Estatística Experimental

1
INTRODUÇÃO À ESTATÍSTICA
1 EXPERIMENTAL
Na pesquisa em ciências agrárias, a Estatística Experimental é uma ferramenta

indispensável aos pesquisadores na elucidação de princípios biológicos e na solução de
problemas agropecuários; para empregá-la eficientemente é essencial uma completa
compreensão do assunto na qual se vai aplicá-la. Desse modo, as considerações práticas
são tão importantes como os requisitos teóricos, para determinar o enfoque estatístico ao
problema.
1.1 Considerações Gerais
A Estatística Experimental é a parte da matemática aplicada aos dados

experimentais obtidos de experimentos.
Os experimentos ou ensaios são pesquisas planejadas para obter novos fatos,
negar ou confirmar hipóteses ou resultados obtidos anteriormente. Em outras palavras,
são pesquisas planejadas, que seguem determinados princípios básicos, com o objetivo de
fazer comparações dos efeitos dos tratamentos.
Os experimentos, quanto ao número de tratamentos, podem ser:
a) Absoluto - quando tem apenas um tratamento;
b) Comparativo - quando possui mais de um tratamento.
Os tratamentos são as condições impostas às parcelas cujos efeitos desejam-se
medir ou comparar em um experimento. Eles podem ser qualitativos ou quantitativos.
Os tratamentos são denominados qualitativos quando não podem ser ordenados
segundo algum critério numérico e se diferenciam por suas qualidades. Por exemplo:
espécies de eucalipto; variedades de cana-de-açúcar; métodos de preparo de solo na
cultura da batata-doce; métodos de irrigação na cultura do melão; tipos de adubos
químicos na cultura da soja; tipos de adubos orgânicos na cultura do capim elefante; tipos
de poda na cultura da maçã; sistemas de plantio na cultura do milho; fitohormônios para
quebrar dormência de bulbos de cebola; fungicidas para controlar o agente causador da
mancha púrpura em alho; herbicidas para controlar plantas invasoras na cultura do
tomate; inseticidas para controlar a vaquinha na cultura do pimentão; espécies de peixe;
raças de caprino de corte; rações para alimentação de suínos; vermífugos no controle de
verminose em ovinos; vacinas para controle da aftosa em bovino de corte; tipos de
manejo em bovino de leite; etc..
Os tratamentos são quantitativos quando podem ser ordenados segundo algum
critério numérico. Por exemplo: níveis de nitrogênio para a cultura do trigo;
espaçamentos entre fileiras para a cultura do arroz; épocas de plantio para a cultura da
ervilha; doses de um inseticida para controlar a lagarta do cartucho na cultura do milho;
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 1
2
doses de um herbicida para controlar plantas invasoras na cultura do sorgo; densidades de
semeadura na cultura da soja; doses de um vermífugo no controle de verminose em
caprinos; níveis de lisina na nutrição de frangos de corte; níveis de caseína iodada na
nutrição de vacas leiteiras; etc..
Quando os tratamentos são escolhidos pelo pesquisador, de modo que o
experimento possa ser repetido com os mesmos tratamentos, são denominados de efeito
fixo. Quando, porém, os tratamentos são obtidos como uma amostra aleatória de uma
população de tratamentos, de modo que o experimento não possa ser repetido com os
mesmos tratamentos, são denominados de efeito aleatório.
A classificação dos tratamentos em efeito fixo ou efeito aleatório tem implicação
direta na interpretação dos resultados da pesquisa. Para tratamentos de efeito fixo as
conclusões são válidas somente para os tratamentos estudados, enquanto para tratamentos
de efeito aleatório as conclusões são para toda a população de onde os tratamentos foram
retirados aleatoriamente.
As parcelas são as unidades em que é feita a aplicação casualizada dos
tratamentos, de modo a fornecer os dados experimentais que deverão refletir seus efeitos.
Em outras palavras, são as menores porções do material experimental onde os
tratamentos são avaliados. Por exemplo, uma parcela pode ser: uma folha de uma planta;
uma parte da copa de uma árvore ou a copa inteira; uma única planta ou um grupo delas;
uma área de terreno com plantas; um lote de sementes; um vaso de barro; um frasco; uma
caixa de madeira; uma placa de petri; um tubo de ensaio; uma gaiola; uma baia; um boxe;
uma parte do animal; um único animal ou um grupo deles; etc..
De um modo geral, o número de indivíduos ou área de uma parcela depende do
grau de heterogeneidade do material a ser pesquisado, ou seja, quanto maior for a
heterogeneidade, maior deverá ser o número de indivíduos, a fim de bem representar o
tratamento.
O estudo dos experimentos, desde o seu planejamento até o relatório final,
constitui o objetivo da Estatística Experimental.
1.2 Classificação dos Experimentos
Os experimentos são classificados em:

a) Aleatórios – são aqueles em cujo planejamento entra o acaso. Os mais
importantes são: Delineamento Inteiramente Casualizado, Delineamento em Blocos
Casualizados e Delineamento em Quadrado Latino.
b) Sistêmicos – são aqueles em cujo planejamento não entra o acaso, ou seja, são
aqueles em que os tratamentos a serem avaliados são colocados juntos.
Os experimentos sistêmicos eram muito usados antes da Ciência Estatística. Eles
só tinham o princípio básico da repetição. Em função disso, tais experimentos levavam a
um erro experimental muito grande, devido aos fatores aleatórios (solo, topografia,
manchas de solo, água, etc.).
A diferença entre os experimentos aleatório e sistêmico encontra-se na FIGURA
1.1. Observa-se que no experimento aleatório todos os três tratamentos encontram-se nas
mesmas condições, ou seja, numa faixa de alta fertilidade, numa faixa intermediária de
fertilidade e numa faixa de baixa fertilidade. Já no experimento sistêmico, o tratamento A
está sendo favorecido e o tratamento C está sendo prejudicado. Se potencialmente o
tratamento C fosse superior ao tratamento A, no caso do experimento sistêmico, ele não
poderia manifestar todo o seu potencial, por não estar sendo comparado em condições de
3
igualdade. É por isso que os experimentos sistêmicos apresentam um erro experimental
muito alto e as conclusões obtidas desses experimentos não são confiáveis.
FIGURA 1.1 – DIFERENÇA ENTRE OS EXPERIMENTOS ALEATÓRIO E SISTÊMICO
Experimento Aleatório Experimento Sistêmico

+F
A C B A A A
de Fertilidade
Gradiente
B A C B B B
A B C C C C
-F
1.3 Tipos de Experimentos
Existem três tipos de experimentos:

a) Preliminar – é aquele conduzido dentro de estações experimentais para a
obtenção de novos fatos. É científico, mas apresenta baixa precisão. Próprio para ensaios
de introdução de variedades de espécies cultivadas, ou quando se dispõe de um elevado
número de tratamentos e é necessário fazer uma triagem.
b) Crítico – é aquele que tem por objetivo negar ou confirmar uma hipótese
obtida no experimento preliminar e é conduzido dentro ou fora das fronteiras das estações
experimentais. É científico e apresenta maior precisão que o experimento anterior. Serve
para comparar vários tratamentos por meio dos delineamentos experimentais, usando as
técnicas estatísticas recomendadas.
c) Demonstrativo – é aquele lançado pela rede de extensão rural. É de cunho
demonstrativo, pois tem por objetivo demonstrar junto aos agricultores e/ou pecuaristas
os melhores resultados do experimento crítico. Geralmente é apenas comparativo, pois
compara uma nova técnica agropecuária com uma tradicional.
Nas FIGURAS 1.2 e 1.3 encontram-se, esquematicamente, os três tipos de
experimentos nas culturas do feijão e do gado bovino de corte, respectivamente.
FIGURA 1.2 – ESQUEMA MOSTRANDO OS TRÊS TIPOS DE EXPERIMENTOS NA CULTURA

DO FEIJÃO (Phaseolus vulgaris L.)
Introdução de Variedades de Feijão
Experimental
Estação
... 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

VL 7 64
4
Experimento
Demonstrativo
FIGURA 1.3 – ESQUEMA MOSTRANDO OS TRÊS TIPOS DE EXPERIMENTOS NA CULTURA

DO GADO BOVINO DE CORTE
Experimental
Introdução de Raças de Gado Bovino de Corte

Estação
Experimento
1 2 3 4 5 6 7 8 . . . 50 Preliminar
Seleção das 10 Melhores Raças

BLOCO
Experimental
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
Na FIGURA 1.2, inicialmente foram introduzidas 100 variedades de feijão e

selecionadas as dez melhores (Experimento Preliminar), posteriormente as dez melhores
variedades de feijão mais a variedade local (VL) foram avaliadas no delineamento em
blocos casualizados com três repetições (Experimento Crítico) e, em seguida, as duas
melhores variedades de feijão foram comparadas com a variedade local junto aos
agricultores (Experimento Demonstrativo).
Na FIGURA 1.3, inicialmente foram introduzidas 50 raças de gado bovino de
corte e selecionadas as dez melhores (Experimento Preliminar), posteriormente as dez
melhores raças de gado bovino de corte mais a raça local (RL) foram avaliadas no
delineamento em blocos casualizados com três repetições (Experimento Crítico) e, em
seguida, as duas melhores raças de gado bovino de corte foram comparadas com a raça
local junto aos pecuaristas (Experimento Demonstrativo).
1.4 Tipos de Variações
Na experimentação agropecuária ocorrem três tipos de variações nos dados

experimentais, a saber:
a) Variação premeditada – é aquela que se origina dos diferentes tratamentos,
deliberadamente introduzidos pelo pesquisador, com o propósito de fazer comparações.
Por exemplo, num estudo de competição de variedades de milho e/ou de avaliação de
raças de gado bovino de leite já existe uma variação entre elas devido à própria natureza
dos tratamentos, o que irá refletir nos dados experimentais. Outro exemplo, num estudo
de avaliação de inseticidas no controle da lagarta do cartucho do milho e/ou de avaliação
de carrapaticidas no controle de carrapatos de vacas leiteiras já existe, também, uma
variação entre eles devido à constituição química dos tratamentos, o que irá provocar
uma variação nos dados experimentais.

5
b) Variação externa – é aquela devido a variações não intencionais de causas
conhecidas, que agem de modo sistemático, podendo ser controlada pelo pesquisador
através do uso de blocos. Caso não seja controlada, esta variação ficará embutida no
resíduo, aumentando, assim, o erro experimental e, em conseqüência, diminuindo a
precisão experimental e tornando os testes de hipóteses menos sensíveis para detectar
diferenças significativas entre os tratamentos. Por exemplo, a heterogeneidade do solo é
uma variação desse tipo, pois as parcelas localizadas em solos mais férteis produzem
mais que as localizadas em terrenos pobres. Outro exemplo, dentro de uma casa-de-
vegetação, as condições de temperatura, umidade e insolação podem variar
consideravelmente de uma posição para outra, alterando o comportamento das plantas.
Ainda, um outro exemplo, dentro de um estábulo, ocorrendo uma variação na
temperatura e na luminosidade, as baias localizadas nas faixas de menor temperatura e de
maior luminosidade produzem mais leite do que as localizadas nas faixas de maior
temperatura e de menor luminosidade.
c) Variação acidental – é aquela devido a variações não intencionais de causas
desconhecidas, que agem de modo aleatório, não estando sob o controle do pesquisador.
Tal variação é que constitui o chamado erro experimental. Esta variação promove
diferença entre as parcelas que recebem o mesmo tratamento. Entre as variações
acidentais podem-se citar: diferença na constituição genética das plantas, variações
ligeiras no espaçamento, na profundidade de semeadura, na quantidade de adubos
aplicados, na quantidade de água de irrigação aplicada, etc., para o caso dos vegetais;
diferença na constituição genética dos animais, variações ligeiras na quantidade de ração
ministrada, na quantidade de água fornecida, na quantidade de vermífugo aplicado, na
quantidade de carrapaticida aplicado, etc., para o caso dos animais.
Os efeitos da variação acidental, sempre presentes, não podem ser conhecidos
individualmente e alteram, pouco ou muito, os resultados obtidos experimentalmente.
Assim, ao comparar, no campo, a produção de duas variedades de cana-de-açúcar, a
inferior poderá por simples acaso exceder a melhor variedade, por ter sido favorecida por
uma série de pequenos fatores não controlados. E ao comparar duas rações
potencialmente semelhantes na alimentação de leitoas, uma delas pode promover um
maior ganho de peso em relação à outra. Em virtude disso, o pesquisador tem obrigação
de fazer tudo o que for possível para reduzir o erro experimental, a fim de não incorrer
em resultados dessa natureza. Cabe a ele, pois, verificar se as diferenças observadas no
experimento têm ou não valor, ou seja, se são significativas ou não-significativas.
Uma diferença significativa indica que os tratamentos avaliados são
potencialmente diferentes, enquanto que uma diferença não-significativa indica que os
tratamentos avaliados são potencialmente semelhantes e que a diferença observada entre
eles foi devido à variação acidental.
Para que um experimento estivesse livre das variações acidentais, seria
necessário realizá-lo em condições inteiramente uniformes de solo, plantas com a mesma
constituição genética, o mesmo número de plantas por parcela, plantas com a mesma
idade, irrigação uniforme, ausência de insetos-praga, doenças e plantas invasoras,
adubação uniforme, etc., para o caso dos vegetais; e animais com mesma constituição
genética, o mesmo número de animais por parcela, animais com o mesmo peso, sexo e
idade, mesma quantidade de água e de ração administradas, mesma quantidade de
vermífugo aplicado, ambiente inteiramente uniforme, etc., para o caso dos animais.
Todavia, isso é praticamente impossível, e independe do local onde se está conduzindo o
experimento (campo, estábulo, laboratório, casa-de-vegetação, etc.). Em função disso, a
6
única alternativa do pesquisador é aplicar todo o seu conhecimento para minimizar as
variações acidentais no experimento.
1.5 Pontos Considerados na Redução do Efeito da Variação Acidental
A fim de reduzir o efeito da variação acidental nos experimentos, o pesquisador

deve dar especial importância aos seguintes pontos: forma da parcela, tamanho da
parcela, orientação das parcelas, efeito bordadura entre as parcelas, falhas de plantas nas
parcelas, número de repetições dos experimentos, delineamentos experimentais e forma
de condução dos experimentos.
1.5.1 Forma da parcela
A forma da parcela refere-se à razão entre o comprimento e a largura da parcela.

A melhor forma da parcela será, para cada caso, a que melhor controle as variações
acidentais e a que se adapte à natureza dos tratamentos a estudar.
No delineamento em blocos casualizados, o melhor é que a forma da parcela seja
retangular, para que cada bloco tenha a forma a mais quadrática possível; enquanto que,
ao contrário, no delineamento em quadrado latino, a parcela deve aproximar-se o mais
possível da forma quadrática, para que todas as repetições, no conjunto, se aproximem do
quadrado.
Tratando-se de parcelas pequenas, a forma tem pouca ou nenhuma influência
sobre o erro experimental. Em parcelas grandes, a forma tem uma influência notável. Em
geral, as parcelas longas e estreitas são as mais recomendáveis: assim, as parcelas de uma
repetição tenderão a participar de todas as grandes manchas de fertilidade do terreno que
ocupam, e também, quando for grande o número de tratamentos, o bloco não se afastará
muito da forma quadrática, que é outra recomendação para diminuir o efeito da variação
ambiental.
A forma da parcela também é influenciada pelo efeito bordadura e pela
heterogeneidade do solo. No primeiro caso, em experimentos onde tal efeito possa ser
apreciável, parcelas quadradas são desejáveis porque elas possuem um perímetro
mínimo, para um dado tamanho da parcela. Por exemplo, uma parcela retangular com
área de 9 m x 4 m = 36 m2 terá perímetro igual a 26 m. Por outro lado, uma parcela
quadrática com a mesma área de 6 m x 6 m = 36 m2 apresentará perímetro de apenas 24
m. Isso implica num menor número de plantas a serem eliminadas e, consequentemente,
numa maior área útil de parcela (área onde são coletados os dados experimentais), o que
irá representar melhor o tratamento. Quanto ao segundo caso, a escolha da forma da
parcela não é crítica quando a variação do solo é grande, tanto em uma direção como em
outra. Por outro lado, se existe um gradiente, as parcelas deverão ser retangulares.
Quando o padrão de fertilidade da área experimental for desconhecido, é mais seguro
usar as parcelas quadráticas (elas não darão a melhor precisão, mas também não darão a
pior).
Existe uma série de métodos utilizados para determinar a forma ideal de parcela,
os quais serão abordados no próximo item.
1.5.2 Tamanho da parcela

7
O tamanho da parcela compreende não apenas a área colhida, mas toda a área
que recebeu o tratamento. O melhor tamanho da parcela será aquele que proporcione uma
menor variação acidental, desde que não afete a precisão do experimento. Geralmente, tal
variação diminui com o aumento do tamanho da parcela. Contudo, se for aumentado
demais o tamanho das parcelas, o número das mesmas será diminuído, havendo uma
diminuição na precisão do experimento. Por exemplo, na determinação do caráter
produção, usualmente se registra uma diminuição na precisão mediante o emprego de
parcelas maiores que 400 m2; para a maioria das plantas cultivadas, as áreas
compreendidas entre 20 - 40 m2 registram uma boa precisão.
No caso dos animais, a variação acidental também diminui com o número
crescente de indivíduos por parcela. Todavia, se for aumentado demais o número de
indivíduos por parcela, o número das mesmas poderá ser diminuído, pela dificuldade de
se encontrar um lote homogêneo, ocorrendo, assim, uma redução na precisão
experimental. Por outro lado, se os animais podem ser manipulados individualmente,
recomenda-se, para se ter uma maior precisão experimental, a utilização de um maior
número de repetições do que um maior número de indivíduos por parcela.
Convém frisar que se utiliza, geralmente, um indivíduo por parcela no caso de
animais de grande porte, como búfalos, bovinos de corte e de leite, avestruzes, etc., e,
geralmente, mais de um indivíduo por parcela no caso de animais de médio e pequeno
portes. No caso de animais de médio porte, como ovinos, caprinos de corte e de leite e
suínos, se utiliza de um a quatro indivíduos por parcela, predominando dois indivíduos
por parcela. Já no caso de animais de pequeno porte, encontra-se uma variação muito
grande na literatura especializada em relação ao número de indivíduos por parcela, tanto
entre como dentro das espécies. Por exemplo, em frangos de corte o número de animais
por parcela varia de > 10 < 20; em codorna, varia de > 5 < 25 animais por parcela; em
peixes, a variação é bem maior entre as espécies: tilápia – > 4 < 60, predominando em
torno de 10 animais por parcela; tambaqui – > 4 < 25 animais por parcela; piauçu – > 4
< 15 animais por parcela.
Além de que já foi discutido, existem outros fatores que devem ser considerados
na escolha do tamanho da parcela. São eles:
a) Tipo de experimento – As práticas culturais relacionadas ao experimento
podem determinar o tamanho da parcela nos vegetais. Ensaios com fertilizantes requerem
parcelas maiores que estudos de avaliação de cultivares. Experimentos com irrigação ou
com práticas de preparo do solo requerem parcelas ainda maiores. No caso dos animais,
experimentos com animais no pasto requerem parcelas maiores do que experimentos com
animais confinados.
b) Espécie em estudo – Tanto nas espécies vegetais como nas espécies animais,
mesmo usando o mesmo número de indivíduos por parcela, o tamanho das parcelas
depende do porte das espécies em estudo. Por exemplo, experimentos com as culturas da
alface, cenoura, cebolinha, etc. requerem parcelas menores que experimentos com as
culturas do milho, trigo, sorgo, etc., que por sua vez requerem parcelas menores que
experimentos com as culturas do coqueiro, mangueira, eucalipto, etc.; experimentos com
codornas, peixes ornamentais, escargot, etc. requerem parcelas menores que
experimentos com frangos de corte, galinhas poedeiras, coelhos, etc. que por sua vez
requerem parcelas menores que experimentos com vacas leiteiras, bovinos de corte,
búfalos, etc..

8
c) Heterogeneidade do solo – Quando a heterogeneidade do solo é do tipo “em
retalhos”, isto é, quando a correlação entre produtividade de áreas adjacentes é baixa,
uma grande parcela deve ser usada.
d) Efeito bordadura – Quando tal efeito é grande, o tamanho da parcela também
deve ser maior, para possibilitar que algumas fileiras externas sejam descartadas.
e) Disponibilidade de recursos – Se a disponibilidade de recursos for limitada,
como por exemplo, pequena quantidade de sementes e/ou propágulos vegetativos, poucos
animais, área experimental reduzida, etc., forçosamente, as parcelas deverão ser menores.
f) Características avaliadas – Quando diversas características devem ser
medidas, o pesquisador pode necessitar de muitas plantas adicionais para amostragens,
especialmente quando a avaliação requer a destruição de plantas nos estágios iniciais de
crescimento. Nesse caso, a área da parcela deve ser grande o bastante para se dispor de
proteção contra a competição intraparcela, que ocorrerá quando as plantas amostradas
forem retiradas.
Neste momento, é oportuno fazer um comentário sobre amostragem de
parcelas. A amostragem de parcela é um procedimento para seleção de uma fração de
plantas ou animais de uma parcela experimental, para a representação dessa parcela com
precisão. Uma técnica de amostragem de parcelas é considerada boa, se os valores das
características medidos na amostra estão muito próximos daqueles que teriam sido
obtidos, se as mensurações tivessem sido efetuadas em todas as plantas ou animais da
parcela. A amostragem de parcela é usada quando o processo de mensuração em toda a
parcela é muito caro e trabalhoso. Alguns fatores devem ser levados em conta, quando da
amostragem de parcelas. São eles: unidade amostral, tamanho amostral e método de
amostragem.
A unidade amostral refere-se à unidade na qual serão feitas as mensurações. Essa
unidade pode ser uma planta ou um animal, um grupo de plantas ou de animais, etc.. O
tamanho amostral refere-se ao número de unidades amostrais que serão tomadas em cada
parcela. O método de amostragem é a maneira pela qual às unidades amostrais são
escolhidas na parcela. Se possível, essas unidades devem ser tomadas ao acaso.
Quando o procedimento da amostragem requer, para o caso dos vegetais, à
destruição das plantas amostradas e visitas freqüentes às parcelas, deve-se procurar
separar a área amostrada do tamanho da parcela. Isso pode ser feito deixando-se uma área
no centro da parcela para colheita, uma para amostragem, outra mais externa da parcela
para bordadura, e a área entre a do centro e a da amostragem também como bordadura.
Para a mensuração do mesmo caráter, como altura da planta, em diferentes estádios de
crescimento, as mesmas plantas devem ser usadas em todos os estádios de observação. Se
a amostragem é muito freqüente, deve-se mudar um terço ou um quarto das amostras, em
cada estádio de observação, para se evitar possíveis efeitos de freqüentes manuseios das
plantas amostradas.
Quanto aos métodos utilizados para determinação da forma e tamanho ideais de
parcela, a precisão experimental é o principal critério de escolha dos mesmos. Por outro
lado, dois tipos de ensaios têm fornecido dados para uso destes métodos. São eles:
ensaios de uniformidade e ensaios experimentais.
Para a condução de um ensaio de uniformidade, uma área experimental é
semeada com um tratamento uniforme, se possível uma linhagem ou um híbrido simples,
e recebe, uniformemente, as mesmas práticas agrícolas. Na colheita, ela é dividida em
muitas pequenas parcelas, sendo todas com as mesmas dimensões.

