Uso Eficiente da Terra, o qual expressa a área que seria necessária para se obter com
a cultura isolada, os mesmos rendimentos totais conseguidos com a consorciação,
podendo ser calculado da seguinte maneira:
Se o valor do UET for maior que 1,0, significa que o consórcio é mais produtivo
que o plantio isolado. Por exemplo, se o valor da UET for igual a 1,30, significa que são
necessários 30% a mais de área para que as culturas no plantio isolado produzam o
equivalente à produção do consórcio. Em outras palavras: o consórcio é 30% mais
produtivo que o plantio isolado das culturas. Isto se refere à vantagem biológica, como o
uso complementar dos recursos naturais disponíveis.
UET / T
( PRa x t a ) ( PRb x t b ) ... ( PRn x t n
T
onde:
PR = produção relativa;
T = duração do sistema de consórcio;
t = duração, em dias, das culturas a, b, ..., n.
UET / T
( PRa x t a ) ( PRb x t b ) ... ( PRn x t n
T
20 2,7 0,75
x 300 x 100 x 80
25 3,0 1,00
1,30
300
Isto significa que o consórcio é somente 30% mais produtivo que o plantio
isolado das culturas. Mas, pelo cálculo da UET simples, o consórcio seria 145% mais
produtivo (UEP = 2,45).
d) Retorno Monetário – As produções de diferentes espécies no consórcio
podem ser combinadas também com base no valor de mercado das culturas, que é uma
consideração importante, porque o agricultor constata realmente a vantagem do consórcio
somente através do lucro monetário. O lucro líquido é mais apropriado do que o cálculo
simples do lucro total, por causa dos custos diferenciados com os insumos nos
tratamentos. Porém, uma estimativa realística do lucro líquido não pode ser feita com
experimentos agronômicos em pequenas parcelas que geralmente têm áreas de 25 a 100
m2, pelas dificuldades nos cálculos dos custos de operações como preparo da área,
capinas, colheita, beneficiamento de sementes. É recomendável, contudo, deduzir do
lucro total pelo menos os custos com sementes, fertilizantes, capinas, aplicações de
inseticidas e fungicidas. Os retornos são grandemente dependentes dos preços dos
produtos das culturas no mercado, que variam de ano para ano e de local para local. É
preferível, portanto, examinar os lucros obtidos com várias combinações no plantio
consorciado, com taxas de preços variáveis entre culturas componentes, de modo que as
15.5 Um Exemplo
TABELA 15.1 – PRODUÇÃO DE FEIJÃO (Phaseolus vulgaris L.) EM kg/42,0 m2, CULTIVAR
CARIOCA, SOLTEIRO E CONSORCIADO COM ABACAXI (Ananas comosus L.)
TABELA 15.2 – PRODUÇÃO DE ABACAXI (Ananas comosus L.), EM kg/42,0 m2, CULTIVAR
PÉROLA, SOLTEIRO E CONSORCIADO COM FEIJÃO (Phaseolus vulgares L.)
t = 5
r = 6
N = txr
= 5 x 6 = 30
GL Tratamentos = t – 1
= 5 – 1 = 4
GL Blocos = r – 1
= 6 – 1 = 5
GL Resíduo = (t – 1)(r – 1 )
= (5 – 1)(6 – 1)
= (4)(5) = 20
GL Total = t x r – 1
= 5x6 –1
= 30 – 1 = 29
( X )
2
SQ Total X 2
(106,62)
= 401,5424
30
11.367,8244
= 401,5424
30
T
2
X 2
SQ Tratamentos
r N
2.335,5418 11.367,8244
=
6 30
SQ Blocos
B
2
X 2
t N
1.899,8330 11.367,8244
=
5 30
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
10,32949
= 2,582373
4
SQ Re síduo
QM Resíduo =
GL Re síduo
11,24631
= 0,562316
20
QM Tratamentos
F Calculado =
QM Re síduo
2,582373
= 4,59
0,562316
Causa de Variação GL SQ QM F
Blocos 5 1,03912 -
Total 29 22,61492
t=6
N = t x r
= 6 x 6 = 36
GL Tratamentos = t – 1
= 6 – 1 = 5
GL Blocos = r – 1
= 6 – 1 = 5
GL Resíduo = (t – 1)(r – 1 )
= (6 – 1)(6 – 1)
= (5)(5) = 25
GL Total = t x r – 1
= 6x6 –1
= 36 – 1 = 35
( X )
2
SQ Total X 2
(1.634,6) 2
= 88.106,30
36
2.671.917,16
= 88.106,30
36
SQ Tratamentos
T
2
X 2
r N
452.478,54 2.671.917,16
=
6 36
SQ Blocos
B
2
X 2
t N
498.266,88 2.671.917,16
=
6 36
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
1.193,169
= 238,6338
5
SQ Re síduo
QM Resíduo =
GL Re síduo
3.868,651
= 154,74604
25
QM Tratamentos
F Calculado =
QM Re síduo
238,6338
= 1,54
154,74604
Causa de Variação GL SQ QM F
Blocos 5 8.824,559 -
Total 35 13.886,379
mˆ
X
N
106,62
= 3,554
30
s QM Re síduo
= 0,562316 = 0,7498773
100 x 0,7498773
=
3,554
74,98773
= 21,10%
3,554
mˆ
X
N
1.634,6
= 45,4056
36
s QM Re síduo
= 154,74604 = 12,439696
100 x s
CV
mˆ
100 x 12,439696
=
45,4056
1.243,9696
= 27,40%
45,4056
m̂5 3,70
0,7498773
= 4,23 x
6
0,7498773
= 4,23 x
2,4494897
TABELA 15.5 – PRODUÇÃO MÉDIA (kg/42,0 m2) DE FEIJÃO (Phaseolus vulgares L.) CULTIVAR
CARIOCA, SOLTEIRO E CONSORCIADO COM ABACAXI (Ananas comosus L.)