9
Entre os métodos que utilizam dados oriundos de ensaios de uniformidade, tem-
se o Método da Máxima Curvatura. Nele, dados do rendimento das unidades básicas
são combinados, de modo a simularem rendimentos de parcelas de vários tamanhos. Para
os vários tamanhos de parcela, calcula-se um índice qualquer de variabilidade que pode
ser a variância, o coeficiente de variação ou o erro padrão da média. O índice de
variabilidade e os tamanhos das parcelas são plotados em um sistema de eixos
coordenados. Uma curva a mão-livre é traçada através das coordenadas resultantes, e o
ponto de curvatura máxima é determinado a partir do qual o índice de variabilidade se
estabilizará. É este o ponto que irá determinar a forma e tamanho ideais da parcela, como
exemplifica a FIGURA 1.4.
FIGURA 1.4 – RELAÇÃO ENTRE O COEFICIENTE DE VARIAÇÃO E O NÚMERO DE
PARCELAS PARA DETERMINAR O PONTO DE CURVATURA MÁXIMA, A
PARTIR DE DADOS FICTÍCIOS DE RENDIMENTO
C.V. (%) 100

90
80
70
60
50
40
30
20
10
2 4 6 8 10 12 14 16 18
Número de Parcelas
O método em referência apresenta dois inconvenientes. Primeiro, não considera

os custos relativos de vários tamanhos de parcela e, segundo, o ponto de curvatura
máxima não é independente da menor unidade selecionada ou da escala de mensuração
usada.
O fato dos ensaios de uniformidade serem dispendiosos e trabalhosos tem levado
diversos pesquisadores a sugerir métodos para a determinação de tamanho e forma
ótimos de parcela, baseados em dados experimentais.
Entre os métodos que utilizam dados oriundos de ensaios experimentais, tem-se o
Método da Máxima Curvatura Modificado por Sanchez. O autor sugeriu uma
modificação do método da máxima curvatura, utilizando dados experimentais. Ele
chamou a atenção para o fato de que o ponto de máxima é determinado, em geral, por
inspeção visual, mas que é possível obter-se uma curva teórica do parâmetro em questão,
que seja função do tamanho da parcela. Assim, o tamanho ótimo corresponderá à abscissa
na qual a derivada da tal função seja igual a – 1, isto é, depois deste ponto, o aumento de
uma nova unidade da variável independente (a unidade mínima de tamanho da parcela ou
o número de plantas) produzirá uma redução de variável dependente (por exemplo, o
coeficiente de variação) menor que a unidade, pelo que não seria viável efetuar aumentos
adicionais.

10
Mais detalhes sobre métodos usados na determinação da forma e tamanho ideais
de parcela, baseados em dados oriundos de ensaios de uniformidade e de ensaios
experimentais, podem ser obtidos em SILVA (1981).
1.5.3 Orientação das parcelas
A orientação das parcelas refere-se à escolha da direção ao longo do qual os

comprimentos das parcelas serão colocados. Tal orientação, evidentemente, não é
definida para parcelas quadradas.
A orientação das unidades experimentais pode reduzir ou aumentar os efeitos dos
gradientes de fertilidade do campo. Se o terreno tem um gradiente de fertilidade
conhecido, as parcelas de cada repetição ou bloco devem ser colocadas com sua maior
dimensão no sentido paralelo a tal gradiente. Veja-se a comprovação matemática desta
recomendação. Na FIGURA 1.5 o gradiente de fertilidade tem a direção da flecha. Se for
colocado nesse terreno as parcelas nas formas: A, B e C, veja-se o que se sucede:
Na distribuição A, em que a maior dimensão das parcelas é perpendicular ao
gradiente de fertilidade, verifica-se que algumas parcelas têm maior fertilidade do que
outras; enquanto que na distribuição B, todas as parcelas participam por igual das
diferentes fertilidades do solo, pois todas terão um extremo fértil e outro pobre. Na
distribuição C, três parcelas participam da parte mais fértil, três da parte intermediária e
três da parte pobre.
FIGURA 1.5 - INFLUÊNCIA DA FORMA DE COLOCAÇÃO DAS PARCELAS NO BLOCO,

QUANDO O CAMPO TEM UM GRADIENTE DE FERTILIDADE CONSTANTE
NOTA: As flechas indicam o sentido do gradiente de fertilidade.
Se a variação do gradiente de fertilidade é constante (caso ideal) e igual a q de

uma faixa ou parcela à outra, as estimativas do desvio padrão para as distribuições A, B e
C, obtidas através da seguinte fórmula:
SQD
s=
N 1
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página

10
11
onde:
SQD = soma dos quadrados dos desvios;
N = número de observações ou de parcelas;
são:
SQD
sA 
N 1
=
 42   32   22   12  02  12  22  32  42
9 1
16  9  4  1  0  1  4  9  16
=
8
60
=
8
= 7,5  2,7386 g
SQD
sB 
N 1
=
02  02  02  02  02  02  02  02  02
9 1
0 0 00 0 0 0 0 0
=
8
0
=
8
= 0  0,0000 g
SQD
sC 
N 1
=
 32   32   32  02  02  02  32  32  32
9 1

11
12
9990 0 0999
=
8
54
=
8
= 6,75  2,5981 g
Verifica-se, assim, que a distribuição A tem o maior desvio padrão, segue-se C e

por último B.
Portanto, se é conhecido o gradiente de fertilidade do terreno, as parcelas devem
ser colocadas no campo com o lado mais comprido paralelo a direção de tal gradiente. Se
não for possível adotar a distribuição B por dificuldades de ordem prática, então se deve
adotar a distribuição C, sendo a distribuição A, a menos recomendável.
1.5.4 Efeito bordadura entre as parcelas
Denomina-se efeito bordadura à diferença em comportamento entre plantas ao

longo dos lados ou extremidades de uma parcela e as plantas do centro dessa parcela.
Essa diferença pode ser medida pela altura da planta, resistência às doenças e aos insetos-
praga, rendimento de grãos e de frutos, etc.. O efeito bordadura pode ocorrer quando um
espaço não plantado é deixado entre blocos e entre parcelas. Estes espaços proporcionam
maior aeração, luz e nutrientes às plantas de bordaduras, e contribuem para aumentar por
este motivo a colheita, com isto o rendimento dos tratamentos ficam superestimados em
razão da maior produção das plantas de bordadura. Esta influência é tanto maior, quanto
maior é a área que circunda a parcela, e menor é a parcela.
As áreas livres não só aumentam o rendimento, como também, o que é pior, os
tratamentos não apresentam por igual esta influência; assim nos experimentos de
competição de variedades, algumas variedades tendem a aproveitar melhor que outras as
áreas livres, conforme apresentado na FIGURA 1.6. Desse modo, alguns tratamentos
podem estar inconvenientemente em vantagem sobre outros nos experimentos, e dar
lugar a conclusões erradas.
FIGURA 1.6 – EFEITO BORDADURA EM VARIEDADES DE MILHO DEVIDO A ÁREAS NÃO

PLANTADAS ENTRE PARCELAS ADJACENTES

12
13
O efeito bordadura também pode ocorrer quando determinados tratamentos

influenciam nocivamente no comportamento dos tratamentos vizinhos, como por
exemplo: experimentos com competição de variedades, principalmente se as variedades
apresentam hábito de crescimento e maturidade diferentes; experimentos com
fertilizantes, inseticidas, fungicidas, bactericidas, herbicidas; experimentos com sistemas
de irrigação, etc.. A FIGURA 1.7 ilustra muito bem como esse efeito pode ocorrer, se for
utilizada num experimento variedade de hábito de crescimento diferente, por exemplo.
FIGURA 1.7 - EFEITO BORDADURA EM VARIEDADES DE MILHO DEVIDO A TRATAMENTOS

ADJACENTES DIFERENTES
Para minimizar o efeito bordadura, o pesquisador deve tomar as seguintes

precauções:
a) Evitar o uso de áreas não-plantadas para separar parcelas experimentais.
b) O número de ruas no experimento deve reduzir-se ao máximo.
c) Não medir caracteres agronômicos em fileiras-bordadura que, provavelmente,
sofreram os efeitos de competição entre parcelas.
d) Plantar umas poucas fileiras de um genótipo uniforme ao redor do perímetro
do experimento, para minimizar o efeito de bordos não-plantados sobre parcelas
localizadas ao longo dos lados do campo experimental.
e) Quando as variedades a serem avaliadas diferem bastante quanto ao hábito de
crescimento, escolher um delineamento experimental que permita o agrupamento de
variedades homogêneas, particularmente pela altura. Isto reduzirá o número de fileiras
necessárias como bordadura, contra o efeito de competição varietal.
f) A quantidade de fileiras a excluir depende do tipo de efeito bordadura. Quando
houver dúvida e quando o tamanho da parcela for bastante grande, excluir pelo menos
duas fileiras.
No que pese todas as precauções anteriores, o pesquisador deve ter consciência
que, no caso de experimentos de competição de variedades as parcelas experimentais
devem ter, no mínimo, três fileiras, de modo que se possa efetuar a colheita apenas na
fileira central, a qual é denominada de área útil. Além disso, ele deve eliminar as plantas
cabeceiras, plantas estas que se localizam nas extremidades da fileira, conforme ilustra a
FIGURA 1.8. O ideal é que ele tenha uma amostra mais representativa dos tratamentos
avaliados.
FIGURA 1.8 – ÁREA ÚTIL DE UMA PARCELA DE NOVENTA COVAS
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
A recomendação acima se fundamenta em resultados experimentais obtidos na

literatura especializada em diversas culturas, onde mostram que, em geral:
a) Existe competição entre variedades, na maioria dos estudos.
b) A competição, usualmente, é confinada a uma fileira de cada lado da parcela.
c) A competição entre variedades de hábitos de crescimento semelhantes é
desprezível.
d) Uma variedade altamente produtiva é usualmente, um forte competidor.
e) A competição é complexa e varia com as condições ambientais.
Consequentemente, não se pode classificar variedades, quanto ao valor da competição.
f) Os rendimentos de fileiras não-competitivas (fileira central de parcelas de três
fileiras) são menos variáveis que os rendimentos de fileiras competitivas (parcela de uma
única fileira).
1.5.5 Falhas de plantas nas parcelas
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.
FIGURA 1.9 – FALHAS EM UMA PARCELA EXPERIMENTAL DE SORGO

14
15
A presença de falhas em uma parcela significa que nem todas as plantas da

parcela estão sujeitas ao mesmo espaçamento e competição. Além disso, existe uma
correlação positivas entre número de plantas e produção, ou seja, quanto maior o número
de plantas, maior será a produção; se ocorrer falhas de plantas nas parcelas experimentais
de um determinado tratamento, o mesmo será prejudicado porque não poderá expressar
todo o seu potencial, ainda que as plantas vizinhas às falhas desenvolvam mais que as
outras, como mostra a FIGURA 1.9. Desse modo, a presença de falhas contribui para
aumentar o erro experimental, já que elas levam à falta de uniformidade das condições
experimentais.
Muitas vezes, contudo, em que pese todas as precauções possíveis, ocorrem
falhas em alguns experimentos, que podem ser de pequena ou grande monta. Se forem de
pequena monta, até 5%, em geral não constituem um fator sério. Porém, se estiverem no
intervalo de > 5% < 30%, é necessário recorrer aos métodos de correção de falhas. Se
as falhas são mais de 30% da população de plantas, é preferível repetir o experimento.
Alguns métodos usados na correção de falhas são apresentados a seguir:
a) Ausência de correção – O pesquisador ignora a presença de falhas e
determina o rendimento da parcela com base na área colhida. Aqui é assumido que o
rendimento de uma falha é totalmente compensado pelo aumento em rendimento das
covas vizinhas. Contudo, deve-se ressaltar que, na prática, a compensação não é total. Em
virtude disso, o rendimento da parcela fica subestimado.
b) Regra de três – O pesquisador considera que o rendimento de uma falha é
igual ao rendimento médio das outras covas na parcela. Por esse método, admite-se que a
presença de uma ou mais falhas não afeta a performance das plantas vizinhas. Todavia,
isso não ocorre na prática, ou seja, plantas vizinhas a uma falha sempre produzem mais
que plantas completamente competitivas. Desse modo, o rendimento da parcela fica
superestimado.
c) Regra de três, considerando-se a colheita apenas das plantas competitivas
– Por esse método, admite-se que a presença de uma ou mais falhas afeta a performance
das plantas vizinhas. Dessa forma, todas as plantas imediatamente a uma falha serão
eliminadas e o rendimento da parcela é obtido considerando-se apenas as plantas
competitivas. Nesse método, a estimativa do rendimento da parcela corrigida ficaria
muito próximo do valor que seria obtido na parcela sem a presença de falhas.
d) Uso de fórmulas de correção – Por esse método, utilizam-se fórmulas para
efetuar a correção dos pesos de grãos provenientes de parcelas com falhas. Com essa
finalidade, vários Estatísticos desenvolveram fórmulas para correção de stands de plantas
cultivadas. Por exemplo, ZUBER (1942), e LENG e FINLEY (1957) desenvolveram,
respectivamente, as seguintes fórmulas para correção de stands de milho:

15
16
 H  0,3M 
CW =   FW
 H M 
 0,6M 
CW = 1   FW
 H 
onde:
CW = peso corrigido;
FW = peso de campo;
M = número de falhas;
H = stand inicial.
Todavia, torna-se impossível o estabelecimento de qualquer fórmula confiável,

para correção de stands de plantas cultivadas, pois a porcentagem de aumento em
rendimento de grãos rodeando uma falha varia com a variedade, o espaçamento, o nível
de fertilidade do solo, a época de plantio, etc..
e) Análise de covariância – A análise de covariância é um método estatístico
que combina os conceitos da análise de variância e da regressão, de maneira a fornecer
uma análise mais discriminatória do que qualquer um desses métodos isoladamente. Ela
envolve duas variáveis concorrentes e correlacionadas as quais, no presente caso, são o
rendimento e o número de plantas por parcela.
Tal método envolve conhecimentos de análise de variância e de regressão.
Contudo, se as pressuposições da análise de covariância forem satisfeitas, ela é,
provavelmente, o melhor procedimento de ajuste de stands. Mais detalhes, ver capítulo
específico sobre o assunto.
1.5.6 Número de repetições dos experimentos
A necessidade de repetições foi reconhecida pelos pesquisadores a partir do ano

de 1846 e atualmente não se discute mais a sua importância em quase todos os
experimentos. A repetição é um dos princípios de experimentação de que se vale o
pesquisador para controlar a variabilidade do meio.
De um modo geral, o número de repetições de um experimento depende dos
seguintes fatores:
a) Variabilidade do meio em que se realiza o experimento – Quanto maior a
variabilidade do meio, maior deve ser o número de repetições. A variabilidade do meio
pode influir mais sobre algumas características em estudo do que sobre outras. Eis alguns
exemplos: a heterogeneidade do solo influi mais sobre os rendimentos do algodão do que
sobre o peso e o comprimento da fibra; a variação de luz influi mais sobre o consumo de
ração e ganho de peso de frangos de corte do que sobre a pigmentação da carcaça; a
variação de temperatura interfere mais na produção de leite de vacas leiteiras do que no
teor de gordura.
b) Número de tratamentos em estudo – Experimentos com poucos tratamentos
necessitam de maior número de repetições, para se ter uma boa precisão na estimativa do

16
17
erro experimental. Por exemplo, na avaliação de dois sistemas de produção de batata-
doce são necessárias, no mínimo, dez repetições. Quando, porém, o experimento
apresenta muitos tratamentos, como por exemplo, avaliação de 100 progênies de meios
irmãos de milho em relação à produção de grãos, poucas repetições são usadas, em torno
de duas a três repetições.
c) Natureza dos tratamentos – Se, pela natureza dos tratamentos em estudo,
espera-se que haja poucas diferenças entre eles, o número de repetições deverá ser o
maior possível para que se possa medi-las com maior precisão. Caso contrário, o número
de repetições poderá ser diminuído dentro de certos limites prudentes.
d) Disponibilidade do material experimental – Quando se dispõe de grande
quantidade do material experimental, tanto animal quanto vegetal, pode-se aumentar o
número de repetições do experimento, pois, com certeza, aumentará a precisão
experimental. Por outro lado, quando há uma limitação do material experimental em
função de uma série de fatores, tais como: pouca quantidade de sementes e/ou de
propágulos vegetativos, poucos animais, limitação de recursos financeiros, etc.,
logicamente o número de repetições deve ser reduzido.
e) Disponibilidade de área experimental – A área das parcelas também limita o
número de repetições, pois quando se dispõem de uma grande área experimental pode-se
aumentar o número de repetições do experimento, tendo, como conseqüência, o aumento
da precisão experimental. Por outro lado, quando há uma limitação de área experimental,
logicamente o número de repetições deve-se ser reduzido. Todavia, isso não deve ser
proporcional, pois é preferível sacrificar a área da parcela em favor do número de
repetições, dentro de certos limites prudentes.
f) Espécie a ser estudada – O pesquisador, no caso de espécies animais de
médio e grande portes, terá dificuldade de contar com um grande grupo de animais
homogêneos (mesma raça, mesmo sexo, mesmo peso, mesma idade, etc.), o que resultará
num menor número de repetições do experimento. Já no caso das espécies animais de
pequeno porte, essa dificuldade praticamente não existe, possibilitando ao pesquisador
aumentar o número de repetições do experimento para alcançar uma melhor precisão
experimental. Quanto às espécies vegetais, as de grande porte, principalmente as árvores
frutíferas e florestais, demandam parcelas maiores, o que resultará num menor número de
repetições do experimento; enquanto que as de pequeno porte requerem parcelas
menores, o que permitirá ao pesquisador aumentar o número de repetições do
experimento para melhorar a precisão experimental.
g) Custo de execução das etapas do experimento – O número de repetições
também é afetado pelo custo de execução das etapas do experimento. Quanto maior o
custo das etapas do experimento, menor será, logicamente, o número de repetições.
O número ideal de repetições em um experimento pode ser determinado por meio
de ensaios de uniformidade ou por meio de métodos baseados em resultados conseguidos
em ensaios anteriores. Tais meios são trabalhosos e nem sempre chegam a resultados
satisfatórios.
Uma regra prática para se determinar o número de repetições de um experimento,
que tem surtido bons resultados na experimentação agropecuária, é a de que os
experimentos devem ter, no mínimo, 20 parcelas. Como o número de parcelas de um
experimento (N) depende do número de tratamentos (t) e do número de repetições (r), ou
seja, N = t x r, então, dessa forma, conhecendo-se o número de tratamentos chega-se ao
número de repetições. Por exemplo, se num experimento têm-se dez tratamentos, deve-se
17
18
ter duas repetições para se ter 20 parcelas, que é o número mínimo exigido. Da mesma
forma, se o experimento têm dois tratamentos precisam-se de dez repetições para se ter
20 parcelas. Ainda, se o experimento têm cinco tratamentos, para se ter 20 parcelas são
necessárias quatro repetições.
Também, uma outra forma bastante prática, que pode ser usada para se
determinar o número de repetições de um experimento, é através do número de graus de
liberdade do resíduo ou erro experimental da análise de variância, sendo dez graus de
liberdade do resíduo o valor mínimo para se ter, de um modo geral, uma boa precisão
experimental. Por exemplo, se num experimento inteiramente casualizado têm-se dez
tratamentos, deve-se ter duas repetições para se ter, no mínimo, dez graus de liberdade do
resíduo, pois o GL Resíduo = t (r – 1), onde t corresponde ao número de tratamentos e r o
número de repetições. Da mesma forma, se o experimento inteiramente casualizado
tivesse dois tratamentos seriam necessárias seis repetições para se ter dez graus de
liberdade do resíduo. Ainda, se um experimento em blocos casualizados tivesse cinco
tratamentos seriam necessárias quatro repetições em vez de três repetições, pois o GL
Resíduo = (t – 1)(r – 1).
De um modo geral, a regra prática baseada no número de parcelas conduz a uma
maior precisão experimental do que a regra baseada no número de graus de liberdade do
resíduo. Contudo, se o pesquisador atender as duas regras ao mesmo tempo, logicamente
aumentará ainda mais a precisão experimental. Por exemplo, se um experimento
inteiramente casualizado tivesse dois tratamentos seriam necessárias seis repetições para
se ter dez graus de liberdade do resíduo, o que atenderia plenamente a regra baseada no
número de graus de liberdade do resíduo. Por outro lado, não atenderia a regra baseada
no número de parcelas, pois o experimento só teria 12 parcelas em vez de 20 parcelas,
que seria o mínimo exigido. Entretanto, se o número de repetições fosse igual a dez, o
experimento teria 20 parcelas e 18 graus de liberdade do resíduo. Nessa situação, o
experimento seria muito mais preciso.
1.5.7 Delineamentos experimentais
Existe grande quantidade de delineamentos experimentais apropriados para os

mais diversos tipos de experimentos, tendo todos eles como finalidade a redução do erro
experimental; destes, os mais utilizados são os delineamentos: inteiramente
casualizado, blocos casualizados e quadrado latino.
O inteiramente casualizado é o delineamento básico, sendo os outros
modificações deste, cada um dos quais tem uma ou mais restrições na distribuição dos
tratamentos. Entre os delineamentos mais empregados, o quadrado latino é geralmente, o
de maior precisão, sendo o inteiramente casualizado o de menor precisão. Contudo, sob o
ponto de vista prático, o delineamento em blocos casualizados é o mais utilizado na
experimentação de campo e em outros ambientes heterogêneos, enquanto que o
delineamento inteiramente casualizado é o mais utilizado em experimentos conduzidos
em laboratório, viveiro, casa-de-vegetação, galpão, estábulo, etc., desde que as condições
experimentais sejam homogêneas.
Os principais delineamentos experimentais utilizados na pesquisa agropecuária
serão vistos em capítulos separados, posteriormente.
18
19
1.5.8 Forma de condução dos experimentos
A execução de um experimento inicia-se com a eleição do terreno, para o caso de

espécies vegetais. É fundamental que nesta eleição se tenha presente que o terreno eleito
deve ser o reflexo fiel das condições médias da região ao qual se pretende estender as
conclusões obtidas do experimento. Já para o caso de espécies animais, a execução do
experimento inicia-se com a eleição do ambiente de estudo (campo, galpão, tanque, etc.),
que também deve refletir as condições médias da região para a qual se pretende estender
as conclusões obtidas do experimento.
Vê-se que, a fim de reduzir o erro experimental nos experimentos, é necessário
escolher terrenos e/ou ambientes o mais uniforme possível, pela mesma razão, a
execução dos diferentes trabalhos agropecuários devem ser realizados também com a
maior uniformidade.
Se ao realizar o plantio, umas parcelas são semeadas a maior profundidade do
que as outras, ou se aduba, irriga, amontoa, etc., umas mais que às outras, isto tudo
redundará no aumento da variabilidade e do erro experimental. Pelo mesmo motivo deve-
se cuidar para que haja uniformidade do tamanho das parcelas.
Para evitar diferenças nos sulcos deve-se uniformizar o trabalho das máquinas e
dos homens que serão empregados nas diferentes operações culturais e manter uma
estreita vigilância durante o trabalho em toda sua execução.
No caso dos animais, ao se iniciar o experimento, umas parcelas recebem mais
água do que outras, ou se coloca mais ração em umas do que em outras, tudo isto também
redundará no aumento da variabilidade e do erro experimental.
Também se deve evitar que o mesmo homem seja empregado no trabalho de
todas as parcelas de um mesmo tratamento, pois, no que pese as precauções que se
tomem, pode haver diferenças notáveis na forma de trabalho das pessoas; neste caso, se
não são tomadas às precauções necessárias, o operário que melhor trabalhar colocará em
vantagem aquele tratamento em todas as repetições. O recomendável, então, seria
permutar os operários entre os tratamentos ao passar de um bloco a outro.
Se por algum motivo há necessidade de suspender os trabalhos para continuar no
dia seguinte, deve-se ter o cuidado de não interromper o trabalho até que haja terminado
o serviço já iniciado em determinado bloco, caso contrário, isso pode influir aumentando
o erro experimental, desde que variem as condições ambientais no momento de continuar
a operação.
De modo geral, é importante quando se executam experimentos de adubação,
espécies, variedades, inseticidas, fungicidas, bactericidas, antibióticos, herbicidas,
vermífugos, vacinas, raças, rações, inibidores, vitaminas, aminoácidos, etc., conhecer a
procedência de cada um dos produtos a ser estudado, fórmulas químicas, concentrações e
demais características. Em experimentos de competição de variedades e/ou espécies,
devem-se determinar previamente a natureza e o poder germinativo da semente. Já em
experimentos de comportamento de raças e/ou espécies, devem-se avaliar previamente o
estado de saúde dos animais.
Todos os experimentos devem ser semeados na época propicia ao cultivo sem
nunca esquecer de incluir os tratamentos testemunhos, que no caso especial de adubação
devem ser dois: a adubação normal feita pelo agricultor e o tratamento sem adubo.