CULTIVAR PÉROLA. ARAPIRACA – AL, 1985
1 4,60 b
4 3,45 ab
5 3,70 ab
6 2,95 a
7 3,08 a
NOTAS: (1/) 1 - Feijão solteiro no espaçamento de 0,30 m x 0,20 m x 2; 4 - Abacaxi com fileiras simples
no espaçamento de 1,00 m x 0,30 m mais feijão no espaçamento de 0,30 m x 0,20 m x 2
com duas fileiras; 5 - Abacaxi com fileiras simples no espaçamento de 1,00 m x 0,30 m
mais feijão no espaçamento de 0,30 m x 0,20 m x 2 com três fileiras; 6 - Abacaxi com
fileiras duplas no espaçamento de 1,00 m x 0,40 m x 0,40 m mais feijão no espaçamento de
0,30 m x 0,20 m x 2 com duas fileiras; 7 - Abacaxi com fileiras duplas no espaçamento de
1,00 m x 0,40 m x 0,40 m mais feijão no espaçamento de 0,30 m x 0,20 m x 2 com três
fileiras.
(2/) As médias com pelo menos uma mesma letra não diferem estatisticamente
entre si pelo teste de Tukey no nível de 5% de probabilidade.
TABELA 15.6 – PRODUÇÃO MÉDIA (kg/42,0 m2) DE ABACAXI (Ananas comosus L.) CULTIVAR
PÉROLA, SOLTEIRO E CONSORCIADO COM FEIJÃO (Phaseolus vulgaris L.)
CULTIVAR CARIOCA. ARAPIRACA – AL, 1985
2 55,18
3 44,68
4 45,32
5 48,35
6 42,85
7 36,05
NOTA: (1/) 2 - Abacaxi com fileiras simples no espaçamento de 1,00 m x 0,30 m; 3 - Abacaxi solteiro
com fileiras duplas no espaçamento de 1,00 m x 0,40 m x 0,40 m; 4 -Abacaxi com fileiras
simples no espaçamento de 1,00 m x 0,30 m mais feijão no espaçamento de 0,30 m x 0,20
m x 2 com duas fileiras; 5 - Abacaxi com fileiras simples no espaçamento de 1,00 m x
0,30 m mais feijão no espaçamento de 0,30 m x 0,20 m x 2 com três fileiras; 6 - Abacaxi
com fileiras duplas no espaçamento de 1,00 m x 0,40 m x 0,40 m mais feijão no
espaçamento de 0,30 m x 0,20 m x 2 com duas fileiras; 7 - Abacaxi com fileiras duplas no
espaçamento de 1,00 m x 0,40 m x 0,40 m mais feijão no espaçamento de 0,30 m x 0,20 m
x 2 com três fileiras.