19
20
Nos experimentos com árvores frutíferas ou florestais, deve-se evitar o emprego
de árvores provenientes de sementes, pois, provavelmente, a população haverá de ser
mais heterogênea do que quando provém do mesmo tipo de enxerto. Quando isto não é
possível, então se deve selecionar no campo as árvores da mesma variedade, idade e
vigor, para conduzir o experimento. Ajudará muito a selecionar as árvores o exame da
produção de cada árvore antes de se iniciar o experimento. Nos experimentos com
culturas perenes deve-se redobrar a atenção para manter a maior uniformidade possível
no campo experimental, já que esses experimentos demandam mais tempo e dinheiro que
as culturas anuais.
Nos experimentos com árvores, o número de plantas por parcela pode variar de
duas a dez, desde que haja regularidade no vigor, idade, produtividade, estado sanitário,
etc., das árvores. Em caso contrário, é preciso selecionar as plantas que tenham essa
característica, porém isso trará como conseqüência o fato de as árvores selecionadas
ficarem intercaladas com as não selecionadas. Nestas condições já não é possível
prosseguir com o conceito de parcela experimental, devendo-se então considerar cada
árvore como uma unidade, distribuindo-se os tratamentos ao acaso entre as unidades no
campo.
É necessário que o próprio pesquisador colete os dados do experimento e não o
capataz ou auxiliar, como muitas vezes ocorre sob pretexto de que são trabalhos de
rotina. Ao fazê-lo, o próprio pesquisador terá mais confiança nos dados coletados, ao
mesmo tempo em que poderá tomar conhecimento de fatos imprevistos, que bem podem
servir para explicar resultados finais inesperados.
O pesquisador deve anotar pessoalmente os dados e observações do experimento
em uma caderneta de campo e não em folhas soltas; em forma clara e ordenada que possa
ser entendida por qualquer outro pesquisador, para o caso de que tenha de ausentar-se.
Deve-se lembrar o pesquisador que sua tarefa é tirar conclusões que beneficiem a
agropecuária e que desta forma fiquem justificados os recursos e tempo empregados.
1.6 Qualidades de um Bom Experimento
As qualidades de um bom experimento são:

a) Simplicidade de execução - No planejamento do experimento o pesquisador
deve ser bastante claro e objetivo, de modo que qualquer outro pesquisador possa
conduzi-lo normalmente no caso de ocorrer algum imprevisto, como por exemplo, se
alguns dias após a instalação do experimento o pesquisador teve que se ausentar por
motivo superior. Caso contrário, os recursos e o tempo empregados serão inúteis.
b) Não apresentar erros sistemáticos - Na instalação do experimento o
pesquisador deve evitar erros sistemáticos na demarcação das parcelas, de modo a
proporcionar condições de igualdade para todos os tratamentos no experimento. Por
exemplo, na cultura do pimentão, se o espaçamento entre fileiras for de 0,80 m, o
pesquisador deve iniciar a demarcação das fileiras na parcela a partir de 0,40 m, que
corresponde à metade do espaçamento utilizado, de modo que fique faltando à mesma
distância no final da parcela. Da mesma forma, se o espaçamento, na mesma cultura, for
de 0,40 m entre as plantas dentro da fileira, o pesquisador deve iniciar a demarcação das
plantas dentro das fileiras a partir de 0,20 m, que corresponde a metade do espaçamento
utilizado, de modo que fique faltando a mesma distância no final da fileira.

20
21
c) Ter alta precisão - Quanto maior a precisão do experimento, menor será o
erro experimental e as conclusões obtidas terão maior credibilidade. É através do
coeficiente de variação que o pesquisador estima a precisão experimental, ou seja, quanto
menor for o coeficiente de variação maior será a precisão experimental.
d) Ser exato - Quanto mais próximos os dados experimentais estiverem dos
valores verdadeiros, ou seja, se a média estimada dos tratamentos estiver bem próxima da
média verdadeira, o experimento será mais exato. É através do erro padrão da média que
o pesquisador avalia a exatidão do seu experimento, ou seja, quanto menor for o erro
padrão da média, mais precisa será a estimativa da média e o experimento será mais
exato.
e) Fornecer amplos resultados - O experimento deve fornecer amplos
resultados, de modo que as conclusões tiradas beneficiem a agropecuária e justifiquem os
recursos e tempo empregados. Por isso, ele deve ser bem planejado e executado, para
gerar dados experimentais precisos que possam ser analisados e interpretados
adequadamente, visando o alcance dos objetivos propostos. Se o experimento foi mal
planejado, geralmente não haverá mais solução para a análise estatística e os resultados
obtidos não permitem alcançar os objetivos propostos, com perda de tempo, de recursos e
prejuízos para todos. Da mesma forma, se o experimento não foi bem conduzido não
produzirá dados experimentais confiáveis e os prejuízos serão os mesmos.
1.7 Qualidades de um Bom Pesquisador
Um bom pesquisador deve apresentar, entre outras, as seguintes características:

a) Ser capaz de estabelecer prioridades, traçar metas e gerenciar os recursos
humanos, físicos e econômicos, de forma a atingir os objetivos da pesquisa;
b) Ter conhecimento do material que irá trabalhar (planta, animal, etc.) e da
região onde irá desenvolver a pesquisa, pois, caso contrário, não atingirá plenamente os
objetivos, nem tão pouco tirará conclusões que beneficiem a agropecuária;
c) Ter bons conhecimentos de estatística experimental, pois só assim ele poderá
planejar e conduzir bem seus experimentos com a maior precisão possível, analisar os
dados experimentais adequadamente e interpretar os seus resultados com coerência;
d) Ler periodicamente para se manter atualizado, pois não é possível realizar
pesquisa que realmente contribua para o desenvolvimento da agropecuária sem
informação, além de evitar perda de tempo e de recursos com pesquisas cujos problemas
que já foram solucionados por outros pesquisadores;
e) Ser futurista, no sentido de se antecipar na solução do problema, objeto da
pesquisa, antes que ocorra a sua difusão em nível de propriedade rural, sob pena do tema
da pesquisa não ter mais sentido, uma vez que o problema já pode ter sido resolvido pelos
produtores, com perda de tempo e de recursos para a sociedade;
f) Ser questionador, no sentido de nunca se acomodar, acreditando sempre que é
possível fazer algo de novo, mantendo a capacidade criativa em pleno funcionamento;
g) Ter dedicação e persistência, mesmo encontrando alguns problemas
desanimadores;
h) Ter paciência, pois a pressa poderá conduzir a resultados indesejados;
i) Ser observador, pois muitas descobertas de impacto para a agropecuária
resultaram do senso de observação de muitos pesquisadores, além de servir para explicar
resultados inesperados na pesquisa;
21
22
j) Fazer uso do raciocínio e do bom senso, pois nem sempre o pesquisador
encontra as condições ótimas para conduzir suas pesquisas;
l) Ser honesto, antes de tudo, pois a sociedade precisa do seu trabalho digno para
se desenvolver bem.
1.8 Princípios Básicos da Experimentação
A pesquisa científica está constantemente se utilizando de experimentos para

provar suas hipóteses. É claro que os experimentos variam de uma pesquisa para outra,
porém, todos eles são regidos por alguns princípios básicos, dos quais depende a maior
ou menor validez das conclusões obtidas. Tais princípios são: repetição, casualização e
controle local.
1.8.1 Repetição
A repetição corresponde ao número de vezes que o tratamento aparece no

experimento. Quanto maior o número de repetições de um experimento, menor
probabilidade de erro ele terá. Normalmente, em quase todos os experimentos, usa-se de
quatro a seis repetições. Contudo, o número de repetições de um experimento depende de
uma série de fatores, os quais já foram vistos anteriormente (ver item 1.5.6 Número de
repetições dos experimentos).
O princípio da repetição tem por finalidade:
a) Permitir a estimativa do erro experimental;
b) Aumentar a precisão das estimativas;
c) Aumentar o poder dos testes estatísticos.
Ao comparar-se, por exemplo, duas variedades de milho (A e B), semeadas em
duas parcelas dimensionalmente iguais, o simples fato de A produzir mais do que B não é
suficiente para concluir-se que A é mais produtiva. Isso poderá ter ocorrido por simples
acaso ou por fatores acidentais.
Porém, se forem semeadas várias parcelas com as variedades A e B, mesmo
assim verifica-se que a variedade A apresenta maior produtividade, já é um indício de
que ela seja mais produtiva.
Também, ao comparar-se, por exemplo, duas raças de gado bovino de leite (X e
Y), colocadas em duas parcelas (baias) com as mesmas dimensões, o simples fato de X
produzir mais leite do que Y não é suficiente para concluir-se que X é mais produtiva.
Isso poderá ter ocorrido por simples acaso, ou seja, a vaca que representou a raça X se
encontrava bem acima da média da raça em termos de produção de leite e a vaca que
representou a raça Y se encontrava no limite inferior da produção de leite da raça, visto
que é normal haver diferença na constituição genética dos animais de uma mesma raça.
Como nenhuma das vacas estava representando fielmente o potencial produtivo de suas
raças, a conclusão não merece credibilidade.
Porém, se forem colocadas várias parcelas com as raças X e Y e a raça Y
apresenta-se com a maior produção de leite, já é um indício de que ela seja mais
produtiva.
1.8.2 Casualização

22
23
A casualização consiste em se distribuir aleatoriamente os tratamentos nas
parcelas, de modo que cada um tenha a mesma chance de ocupar qualquer parcela na área
experimental. A casualização assegura a validade da estimativa do erro experimental,
pois permite uma distribuição independente do erro experimental.
Embora considerando diversas parcelas de A e outras de B do exemplo anterior,
poderá ocorrer que A foi mais produtiva por ter sido favorecida por algum fator qualquer,
como, por exemplo, todas as suas parcelas estarem agrupadas numa parte mais fértil do
solo.
Para evitar que uma das variedades, no caso em consideração, seja favorecida
sistematicamente por qualquer fator externo, procede-se à casualização das parcelas.
Se, mesmo assim, a variedade A é mais produtiva, é mais um indicativo de que
ela seja mais produtiva.
Também, mesmo considerando diversas parcelas de X e outras de Y do exemplo
com as raças de gado bovino de leite, poderá ocorrer que Y foi mais produtiva por ter
sido favorecida por algum fator qualquer, como, por exemplo, todas as suas parcelas
estarem agrupadas num ambiente onde a temperatura foi mais favorável.
Para evitar que uma das raças, no caso em consideração, seja favorecida
sistematicamente por qualquer fator externo, procede-se à casualização das parcelas.
Se, mesmo assim, a raça Y apresentou a maior produção de leite, é mais um
indicativo de que ela seja mais produtiva.
1.8.3 Controle Local
O controle local é usado quando as parcelas, antes de receberem os tratamentos,

apresentam diferenças entre si. Dessa maneira, deve-se fazer o agrupamento das parcelas
homogêneas em blocos, que têm por finalidade diminuir o erro experimental. Os critérios
para o agrupamento das parcelas homogêneas em blocos podem ser: idade, sexo,
produção, peso, textura do solo, declividade, localização geográfica, etc..
Algumas observações se fazem necessárias:
a) Quando o ambiente é reconhecidamente homogêneo, dispensam-se os blocos;
entretanto, se houver dúvidas quanto à homogeneidade, recomenda-se a sua utilização.
b) Em certos tipos de experimentos, os blocos não contêm todos os tratamentos;
são os chamados blocos incompletos.
c) Nos blocos, cada tratamento só aparece uma única vez; em certos casos, os
blocos são constituídos de mais de uma repetição dos tratamentos.
d) A variação dentro dos blocos deve ser a menor possível, ao passo que a
variação entre os blocos pode ser grande ou pequena, isto não importa.
e) Em experimentos de alimentação animal, principalmente de vacas leiteiras,
cada animal representa um conjunto de parcelas (bloco); são os experimentos
alternativos, onde se toma cada animal como um bloco, sobre o qual se consideram várias
parcelas, que são períodos sucessivos de produção de leite, de ovos, etc., cada um deles
com algumas semanas de duração, tendo-se o cuidado de desprezar a produção do animal
na primeira semana que se segue à mudança de tratamento, para eliminar o efeito residual
de um tratamento sobre o tratamento subseqüente.
Ainda que as variedades A e B de milho, do exemplo citado anteriormente,
tivessem sido semeadas em várias parcelas, todas elas casualizadas na área experimental,
poderá acontecer que A foi mais produtiva por ter sido favorecida por algum fator
23
24
qualquer, como por exemplo, a maioria de suas parcelas ficou, por acaso, numa parte
mais fértil do solo.
Para evitar que isso aconteça, procede-se o controle local.
Se ainda assim, a variedade A foi a mais produtiva, é de se esperar que essa
conclusão seja realmente válida.
Também, mesmo que as raças X e Y de gado bovino de leite, do exemplo citado
anteriormente, tivessem sido colocadas em várias parcelas, todas elas casualizadas na
área experimental, poderá acontecer que Y apresentou a maior produção de leite por ter
sido favorecida por algum fator qualquer, como por exemplo, a maioria de suas parcelas
ficou, por acaso, num ambiente onde a temperatura foi mais favorável.
Para evitar que isso aconteça, aplica-se o princípio do controle local.
Se ainda assim, a raça Y apresentou a maior produção de leite, é de se esperar
que essa conclusão seja realmente válida.
1.9 Exercícios
a) Pretende-se avaliar o comportamento de seis espécies de leguminosas no

Município de Maceió-AL, com o objetivo de melhorar a fertilidade do solo da região de
tabuleiro, através da adubação verde, e você foi o escolhido para realizar essa pesquisa.
Mostre, de maneira esquemática, como você instalaria o experimento no campo, se o
mesmo fosse do tipo aleatório. E como ficaria se fosse do tipo sistêmico. Qual dos tipos
de experimentos proporcionaria uma menor variação acidental? Justifique.
b) Dê exemplo de um ensaio e identifique os três tipos de variações.
c) Por que no procedimento de amostragem de parcelas deve-se separar a área

amostrada do restante da parcela, no caso dos vegetais?
d) Mostre, de maneira esquemática, como a orientação das parcelas e o efeito

bordadura são fontes de erro experimental. O que deve ser feito para minimizar estas
fontes de erro experimental?
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.
f) Por que, nos experimentos de competição de variedades, as parcelas

experimentais devem ter, no mínimo, três fileiras?
g) Para que servem os métodos de correção de falhas? Dê um exemplo fictício,

aplique cada um dos métodos de correção de falhas, com exceção da análise de
covariância, compare os resultados obtidos e tire as devidas conclusões.
h) Mostre, de maneira esquemática, a importância de cada um dos princípios

básicos da experimentação.

24
25

25
25
ETAPAS DE UM
2 EXPERIMENTO
O pesquisador das ciências agrárias está constantemente se utilizando de

experimentos para obter novos fatos, negar ou confirmar hipóteses ou resultados obtidos
anteriormente. Tais experimentos, conforme já visto no capítulo anterior, são pesquisas
planejadas, que tomam por base determinados princípios básicos, para resolver
problemas da agropecuária. Em função disso, eles apresentam as seguintes etapas:
elaboração do projeto, instalação do experimento, execução do experimento, análise
estatística dos dados experimentais, interpretação dos resultados e relatório final.
2.1 Elaboração do Projeto
Todo pesquisador durante sua vida profissional elabora vários projetos de

pesquisa. Tais projetos têm por objetivo obter recursos para a condução da pesquisa, além
de orientar as atividades durante o decorrer do trabalho.
A elaboração de um projeto de pesquisa não é uma empreitada simples, pois
exige conhecimento e dedicação por parte do pesquisador. Ele normalmente deve possuir
um profundo conhecimento da espécie que irá trabalhar em vários aspectos, tais como:
botânica, fisiologia vegetal, genética vegetal, manejo da cultura, problemas de insetos-
praga e doenças e exigência de mercado, para o caso de espécies vegetais; e anatomia,
fisiologia animal, genética animal, manejo do animal, problemas de parasitos e doenças e
exigências de mercado, para o caso de espécies animais. Segundo RAMALHO,
FERREIRA e OLIVEIRA (2000), esse conhecimento é importante para a escolha do
assunto que deve ser pesquisado, na identificação da melhor alternativa para solucionar o
problema e ter informações do que já foi realizado por outros pesquisadores na solução
do problema, evitando, assim, que se repita o que outros já fizeram.
A dedicação na elaboração do projeto de pesquisa também é importante. É
preciso ter sempre em mente que a sua capacidade profissional e a sua instituição estão
sendo avaliadas pelo que está contido no projeto de pesquisa. Como normalmente há
necessidade de se elaborar o projeto de pesquisa dentro de um período muito curto de
tempo, por exigência da instituição financiadora do projeto, cabe ao pesquisador ter uma
atenção redobrada.
Além do que foi visto, é conveniente ressaltar que um projeto de pesquisa deve
ser muito bem elaborado, para que a análise estatística possa ser efetuada de forma
adequada e conduza a conclusões válidas; pois de nada adianta um experimento bem
conduzido, se ele estiver baseado em um planejamento inadequado.
Portanto, todo pesquisador deve desenvolver a capacidade de elaborar projetos de
pesquisa, pelo menos para atender a seus interesses pessoais ou do grupo em que está
26
inserido. As instituições financiadoras de projetos, tanto públicas como privadas,
possuem, geralmente, um roteiro próprio com instruções específicas para montagem do
projeto. O pesquisador deve então se submeter àquele modelo. Em alguns casos,
sobretudo quando se trata de pesquisas importantes, o pesquisador deve recorrer aos
técnicos em planejamento para auxiliá-lo na elaboração do projeto.
Na elaboração do projeto, devem geralmente ser especificados os seguintes itens:
a) Título - O título do trabalho experimental deve ser o mais simples possível, de
forma a não deixar dúvida sobre o objetivo da experimentação. Na realidade, o título é
uma síntese dos objetivos do trabalho experimental.
Na definição do título, o pesquisador deve evitar generalidades ou idéias vagas.
Por exemplo, não se deve utilizar: "Estudo de relações fisiológicas em sorgo sacarino" e
sim "Avaliação do espaçamento sobre a produção de álcool etílico em três cultivares de
sorgo sacarino"; “Estudo de relações fisiológicas em gado bovino de leite” e sim
“Avaliação da temperatura sobre a produção de leite em quatro raças de gado bovino de
leite”.
b) Responsável e Colaboradores - Indicar as pessoas que elaboraram o projeto e
as que irão trabalhar na execução do experimento, com as respectivas titulações, bem
como as instituições envolvidas. O responsável principal, ou seja, o coordenador do
projeto, deve ser o primeiro da lista.
c) Resumo - O resumo é a apresentação concisa e freqüentemente seletiva do
projeto, pondo em relevo os elementos de maior interesse e importância, ou seja, a
importância do assunto a ser pesquisado, os objetivos a serem alcançados, a metodologia
a ser usada e os resultados esperados.
d) Introdução - Nela deve conter, pela ordem: importância do assunto a ser
pesquisado, descrição do problema e justificativa do trabalho.
Na importância do assunto a ser pesquisado, deve ser ressaltado o aspecto
econômico e social do mesmo.
Na descrição do problema, o mesmo deve ser identificado e caracterizado de
forma clara, além de manter coerência com os objetivos e metas do projeto.
Na justificativa do trabalho, as razões para a condução do projeto devem ser
explicitadas, deve indicar a contribuição que o mesmo dará para a solução do problema,
bem como devem ser abordados os aspectos técnicos e econômicos relacionados ao
entendimento do problema.
e) Objetivos - O pesquisador deve expor claramente as questões que devem ser
respondidas pela pesquisa. Os objetivos devem ser realistas, compatíveis com os meios e
métodos disponíveis, e manter coerência com o problema que deu origem ao projeto.
Um projeto de pesquisa, quando bem sucedido, normalmente dá uma pequena
contribuição à informação existente sobre o tema. Assim, projetos com objetivos
ambiciosos demais dificilmente são aprovados, pois os consultores têm vivência no
assunto e sabem que a proposta é de baixa viabilidade. Muitas vezes, os objetivos são
viáveis, porém são em número excessivo. Nesse caso, embora eles sejam viáveis, o
pesquisador pode se perder no manuseio de toda a informação que é gerada, e o projeto
reduz sua eficiência. Portanto, os objetivos devem ser bem pensados, avaliando-se a
probabilidade de sucesso.
Devem ser enumerados os objetivos como: determinar..., avaliar..., comparar...,
encontrar..., relacionar..., selecionar..., recomendar..., etc..

27
f) Metas - O pesquisador deve evitar metas que extrapolam a performance do
projeto de pesquisa, ou seja, metas ilusórias, pois depõe contra o projeto de pesquisa,
mostrando falta de conhecimento do pesquisador sobre o assunto pesquisado.
É nesse tópico onde o pesquisador detalha, quantifica e localiza os objetivos no
tempo.
Sempre que possível explicitar as metas no cronograma de execução para
facilitar o acompanhamento.
g) Hipótese Científica - A formulação da hipótese científica no projeto deve ser
bem fundamentada em conhecimentos teóricos e raciocínios lógicos.
A principal arma do pesquisador não é o conhecimento existente nem a revisão
de literatura, mas sim a forma de como ele as utiliza para raciocinar e deduzir criando sua
hipótese científica.
A hipótese científica é a proposição testável do projeto. Em função disso, ela
deve ser coerente com os objetivos e com a metodologia, isto é, a hipótese científica deve
conter a proposta testável dos objetivos, e a metodologia apresentada deve ser capaz de
testá-la.
h) Revisão de Literatura - Nesse tópico o pesquisador deve expor claramente o
que já é conhecido acerca do problema para o qual se procura a resposta, quais as
questões já respondidas por outras pesquisas e se esse conhecimento acumulado não é
suficiente para ter a solução via difusão/transferência de conhecimento ou tecnologia.
Para responder a essas questões, a revisão de literatura deve ter uma abrangência
ampla, permitindo ainda verificar a adequação dos materiais e métodos do projeto para o
alcance dos objetivos e metas propostas, bem como a função de fornecer subsídios para a
formulação da hipótese científica e de auxiliar a interpretação dos resultados.
A revisão de literatura não deve ser uma simples seqüência de outros trabalhos.
Ela deve incluir também uma contribuição do autor, para mostrar que os trabalhos não
foram meramente catalogados, mas sim examinados e criticados objetivamente.
Deve-se incluir somente os trabalhos mais importantes desenvolvidos sobre o
assunto, dando preferência àqueles publicados nos últimos dez anos.
É sempre aconselhável referir-se somente aos assuntos que possuam relação
direta e específica com os objetivos da pesquisa.
Deve-se evitar citações referentes a assuntos já amplamente divulgados,
rotineiros ou de domínio público, bem como de natureza didática (apostilas, por
exemplo) que reproduzam de forma resumida os trabalhos originais. Nestes casos, é
aconselhável, sempre que possível, consultar e citar o original. Isto não impede que sejam
citados trabalhos didáticos, quando ofereçam contribuições originais.
A citação dos trabalhos é feita da seguinte maneira: No caso de um autor, os
trabalhos são citados com o sobrenome do autor em letras maiúsculas, seguido do ano de
publicação entre parênteses, como por exemplo, FERREIRA (1983). No caso de dois
autores, mencionam-se os sobrenomes dos dois com letras maiúsculas unidos por "e" ou
";", como por exemplo, FERREIRA e COSTA (1984) ou (FERREIRA; COSTA, 1984).
No caso de três autores, mencionam-se os sobrenomes dos três com letras maiúsculas
unidos por ", e e" ou por "; e ;", como por exemplo, BANZATTO, BENINCASA e
ORTOLANI (1986) ou (BANZATTO; BENINCASA; ORTOLANI, 1986), porém se
forem mais de três autores, deve-se citar apenas o sobrenome do primeiro em letras
maiúsculas, seguindo pela expressão et al. e do ano entre parênteses. Ex.: RAMALHO et
al. (1983). Em caso de citação de outra citação, o autor do trabalho original (não
consultado) deve aparecer em letra maiúscula, seguindo-se, entre parênteses, o
28
sobrenome em letras maiúsculas do autor consultado, precedido pela expressão "apud" ou
"citado por" e acompanhado do ano de publicação, como por exemplo, BARROS (apud
SILVA, 1989) ou BARROS (citado por SILVA, 1989).
i) Material e Métodos - Devem ser definidos em função das hipóteses
formuladas. É aqui onde o pesquisador deve colocar o maior número possível de
detalhes, porém sem exagero. Nesse tópico deve conter, pela ordem:
i.1) O lugar onde se realizará o experimento, se no laboratório, casa-de-
vegetação, estábulo ou campo, especificando para qualquer um dos três primeiros locais
as condições ambientais, em termos de temperatura ambiente, umidade relativa do ar,
luminosidade, etc., e no campo, o tipo do solo, o pH, topografia, clima, coordenadas
geográficas, etc.;
i.2) Os tratamentos a serem avaliados, sendo indicados da forma mais completa
possível;
i.3) O delineamento experimental que será utilizado e o número de repetições do
experimento. Além disso, a área total e a área útil da parcela, o número de plantas por
parcela, o espaçamento a ser utilizado, o número de sementes ou mudas por cova ou por
metro de sulco, para o caso dos vegetais, a área da parcela, o número de animais por
parcela, para o caso dos animais;
i.4) Manejo da cultura e/ou do animal, indicando, para o caso dos vegetais, a
época de semeadura, o sistema de plantio, a forma, época e tipo de adubação, o sistema e
época de irrigação, os tipos e épocas dos tratos culturais, os controles preventivos contra
os insetos-praga e às doenças, a forma e época de colheita, etc., e, para o caso dos
animais, a idade, a raça, o sexo e o peso dos mesmos, a ração utilizada e a forma de
administrá-la, os controles preventivos contra os parasitos e doenças, etc.;
i.5) As variáveis a serem determinadas, indicando claramente como as mesmas
serão realizadas e a metodologia a ser utilizada na sua determinação;
i.6) Os procedimentos estatísticos, indicando como será feita a análise dos dados
experimentais e os testes a serem utilizados, além do modelo matemático das referidas
análises.
j) Bibliografia - Relacionar toda literatura utilizada efetivamente na elaboração
do projeto de pesquisa, obedecendo às normas da Associação Brasileira de Normas
Técnicas (ABNT).
l) Orçamento - Nesse tópico o pesquisador deve fornecer uma estimativa dos
gastos a serem realizados com materiais de consumo, mão-de-obra, serviços de terceiros,
equipamentos, combustíveis, manutenção de equipamentos, diárias, construções, etc., o
que não é uma tarefa fácil.
Se houver uma instabilidade econômica no país poderá comprometer a execução
do experimento, pois os recursos que foram previstos com dois a três anos de
antecedência poderão sofrer uma defasagem quando a inflação atinge níveis elevados.
Por outro lado, mesmo não ocorrendo inflação no país, o pesquisador deve solicitar
apenas o necessário, atendendo aos itens de despesa que a fonte financiadora
normalmente exige, pois, caso contrário, se a solicitação for subestimada indica
desconhecimento do assunto, e se for superestimada cai-se no ridículo.
Sempre que possível, o pesquisador deve justificar a aquisição de cada
equipamento, procurando evidenciar a sua importância na execução do experimento para
o alcance dos objetivos propostos. Da mesma forma, se for solicitado a construção de um
laboratório, casa-de-vegetação, galpão, tanque, etc., o pesquisador deve ressaltar a sua
importância na execução do experimento para o alcance dos objetivos propostos.
29
m) Cronograma de Execução - O pesquisador deve escalonar, no tempo, as
fases e tarefas do experimento com muita precisão. Mesmo não se dando muita atenção a
esse tópico, um projeto de pesquisa bem planejado terá naturalmente um cronograma de
execução bem definido.
A seguir será apresentado um modelo de projeto de pesquisa.
UNIVERSIDADE FEDERAL DE ALAGOAS

CENTRO DE CIÊNCIAS AGRÁRIAS
Avaliação de Clones de Batata-doce (Ipomoea batatas (L.) Lam), em Rio Largo - AL.
Projeto de pesquisa apresentado pelo

aluno de pós-graduação, Jair Tenório
Cavalcante, à Coordenação do Curso
de Mestrado em Agronomia: Produção
Vegetal do CECA/UFAL, referente à
sua Dissertação de Mestrado.

30
Rio Largo/Alagoas
Setembro de 1999
Jair Tenório Cavalcante (1)

Paulo Vanderlei Ferreira (2)
Lailton Soares (3)
1 – RESUMO
Apesar da batata-doce ser uma das hortaliças mais consumidas no Brasil e

especialmente em Alagoas, apresenta baixa produtividade em função dos seguintes
fatores: ocorrência de pragas e doenças, tecnologia de produção inadequada e falta de
cultivares selecionadas para a região. Em função destes fatos e da extrema necessidade
do Estado de Alagoas expandir o seu potencial produtivo de hortigranjeiro, faz-se
necessárias pesquisas no sentido de obter para a região cultivares de batata-doce
adaptadas, com boas características agronômicas, elevada capacidade produtiva e
resistência às principais pragas e doenças que assolam a cultura. Com esse objetivo
pretende-se avaliar 14 clones de batata-doce desenvolvidos em Alagoas, mediante análise
de variância, comparação de médias e coeficiente de determinação genotípica para oito
caracteres, nas condições de solo e clima de Rio Largo-AL. Serão avaliados os seguintes
clones da batata-doce: CL - 01, CL - 03, CL - 04, CL - 05, CL - 10, CL - 11 e CL - 12,
provenientes da cultivar Co Copinha; CL - 09, provenientes da cultivar Paulistinha
Branca; CL - 13 e CL - 14, provenientes da cultivar Roxa de Rama Fina; CL - 02,
proveniente da cultivar Co Branca; CL - 06, proveniente da cultivar 60 Dias; CL - 07,
proveniente da cultivar Copinha; e CL - 08, proveniente da cultivar Pixaim I. Será
utilizado o delineamento em blocos casualizados, com quatro repetições. A partir dos 90
dias após o plantio e até a colheita dos tubérculos serão observados quinzenalmente os
danos causados pela presença de pragas e doenças, caso venham a ocorrer, para avaliação
do grau de resistência dos referidos clones de batata-doce. Aos 130 dias após o plantio,
na ocasião da colheita, será avaliado o rendimento dos clones (em kg ha-1), bem como
será feita uma caracterização dos tubérculos em termos de: peso (em g), diâmetro (em
cm) e comprimento (em cm). Com a pesquisa espera-se aumentar a produtividade de
batata-doce em Alagoas através da seleção de cultivares produtivas e adaptadas para a
região.
2 – INTRODUÇÃO
A batata-doce é a quarta hortaliça mais consumida no Brasil. É uma cultura

tropical e subtropical, rústica, de fácil manutenção. Apresenta boa resistência à seca e
ampla adaptação. O custo de produção é relativamente baixo, com investimentos
mínimos e de retornos elevados. É também uma das hortaliças com maior capacidade de
produzir energia por unidade de área e tempo (kcal ha-1 dia-1) (MIRANDA et al., 1995).

31
Fatores como a ocorrência de pragas e doenças, tecnologia de produção
inadequada e a falta de cultivares selecionadas são responsáveis pela baixa produtividade
média brasileira, que está em torno de 8,7 t ha-1 (SILVA e LOPES, 1995). Por outro lado,
_______________________
(1) Engo. Agro. Professor da Escola Agrícola de Jundiaí da UFRN. Aluno do Curso de Mestrado em
Agronomia: Produção Vegetal da UFAL.
(2) Engo. Agro., M. Sc., Dr. Professor Adjunto 4 do FIT-CECA/UFAL. Orientador.
(3) Engo. Agro. M. Sc., Dr. Professor Adjunto 4 do FIT-CECA/UFAL. Co-Orientador.
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
Avaliar clones de batata-doce desenvolvidos em Alagoas, mediante análise de

variância, comparação de médias e coeficiente de determinação genotípica para cada
caráter, nas condições de solo e clima de Rio Largo-AL.
4 – META
Avaliar 14 clones de batata-doce desenvolvidos em Alagoas, mediante análise de

variância, comparação de médias e coeficiente de determinação genotípica para oito
caracteres, nas condições de solo e clima de Rio Largo-AL, no ano de 1999.
5 – HIPÓTESE CIENTÍFICA

32
A baixa produtividade de batata-doce em Alagoas é conseqüência da ausência de
cultivares produtivas e adaptadas para a região.
6 – REVISÃO DE LITERATURA
6.1 – Aspectos Gerais da Cultura da Batata-Doce
A batata-doce tem sua origem muito discutida, no entanto a maioria das

autoridades opina pela origem americana (BRAGA, 1976).
Pertence a classe das dicotiledôneas, família das convolvuláceas, gênero Ipomoea
e espécie Ipomoea batatas (L.) Lam. (BARRERA, 1989)
É uma planta herbácea, de crescimento rasteiro, podendo suas ramas atingir de
dois a três metros, em algumas variedades pode chegar até dez metros de comprimento,
com coloração que variam de verde claro, escuro a roxo e diâmetro variando de cinco a
oito milímetros. Suas folhas podem ser classificadas como lobos profundos, lobos rasos e
folhas inteiras, com coloração de verde claro, escuro e até roxo. O comprimento do
pecíolo varia de sete a 25 cm. As flores são grandes com cinco pétalas, apresentando
coloração branca, rósea ou arroxeada. O fruto é uma cápsula em forma de globo,
contendo quatro lóculos onde se localizam as sementes, que possuem forma achatada,
angulosa e negra, medindo cerca de três milímetros de comprimento, coberta por uma
película escura e resistente, causando um baixo poder germinativo. O sistema radicular é
formado por uma raiz principal não tuberosa, e por um número pequeno de raízes
secundárias, laterais, sendo que algumas dessas últimas se transformam em raízes
tuberosas. As cultivares que têm maior aceitação no comércio, são aquelas que
apresentam epiderme rosa, roxa ou branca e a polpa branca ou creme (BARRERA,
1989).
O crescimento e desenvolvimento da batata-doce são constituídos por três fases:
Uma fase inicial, caracterizada pelo crescimento lento da parte aérea (ramos e folhas) e
raízes absorventes; uma fase intermediária, onde a taxa de crescimento da parte aérea e
das raízes absorventes é elevado e onde também ocorre o início da formação e
crescimento das raízes tuberosas e uma fase final, caracterizada pela redução na taxa de
crescimento da parte aérea e das raízes absorventes e um rápido crescimento das raízes
tuberosas (SILVA e LOPES, 1995).
É uma planta tropical, preferindo clima quente, alta luminosidade, fotoperíodo
longo e com temperaturas em torno de 24 0C e não tolera geadas; produz bem em regiões
onde ocorrem precipitações entre 750 a 1.000 mm/ano ou 500 a 600 mm bem distribuídos
durante o ciclo da cultura. Entretanto, não tolera encharcamento, pois pode causar raízes
tuberosas finas e alongadas, quando há excesso de umidade (MIRANDA et al., 1995).
Estudos desenvolvidos por MIRANDA et al. (1995) mostram que a batata-doce
desenvolve-se bem em qualquer tipo de solo, entretanto consideram-se como ideais os
solos mais leves, soltos, bem drenados, de média a alta fertilidade, bem estruturados e
com boa aeração. Nesses solos as raízes são mais uniformes, apresenta pouca aderência a
terra na superfície e tendo melhor aparência. Os solos argilosos, excessivamente
compactados, úmidos e frios, provocam deformações nos tubérculos. Um excesso de
nitrogênio no solo provoca um crescimento vegetativo exagerado. Sendo muito tolerante
a acidez do solo, produz bem em solos com pH entre 5,6 a 6,5. As exigências minerais da
cultura são em ordem decrescente: potássio, nitrogênio, fósforo, cálcio e magnésio.

33
A propagação da batata-doce se dá através de sementes botânicas, batatas, ramas,
mudas, enraizamento de folhas destacadas ou cultura de tecidos. A formação de viveiros
para a produção de mudas ou ramas é o método mais recomendado comercialmente,
segundo SILVA e LOPES (1995).
Existe um grande número de cultivares de batata-doce no Brasil como em outros
países. Em quase todos os estados brasileiros somam-se dezenas de cultivares desses
tubérculos (BARRERA, 1989). A recomendação dessas cultivares estão estreitamente
relacionadas ao local e época de plantio, à adubação, à finalidade do cultivo e à
preferência do mercado consumidor. Algumas regiões têm indicações próprias, tais
como: Balão, Três Quinas e Jambo (Manaus, AM); Gonçalves, Variedade 14, Arroba e
Peçanha Branca (MG); Americana e Rama Roxa (Porto Alegre e regiões próximas, RS);
Rosinha do Verdan (RJ); Ourinho e Batata-Salsa (SE); Rainha e Japonesa (PA);
Brasilândia Rosada e Coquinho (Brasília, DF), entre outras. É comum encontrar uma
cultivar com nomes diferentes, ou diferentes cultivares com o mesmo nome. Existem, por
exemplo, dezenas de cultivares com o nome de rainha (MIRANDA et al., 1995).
A época de plantio varia em função das condições locais (temperatura,
luminosidade, fotoperíodo) e da cultivar (precocidade, vigor e tipo de planta). Deve-se
considerar ainda a disponibilidade ou não de equipamento de irrigação. Os espaçamentos
mais utilizados para o plantio variam de 80 a 100 cm entre leiras e 25 a 45 cm entre
plantas, com leiras de 20 a 30 cm de altura (SILVA e LOPES, 1995).
As ramas ou pedaços de hastes utilizados para o plantio comercial de batata-
doce, devem ter de oito a dez entrenós e serem obtidas de viveiros feitos com batatas ou
lavouras novas (até 90 dias), enterrando de três a quatro entrenós da base da rama no topo
da leira (MIRANDA et al., 1995).
A irrigação é recomendada quando os plantios forem feitos em épocas de seca ou
quando ocorrerem longos períodos de estiagem. O período crítico da cultura é os
primeiros 40 dias após o plantio, quando a superfície do solo deve estar com um bom teor
de umidade para promover um bom pegamento das ramas e um bom desenvolvimento
vegetativo. Também nos últimos 40 dias antes da colheita, não deve faltar água no solo
para haver uma boa formação das raízes tuberosas. A irrigação poderá ser feita tanto por
aspersão como por sulcos, observando certos cuidados neste último (declividade, tipo de
solo, etc.) (SILVA e LOPES, 1995).
Segundo SILVA e LOPES (1995), o replantio deve ser feito até 15 dias após o
plantio, quando ocorrer mais de 12 a 15 % de falhas. Deve-se manter a plantação livre de
plantas invasoras, principalmente nos primeiros 45 dias após o plantio, época de maior
competição por água, luz, nutrientes e espaço físico entre a cultura e as ervas. Evitar
plantios sucessivos de batata-doce em um mesmo local por mais de dois anos, pois
aumenta a incidência de pragas e doenças e provocam queda de produtividade devido ao
desbalanceamento dos minerais no solo. E na destruição da soqueira após a colheita,
orientam aplicar 2 kg/ha do ingrediente ativo de glifosato, promove um bom controle. A
adição de uréia a 0,5 % à calda melhora a atividade do herbicida. Após três a quatro
semanas fazer catação manual dos tubérculos e raizames remanescentes.
A época de colheita depende da finalidade da cultura, mesa, indústria ou
alimentação animal, geralmente se colhe entre quatro e cinco meses. Esta pode ser feita
manual (enxadas, enxadões) ou mecanizada com equipamentos próprios acoplados a
tratores. De início, faz-se a retirada da ramagem, posteriormente procede-se o arranquio
dos tubérculos, deixando-os expostos ao sol por meia a três horas para secar, quanto
maior a temperatura, menor será o tempo de exposição. Depois, leva-se os tubérculos
34
para o galpão onde se procede o escovamento para a retirada da terra aderida,
classificação, embalamento e armazenamento. Sendo necessário a prática da cura para
uma melhor conservação do produto. Nesta, a temperatura ambiente deve está entre 28 a
30 oC e alta umidade relativa do ar (85 a 90 %) por quatro a sete dias, após este período
as batatas podem ser conservadas em locais com temperaturas mais amenas (13 a 16 oC),
e alta umidade relativa do ar (85 a 90 %) e boa aeração. Com esse tratamento a batata
pode ser conservada por 100 dias ou mais (MIRANDA et al., 1995).
De acordo com SILVA e LOPES (1995), as principais pragas que afetam a
cultura da batata-doce são:
Broca da raiz (Euscepes postfasciatus) - os adultos medem de três a cinco
milímetros de comprimento, têm coloração geral marrom ou castanha, com uma mancha
transversal sobre os élitros. Este inseto pode aparecer durante todo ciclo da cultura. Suas
larvas são de cor branca ligeiramente encurvadas e ápodas, danificando as raízes tanto
interna como externamente, desvalorizando-as para o comércio. As galerias abertas pelas
larvas alteram o aspecto físico, odor e o sabor das raízes, tornando-as imprestáveis para o
consumo humano e até mesmo animal.
Vaquinha ou bicho-alfinete (Diabrótica speciosa) – o adulto é um besourinho de
cor verde, com cinco a oito milímetros de comprimento, que se caracteriza pelas manchas
amarelas localizadas nos élitros. As larvas são geralmente brancas, chegam a alcançar até
dez milímetros de comprimento, fazendo pequenos furos superficiais na raiz tuberosa,
depreciando-a comercialmente, além de facilitar a entrada de patógenos como fungos e
bactérias. Os adultos eventualmente podem danificar as folhas pela destruição do limbo
folias.
Existem outras espécies de vaquinhas como: Sternocolaspis quatuordecimcosta,
Diabrotica bivitula. Os danos são os mesmos causados pela D. speciosa.
Besouro „Larva-arame‟ (Conoderus sp.) – os besouros têm coloração castanha ou
marrom, corpo alongado e achatado e média de 15 a 25 mm, As larvas são marrom-claras
ou escuras, cilíndricas fortemente quitinizadas, (duras como couraças), medem até 20
mm, provocando furos de até cinco milímetros de diâmetro, que são relativamente
fundos, diminuindo o valor comercial e facilitando a entrada de fungos e bactérias.
Broca-do-coleto (Megastes pusialis) – os adultos são mariposas pardo-escuras e
medem até 45 mm de envergadura. As fêmeas depositam seus ovos no caule e haste da
planta. Ao eclodirem, as larvas penetram no interior das ramas, escavando galerias. No
último ínstar, as larvas alcançam 40 a 50 mm de comprimento e têm coloração
predominantemente rosada, com pontuações dorsais negras. Geralmente as lagartas
empupam dentro das hastes. Um sintoma visual característico é o murchamento das
folhas e ramas.
Existem outros insetos como besourinhos, pulgões, bicho-bolo, cigarrinhas,
lagarta rosca e outras lagartas da folhagem que causam danos eventuais, de importância
econômica secundária.
Como medidas gerais de controle das pragas, citam-se: plantar cultivares
resistentes a pragas do solo; fazer rotação de cultura; plantar ramas produzidas em
viveiros; fazer amontoa adequada para diminuir os danos causados pelos insetos do solo;
colher as batatas antes de 130 dias após o plantio para evitar danos de insetos do solo,
roedores e eliminar ou queimar os restos culturais para evitar a proliferação dos insetos.
Com relação às principais doenças da batata-doce, SILVA e LOPES (1995)
citam as seguintes:
a) Doenças provocadas por fungos:
35
Mal-do-pé (Plenodomus destruens) – inicialmente os sintomas aparecem no
caule ao nível do solo, com pequenos pontos escuros, que vão aumentando de tamanho
até tomar toda base da planta que fica enegrecida. Como conseqüência, a planta murcha e
morre.
Ferrugem branca (Albugo ipomoea – panduratae) – se manifesta com pequenas
manchas amareladas na parte superior das folhas e com pústulas esbranquiçadas na parte
inferior. Posteriormente as áreas afetadas ficam deformadas, como se fossem bolhas. O
sintoma também pode aparecer no caule.
Mancha-de-alternária (Alternária spp.) – o sintoma principal é o amarelecimento
das folhas, ocasionado pela toxina liberada pelo fungo em desenvolvimento, lesões no
limbo e pecíolo foliares.
Mancha-parda (Phyllosticta batatas) – ataca somente as folhas formando
manchas arredondadas com bordas marrons e centro cor de palha, onde podem ser
observados pequenos pontos negros, que são estrutura do fungo. As vezes as lesões se
desprendem deixando a folha furada.
Sarna (Monilochaestes infuscans) – ataca somente as raízes, deixando manchas
escuras na película, não atingindo a polpa, no entanto diminui o seu valor comercial.
Podridão-mole (Rhizopus sp.) – ocorre principalmente após a colheita, podendo
também se apresentar antes. A raiz afetada pode ser facilmente quebrada e não apresenta
mal cheiro. No armazém as batatas atacadas apresentam um mofo preto que se propaga
facilmente para outras raízes.
b) Doenças provocadas por vírus:
Mosaico comum (Feathery mottle ou vírus do mosqueado) – os sintomas são
pequeno crescimento das folhas, folhas estreitas e amareladas. O pulgão é o principal
transmissor do vírus.
Micoplasmose (Conhecida como doença do enraizamento) – a planta apresenta
superbrotação e deformação do limbo foliar.
c) Doenças provocadas por nematóides:
Rachaduras longitudinais em raízes são sintomas do ataque do nematóide do
gênero Meloidogyne, embora não sejam os únicos causadores dessas doenças.
Como medidas gerais de controle das doenças, citam-se: plantar apenas ramas ou
mudas sadias; fazer viveiro para produção de mudas a partir de mudas sadias e
selecionadas; eliminar as plantas que possam ainda aparecer doentes no viveiro; plantar
cultivares resistentes e bem adaptados à região; na retirada das ramas evitar aquelas
próximas ao colo da planta mãe; fazer tratamento sanitário do viveiro com fungicidas e
inseticidas; evitar o plantio em local muito úmido ou mal drenado e adubar as plantas de
forma balanceada, evitando principalmente o excesso de nitrogênio.
d) Distúrbios fisiológicos:
Rachaduras – causadas por alta umidade do solo, seguida por longos períodos de
seca;
Escaldadura – causada pela exposição das raízes ao sol ou geadas;
Coração duro – raízes expostas a temperatura menores de 8 – 10 oC causa polpa
dura após o cozimento.
Fasciação – fatores ainda desconhecidos causam achatamento do caule.
6.2 – Melhoramento Genético na Cultura da Batata-Doce:

36
Apesar do aumento da produtividade agrícola ter se tornado o objetivo principal
do melhoramento genético de plantas, não se pode desprezar a qualidade dos produtos
agrícolas produzidos, nem tão pouco os outros objetivos relacionado com as necessidades
do ser humano.
No caso da batata-doce, como ela pode ser utilizada para diversas finalidades,
segundo COSTA e PINTO (1977), os objetivos irão variar de acordo com a finalidade,
mas de um modo geral os seguintes caracteres devem ser considerados: alto rendimento
de raízes tuberosas; grande conteúdo de beta-caroteno; boas qualidades culinárias que
incluem condições para panificação, cozimento, doces, etc.; obtenção de raízes com
formato ideal; boa capacidade de armazenamento; alto conteúdo de matéria seca; com
resistência as principais pragas e doenças; resistência a nematóides; entre outros.
Existe, no Brasil, um número elevado de cultivares de batata-doce, com enorme
diversidade genética entre elas. Esta diversidade costuma se apresentar não só de uma
cultivar para outra, como também entre diferentes campos de lavoura de uma mesma
cultivar e algumas vezes, até mesmo dentro de uma mesma planta – que não raro pode
apresentar no mesmo pé, folhas diferentes, no começo e na ponta da rama. Essa
capacidade de sofrer mudanças é dada através de mutações genéticas (mutações-
somáticas) e também através de cruzamentos espontâneos. É exatamente neste ponto que
o papel do pesquisador-melhorista pode ser de máxima importância. Estudando as
mutações que ocorrem na natureza e muitas vezes tentando cruzar as diferentes cultivares
que já provaram ser de alta produtividade e resistência, poderá desenvolver em poucos
anos aquilo que dentro da natureza levaria décadas ou até mesmo séculos (BARRERA,
1989).
Segundo ALLEM (1988), a substituição regional de variedades primitivas por
variedades comerciais já é uma realidade para um sem número de grãos, especialmente
cereais. A mesma tendência começa a esborçar-se para culturas de raízes e tubérculos,
tradicionalmente propagadas por via clonal. A sugestão de que o agricultor adote formas
vegetais melhoradas está correta em tese, mas é importante reconhecer-se que tal política
implica numa redução da variabilidade genética da cultura, a não ser que medidas
paliativas sejam tomadas para minorar o problema. E a principal delas é a multiplicação,
caracterização e conservação deste germoplasma em vias de perda em coleção de
germoplasma.
ALLEM (1988) cita ainda que a maioria das cultivares de batata-doce é auto-
estéril, apresentando alta percentagem de auto-incompatibilidade. A polinização natural
por abelhas permite que dois progenitores auto-incompatíveis possam produzir sementes
(JONES, 1980). E a maneira de se preservar a variabilidade genética a longo prazo é
melhor conseguida através do armazenamento de sementes verdadeiras (YEN, 1970), as
quais conservam-se bem por períodos de até 20 anos (JONES, 1980; JONES e DUKES,
1982). Além disso, programas de melhoramento genético baseiam-se principalmente na
seleção de variedades clonais produzidas a partir de plântulas (MARTIN, 1983).
Em relação aos métodos de melhoramento, nas espécies propagadas
assexuadamente são utilizados os seguintes: seleção clonal, autofecundação, hibridação e
policruzamento. No caso particular da batata-doce, por ser uma espécie auto-
incompatível, o método mais adequado de melhoramento parece ser o da hibridação. O
referido método consiste no cruzamento entre duas populações clonais, plantio das
sementes botânicas e seleção das plantas individuais, retirada das mesmas dos órgãos
vegetativos usados na multiplicação da espécie, avaliação dos clones em ensaios de
campo e seleção dos mais satisfatórios, os quais irão constituir as novas variedades. Este
37
método se baseia no fato de que o cruzamento praticado em plantas propagadas
assexualmente já libera a variabilidade genética presente na população na geração
seguinte, uma vez que tais plantas são altamente heterozigóticas, dando imediata
oportunidade à seleção. Além disso, conforme BORÉM (1997), o trabalho do
fitomelhorista pode ser facilitado, uma vez que identificado um tipo superior, ele pode ser
perpetuado, mantendo a sua identidade genética. Por essa razão, segundo ALLARD
(1971), o melhoramento das espécies propagadas assexuadamente é, em certos aspectos,
menos complicado do que o melhoramento de outras espécies.
7 – MATERIAL E MÉTODOS:
O experimento será realizado no Centro de Ciências Agrárias da Universidade

Federal de Alagoas, localizado no Campus Delza Gitaí, BR 104 Norte, km 85, Rio Largo
– Alagoas, no ano de 1999. O solo é classificado como Latossolo Vermelho de acordo
com JACOMINE et al. (1975). O município está situado a uma latitude de 9o 27‟S,
longitude de 35o 27‟W e uma altitude de 127 m acima do nível do mar, com temperaturas
médias de máxima 29 oC e mínima de 21 oC, e pluviosidade média anual de 1.267,7 mm
(CENTENO e KISHI, 1994).
Serão avaliados 14 clones da batata-doce, obtidos a partir de sementes botânicas
de populações de polinização livre, em novembro/97. São eles: CL - 01, CL - 03, CL -
04, CL - 05, CL - 10, CL - 11 e CL - 12, provenientes da cultivar Co Copinha; CL - 09,
proveniente da cultivar Paulistinha Branca; CL - 13 e CL - 14, provenientes da cultivar
Roxa de Rama Fina; CL - 02, proveniente da cultivar Co Branca; CL - 06, proveniente da
cultivar 60 Dias; CL - 07, proveniente da cultivar Copinha; e CL - 08, proveniente da
cultivar Pixaim I.
Será utilizado o delineamento em blocos casualizados, com 14 tratamentos e
quatro repetições. As parcelas experimentais serão constituídas por três leiras de 6,0 m de
comprimento com 0,30 m de altura cada, com 15 plantas por leira, no espaçamento de
0,80 m x 0,40 m, considerando-se como área útil a fileira central, avaliando-se sete
plantas alternativas e competitivas, a partir da segunda.
Antes do plantio, serão retiradas amostras do solo para análise química, visando a
correção da acidez, caso necessário; não será utilizado adubação química ou orgânica
para melhor caracterizar a situação atual do cultivo na região.
No plantio serão utilizadas ramas sadias com oito a dez entrenós, dos quais três a
quatro serão enterrados no topo da leira.
Serão efetuadas irrigações por aspersão quando necessárias, visto que tais clones
de batata-doce serão plantados no período de inverno.
As parcelas experimentais serão mantidas livres de ervas daninhas, através de
capinas manuais à enxada.
Não serão efetuados os controles de pragas e doenças que por ventura apareçam.
A partir dos 90 dias após o plantio e até a colheita dos tubérculos serão
observados quinzenalmente os danos causados pela presença de pragas e doenças, caso
venham a ocorrer, para avaliação do grau de resistência dos referidos clones de batata-
doce.
Aos 130 dias após o plantio, na ocasião da colheita, será avaliado o rendimento
dos clones (em kg ha-1), bem como será feito uma caracterização dos tubérculos em
termos de: peso (em g), diâmetro (em cm) e comprimento (em cm).

38
As análises da variância do ensaio no delineamento em blocos casualizados
seguirão as recomendações de FERREIRA (1996). As comparações entre médias de
clones de batata-doce serão feitas pelo Teste de Tukey no nível de 5% de probabilidade.
Já as análises dos coeficientes de determinação genotípica serão feitas de acordo com
CRUZ (1994).
8 – BIBLIOGRAFIA
ALLARD. R. W. Princípios do melhoramento genético de plantas. Rio de Janeiro:

Editora Edgard Blucher Ltda.. 1971. 381p.
ALLEM, A. C. Recursos genéticos da batata-doce: situação atual e perspectivas. In:
SEMINÁRIO SOBRE A CULTURA DA BATATA-DOCE. 1988, Brasília. Anais.
Brasília: EMBRAPA, 1988. p. 37-54.
BARRERA, P. Batata doce. 2. ed. São Paulo: ÍCONE Editora Ltda. 1989. 93p.
BORÉM, A. Melhoramento de plantas. Viçosa: UFV. 1997. 547p.
BRAGA, R. Plantas do nordeste, especialmente do Ceará. 3. ed. Mossoró: Coleção
Mossoroense . v. XLII, 1976. p. 77-79.
COSTA, C. P. da e PINTO, C. A. B. P. Melhoramento de hortaliças. Piracicaba:
Departamento de Genética da ESALQ/USP. 1977. 319p. (Apostila).
CENTENO, J. A. S.; KISHI, R. T. Recursos hídricos do Estado de Alagoas. Maceió:
Secretaria de Planejamento, Núcleo Estadual de Meteorologia e Recursos Hídricos. 1994.
41p.
CRUZ, C. D. Métodos biométricos aplicados ao melhoramento genético. Viçosa, MG:
UFV, Imprensa Universitária. 1994. 390p.
FERREIRA, P. V. Estatística experimental aplicada à agronomia. 2. ed. Maceió:
EDUFAL. 1996. 606p.
FUNDAÇÃO INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA.
Anuário estatístico do Brasil. Rio de Janeiro: Secretaria de Planejamento da Presidência
da República. v.59, p. 3-36, 1999.
GONÇALVES, P. de S.; ROSSETTI, A. G.; VALOIS, A. C. C.; VEIGAS, I. de J. M.
Coeficiente de determinação genotípica e possíveis ganhos genéticos para caracteres
utilizados na seleção de seringueira. Manaus: SUDHEVEA/EMBRAPA, 1983. 15p.
JACOMINE, P. K. T.; CAVALCANTE, A. C.; PESSOA, S. C. C.; SILVEIRA, C. O. da.
Levantamento exploratório-reconhecimento dos solos do Estado de Alagoas. Recife:
EMBRAPA, Centro de Pesquisas Pedológicas. 1975. 532p. (Boletim técnico, 35).
JONES, A. Sweet potato. In: FEHR, W. R. e HADLEY, H. H. (eds.) Hybridization of
crop plants. Madison: American Society of Agronomy, 1980. p. 645-655.
JONES A. e DUKES, P. D. Longevity of stored seed of sweet potato. Hortiscience. v.17,
p. 756-757, 1982.
MARTIN, F. W. Diferences in yield betweem potato seedlings and their derived clones.
Prop. Root & Tuber Crops Newsl.. v.14, p. 41-43, 1983.
MIRANDA, J. E. C.; FRANÇA, F. H.; CARRIJO, O. A.; SOUZA, A. F. PEREIRA, W.;
LOPES, C. A. e SILVA, J. B. C. A cultura da batata-doce. Brasília: EMBRAPA. 1995.
94p. (Coleção Plantar).
SILVA, J. B. C. e LOPES, C. A. Cultivo da batata-doce. 3. ed. Brasília:
EMBRAPA.1995. 18p. (Instruções Técnicas de CNPHortalilças–7).
YEN, D. E. Sweet potato. In: FRANKEL, O. H. e BENNETT, E. (eds.), Genetic
Resources in Plants. London: Brlackweel. 1970. p. 341-351.
39
9 - ORÇAMENTO DO PROJETO – ANO: 1999

1999 Valor Total (R$)
Natureza da Despesa
Quantidade Valor Unitário (R$)
Placa de identificação 01 5,00 5,00
Plaquetas 56 0,50 28,00
Preparo do solo 1,25 h/trat. 40,00 50,00
Plantio 5 d/h 8,00 40,00
Tratos culturais 3,25 d/h 8,00 26,40
Colheita 5,5 d/h 8,00 44,00
Kit irrigação 01 1.000,00 1.000,00
Total 1.193,40
Legenda: h/trat. : hora trator; d/h: dia homem.
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
2.2 Instalação do Experimento
A instalação do experimento nada mais é do que o transporte para a prática

(campo, laboratório, casa-de-vegetação, estábulo, etc.) do que foi idealizado, estudado e
planejado. Esta etapa constitui o início da fase prática do experimento e deve ser
realizada com os mesmos cuidados e atenção com que foi elaborado o projeto
experimental.

40
Na instalação do experimento, o pesquisador deve seguir à risca o que consta no
croqui, conforme apresentado na FIGURA 2.1. Contudo, quando algum fator (por
exemplo, condições locais de solo, topografia, etc.) impede a sua instalação da forma
como foi planejado, o pesquisador deve usar o bom senso para direcionar os trabalhos,
indicando a forma de instalação do experimento, sem afetar os objetivos básicos do
mesmo e sem reduzir a sua precisão.
FIGURA 2.1 – CROQUI DO EXPERIMENTO SOBRE “AVALIAÇÃO DE CLONES DE BATATA-

DOCE (Ipomoea batatas (L.) Lam.), EM RIO LARGO - ALAGOAS
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
NOTAS: Tratamentos: 1 – CL 01; 2 – CL 02; 3 – CL 03; 4 – CL 04; 5 – CL 05; 6 – CL 06; 7 – CL 07;

8 – CL 08; 9 – CL 09; 10 – CL 10; 11 – CL 11; 12 – CL 12; 13 – CL 13; 14 – CL 14.
Área Total do Experimento: 907,2 m2. BLOCO V
2
Área do Bloco: 201,6 m .
Área da Parcela: 14,4 m2.
Número de Fileiras/Parcela: 3.
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. BLOCO VI Página 40

41
Espaçamento: 0,80 m x 0,40 m.
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.
2.3 Execução do Experimento
A execução do experimento é a forma de conduzir, no campo, laboratório, casa-

de-vegetação, estábulo, etc., o plano experimental. Esta etapa não obedece a normas
fixas, pelo contrário, é extremamente maleável, devendo adaptar-se às condições
encontradas, procurando obter sempre o máximo de informações e de eficiência.
Na execução do experimento, o pesquisador deve anotar pessoalmente os dados e
observações do experimento em fichas, anexadas em um caderno de campo para não
perdê-los. Alguns modelos dessas fichas serão apresentados a seguir.
Ficha de Observação de Campo
Ano Agrícola: ________

Projeto: __________________________________________________________________
Experimento: ______________________________________________________________
Local de
Execução:_________________________________________________________________
(contagem após
(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)

42
Ficha de Manejo Cultural

Ano Agrícola ______
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
Data Produto Praga Combatida (Nomes Eficiência de

Utilizado vulgar e científico) Controle
I R B
Controle de Doenças
Data Produto Doença Combatida (Nome Eficiência de

Utilizado da doença e agente causal) Controle
I R B

43
Ficha de Tabulação
Ano Agrícola ________
Projeto: _________________________________________________________
Experimento: _____________________________________________________
Local de Execução: ________________________________________________
Períodos (dias) Produção (em g)

Nº de Parcela
Rendimento
Emergência à
Emergência à
Emergência à
de Plântulas
Frutificação
Emergência
Tratamento
1a Colheita
2a Colheita
3a Colheita
Floração
kg/ha
Colheita
Última
Total

44
Ficha de Acompanhamento Mensal de Projeto de Pesquisa
Mês/Ano:_______
Título:_____________________________________________________
Elaborador do Projeto: ________________________________________
Executor do Projeto: _________________________________________
Ano de Início: ___ Experimentos: a) Previstos: ____ b) Instalados:____
__________________________________________________________
Resumo descritivo das realizações no mês - por experimento

(observações realizadas, dificuldades encontradas, providências tomadas,
aspectos técnicos mais importantes, sugestões e outras informações).
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011.
__________________________________________________________ Página 44
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
45
Mais detalhes a respeito da execução do experimento poderá ser obtido no

capítulo anterior.
2.4 Análise Estatística dos Dados Experimentais
A análise estatística dos dados experimentais é uma fase muito importante do

experimento, pois é nela que se verifica se os tratamentos avaliados são ou não
diferentes.
Vários métodos são utilizados na análise estatística de experimentos, os quais
serão objeto de outros capítulos.
Independentemente do método a ser utilizado na análise estatística do
experimento, o pesquisador deve ter em mente os seguintes pontos:
a) Antes de efetuar a análise de variância nos dados experimentais, ele deve
verificar se os mesmos atendem às suposições da análise de variância (os efeitos devem
ser aditivos, os erros devem ser independentes, devem apresentar distribuição normal e as
suas variâncias devem ser homogêneas), sob pena das conclusões obtidas não terem
validade.
b) No processo de análise estatística dos dados experimentais, o sistema de
aproximação dos dados poderá aumentar o erro experimental. Em função disso, não é
recomendado aproximar os dados durante a análise estatística, e sim no final da mesma,
deixando-se no mínimo, quatro casas decimais.
c) Quando analisar quaisquer dados deverá dar ênfase aos resultados biológicos e
não aos métodos estatísticos. Não incluir no trabalho detalhes matemáticos
desnecessários.
2.5 Interpretação dos Resultados

46
A interpretação dos resultados experimentais submetidos à análise estatística
constitui uma das etapas fundamentais do plano de pesquisa.
Através do exame dos resultados parciais verifica-se se a pesquisa está se
desenvolvendo satisfatoriamente, ou se existe algo errado e que deve ser corrigido. Por
exemplo, em um experimento na cultura do milho, o crescimento das plantas, a coloração
e a turgescência das folhas, a umidade do solo, a temperatura ambiente, as precipitações
pluviais, a ocorrência de insetos-praga e doenças nos diferentes tratamentos, etc.,
fornecem informações muito valiosas sobre o desenrolar do experimento. A interpretação
desses resultados parciais, no momento em que ocorrem, permite melhor compreensão do
fato e facilita as conclusões finais.
A exposição pura e simples dos resultados obtidos no experimento, mesmo
quando acompanhados de análise estatística, não merece o título de pesquisa. Para que
isso ocorra, é necessário que se faça a interpretação dos resultados para se chegar a um
fato novo; é necessário que se chegue a uma conclusão nova, que venha solucionar um
problema técnico ou prático.
A interpretação de resultados que conduza somente a conclusões específicas, sem
possibilidades de generalização, indica que a pesquisa ainda não terminou, devendo
serem pesquisados outros aspectos. Por exemplo, no caso da irrigação na cultura do
milho, os dados disponíveis até o momento se mostram desfavoráveis a essa prática, da
forma e nas condições em que vem sendo realizada. Tal pesquisa estará concluída apenas
quando, analisados e interpretados os dados de irrigação, temperatura, precipitação
pluvial, etc., se puder concluir sobre os fatores que tornam a irrigação desaconselhável no
lugar e nas condições em que vem sendo realizada, e em que condições de solo e clima a
irrigação na cultura de milho poderia ser economicamente praticada.
Os resultados de qualquer pesquisa devem ser profunda e meticulosamente
analisados e interpretados, constituindo as conclusões e sua meta fundamental.
2.6 Elaboração do Relatório Final
Um projeto de pesquisa somente poderá ser considerado concluído quando gerar

algum produto ou as informações obtidas tenham domínio público. Em função disso, o
pesquisador deve elaborar o relatório final, tanto para atender as exigências da instituição
financiadora do projeto de pesquisa como para ser publicado numa revista especializada,
bem como apresentá-lo em reuniões científicas, congresso ou similares.
De um modo geral, na elaboração do relatório final, deve ser especificado os
seguintes itens:
a) Título - Deve ser redigido com bastante cuidado para indicar precisamente
qual o conteúdo do trabalho científico. É aqui onde mais se exige clareza e concisão por
parte do pesquisador. Lembre-se que o título deve ser bem ajustado ao objetivo do
trabalho científico.
Os serviços de indexação e de publicação de resumos (abstracts) solicitam títulos
curtos e específicos, incluindo a natureza do estudo e os organismos envolvidos.
Algumas revistas não permitem mais que dez palavras, outras limitam o título a noventa
caracteres e espaços. Se for necessário ultrapassar esses limites, desdobre-o em título e
subtítulo.
Deve ser evitadas generalidades ou idéias vagas, conforme visto na etapa
“Elaboração do Projeto”. Também, deve ser evitado expressões supérfluas como:
“investigação sobre ...”, “estudo de ...”, “efeito de ...”, “influência da ...”, “contribuição
47
para ...”, “sobre a natureza de ...”, “aspectos de ...”, “introdução ao estudo de ...”, “análise
preliminar de ...”, etc..
Sugere-se não inclui: nome científico da espécie juntamente com nome vulgar,
especialmente se essa já é bem conhecida, optar pelo nome vulgar; abreviaturas; época
em que foi desenvolvido o experimento (data), a não ser que faça parte dos objetivos;
fórmulas químicas; uso de aspas, barras ou versus (x).
b) Autoria - O nome do autor (ou autores) deve constar logo abaixo do título, à
direita do mesmo. Deve ser iniciado, preferencialmente, pelo sobrenome todo em letras
maiúsculas, seguido pelas iniciais do nome. Há revistas que publicam o título do autor
(ou autores), o nome da Instituição onde foi realizado o trabalho, ou ambos, logo abaixo
do nome do mesmo. Outras preferem trazer essas indicações em rodapé, na primeira
página do relatório de pesquisa (artigo científico), o que assegura certa economia de
espaço. Nesse caso, faz-se uma chamada por meio de asteriscos, ou melhor, de números-
indíces entre parênteses.
Parece-nos supérfluo acrescentar que os nomes figurando no cabeçalho de um
relatório de pesquisa devem ser estritamente os dos autores efetivos do trabalho; aqueles
que participam do planejamento, instalação e execução do experimento, análise
estatística dos dados experimentais e interpretação dos resultados são, em maior ou
menor grau, autores intelectuais do trabalho. Essa classificação depende da importância
da contribuição no trabalho científico, ou seja, o pesquisador que mais contribuiu tem seu
nome em primeiro lugar. Consentir na inclusão de seu nome em outras circunstâncias ou
a outro título, ou colocar nomes de terceiros que não preencham aqueles requisitos, é
infringir a ética do trabalho científico e contribuir para a corrupção dos costumes nesse
domínio.
Toda colaboração, ajuda material, apoio moral, críticas, etc., recebidos de outras
pessoas devem ser referidos nos “Agradecimentos”, no fim do trabalho científico e antes
das referências bibliográficas, de uma forma clara e objetiva.
c) Resumo - O resumo é a apresentação concisa e freqüentemente seletiva do
texto, pondo em relevo os elementos de maior interesse e importância, ou seja, a natureza
do assunto pesquisado, os resultados importantes obtidos e as conclusões principais a que
se chegou.
A finalidade do resumo é difundir o mais amplamente as informações (quer
diretamente, quer através de sua reprodução nos periódicos especializados em resumos,
ou de sua incorporação ao acervo dos serviços de comunicação) e permitir a quem lê,
decidir sobre a conveniência de consultar o texto completo. Por isso, ele deve ser bem
redigido, até porque se espera que ele seja lido cerca de 50 a 500 vezes mais do que o
trabalho científico na íntegra.
Deve ser redigido na forma impessoal do tratamento gramatical, bem como deve
ser evitado usar frases como: são descritos e será apresentado. Quanto à sua extensão,
não deve ir além de duzentas palavras, para permitir que, depois de impresso, possa
constar de uma ficha de 12,5 cm por 7,5 cm.
d) Abstract - O abstract corresponde à tradução do resumo para o inglês, em
função da necessidade de uma língua de grande penetração nos meios especializados. Se
o trabalho científico for apresentado em língua estrangeira (que não o espanhol), esse
resumo será em português.
Este tópico assume o papel de divulgador internacional das contribuições
científicas.