R$ 5,65
kg
= = 5,65
R$ 1,00
kg
Ye Ya rY f
t = 6
r = 6
N = txr
= 6 x 6 = 36
GL Tratamentos = t – 1
= 6 – 1 = 5
GL Blocos = r – 1
= 6 – 1 = 5
GL Resíduo = (t – 1)(r – 1 )
= (6 – 1)(6 – 1)
= (5)(5) = 25
GL Total = t x r – 1
= 6x6 –1
= 36 – 1 = 35
( X )
2
SQ Total X 2
(2.080,8) 2
= 135.049,90
36
4.329.728,64
= 135.049,90
36
SQ Tratamentos
T
2
X 2
r N
735.311,64 4.329.728,64
=
6 36
SQ Blocos
B
2
X 2
t N
773.224,50 4.329.728,64
=
6 36
= 128.870,75 – 120.270,24 = 8.600,51
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
2.281,70
= 456,34
5
SQ Re síduo
QM Resíduo =
GL Re síduo
3.897,45
= 155,898
25
QM Tratamentos
F Calculado =
QM Re síduo
456,34
= 2,93
155,898
Causa de Variação GL SQ QM F
Blocos 5 8.600,51 -
Total 35 14.779,66
2.080,8
= = 57,8
36
s QM Re síduo
= 155,898 = 12,485912
100 x s
CV
mˆ
100 x 12,485912
=
57,8
1.248,5912
= = 21,60%
57,8
s
5% q
r
12,485912
= 4,23 x
6
12,485912
= 4,23 x
2,4494897
2 55,183 ab
3 44,683 a
4 64,383 ab
5 69,233 b
6 59,483 ab
7 53,433 ab
15.5 Exercícios
TESTES
16 NÃO-PARAMÉTRICOS
( f0 fe )2
=
2
fe
onde:
f0 = freqüência observada;
fe = freqüência esperada.
Fungicida A 6 54 60
Fungicida B 12 48 60
Sem Fungicida 36 24 60
54 126 180
Logo, tem-se:
60 x 54
x=
180
3.240
= = 18,0
180
60 – 18,0 = 42,0
Logo, tem-se:
60 x 54
x=
180
60 – 18,0 = 42,0
Logo, tem-se:
60 x 54
x=
180
3.240
= = 18,0
180
60 – 18,0 = 42,0
( f0 fe )2
2 = f
e
(6 18,0) 2 (54 42,0) 2 (12 18,0) 2 (48 42,0) 2 (36 18,0) 2 (24 42,0) 2
18,0 42,0 18,0 42,0 18,0 42,0
54 126 180
Logo, tem-se:
120 x 54
x=
180
6.480
= = 36,0
180
Logo, tem-se:
60 x 54
x=
180
3.240
= = 18,0
180
60 – 18,0 = 42,0
Com as freqüências esperadas, calcula-se o valor do qui-quadrado pela fórmula:
( f0 fe )2
2 = f
e
Logo, tem-se:
18 x 100
x=
120
1.800
= = 15,0%
120
Logo, tem-se:
36 x 100
x=
60
3.600
= = 60,0%
60
Fungicida A 6 54 60
Fungicida B 12 48 60
18 102 120
Logo, tem-se:
60 x 18
x=
120
1.080
= = 9,0
120
60 – 9,0 = 51,0
Logo, tem-se:
60 x 18
x=
120
60 – 9,0 = 51,0
Com as freqüências esperadas, calcula-se o valor do qui-quadrado pela fórmula:
( f0 fe )2
2 = f
e
9 9 9 9
9,0 51,0 9,0 51,0
Logo, tem-se:
1.802 x 1.021
x=
2.973
1.839.842
= = 618,85
2.973
Logo, tem-se:
1.171 x 1.021
x=
2.973
1.195.591
= = 402,15
2.973
( f0 fe )2
=
2
fe
Logo, tem-se:
515 x 100
x=
1.802
51.500
= = 28,58%
1.802
Logo, tem-se:
506 x 100
x=
1.171
50.600
= = 43,21%
1.171
TABELA 16.3 – Freqüências observadas de tipos de sementes da geração F2 do cruzamento entre plantas
de ervilha (Pisum sativum L.) com sementes amarelas lisas e sementes verdes rugosas
Total 556
Logo, tem-se:
9 x 556
x=
16
5.004
= = 312,75
16
Logo, tem-se:
3 x 556
x=
16
1.668
= = 104,25
16
Logo, tem-se:
3 x 556
x=
16
Logo, tem-se:
1 x 556
x=
16
556
= = 34,75
16
( f0 fe )2
2 = f
e
2xBN
t =
N
onde:
B = número de sinais mais ou de sinais menos, tanto faz;
N = número de blocos ou de pessoas ou de animais, o que é equivalente.
TABELA 16.4 – Preferência de pessoas do sexo masculino com faixa etária de 30 a 40 anos de idade
pelos queijos coalhos de cabra e de búfala (dados fictícios)
58 22 80
Logo, tem-se:
2 x 58 80
=
80
116 80
=
8,9442719
36
= = 4,025
8,9442719
Logo, tem-se:
58 x 100
x=
80
5.800
= = 72,5%
80
Portanto, o queijo coalho de cabra tem uma maior preferência dos homens entre
30 e 40 anos de idade (72,5%) do que o queijo coalho de búfala (27,5%).