48
e) Introdução - Nela deve conter, pela ordem: natureza e importância do assunto
pesquisado, evolução e situação do problema, e identificação dos objetivos do trabalho
científico. Quase todas as observações sobre a redação da introdução do projeto de
pesquisa são válidas aqui.
Quanto à natureza e importância do assunto pesquisado, deve ser focalizados o
problema com indicação daqueles fatos ou situações que evidenciem sua importância.
Por exemplo, se o assunto é aumento da proteína em milho, mostrar porque é importante
que esse cereal tenha maior teor de proteína.
Na evolução e situação do problema, deve ser feito um levantamento dos estudos
já feitos sobre o problema por outros pesquisadores, (revisão bibliográfica), de modo que
mostre a real situação do problema na literatura nacional e estrangeira, na época em que
se planejou a pesquisa. Contudo, extensas revisões da literatura não têm sentido, devendo
ser substituídas por referências aos trabalhos mais recentes e mais importantes. Quando é
um assunto muito pesquisado e há inúmeras literaturas a esse respeito, cite três, no
máximo quatro delas.
Na identificação dos objetivos do trabalho científico, deve ser exposto
claramente as questões que foram respondidas pela pesquisa.
f) Material e Métodos - O material e métodos deve ser feito da mesma maneira
como visto na etapa “Elaboração do Projeto”, alterando apenas o tempo do verbo, do
futuro para o passado. Além disso, a descrição dos métodos usados deve ser breve, porém
suficiente para possibilitar a outros pesquisadores repetir a investigação; processo e
técnicas já publicados devem ser apenas referidos por citação, sendo necessário detalhar
no caso de serem novos ou pouco usual.
g) Resultados e Discussão - Primeiramente, deve ser apresentado os resultados
que se encontram em uma tabela (ou quadro) ou figura (gráfico, desenho, mapa,
fotografia, etc.) de forma objetiva, exata, clara e lógica, com o mínimo possível de
discussão ou interpretação pessoal.
As tabelas e/ou figuras poderão vir logo após a apresentação dos resultados ou no
final do trabalho científico.
Posteriormente, é feita a discussão dos dados obtidos e dos resultados alcançados
à luz da experiência do pesquisador, ligando os novos achados aos conhecimentos
anteriores.
Lembre-se de que, na apresentação dos resultados, se os dados forem numéricos,
os mesmos devem vir acompanhados de análise estatística, sempre que conveniente.
Não apresente separadamente os resultados de uma grande número de
observações similares ou experiências equivalentes, tal como analisar as características
de uma população. As informações adequadas podem estar todas compreendidas, via de
regra, quando se fornecem: o número de observações; a média aritmética dos valores; o
desvio padrão e/ou erro padrão da média.
Tais informações podem constar do texto ou das tabelas, da seguinte forma: 275
 2,8 (12), onde 275 representa a média,  2,8 representa o desvio padrão ou erro
padrão da média (indicar qual) e (12) corresponde ao número de observações, caso esse
já não conste de outra coluna da tabela.
Quando forem apresentadas diferenças entre médias (ou outros dados
estatísticos) de tratamentos, aplique o teste de significância mais adequado.
Na discussão dos resultados, o autor (ou autores) deve:
g.1) estabelecer relações entre causas e efeitos;

49
g.2) deduzir as generalizações e princípios básicos que tenham comprovação nas
observações experimentais;
g.3) esclarecer as exceções, modificações e contradições das hipóteses, teorias e
princípios diretamente relacionados com o trabalho realizado;
g.4) indicar as aplicações teóricas ou práticas dos resultados obtidos, bem como
as suas limitações;
g.5) procurar elaborar, quando possível, uma teoria para explicar certas
observações ou resultados obtidos;
g.6) sugerir, quando for o caso, novas pesquisas, tendo em vista à experiência
adquirida no desenvolvimento do trabalho e visando à sua complementação.
Além da discussão dos resultados entre si, cabe a discussão diante da literatura,
isto é, a comparação dos resultados obtidos com os dos autores citados. Cabe ao autor (ou
autores) definir se seus resultados confirmam, eqüivalem ou desmentem os dos outros
trabalhos mencionados.
Jamais ofereça argumentos ou provas que se baseiam em comunicações privadas
ou publicações de caráter restrito. Ainda que se tolerem alusões e entrevistas orais ou a
comunicações pessoais, elas não devem justificar afirmações ou conclusões apoiadas em
fatos não comprovados pelo autor (ou autores).
h) Conclusões - Nela deve ser colocado os principais resultados obtidos com a
experimentação, de uma forma clara, objetiva, lógica e breve.
É aqui onde estão situadas as contribuições do autor (ou autores) para o avanço
da ciência, além do que elas poderão abrir perspectivas de novas pesquisas.
As conclusões, obviamente, têm que se basear somente em fatos comprovados.
Na redação dessa parte do trabalho científico devem ser evitadas expressões que
indiquem reserva ou ressalva, tais como: houve indícios, provavelmente, possivelmente,
etc..
Em alguns periódicos não consta o item Conclusões, sendo que as mesmas
aparecem em Resultados e Discussão.
i) Agradecimentos (Opcional) - Os agradecimentos devem ser feitos a pessoas
ou instituições que realmente colaboraram para o desenvolvimento do trabalho
científico.
Também, aqui, o estilo deve ser sóbrio e claro, indicando as razões pelas quais se
fazem os agradecimentos.
Devem ser omitidos os agradecimentos a colaborações rotineiras, tais como:
datilografia, desenhos eventuais, trabalhos de impressão, etc..
j) Literatura Citada - As informações citadas pelo autor (ou autores) de um
trabalho científico, com o propósito de fundamentar, de comentar ou ilustrar as asserções
do texto e que já tenham sido publicadas (ou que estejam sabidamente em publicação),
deverão ser acompanhadas de referências, permitindo ao autor comprovar os fatos ou
ampliar seu conhecimento do assunto mediante a consulta nas fontes.
Evidentemente, essa finalidade só será atingida na medida em que a referência
for correta e apresentada de forma inequívoca para o leitor, devendo ainda atender às
conveniências dos serviços de bibliografia e bibliotecas, para evitar perda de tempo e
dificuldades na localização do artigo para consulta ou reprodução. Siga para isso as
normas internacionais instituídas pela Organização Internacional de Normalização e pela
Associação Brasileira de Normas Técnicas e editadas pelo Instituto Brasileiro de
Bibliografia e Documentação.

50
O próprio autor (ou autores) é quem deve compilar a bibliografia que irá citar,
nela incluindo os trabalhos que efetivamente consultou e na medida em que sejam
necessários à exposição de suas idéias ou resultados.
A seguir serão apresentados exemplos dos casos mais comuns de referenciação.
Na citação de artigos de periódicos, os seguintes elementos deverão aparecer,
pela ordem: sobrenome do(s) autor(es), iniciais do prenome (tudo em letras maiúsculas);
título do artigo; título do periódico (em negrito); local de publicação do periódico;
volume; número; páginas inicial e final do artigo; ano de publicação. Exemplo:
LOPES, M. E. B. M.; KIMATI, H. Avaliação da resistência de genótipos de girassol

(Helianthus annus L.) a Macrophomina phaseolina (Tass.) Goid. no Estado de São
Paulo. Summa Phytopathologica, Piracicaba, v. 13, n. 1/2, p. 133-141, 1987.
No caso de um livro, a citação deverá conter os seguintes elementos, pela

ordem: sobrenome do(s) autor(es) do capítulo, iniciais do pronome (tudo em letras
maiúsculas); título do livro (em negrito); número da edição (exceto a 1a); local da
publicação do livro; editora; ano de publicação; número do volume (quando houver);
número total de páginas. Exemplo:
BANZATTO, D. A.; KRONKA, S. N. Experimentação agrícola. Jaboticabal: FUNEP,

1989. 247p.
No caso de capítulo de livro, os seguintes elementos deverão constar na citação,

pela ordem: sobrenome do (s) autor (es), iniciais do prenome (tudo em letras maiúsculas);
título do capítulo ou parte referenciada; palavra In:; sobrenome do autor ou editor do
livro, iniciais do prenome (tudo em letras maiúsculas); título do livro (em negrito);
número da edição (exceto a 1a); local de publicação do livro; editora; ano de publicação;
número do volume (quando houver); número do capítulo e/ou página inicial e final da
parte referenciada. Exemplo:
BANDEL, B. Genética. In: PATERNIANI, E. Melhoramento e produção de milho

no Brasil. Piracicaba: Fundação Cargill, 1980. p. 97-121.
No caso de dissertação ou tese, a citação deverá conter os seguintes elementos,

pela ordem: sobrenome do autor, iniciais do prenome (tudo em maiúsculo); título da
dissertação ou tese (em negrito); local de apresentação (cidade); instituição onde a
dissertação ou tese foi defendida; ano da defesa; número de páginas; dissertação ou tese;
grau. Exemplo:
FERREIRA, P.V. Aspectos fisiológicos e implicações genéticas da cerosidade foliar

em cebola ( Allium cepa L.) Piracicaba: ESALQ, 1983. 101 p. Tese, Doutoramento.
No caso de eventos (congressos, simpósios, reuniões, etc.), a citação deverá

conter os seguintes elementos, pela ordem: nome do evento (todo em letras maiúsculas);
número, ano e local de realização do evento; título (em negrito); local de publicação;
editora; ano de publicação; número de páginas ou número de volumes. Exemplo:

51
CONGRESSO BRASILEIRO DE NEMATOLOGIA, 12, 1988. Dourados. Resumos.
Dourados: Sociedade Brasileira de Nematologia, EMBRAPA/UEPAE de Dourados,
1988, 42 p.
No caso de parte de eventos, os seguintes elementos deverão aparecer, pela

ordem: sobrenome do(s) autor(es) do trabalho, iniciais do prenome (tudo em letras
maiúsculas); título do trabalho, palavra In:; nome do evento (todo em letras maiúsculas);
número, ano e local de realização do evento; título (em negrito); local de publicação;
editora; ano de publicação; página inicial e final da parte referenciada. Exemplo:
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.
No caso de abstracts, a citação deverá conter os seguintes elementos, pela ordem:

sobrenome do(s) autor(es) do artigo científico, iniciais do prenome (tudo em letras
maiúsculas); título do artigo; título do periódico (em negrito); local de publicação;
volume (número do fascículo); página inicial e final da parte referenciada; ano de
publicação do artigo científico seguido pela expressão “apud” e título do abstracts (em
negrito apenas o título do abstracts); volume; número de referência do artigo; número da
página; ano de publicação do abstracts. Exemplo:
KATIS, N.; GIBSON, R. W. Transmission of potato virus y by cereal aphids. Potato

Research, Wageningen, v. 28, n.1, p. 65-70, 1985 apud Review of Plant Pathology, v.
65, n.1, p. 4038. 1986.
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:
UNIVERSIDADE FEDERAL DE ALAGOAS

CENTRO DE CIÊNCIAS AGRÁRIAS

52
Jair Tenório Cavalcante

Paulo Vanderlei Ferreira
Lailton Soares
Relatório de pesquisa apresentado à

Revista Magistra da Escola de Agronomia
da Universidade Federal da Bahia para
publicação.
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.
RESUMO: Considerando-se que são poucos os trabalhos de pesquisa com batata-doce

para o Estado de Alagoas, faz-se necessário estudos no sentido de se obter para a região,
através do melhoramento genético de plantas, cultivares adaptadas, com boas

53
características agronômicas, elevada capacidade produtiva e resistência às principais
pragas e doenças que assolam esta cultura. O experimento foi realizado em Rio Largo –
Alagoas, em 1999, objetivando avaliar clones de batata-doce, mediante análise de
variância, comparação das médias e do coeficiente de determinação genotípica. Utilizou-
se o delineamento experimental em blocos casualizados, com 14 tratamentos e quatro
repetições, analisando-se as variáveis: produtividade de raízes comerciais, produtividade
de raízes não comerciais, comprimento da raiz, diâmetro médio da raiz e número de
raízes comerciais; peso da parte aérea; resistência à broca do coleto e resistência à
ferrugem branca. O clone 13 apresentou o maior rendimento de raízes comerciais (19,97 t
ha-1), maior diâmetro médio de raiz (7,05 cm) e menor percentual de sintomas da broca
do coleto. As estimativas dos coeficientes de determinação foram elevadas (acima de
70%); havendo assim pouca influência do ambiente na expressão das variáveis. Os clones
13, 14, 03, 09 e 06 apresentaram os melhores desempenhos, superando a produtividade
média de raízes comerciais de batata-doce no Estado de Alagoas.
Palavras-chave: produtividade, raízes, coeficiente de determinação genotípica.
EVALUATION OF SWEET POTATOES CLONES (Ipomoea batatas (L.) Lam.), IN

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.
Key words: production, roots, genotypes coefficients determination.
INTRODUÇÃO
A batata-doce é a quarta hortaliça mais consumida no Brasil. É uma cultura

tropical e subtropical, rústica, de fácil manutenção. Apresenta boa resistência à seca e
ampla adaptação. O custo de produção é relativamente baixo, com investimentos
54
mínimos e de retornos elevados. É também uma das hortaliças com maior capacidade de
produzir energia por unidade de área e tempo (kcal ha-1 dia-1) (MIRANDA et al., 1995).
Fatores como a ocorrência de pragas e doenças, tecnologia de produção
inadequada e a falta de cultivares selecionadas são responsáveis pela baixa produtividade
média brasileira, que está em torno de 8,7 t ha-1 (SILVA e LOPES, 1995). Por outro lado,
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.
Em programas de melhoramento genético de plantas, além de estudos
relacionados à análise de variância e comparação de médias, também deve-se proceder à
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, o presente trabalho teve como objetivo avaliar
clones de batata-doce desenvolvidos em Alagoas, mediante análise de variância,
comparação das médias e do coeficiente de determinação genotípica, nas condições de
clima e solo de Rio Largo-AL.
MATERIAL E MÉTODOS
O experimento foi realizado no Centro de Ciências Agrárias, Universidade

Federal de Alagoas, localizado no Campus Delza Gitaí, BR 104 Norte, km 85, Rio Largo
– Alagoas, no ano de 1999. O solo é classificado como Latossolo Vermelho de acordo
com JACOMINE et al. (1975). O município está situado a uma latitude de 9o 27‟S,
longitude de 35o 27‟W e uma altitude de 127 m, com temperaturas médias de máxima 29
o
C e mínima de 21 oC, e pluviosidade média anual de 1.267,7 mm (CENTENO e KISHI,
1994).
Foram avaliados 14 clones da batata-doce, obtidos a partir de sementes botânicas
de populações de polinização livre, em novembro/97. São eles: CL - 01, CL - 03, CL -
04, CL - 05, CL - 10, CL - 11 e CL - 12, provenientes da cultivar Co Copinha; CL - 09,
provenientes da cultivar Paulistinha Branca; CL - 13 e CL - 14, provenientes da cultivar
Roxa de Rama Fina; CL - 02, proveniente da cultivar Co Branca; CL - 06, proveniente da
cultivar 60 Dias; CL - 07, proveniente da cultivar Copinha; e CL - 08, proveniente da
cultivar Pixaim I.
O delineamento experimental utilizado foi em blocos casualizados, com 14
tratamentos e quatro repetições. As unidades experimentais foram constituídas por três
leiras de 6,0 m de comprimento com 0,30 m de altura cada, com 15 plantas por leira, no
espaçamento de 0,80 m x 0,40 m, considerando-se como área útil a fileira central,
avaliando-se sete plantas alternativas e competitivas, a partir da segunda.

55
Após análise de solo, procedeu-se o preparo do mesmo, onde foram efetuadas
duas gradagens: uma antes e outra após a aplicação do corretivo; não foi aplicado adubo
químico, visto que o solo apresentou uma boa fertilidade e também para melhor
caracterizar o cultivo na região. Decorridos 30 dias, levantaram-se as leiras com sulcador
tratorizado. Para o plantio, foram utilizadas ramas novas de até 90 dias, sadias, com oito a
dez entrenós, dos quais três a quatro enterrados no topo da leira, este executado em
11/06/1999. Utilizou-se irrigação por aspersão, visto que ocorreram veranicos nos
primeiros 60 dias após o plantio.
As parcelas experimentais foram mantidas livres de ervas daninhas, através de
capinas à enxada e não foram efetuados os controles de pragas e doenças que ocorreram,
pois um dos objetivos do presente trabalho foi a avaliação da resistência dos referidos
clones de batata-doce às moléstias.
A partir dos 90 dias após o plantio e até a colheita das raízes tuberosas, foram
quinzenalmente observados os danos causados pela presença de pragas e doenças,
anotando-se a percentagem de danos, para avaliação do grau de resistência dos referidos
clones de batata-doce. Aos 130 dias após o plantio, foi efetuada a colheita das raízes
tuberosas na leira central.
As variáveis relacionadas a seguir referem-se às médias de sete plantas
competitivas da leira central de cada parcela experimental:
1 – Produtividade de Raízes Comerciais (PRC): refere-se ao peso (t ha-1) das
raízes comerciais (acima de 80 g), com uso de balança de precisão.
2 – Diâmetro Médio da Raiz (DMR): refere-se ao diâmetro (cm), da parte
intermediária transversal da raiz, utilizando-se 20 tubérculos tomados aleatoriamente.
Nesta medição utilizou-se um paquímetro.
3 – Comprimento da Raiz (CR): refere-se ao comprimento da raiz (cm),
utilizando-se os mesmos 20 tubérculos avaliados no DMR. Medição feita com régua
milimétrica.
4 – Número de Raízes Comerciais por Planta (NRC): refere-se à quantidade de
raízes comerciais (acima de 80 g), por planta.
5 – Produtividade de Raízes Não Comerciais (PRNC): refere-se ao peso (t ha-1)
das raízes não comerciais (de 40 a 80 g), com uso de balança de precisão.
6 – Peso da Parte Aérea das Plantas (PPA): refere-se ao peso (t ha-1) da parte
aérea das plantas, retirando-se a três cm do solo, usando-se balança de precisão.
7 – Resistência à Broca do Coleto (RBC): quinzenalmente foram atribuídas notas
de 1 a 5, à percentagem de plantas atacadas pela Broca do coleto (Megastes pusialis) por
parcela experimental. Sendo 1 - (0 - 10%) Resistente (R); 2 - (11 - 25%) Moderadamente
Resistente (MR); 3 - (26 - 35%) Moderadamente Suscetível (MS); 4 - (36 - 50%)
Suscetível (S) e 5 - (> 50%) Altamente Suscetível (AS). Esta escala foi idealizada por
AZEVEDO et al. (1996).
8 – Resistência à Ferrugem Branca (RFB): quinzenalmente foram atribuídas
notas de 1 a 5, à percentagem de área foliar atacada pela Ferrugem branca (Albugo
ipomoea - panduratae) nas plantas. Sendo 1 - (0 - 1%) Resistente (R); 2 - (2 - 10%)
Moderadamente Resistente (MR); 3 - (11 - 25%) Moderadamente Suscetível (MS); 4 -
(26 - 50%) Suscetível (S) e 5 - (> 50%) Altamente Suscetível (AS). Esta escala foi
idealizada por PEIXOTO et al. (1989).
Os resultados obtidos foram submetidos a análise da variância, comparação das
médias pelo teste de Tukey (FERREIRA, 1996) e ao estudo do coeficiente de
determinação genotípica (CRUZ, 1994).
56
RESULTADOS E DISCUSSÃO
A análise de variância revelou existência de diferenças significativas a 1% de

probabilidade pelo teste F em todas as variáveis, rejeitando-se a hipótese de nulidade
(Tabela 1). Deste modo, pelo menos dois tratamentos (clones) possuem efeitos diferentes
sobre a variável analisada, a este nível de probabilidade, com um grau de confiança
superior a 99% de probabilidade.
A maioria dos coeficientes de variação apresentou valores acima de 20%, como
foram os casos das variáveis PRC, PPA, NRC, PRNC e RBC, enquanto que os demais
variaram entre 7,77% e 13,28%. É comum encontrarem-se valores de coeficientes de
variação elevados em variáveis relacionadas a órgãos e/ou estruturas subterrâneas, pois o
controle do ambiente é dificultado. Resultados semelhantes foram encontrados por Soares
(1991), com batata-baroa (Arracacia xanthorrhiza Bancroft.), cenoura (Daucus carota
L.), mandioca (Manihot esculenta Crantz), batatinha (Solanum tuberosum L.) e inhame
(Colocasia esculenta (L.) Schott.).
Tabela 1 – Resumo da análise de variância de oito variáveis avaliadas em 14 clones de batata-doce

(Ipomoea batatas (L.) Lam.) no delineamento em blocos casualizados. Rio Largo-AL, 1999.
_____________________________________________________________________________________
FV GL PRC CR DMR PPA NRC PRNC RBC RFB
(t ha-1) (cm) (cm) (t ha-1) (unid.) (t ha-1) (nota de 1 a 5) (nota de 1 a 5)
___________________________________________________________________________________________________________________________________________________________
Blocos 3 18,6995 7,4778 0,3116 0,4490 0,6157 1,1814 1,9762 0,0695

Clones 13 64,9676** 13,0502** 3,1025** 1,7548** 1,0662** 2,9525** 3,0659** 2,6636**
Resíduo 39 11,5739 1,8254 0,2398 0,5146 0,2763 0,5455 0,6044 0,0318
___________________________________________________________________________________________________________________________________________________________
Média 11,46 17,38 4,78 1,55 2,12 2,05 3,61 1,34

C.V.(%) 29,69 7,77 10,25 46,39 24,74 36,08 21,55 13,55
___________________________________________________________________________________________________________________________________________________________
**: Significativo a 1% de probabilidade pelo teste F.

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.
Na Tabela 2 consta as diferenças significativas pelo teste de Tukey a 5% de

probabilidade entre as médias dos 14 clones para cada variável.
Com relação à variável PRC, o clone 13 apresentou a maior produtividade de
raízes comerciais (19,97 t ha-1) e diferiu dos clones 02, 04, 05, 07, 08, 10 e 11que
produziram em média 8,26 t ha-1. Observa-se que os resultados são animadores, visto que
PEIXOTO et al. (1989) avaliaram clones de batata-doce provenientes de sementes
botânicas em Formosa-GO e obtiveram resultados inferiores ao presente trabalho (clone
mais produtivo - BDI 006 - 16,7 t ha-1), com ciclo de 146 dias e em condições mais
favoráveis, pois foi utilizada adubação mineral. Observa-se também, que apenas dois
clones apresentaram produtividades inferiores à média estadual, são eles: o clone 07
(5,35 t ha-1) e o clone 11 (7,07 t ha-1).
Tabela 2 – Médias1 de oito variáveis dos 14 clones de batata-doce (Ipomoea batatas (L.) Lam.). Rio
Largo-AL, 1999.
___________________________________________________________________________________________________________________________________________________________

57
Clones PRC CR DMR PPA NRC PRNC RBC RFB
(t ha-1) (cm) (cm) (t ha -1) (unid.) (t ha-1) (nota de 1 a 5) (nota de 1 a 5)
___________________________________________________________________________________________________________________________________________________________
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.
Quanto à variável CR, o clone 01 apresentou o maior comprimento (20,78 cm) e

diferiu dos clones 03, 04, 06, 07, 08, 13 e 14 que apresentaram os menores valores, com
média de 16,03 cm.
Para a variável DMR, o clone 13 apresentou o maior diâmetro de raiz (7,05 cm),
diferindo estatisticamente de todos os outros clones.
Com relação à variável PPA, o clone 02 apresentou o maior peso da parte aérea
(3,06 t ha-1), diferindo estatisticamente dos clones 03, 04, 05, 06, 07, 08 e 10 que
apresentaram, em média, 1,01 t ha-1.
Quanto à variável NRC, o clone 14 apresentou o maior número de raízes
comerciais por planta (3,0) e diferiu estatisticamente apenas dos clones 05 e 07 que
apresentaram, em média, 1,43 unidades.
O clone 11 apresentou a maior produtividade de raízes não comerciais (3,88 t ha-
1
), o que é indesejável, e diferiu estatisticamente dos clones 01, 03, 04, 05, 06, 07, 10, 12
e 13, cuja média foi de 1,53 t ha-1. Resultados semelhantes também foram obtidos por
PEIXOTO et al. (1989), em experimentos realizados em Goiás. Todos os clones
produziram mais de uma t ha-1 de raízes não comerciais. RESENDE e COSTA (1991),
obtiveram com a cultivar Brazilândia Roxa um PRNC de 6,9 t ha-1, resultado este que
ultrapassa em cerca de 77,84% o clone 11 deste trabalho. Por outro lado, considerando o
PRNC em relação a produtividade total de raízes, verifica-se que o CL - 13 foi o que
mais destacou-se, pois obteve apenas 6, 32% de PRNC, vindo em seguida o CL - 03 com
7,23%; os clones 01, 04, 06, 07, 09, 10, 12 e 14 ficaram entre 10 e 15%; e os demais
acima de 18,04% de PRNC.
Para a variável RBC, o clone 13 apresentou o menor percentual de plantas
atacadas pela broca do coleto, sendo classificado como moderadamente resistente (MR) à
praga e diferiu estatisticamente dos clones 03, 04, 06, 07, 08, 11 e 12, que apresentaram
os maiores percentuais de ataque desta praga.