Exemplo 5: Verificar pelo teste do sinal se existe ou não diferença significativa
devido ao uso do produto na ração a partir dos dados da TABELA 18.5.
TABELA 18.5 – Efeito do uso de aditivo vitamínico na ração em relação à produção de leite (litros/dia)
em cabras da raça Murciana no Semi-árido Nordestino (dados fictícios)
Com Aditivo 1,7 1,9 1,6 1,9 1,5 1,9 2,1 1,4 1,8 2,2 1,8 1,9
Sem Aditivo 1,4 1,6 1,4 1,7 1,8 1,5 1,8 1,7 1,7 1,8 1,6 1,7
2xBN
t =
N
2 x 10 12
=
12
20 12
=
3,4641
8
= = 2,309
3,4641
onde:
r = número de repetições de cada tratamento i;
R = soma das ordens de cada tratamento i (a parcela de menor valor recebe o valor 1, a
segunda o valor 2 e assim por diante);
N = número total de parcelas do experimento.
Quando dois ou mais valores forem iguais, ou seja, quando ocorrer empate entre
duas ou mais observações, a sua fórmula passa a ser a seguinte:
12 Ri2
N ( N 1)
r 3 ( N 1)
i
H=
1
i t i2 1)
t (
N ( N 2 1)
onde:
r = número de repetições de cada tratamento i;
R = soma das ordens de cada tratamento i (a parcela de menor valor recebe o valor 1, a
segunda o valor 2 e assim por diante, sendo que quando dois ou mais valores forem
iguais utilizam-se o valor médio para todos eles);
ti = número de observações empatadas em cada grupo de empates;
N = número total de parcelas do experimento.
R
Rˆ i i
ri
onde:
R = soma das ordens de cada tratamento i;
r = número de repetições de cada tratamento i.
N ( N 1) 1 1
∆ij (5%) = H
12 r r
i j
onde:
N = número total de parcelas do experimento;
ri = número de repetições do tratamento i;
rj = número de repetições do tratamento j;
H = valor tabelado da distribuição de H do teste de Kruskal-Wallis, no nível de 5% de
probabilidade, com k = 3 tratamentos, r1 ≤ r2 ≤ r3 ≤ 6.
N ( N 1) 1 1
∆ij (β %) = t
12 r r
i j
onde:
t = valor de t tabelado, com n1 = nível de significância β e n2 = infinitos graus de
liberdade do resíduo (TABELA A.7).
N = número total de parcelas do experimento;
ri = número de repetições do tratamento i;
rj = número de repetições do tratamento j.
Tabela 16.6 – Influência do tamanho do disco em relação ao esforço da tração (em kgf) na aração do solo
D1 – 26 cm D2 – 28 cm D3 – 30 cm
R1 = 54 R2 = 33 R3 = 18
NOTA: (*) Os números entre parênteses representam as ordens das observações na classificação
conjunta.
FONTE: CAMPOS (1983).
Logo, tem-se:
12 Ri2
H=
N ( N 1)
ri
3 ( N 1)
=
12
583,2 217,8 81,0 45
210
=
12
882,0 45
210
10.584,0
= 45
210
= 50,4 45 = 5,4
Logo, H calculado (5,4) < H tabelado (5,643) - ns. Assim, chega-se à conclusão
que não existe diferença significativa, no nível de 5% de probabilidade, pelo teste de H
de Kruskal-Wallis, entre os tamanhos dos discos, ou seja, os três tipos de discos
proporcionam o mesmo esforço da tração (em kgf) na aração do solo.
Exemplo 7: Verificar pelo teste H de Kruskal-Wallis se existe ou não diferença
significativa entre os tratamentos a partir dos dados da TABELA 16.7.
Tabela 16.7 – Efeito de inseticidas no feijoeiro (Phaseolus vulgaris L.) em relação à produção (em kg/ha)
R1 = 15 R2 = 41,5 R3 = 63,5
NOTA: (*) Os números entre parênteses representam as ordens das observações na classificação
conjunta.
FONTE: Adaptado de CAMPOS (1983).