58
Quanto à variável RFB, os clones 03 e 04 apresentaram os maiores percentuais
de sintomas da ferrugem branca, sendo classificados como moderadamente suscetíveis
(MS) e diferiram estatisticamente dos demais clones, os quais foram classificados como
resistentes (R), visto que apresentaram um percentual de sintoma da referida doença em
torno de 1%.
Na Tabela 3 encontram-se as estimativas dos coeficientes de determinação
genotípica, parâmetro genético indispensável na avaliação do ganho genético por seleção.
De maneira geral, as estimativas foram elevadas (acima de 70%), indicando que para
todas as variáveis, o componente genético é expressivo. Os maiores ganhos são obtidos
quando se dispõe de altas estimativas de coeficiente de determinação genotípica (H2).
Tabela 3 – Estimativas dos coeficientes de determinação genotípica (H2) em clones de batata-doce

(Ipomoea batatas (L.) Lam.). Rio Largo-AL, 1999.
___________________________________________________________________________________________________________________________________________________________
Variáveis Coeficiente de Determinação Genotípica (H2) em %

___________________________________________________________________________________________________________________________________________________________
Produtividade de Raízes Comerciais 82

Comprimento da Raiz 86
Diâmetro Médio da Raiz 92
Peso da Parte Aérea 71
Número de Raízes Comerciais 74
Produtividade de Raízes Não Comerciais 82
Resistência à Broca do Coleto 80
Resistência à Ferrugem Branca 99
___________________________________________________________________________________________________________________________________________________________
As estimativas de H2 para todas as variáveis estudadas mostraram que estes

sofreram pouca influência do ambiente, indicando que facilmente poderão ser utilizados
em programas de melhoramento genético. VENCOVSKY (1973) atribui os altos valores
encontrados para as variáveis à multiplicação vegetativa dos clones, em que o genótipo é
totalmente transmitido integralmente aos descendentes. Resultados semelhantes foram
obtidos por RIBEIRO et al. (1984), estudando nove variáveis de seringueira.
De acordo com os resultados, uma simples seleção fenotípica dará bons
resultados, visto que a propagação dos clones é vegetativa.
Assim, espera-se que os clones que apresentaram os melhores desempenhos
fenotípicos para as variáveis com maiores H2, sejam também genotipicamente superiores.
.
Bibliografia
ALLARD. R. W. Princípios do melhoramento genético de plantas. Rio de Janeiro:

Editora Edgard Blucher Ltda.. 1971. 381p.
ALLEM, A. C. Recursos genéticos da batata-doce: situação atual e perspectivas. In:
SEMINÁRIO SOBRE A CULTURA DA BATATA-DOCE. 1988, Brasília. Anais.
Brasília: EMBRAPA, 1988. p. 37-54.
BARRERA, P. Batata doce. 2. ed. São Paulo: ÍCONE Editora Ltda. 1989. 93p.
BORÉM, A. Melhoramento de plantas. Viçosa: UFV. 1997. 547p.
BRAGA, R. Plantas do nordeste, especialmente do Ceará. 3. ed. Mossoró: Coleção
Mossoroense . v. XLII, 1976. p. 77-79.

59
COSTA, C. P. da e PINTO, C. A. B. P. Melhoramento de hortaliças. Piracicaba:
Departamento de Genética da ESALQ/USP. 1977. 319p. (Apostila).
CENTENO, J. A. S.; KISHI, R. T. Recursos hídricos do Estado de Alagoas. Maceió:
Secretaria de Planejamento, Núcleo Estadual de Meteorologia e Recursos Hídricos. 1994.
41p.
CRUZ, C. D. Métodos biométricos aplicados ao melhoramento genético. Viçosa, MG:
UFV, Imprensa Universitária. 1994. 390p.
FERREIRA, P. V. Estatística experimental aplicada à agronomia. 2. ed. Maceió:
EDUFAL. 1996. 606p.
FUNDAÇÃO INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA.
Anuário estatístico do Brasil. Rio de Janeiro: Secretaria de Planejamento da Presidência
da República. v.59, p. 3-36, 1999.
GONÇALVES, P. de S.; ROSSETTI, A. G.; VALOIS, A. C. C.; VEIGAS, I. de J. M.
Coeficiente de determinação genotípica e possíveis ganhos genéticos para caracteres
utilizados na seleção de seringueira. Manaus: SUDHEVEA/EMBRAPA, 1983. 15p.
JACOMINE, P. K. T.; CAVALCANTE, A. C.; PESSOA, S. C. C.; SILVEIRA, C. O. da.
Levantamento exploratório-reconhecimento dos solos do Estado de Alagoas. Recife:
EMBRAPA, Centro de Pesquisas Pedológicas. 1975. 532p. (Boletim técnico, 35).
JONES, A. Sweet potato. In: FEHR, W. R. e HADLEY, H. H. (eds.) Hybridization of
crop plants. Madison: American Society of Agronomy, 1980. p. 645-655.
JONES A. e DUKES, P. D. Longevity of stored seed of sweet potato. Hortiscience. v.17,
p. 756-757, 1982.
MARTIN, F. W. Diferences in yield betweem potato seedlings and their derived clones.
Prop. Root & Tuber Crops Newsl.. v.14, p. 41-43, 1983.
MIRANDA, J. E. C.; FRANÇA, F. H.; CARRIJO, O. A.; SOUZA, A. F. PEREIRA, W.;
LOPES, C. A. e SILVA, J. B. C. A cultura da batata-doce. Brasília: EMBRAPA. 1995.
94p. (Coleção Plantar).
SILVA, J. B. C. e LOPES, C. A. Cultivo da batata-doce. 3. ed. Brasília:
EMBRAPA.1995. 18p. (Instruções Técnicas de CNPHortalilças–7).
YEN, D. E. Sweet potato. In: FRANKEL, O. H. e BENNETT, E. (eds.), Genetic
Resources in Plants. London: Brlackweel. 1970. p. 341-351.
2.7 Exercícios
a) Planeje um experimento na área de produção vegetal, apresente o título e os

objetivos, defina os tratamentos, o delineamento estatístico, o número de repetições e a
forma e tamanho das parcelas, apresente o croqui do experimento, mostre como o mesmo
será instalado e como será conduzido e coletados os dados.
b) Faça o mesmo para a área de produção animal.

59
MEDIDAS DE TENDÊNCIA CENTRAL E

3 DE VARIABILIDADE DE DADOS
Na pesquisa agropecuária, os pesquisadores utilizam a Estatística Experimental

para obter, analisar e interpretar dados experimentais, obtidos de experimentos, visando à
elucidação de princípios biológicos bem como a solução de problemas agropecuários.
Na elucidação de tais princípios e na solução de tais problemas, o pesquisador
define quais as características que irá utilizar para avaliar os tratamentos, de modo que
possa atingir os objetivos da pesquisa. Por exemplo, na avaliação de variedades de milho
e na avaliação de raças bovinas de leite, o pesquisador pode definir as seguintes
características: resistência à lagarta do cartucho, período de maturação da espiga e
rendimento de grãos (kg/ha), no caso do milho, e resistência a carrapato, consumo
alimentar e rendimento de leite (kg/dia), no caso de bovino de leite, para avaliar seus
tratamentos. Cada característica é medida nas parcelas e é denominada de variável.
Uma variável pode ser discreta ou contínua. Variável discreta é aquela que
somente pode ter certos valores da amplitude de variação, ou seja, valores inteiros que se
originam de contagens. Por exemplo, número de plantas doentes por parcela, número de
sementes por fruto, número de ovos por galinha em determinado período, número de
carrapatos por cavalo, etc.. Variável contínua é aquela que pode assumir qualquer valor
dentro da amplitude de variação, ou seja, valores decimais que se originam de medições.
Altura e rendimento de grãos de plantas de milho, peso e produção de leite de vacas
leiteiras são exemplos desse tipo de variável.
No linguajar estatístico, uma população é um conjunto de medições, de uma
única variável, efetuadas sobre todos os indivíduos pertencentes a uma classe. No nosso
caso, por exemplo, o rendimento de grãos (kg/ha) de todos os campos de milho no Brasil,
cultivados com a variedade CENTRALMEX, constituiu uma população. Da mesma
forma, o rendimento de leite (kg/dia) de todas as vacas holandesas criadas no Estado de
Alagoas constitui uma população. As medições individuais de uma variável recebem o
nome de elemento.
Uma amostra é um conjunto de medições que constitui parte de uma população.
A partir da amostra obtêm-se informações e fazem-se inferências acerca da população.
Por esta razão, é importante que a amostra seja representativa da população.
As populações são descritas mediante características denominadas parâmetros.
Os parâmetros são valores fixos; por exemplo, a média aritmética de todos os elementos
de uma população é um parâmetro. As amostras são descritas pelas mesmas
características, mas recebem a denominação de estatístico. A média de uma amostra é
um estatístico. Calculam-se os estatísticos das amostras para estimarem-se os parâmetros
da população. Obviamente, os estatísticos variam de amostra para amostra enquanto que
os parâmetros têm apenas um valor.
60
3.1 Organização de Dados
Diferentes valores de uma variável apresentam distintas freqüências de

incidência em sua população. Para caracterizar convenientemente uma população, os
dados provenientes de uma amostra grande, como, por exemplo, os dados brutos de altura
de planta (cm) de sorgo granífero da TABELA 3.1 e os dados brutos de peso corporal (g)
de um lote misto de frangos de corte com 15 dias de idade da TABELA 3.2, são
organizados mediante a construção de uma tabela de freqüência, um histograma de
freqüência ou um polígono de freqüência.
TABELA 3.1 – DADOS BRUTOS DE ALTURA DE PLANTA (cm) DE SORGO GRANÍFERO

___________________________________________________________________________________________________________________________________________________________
90,60 79,30 95,90 75,35 99,10 46,00

87.90 87,60 78,30 79,80 104,80 68,00
74,92 86,75 93,78 75,50 57,13 84,18
100,80 99,80 65,90 74,65 95,40 58,65
94,20 71,80 85,00 73,70 81,60 66,20
84,80 82,50 81,30 106,90 64,20 48,20
63,90 76,45 59,50 83,90 80,80 110,00
79,20 68,70 82,60 70,30 81,30 77,51
68,70 89,10 77,60 93,79 108,00 82,00
74,35 89,70 98,45 71,75 55,10 56,20
74,10 64,50 90,80 78,88 75,80 78,61
88,16 88,00 55,80 71,35 60,30 71,80
70,15 79,20 79,90 96,80 75,65 73,05
78,67 79,10 73,10 69,90 74,00 75,60
85,00 67,00 76,50 64,05 71,30 52,40
___________________________________________________________________________________________________________________________________________________________
TABELA 3.2 – DADOS BRUTOS DE PESO CORPORAL (g) DE UM LOTE MISTO DE FRANGOS
DE CORTE COM 15 DIAS DE IDADE
___________________________________________________________________________________________________________________________________________________________
485,6 482,0 476,7 473,8 482,8 495,5

482,1 478,5 484,8 522,0 459,0 498,3
470,7 479,5 469,0 472,9 468,9 439,1
490,2 499,1 464,4 418,0 462,6 502,8
455,0 482,0 442,9 460,3 449,0 499,2
482,8 481,8 501,6 468,9 452,4 470,0
463,1 527,8 506,8 494,8 503,8 488,6
469,0 487,3 452,8 469,0 502,0 469,5
444,4 484,7 459,0 438,7 530,0 499,1
442,9 460,3 488,9 494,2 429,5 462,0
501,6 468,9 507,4 484,7 499,1 471,8
500,8 484,0 506,8 481,9 475,7 527,8
456,3 481,6 427,8 486,4 469,4 466,5
459,2 473,0 436,9 453,2 484,2 474,2
476,9 478,9 488,0 507,1 451,7 485,0
460,5 454,3 475,9 467,3 467,2 466,9
469,1 487,1 453,1 465,9 468,2 453,2
439,7 436,9 507,5 487,2 469,4 459,7
477,9 458,2 502,8 489,5 458,0 477,4

61
475,3 477,9 469,0 499,3 452,9 477,2

___________________________________________________________________________________________________________________________________________________________________________________________
3.1.1 Tabela de freqüência
A tabela de freqüência proporciona ao pesquisador um meio eficaz de

organização dos dados para estudo do comportamento de variáveis de interesse.
Na construção de uma tabela dessa natureza, devem-se levar em conta certas
considerações importantes:
a) O intervalo de classe será de amplitude uniforme e de tamanho que se
manifestem as linhas características da distribuição. Assim, o intervalo de classe não
deve ser tão grande para não se cometer um erro considerável ao supor que o ponto
médio do intervalo é o valor médio da classe. Não deve ser tão pequeno para não
aparecerem demasiadas classes com freqüência zero ou muito pequenas.
b) Se possível, é conveniente fazer com que o ponto médio da classe seja um
número inteiro.
c) As freqüências das classes podem ser absoluta, relativa ou relativa acumulada.
Cabe ao pesquisador escolher a que mais lhe convier. A freqüência absoluta da uma
classe corresponde a quantidade de valores de uma determinada variável que pertence a
referida classe. Esse tipo de freqüência informa apenas o número absoluto de valores de
um determinado intervalo de classe. Já a freqüência relativa de uma classe corresponde a
freqüência absoluta da referida classe dividida pela soma de todas as freqüências
absolutas, sendo expressa em porcentagem. Ela é útil quando se quer conhecer à
proporção de valores situados em um determinado intervalo de classe ou quando se
querem comparar conjuntos de dados que contenham números desiguais de observações.
Enquanto que a freqüência relativa acumulada de uma classe corresponde à soma da
freqüência relativa da referida classe e todas as outras freqüências relativas anteriores.
Esse tipo de freqüência é útil quando se querem comparar conjuntos de dados que
contenham números desiguais de observações.
Para a construção de uma tabela de freqüência, primeiramente define-se o
número de classes, normalmente por meio da seguinte Fórmula de STURGES (citada por
IPARDES, 2000):
k = 1 + 3,32 x log N
onde:
k = número de classes;
N = número total de observações.
Sem considerar a fórmula acima para se definir o número de classes, SPIEGEL

(1993) recomenda, como regra geral, que o número de classes esteja entre cinco e 20. Por
outro lado, MAGALHÃES e LIMA (2005), sem adotarem nenhuma regra formal quanto
ao número de classes, utilizam, em geral, de cinco a oito classes.
Em seguida, determina-se a amplitude total dos dados, que é a diferença entre o
maior e o menor valor da série.
De posse desses valores, define-se o intervalo de classe, dividindo a amplitude
total pelo número de classes. Em seguida, são estabelecidos os limites inferiores e
superiores das classes, onde o limite inferior da segunda classe é igual ao limite superior

62
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).
TABELA 3.3 – TABELA DE FREQÜÊNCIAS ABSOLUTA, RELATIVA E RELATIVA

ACUMULADA DE ALTURA DE PLANTA (cm) DE SORGO GRANÍFERO
_____________________________________________________________________________________
Freqüência Freqüência Freqüência Relativa
Intervalo de Classe Ponto Médio Absoluta Relativa (%) Acumulada (%)
_____________________________________________________________________________________
46,00 – 54,00 50,00 3 3,33 3,33

54,00 – 62,00 58,00 7 7,78 11,11
62,00 – 70,00 66,00 11 12,22 23,33
70,00 – 78,00 74,00 24 26,67 50,00
78,00 – 86,00 82,00 22 24,44 74,44
86,00 – 94,00 90,00 11 12,22 86,66
94,00 – 102,00 98,00 8 8,89 95,55
102,00 – 110,00 106,00 4 4,45 100,00
_____________________________________________________________________________________
TABELA 3.4 – TABELA DE FREQÜÊNCIAS ABSOLUTA, RELATIVA E RELATIVA

ACUMULADA DE PESO CORPORAL (g) DE UM LOTE MISTO DE
FRANGOS DE CORTE COM 15 DIAS DE IDADE
_____________________________________________________________________________________
Freqüência Freqüência Freqüência Relativa
Intervalo de Classe Ponto Médio Absoluta Relativa (%) Acumulada (%)
_____________________________________________________________________________________
418,0 – 432,0 425,0 3 2,50 2,50

432,0 – 446,0 439,0 8 6,67 9,17
446,0 – 460,0 453,0 17 14,17 23,34
460,0 – 474,0 467,0 30 25,00 48,34
474,0 – 488,0 481,0 32 26,66 75,00
488,0 – 502,0 495,0 17 14,17 89,17
502,0 – 516,0 509,0 9 7,50 96,67
516,0 – 530,0 523,0 4 3,33 100,00
_____________________________________________________________________________________________
A TABELA 3.3 fornece um quadro global de como os dados de altura de planta

de sorgo granífero estão distribuídos pelos intervalos de classe. Nota-se que as
observações variam de 46,00 até 110,00 cm, com relativamente poucas medidas nas
extremidades do intervalo e uma grande proporção dos valores situados entre 62,00 e
94,00 cm. Os intervalos 70,00 – 78,00 cm e 78,00 – 86,00 cm contém as maiores
freqüências, ou seja, 24 plantas de sorgo granífero que corresponde a 26,67%, e 22
plantas de sorgo granífero que corresponde a 24,44%, respectivamente. Por outro lado,

63
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.
3.1.2 Histograma de freqüência
O histograma de freqüência, tipo de gráfico mais comumente usado, também

proporciona ao pesquisador um meio eficaz de organização dos dados para estudo do
comportamento de variáveis de interesse. Embora freqüentemente forneçam menor grau
de detalhe que as tabelas de freqüências, são mais fáceis de ler, proporcionando ao
pesquisador um ganho no entendimento dos dados.
Esse tipo de gráfico consiste em um conjunto de retângulos que tem as bases
sobre um eixo horizontal (eixo dos X) com centro no ponto médio e as larguras iguais às
amplitudes dos intervalos das classes; e o eixo vertical (eixo dos Y), as áreas
proporcionais às freqüências das classes, podendo ser as freqüências absolutas ou
relativas.
Para a construção de um histograma de freqüência, inicialmente traçam-se as
escalas dos eixos. A escala do eixo vertical deve começar do zero; se isso não é feito, as
comparações visuais entre os intervalos podem ficar distorcidas. Uma vez que os eixos
tenham sido desenhados, uma barra vertical centrada no ponto médio é colocada sobre
cada intervalo. A altura da barra demarca a freqüência associada com o intervalo.
Como exemplo têm-se os histogramas de freqüências absoluta e relativa de altura
de planta (cm) de sorgo granífero (FIGURAS 3.1 e 3.2) e de peso corporal (g) de um lote
misto de frangos de corte com 15 dias de idade (FIGURAS 3.3 e 3.4).
FIGURA 3.1 – HISTOGRAMA DE FREQÜÊNCIA ABSOLUTA DE ALTURA DE PLANTA (cm) DE

SORGO GRANÍFERO

64
FIGURA 3.2 – HISTOGRAMA DE FREQÜÊNCIA RELATIVA DE ALTURA DE PLANTA (cm) DE

SORGO GRANÍFERO
FIGURA 3.3 – HISTOGRAMA DE FREQÜÊNCIA ABSOLUTA DE PESO CORPORAL (g) DE UM

LOTE MISTO DE FRANGOS DE CORTE COM 15 DIAS DE IDADE
FIGURA 3.4 – HISTOGRAMA DE FREQÜÊNCIA RELATIVA DE PESO CORPORAL (g) DE UM


65
As FIGURAS 3.1 e 3.2 fornecem as mesmas informações da TABELA 3.3 para

as freqüências absoluta e relativa da altura de planta de sorgo granífero, enquanto que as
FIGURAS 3.3 e 3.4 fornecem as mesmas informações da TABELA 3.4 para as
freqüências absoluta e relativa do peso corporal de um lote misto de frangos de corte com
15 dias de idade. Pelo visto, as FIGURAS 3.1 e 3.2 e as FIGURAS 3.3 e 3.4
proporcionam um entendimento melhor dos dados que as TABELAS 3.3 e 3.4,
facilitando o entendimento da distribuição de altura de plantas de sorgo granífero e da
distribuição de peso corporal de um lote misto de frangos de corte com 15 dias de idade.
3.1.3 Polígono de freqüência
O polígono de freqüência, gráfico de linha comumente usado, é muito

semelhante ao histograma de freqüência, pois usa os mesmos dois eixos que um
histograma de freqüência e transmitem essencialmente as mesmas informações quando
são usadas as freqüências absolutas ou relativas. A diferença básica entre o histograma e
o polígono de freqüência está no fato de este utilizar os pontos médios das classes,
enquanto o histograma considera os limites reais das classes. Por outro lado, os polígonos
de freqüência, por poderem ser facilmente superpostos, são superiores aos histogramas
quando se quer comparar dois ou mais conjuntos de dados.
Para a construção de um polígono de freqüência, tanto para freqüência absoluta
como para freqüência relativa, basta apenas unir os pontos médios de cada classe de um
histograma de freqüência, conforme FIGURAS 3.5 e 3.6, para altura de planta (cm) de
sorgo granífero e FIGURAS 3.7 e 3.8, para peso corporal (g) de um lote misto de frangos
de corte com 15 dias de idade.
FIGURA 3.5 – POLÍGONO DE FREQÜÊNCIA ABSOLUTA DE ALTURA DE PLANTA (cm) DE

SORGO GRANÍFERO

66
FIGURA 3.6 – POLÍGONO DE FREQÜÊNCIA RELATIVA DE ALTURA DE PLANTA (cm) DE

SORGO GRANÍFERO
FIGURA 3.7 – POLÍGONO DE FREQÜÊNCIA ABSOLUTA DE PESO CORPORAL (g) DE UM

FIGURA 3.8 – POLÍGONO DE FREQÜÊNCIA RELATIVA DE PESO CORPORAL (g) DE UM LOTE

MISTO DE FRANGOS DE CORTE COM 15 DIAS DE IDADE

67
As FIGURAS 3.5 e 3.6 fornecem essencialmente as mesmas informações das

FIGURAS 3.1 e 3.2 para as freqüências absoluta e relativa da altura de planta de sorgo
granífero.
As FIGURAS 3.7 e 3.8 também fornecem essencialmente as mesmas
informações das FIGURAS 3.3 e 3.4 para as freqüências absoluta e relativa do peso
Pelo visto, as FIGURAS 3.5 e 3.6 e as FIGURAS 3.7 e 3.8 proporcionam o
mesmo entendimento dos dados da distribuição de altura de plantas de sorgo granífero e
da distribuição de peso corporal de um lote misto de frangos de corte com 15 dias de
idade que as FIGURAS 3.1 e 3.2 e as FIGURAS 3.3 e 3.4, respectivamente.
Também, para a construção de um polígono de freqüência pode-se usar a
freqüência relativa acumulada, o qual é chamado de polígono de freqüência relativa
acumulada ou Ogiva de Galton. Embora seu eixo horizontal seja o mesmo de um
polígono de freqüência padrão, o seu eixo vertical utiliza-se das freqüências relativas
acumuladas. Um ponto é colocado no limite superior de cada intervalo de classe; a altura
do ponto representa a freqüência relativa acumulada associada ao intervalo de classe. Os
pontos são então conectados por linhas retas. Como os polígonos de freqüência, os
polígonos de freqüência relativa acumulada podem ser usados para comparar conjuntos
de dados.
Como exemplos têm-se os polígonos de freqüência relativa acumulada de altura
de planta (cm) de sorgo granífero (FIGURA 3.9) e de peso corporal (g) de um lote misto
de frangos de corte com 15 dias de idade (FIGURA 3.10).
FIGURA 3.9 – POLÍGONO DE FREQÜÊNCIA RELATIVA ACUMULADA DE ALTURA DE

PLANTA (cm) DE SORGO GRANÍFERO
FIGURA 3.10 – POLÍGONO DE FREQÜÊNCIA RELATIVA ACUMULADA DE PESO CORPORAL

(g) DE UM LOTE MISTO DE FRANGOS DE CORTE COM 15 DIAS DE IDADE

68
As FIGURAS 3.9 e 3.10 fornecem as mesmas informações das TABELAS 3.3 e

3.4 para, respectivamente, as freqüências relativas acumuladas de altura de planta de
sorgo granífero e de peso corporal de um lote misto de frangos de corte com 15 dias de
idade, porém proporcionam um entendimento melhor dos dados que as referidas tabelas.
3.1.4 Curva normal
Se fossem construídos gráficos a partir de freqüências, por exemplo, do número

de frutos por planta de 200 progênies de pimentão, de leituras refractométricas de
diversas cebolas, da altura de planta de sorgo granífero, do peso corporal de frangos de
corte, da produção de leite de vacas leiteiras, etc., os mesmos mostrariam diversas
características importantes em comum. Todas as curvas teriam seu ponto mais alto
próximo ao meio, representando a classe mais comum. Estas poderiam desviar-se
bastante, simetricamente, sobre qualquer de seus lados em direção às classes raras. A
maioria dos dados biológicos apresenta curva deste tipo, conhecida como curva normal,
representadas pelas FIGURAS 3.11 e 3.12.
FIGURA 3.11 – CURVA NORMAL DA DISTRIBUIÇÃO DE FREQÜÊNCIA DE ALTURA DE

PLANTA (cm) DE SORGO GRANÍFERO
FIGURA 3.12 – CURVA NORMAL DA DISTRIBUIÇÃO DE FREQÜÊNCIA DE PESO CORPORAL

(g) DE UM LOTE MISTO DE FRANGOS DE CORTE COM 15 DIAS DE IDADE

69
As curvas de distribuição normal podem diferir quanto à posição do ponto médio

(o ponto de maior freqüência) e à dispersão dos dados, conforme FIGURAS 3.11 e 3.12,
porém todas podem ser descritas, somente, mediante os parâmetros média e desvio
padrão. Os métodos de estimá-los serão descritos nas seções seguintes.
3.2 Medidas de Tendência Central
Após serem os dados tabulados, é necessário encontrar valores típicos que

possam representar a distribuição como um todo. Esses valores tendem a se localizar em
um ponto central e reproduzirá as características da população, quanto mais homogêneos
forem os seus componentes.
Esses valores são chamados de medidas de tendência central ou medidas de
posição.
Entre as medidas de tendência central de uma distribuição de freqüência, as mais
conhecidas são: a média, a mediana e a moda.
3.2.1 Média
A média é a mais importante das medidas de tendência central. Entre os vários

tipos de médias, a média aritmética, ou simplesmente média, é a que mais nos interessa,
do ponto de vista estatístico, por ser a mais representativa de uma amostra de dados. Ela
apresenta as seguintes características:
a) É medida exata e rigorosamente definida;
b) Como medida de tendência central é de fácil compreensão e descreve todos os
dados da série;
c) Serve de apoio a cálculos posteriores como o das probabilidades, desvio
padrão, coeficiente de variação, etc.;
d) É a medida de tendência central de maior emprego no campo da análise
quantitativa.
A média aritmética pode ser simples ou ponderada. Quando nada se especifica,
significa estar-se tratando de média simples.
Numa série de dados não agrupados, isto é, dados que não estejam relacionados
com distribuições de freqüências, a média aritmética simples é a razão entre o somatório
dos valores da amostra (Xi) e o número de observações (N).
Assim, numa amostra de dados X1, X2, ... XN , tem-se:
X 1  X 2  ...  X N
m̂ =
N
=
X i
Deve-se distinguir, neste caso, a média verdadeira, que é obtida quando se

tomam todos os dados de uma população, e a média estimada, que é obtida a partir de
dados de uma amostra.
Exemplo 1: Calcular a média aritmética simples a partir de dados da TABELA
3.5.