Logo, tem-se:
12 Ri2
N ( N 1)
r 3 ( N 1)
i
H=
1
t i (t i2 1)
N ( N 2 1)
12
45,00 344,45 806,45 48
= 240
1
2 (3) 2 (3)
15 (224)
12
1.195,90 48
= 240
1
6 6
3.360
14.350,8
48
= 240
12
1
3.360
59,795 48
=
1 0,00357
11,795
= 11,837
0,99643
15
= = 3,0
5
R
Rˆ 2 2
r2
41,5
= = 8,3
5
R
Rˆ 3 3
r3
63,5
= = 12,7
5
N ( N 1) 1 1
∆ij (5%) = H
12 r r
i j
15 (15 1) 1 1
= 5,72
12 5 5
15 (16) 2
= 5,72
12 5
=
240
0,4 5,72
12
549,12
=
12
= 45,76 6,765
Yˆ1 = Rˆ1 Rˆ 2
Yˆ2 = Rˆ1 Rˆ 3
Yˆ3 = Rˆ 2 Rˆ 3
12
K=
bk (k 1)
Ri2 3 b (k 1)
onde:
R = soma das ordens de cada tratamento i (a parcela de menor valor recebe o valor 1, a
segunda o valor 2 e assim por diante, em cada bloco);
b = número de blocos do experimento;
Quando dois ou mais valores forem iguais, ou seja, quando ocorrer empate entre
duas ou mais observações de um mesmo bloco, a sua fórmula passa a ser a seguinte:
12
bk (k 1)
R i
2
3 b (k 1)
t
K= 3
k
1
ij
bk (k 2 1)
onde:
R = soma das ordens de cada tratamento i (a parcela de menor valor recebe o valor 1, a
segunda o valor 2 e assim por diante, sendo que quando dois ou mais valores forem
iguais utilizam-se o valor médio para todos eles, em cada bloco);
b = número de blocos do experimento;
k = tamanho do bloco, ou seja, número de parcelas e/ou de tratamentos que formam o
bloco;
tij = número de observações empatadas mais as individuais (não empatadas) em cada
bloco.
Blocos V1 V2 V3
R1 = 7 R2 = 9 R3 = 14
NOTA: (*) Nas linhas, os números entre parênteses representam as ordens das observações dentro de
cada bloco.
FONTE: Adaptado de GOMES (1985).
Logo, tem-se:
12
K=
bk (k 1)
Ri2 3 b (k 1)
=
12
5 x 3 (3 1)
(7) 2 (9) 2 (14) 2 3 x 5 (3 1)
=
12
49 81 196 15 (4)
15 (4)
=
12
326 60
60
3.912,0
= 60
60
= 65,2 60 = 5,2
Logo, K calculado (5,4) < K tabelado (6,16) - ns. Assim, chega-se à conclusão
que não existe diferença significativa, no nível de 5% de probabilidade, pelo teste de
Friedman, entre as variedades de tomateiro, ou seja, as três variedades proporcionaram a
mesma porcentagem de plantas doentes em tomateiro.
Exemplo 9: Verificar pelo teste de Friedman se existe ou não diferença
significativa entre os tratamentos a partir dos dados da TABELA 16.9.
Tabela 16.9 – Efeito de rações no ganho de peso (em kg) de ovinos (dados fictícios)
NOTA: (*) Nas linhas, os números entre parênteses representam as ordens das observações dentro de
cada bloco.
Logo, tem-se:
12
bk (k 1)
R i
2
3 b (k 1)
t
K= 3
k
1
ij
bk (k 2 1)
12
12,25 30,25 90,25 132,25 9 (5)
12 (5)
=
1
1 1 1 1 4 8 1 1 4 1 1 8 4
12 (16 1)
12
265,0 45
= 60
1
0 6 6
12 (15)
3.180,0
45
= 60
12
1
180
53 45
=
1 0,067
8
= 8,574
0,933
∆1 8,0
Yˆ1 = R1 – R2
Yˆ2 = R1 – R3
Yˆ3 = R1 – R4
Yˆ4 = R2 – R3
Yˆ5 = R2 – R4
Yˆ6 = R3 – R4
b) Através do teste do sinal, pede-se para comparar o leite de vaca com o leite de
búfula, a partir de uma amostra de 80 crianças do mesmo sexo e idade, onde foi oferecido
os dois tipos de leite para cada criança, pedindo-lhe que diga qual o melhor, cujo
resultado foi o seguinte: 44 crianças preferiram o leite de vaca (sinal +) e 36 crianças
preferiram o leite de búfula (sinal -).
c) Através do teste do sinal, pede-se para comparar o pão francês normal com o
pão francês especial (massa normal mais inclusão de multimistura), a partir de uma
amostra de 60 crianças do mesmo sexo e idade, onde foi oferecido os dois tipos de pães
para cada criança, pedindo-lhe que diga qual o melhor, cujo resultado foi o seguinte: 33
crianças preferiram o pão francês normal (sinal +) e 27 crianças preferiram o pão francês
especial (sinal -).
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 545
546