70
TABELA 3.5 – DADOS DE PRODUTIVIDADE (kg/ha) DE ALGODÃO HERBÁCEO, VARIEDADE

ALLEN – 333/57, NO MUNICÍPIO DE VIÇOSA-AL, NO ANO DE 1977
_____________________________________________________________________________________
Área Produtividade (kg/ha)
_____________________________________________________________________________________
1 273,0
2 660,0
3 675,0
4 355,0
5 315,0
6 453,0
_____________________________________________________________________________________
FONTE: FERREIRA (1977).
A média será:
m̂ =
X
N
273,0  660,0  ...  453,0

=
6
2.731,0
=  455,17 kg/ha
6
O valor m̂  455,17 kg/ha é uma estimativa de produtividade da população de

algodão herbáceo, variedade ALLEN – 333/57, no Município de Viçosa-AL, no ano de
1977, que é desconhecida.
3.6.
TABELA 3.6 – DADOS DE PESO AO NASCER (kg) DE BEZERROS MACHOS DA RAÇA

CHAROLESA
_____________________________________________________________________________________
Bezerro Peso ao Nascer (kg)
_____________________________________________________________________________________
1 47,0
2 41,0
3 34,0
4 45,0
5 45,0
6 46,0
7 25,0
8 48,0
9 37,0
10 47,0
11 40,0
12 40,0
71
___________________________________________________________________________________________________________________________________________________________
FONTE: GOMES (1985).

A média será:
m̂ =
X
N
47,0  41,0  ...  40,0

=
12
495,0
= = 41,25 kg
12
Também, o valor m̂ = 41,25 kg é uma estimativa de peso ao nascer da população

de bezerros machos da raça Charolesa que é desconhecida.
Numa série de dados grupados em classes, portanto numa distribuição de
freqüência, a média aritmética simples é a razão entre o somatório dos produtos dos
pontos médios pelas freqüências [ (Pm x f)] e o somatório das freqüências (f).
Assim, tem-se:
mˆ 
 ( Pm x f)
f
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
O valor m̂  78,44 cm é uma estimativa de altura de planta da população de sorgo

granífero que é desconhecida. Esse valor, que se localiza em um ponto central, representa
a amostra de 90 dados da distribuição de altura de planta de sorgo granífero.
3.4.
A média será:

72
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
O valor m̂  474,82 g é uma estimativa de peso corporal de uma população mista

de frangos de corte com 15 dias de idade que é desconhecida. Esse valor, que também se
localiza em um ponto central, representa a amostra de 120 dados da distribuição de peso
Em certos casos não próprios de distribuições de freqüências, em que os dados
não possuem identidade de significação, devem-se equiparar os dados entre si para
obtenção da média aritmética. Esse tipo de média se chama, especificamente, média
aritmética ponderada, ou às vezes, simplesmente, média ponderada. A ponderação é a
única forma que proporciona um resultado capaz de traduzir a realidade.
Ponderar, significa pesar. Isto quer dizer que se devem pesar os dados para se
obter a média, que será uma razão entre o somatório dos produtos de cada valor pelo peso
respectivo [ (P x X)] e o somatório dos pesos (P).
Assim, tem-se:
m̂p 
 P x X 
P
Exemplo 5: Calcular a média aritmética ponderada a partir de dados da TABELA
3.7.
TABELA 3.7 – DADOS DE STAND FINAL E DE NÚMERO DE FRUTOS DE ABACAXI (Ananas

comosus (L.) Merrill, VARIEDADE PÉROLA, EM ÁREAS DE 42 m2, NO
MUNICÍPIO DE ARAPIRACA-AL, NO ANO DE 1985
Lote Stand Final Número de Frutos
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
FONTE: FERREIRA e MARTINS, 1985.

73
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.
TABELA 3.8 – DADOS DE NÚMERO DE POEDEIRAS ISA BROWN POR PARCELA E DE

NÚMERO DE OVOS PRODUZIDOS DURANTE UM PERÍODO DE 60 DIAS
Parcela Número de Aves Produção de Ovos
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

74

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
A mediana de um conjunto ordenado de dados é o valor que ocupa exatamente o

centro da série ou a média aritmética dos dois valores centrais, sendo insensível ao valor
de cada observação, o que pode ser uma vantagem, quando a distribuição dos dados for
assimétrica. Esta medida de tendência central serve para representar e analisar uma série
de dados grupados ou não, dividindo a série em duas partes iguais, isto é, forma uma
dicotomia de área.
Numa série de dados não agrupados, a mediana é facilmente localizável, tanto
quanto as demais medidas de tendência central. Neste caso específico, como foi dito, a
mediana (me) ficará no centro da série.
Considerando os dados do Exemplo 1, a mediana será:
me = X 3  X 4
2
355,0  453,0
=
2
808,0
= = 404,0 kg/ha
2
O valor me = 404,0 kg/ha é uma estimativa de produtividade da população de

algodão herbáceo, variedade ALLEN – 333/57, no Município de Viçosa-AL, no ano de
1977, que é desconhecida. Esse valor foi bem inferior ao valor da média aritmética
( m̂  455,17 kg/ha), tendo uma diferença de 51,17 kg/ha. Como houve uma variação
muito grande entre os dados de produtividade de algodão herbáceo, onde o maior valor
(675,0 kg/ha) foi, aproximadamente, 2,5 vezes maior que o menor valor (273,0 kg/ha) e a
75
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
O valor me = 43,0 kg é uma estimativa de peso ao nascer da população de

bezerros machos da raça Charolesa que é desconhecida. Esse valor foi ligeiramente
superior ao valor da média aritmética ( m̂ = 41,25 kg), tendo uma diferença de apenas 1,75
kg por animal. Nesse caso, tanto a mediana como à média aritmética traduzem a
realidade.
Numa série de dados grupados em classes, a mediana (me) é obtida através da
seguinte fórmula:
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.
Considerando os dados do Exemplo 3, a mediana será:
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 
76
 0
= 74,0    x 8,0
 23 
= 74,0 + (0) x 8,0
= 74,0 + 0 = 74,0 cm
O valor me = 74,0 cm é uma estimativa de altura de planta da população de sorgo

granífero que é desconhecida. Esse valor foi ligeiramente inferior ao valor da média
aritmética ( m̂  78,44 cm), tendo uma diferença de apenas 4,44 cm por planta. Nesse
caso, tanto a mediana como à média aritmética traduzem a realidade.
Considerando, também, os dados do Exemplo 4, a mediana será:
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 
= 467,0 + (0,0645) x 14,0
= 467,0 + 0,903  467,90 g
O valor me  467,90 g é uma estimativa de peso corporal da população de um lote

misto de frangos de corte com 15 dias de idade que é desconhecida. Esse valor foi
ligeiramente inferior ao valor da média aritmética ( m̂  474,82 g), tendo uma diferença
de apenas 6,92 g por frango. Também, nesse caso, tanto a mediana quanto a média
aritmética traduzem a realidade.
3.2.3 Moda
A moda de um conjunto de dados é o valor que ocorre com maior freqüência, ou

seja, é o valor mais comum. A moda pode não existir e, mesmo que exista, pode não ser
única.
Numa série de dados não grupados, quando todos os valores da série ocorrem
com a mesma freqüência, como no Exemplo 1, a moda (mo) não existe. Quando a série
77
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.
TABELA 3.9 – DADOS DE EMERGÊNCIA DE PLÂNTULAS, DE EMERGÊNCIA DA 1a VAGEM E

DE MATURAÇÃO DE VAGENS DE CULTIVARES DE SOJA (Glicine max (L.)
Merrill) NO MUNICÍPIO DE VIÇOSA-AL, NO ANO DE 1984
Cultivar Emergência de Plântulas Emergência da Maturação de Vagens

a
(em dias) 1 Vagem (em dias) (em dias)
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
FONTE: FERREIRA e OLIVEIRA (1985).
No caso da emergência de plântulas, a moda será:
mo = 6 dias
No caso da emergência da 1a vagem, as modas serão:
mo = 36 dias
mo = 37 dias
mo = 42 dias
E, no caso da maturação de vagens, as modas serão:
mo = 93 dias
mo = 99 dias
78
No caso da emergência de plântulas, o valor mo = 6,0 dias é uma estimativa da

população de soja no Município de Viçosa-AL, no ano de 1984, que é desconhecida. Esse
valor foi bastante próximo do valores da média aritmética ( m̂  5,44 dias) e da mediana
(me = 5,5 dias). Assim sendo, qualquer uma dessas medidas de tendência central traduz a
realidade quanto à emergência de plântulas de soja em Viçosa-AL.
Também, no caso da emergência da 1a vagem, os valores: mo = 36,0 dias, mo =
37,0 dias e mo = 42,0 dias são estimativas da população de soja no Município de Viçosa-
AL, no ano de 1984, que são desconhecidas. Esses valores foram bastante diferentes do
valor da média aritmética ( m̂  39,94 dias) e do valor da mediana (me = 39,5 dias). Por
outro lado, a média aritmética e a mediana apresentaram valores bem próximos. Desse
modo, apenas a média aritmética e a mediana, nesse caso, como medidas de tendência
central, traduzem melhor a realidade quanto à emergência da 1a vagem de soja em
Viçosa-AL.
Ainda, no caso de maturação de vagens, os valores: mo = 93,0 dias e mo = 99,0
dias são estimativas da população de soja no Município de Viçosa-AL, no ano de 1984,
que são desconhecidas. Esses valores foram bastante diferentes do valor da média
aritmética ( m̂  97,78 dias) e do valor da mediana (me = 97,0 dias). Por outro lado, a
média aritmética e a mediana apresentaram valores bem próximos. Desse modo, como no
caso anterior, apenas a média aritmética e a mediana, como medidas de tendência central,
traduzem melhor a realidade quanto à maturação de vagens de soja em Viçosa-AL.
Considerando os dados do Exemplo 2, as modas serão:
m0 = 40,0 kg
m0 = 45,0 kg
m0 = 47,0 kg
Os valores: mo = 40,0 kg, mo = 45,0 kg e mo = 47,0 kg são estimativas de peso ao

nascer da população de bezerros machos da raça Charolesa que são desconhecidas. Esses
valores foram bastante diferentes do valor da média aritmética ( m̂ = 41,25 kg) e do valor
da mediana (me = 43,0 kg). Por outro lado, a média aritmética e a mediana apresentaram
valores bem próximos. Então, dessa forma, tanto a média aritmética quanto à mediana
traduzem melhor a realidade em relação ao peso ao nascer de bezerros machos da raça
Charolesa.
Numa série de dados grupados em classes, chama-se classe modal a classe que
possui a maior freqüência. Neste caso, existem vários processos para se determinar à
moda (mo). Contudo, serão vistos os mais utilizados:
a) Processo de KING – A moda (mo) é calculada através da seguinte fórmula:
 fp 
mo  Li'    x Ic
 fa  fp 
onde:
Li’= limite inferior da classe modal;
fp = freqüência posterior à classe modal;

79
fa = freqüência anterior à classe modal;

Ic = amplitude do intervalo da classe modal.
Considerando os dados do Exemplo 3, a moda será:
 fp 
mo  Li'    x Ic
 fa  fp 
 22 
= 70,0    x 8,0
 11  22 
 22 
= 70,0    x 8,0
 33 
= 70,0 + (0,6667) x 8,0
= 70,0 + 5,3336  75,33 cm
Considerando, também, os dados do Exemplo 4, a moda será:
 fp 
mo  Li'    x Ic
 fa  fp 
 17 
= 474,0    x 14,0
 30  17 
 17 
= 474,0    x 14,0
 47 
= 474,0 + (0,3617) x 14,0
= 474,0 + 5,0638  479,06 g
b) Processo de CZUBER - A moda (mo) é calculada através da seguinte

fórmula:
 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.

80
Considerando os dados do Exemplo 3, a moda será:
 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 
= 70,0 + (0,8667) x 8,0
= 70,0 + 6,93360 = 76,93 cm
Considerando, também, os dados do Exemplo 4, a moda será:
 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 
= 474,0 + (0,1176) x 14,0
= 474,0 + 1,6464  475,65 g
Observe-se que há uma diferença entre os valores encontrados, por ambos os

processos, tanto para altura de planta de sorgo granífero (Processo de King – mo  75,33
cm e Processo de Czuber – mo = 76,93 cm) quanto para peso corporal de um lote misto
de frangos de corte com 15 dias de idade (Processo de King – mo  479,06 g e Processo
de Czuber – mo  475,65 g), mas que em termos de moda não tem importância.
Por outro lado, as estimativas da moda, pelo Processo de Czuber, para os dois
tipos de distribuição de freqüência ficaram mais próximas das estimativas da média
aritmética (Altura de planta de sorgo granífero: m̂  78,44 cm e mo  76,93 cm; Peso

81
corporal de um lote misto de frangos de corte com 15 dias de idade: m̂  474,82 g e mo

 475,65 g), enquanto que pelo Processo de King, apenas a estimativa da moda da Altura
de planta de sorgo granífero (mo = 75,33cm) ficou próxima da mediana (me = 74,0 cm).
Assim sendo, como as estimativas da média aritmética e da mediana para os dois
tipos de distribuição em estudo foram muito próximas e que as estimativas da moda pelos
dois processos estão em torno delas apenas para Altura de planta de sorgo granífero,
enquanto que para o Peso corporal de um lote misto de frangos de corte com 15 dias de
idade as estimativas da moda pelos dois processos foram muito próximas das estimativas
da média aritmética, qualquer uma das medidas de tendência central traduz a realidade
para altura de planta de sorgo granífero e para peso corporal de um lote misto de frangos
de corte com 15 dias de idade.
Por fim, vale ressaltar que na pesquisa agropecuária, as medidas de tendência
central são utilizadas, de um modo geral, isoladamente, cabendo ao pesquisador verificar
qual delas é mais conveniente para auxiliar a análise dos seus dados. Entretanto, em
determinadas situações, elas podem ser utilizadas em conjunto.
A melhor medida de tendência central para um determinado conjunto de dados
depende freqüentemente da distribuição dos valores:
a) Se a distribuição de valores é simétrica e unimodal, a média, a mediana e a
moda são aproximadamente as mesmas, onde, nesta situação, qualquer uma delas poderá
ser usada convenientemente para analisar os dados, conforme FIGURA 3.13 (a).
b) Se a distribuição de valores é simétrica e bimodal, a média e a mediana são
aproximadamente as mesmas, porém não convenientes para analisar os dados, pois se
tratam de medidas improváveis de ocorrer, já que seus valores se encontrariam entre os
dois picos, segundo FIGURA 3.13 (b). Uma distribuição bimodal indica freqüentemente
que a população da qual os valores são tomados consiste realmente de dois subgrupos
distintos que diferem na característica medida, onde a moda seria a medida de tendência
central mais conveniente para analisar os dados ou então analisar os dois subgrupos
separadamente.
c) Quando os dados são assimétricos, tanto à direita quanto à esquerda, a
mediana é freqüentemente a melhor medida de tendência central. Por ser sensível às
observações extremas, a média é puxada em direção dos valores atípicos e,
conseqüentemente, poderia terminar excessivamente aumentada ou reduzida, em excesso.
Quando os dados são assimétricos à direita, a média se encontra à direita da mediana
[FIGURA 3.13 (c)]; e quando os dados são assimétricos à esquerda, a média se encontra
à esquerda da mediana [FIGURA 3.13 (d)].
FIGURA 3.13 – TIPOS DE DISTRIBUIÇÃO DE VALORES DE UM DETERMINADO CONJUNTO

DE DADOS: (a) SIMÉTRICA E UNIMODAL; (b) SIMÉTRICA E BIMODAL; (c)
ASSIMÉTRICA À DIREITA; (d) ASSIMÉTRICA À ESQUERDA

82
3.3 Medidas de Variabilidade de Dados
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:
(1) 10, 10, 10, 10, 10 m̂ = 10,0
(2) 8, 10, 12, 9, 11 m̂ = 10,0
(3) 10, 3, 9, 17, 11 m̂ = 10,0
(4) 17, 15, 7, 3, 8 m̂ = 10,0
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.

83
3.3.1 Amplitude total
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
Considerando todas as amostras com média m̂ = 10, do exemplo citado

anteriormente, ver-se que a média m̂ = 10 não dá por si só, uma completa informação a
respeito do comportamento dos dados. Entretanto, se for tomado a diferença entre o
maior e o menor deles, dentro de cada amostra, isto é, a amplitude total, ter-se-á
respectivamente:
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
De imediato conclui-se que as amostras (3) e (4) são as mais dispersas. No

entanto, elas são bem distintas, faltando, consequentemente, alguma informação a mais,
que permita diferenciá-las.
É por isso que a amplitude total, mesmo sendo fácil de calcular, é uma medida de
dispersão de utilidade limitada, por depender somente dos valores extremos de um
conjunto de dados, desprezando assim os valores intermediários, o que a torna insensível
à dispersão dos demais valores entre o maior e o menor.
Considerando os dados do Exemplo 1, a amplitude total será:
At = Xma – Xme
= 675,0 – 273,0 = 402,0 kg/ha
O valor At = 402,0 kg/ha é uma estimativa de variabilidade dos dados de

produtividade de algodão herbáceo, variedade ALLEN – 333/57, no Município de
Viçosa-AL, no ano de 1977, em torno da média aritmética ( m̂  455,17 kg/ha). Houve

84
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
= 48,0 – 25,0 = 23,0 kg
O valor At = 23,0 kg é uma estimativa de variabilidade dos dados de peso ao

nascer de bezerros machos da raça Charolesa, em torno da média aritmética ( m̂ = 41,25
kg). Houve uma variação grande nos dados de peso ao nascer de bezerros machos, em
relação à média aritmética.
Considerando, ainda, os dados do Exemplo 3, a amplitude total será:
At = Xma – Xme
= 110,0 – 46,0 = 64,0 cm
O valor At = 64,0 cm é uma estimativa de variabilidade dos dados de altura de

planta de sorgo granífero, em torno da média aritmética ( m̂  78,44 cm). Houve uma
variação muito grande nos dados de altura de planta, em relação à média aritmética.
Considerando, por fim, os dados do Exemplo 4, a amplitude total será:
At = Xma – Xme
= 530,0 – 418,0 = 112,0 g
O valor At = 112,0 g é uma estimativa de variabilidade dos dados de peso

corporal de um lote misto de frangos de corte com 15 dias de idade, em torno da média
aritmética ( m̂  474,82 g). Houve uma variação relativamente grande nos dados de peso
corporal, em relação à média aritmética.
3.3.2 Variância
A variância é uma medida de variabilidade que leva em conta todos os valores de

um conjunto de dados. É, indiscutivelmente, a melhor medida de dispersão.
Numa amostra de dados não grupados, como por exemplo, numa amostra de
dados X1, X2 , ... , XN , a variância (s2) é obtida através da seguinte fórmula:
SQD
s2 =
N 1
onde:
SQD = soma dos quadrados dos desvios em relação à média aritmética;
N = número de observações.
É oportuno observar que o denominador da fórmula da variância acima é

equivalente ao número de graus de liberdade envolvido.

85
O número de graus de liberdade é utilizado no cálculo da variância e de outras

medidas de variabilidade, quando as mesmas são obtidas a partir de uma amostra de
dados e a teoria prova que, quando a média verdadeira não é conhecida e faz-se o cálculo
de s2 a partir de uma estimativa m̂ , isto eqüivale exatamente à perda de uma das
observações.
O número de graus de liberdade é conceituado como o número de valores num
conjunto de dados que pode ser designado arbitrariamente. Por exemplo, suponha que um
pesquisador vai distribuir, através de sorteio, dez vacas holandesas em um galpão
contendo dez baias, para avaliar duas rações comerciais em relação à produção de leite.
No primeiro sorteio, a chance de qualquer uma das dez vacas ocupar a baia n o 1 é a
mesma, pois têm-se dez opções de escolha. Depois de sorteada a baia no 1, passa-se ao
segundo sorteio, onde a chance de qualquer uma das nove vacas ocupar a baia n o 2 é a
mesma, pois têm-se nove opções de escolha. Depois de sorteada a baia no 2, passa-se ao
terceiro sorteio, onde a chance de qualquer uma das oito vacas ocupar a baia no 3 é a
mesma, pois têm-se oito opções de escolha, e assim sucessivamente. Quando só restarem
duas baias, passa-se ao nono sorteio, onde a chance de qualquer uma das duas vacas
ocupar a baia no 9 é a mesma, pois têm-se duas opções de escolha. Porém, depois de
sorteada a baia no 9, a última vaca já não tem mais opção de escolha, ou seja, ela ficará na
baia no 10. Portanto, o número de opções é igual a 9, isto é, N – 1.
Considerando os dados das amostras do exemplo anterior, tem-se:
SQD
s2 =
(1)
N 1
=
02  02  02  02  02
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
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
Um modo mais prático de calcular a SQD é o que se segue:
 X  2
SQD = X 2

N
Assim, a fórmula da variância fica:
 X  2
X 2

N
s2 =
N 1
Considerando o mesmo exemplo, tem-se:
 X  2
X 2

N
s2 (1) =
N 1
10  10  10  10  10 

2 2 2 50
2
2 2
= 5
5 1

87
100  100  100  100  100  .2.500

= 5
4
500  500
=
4
0
= = 0,0
4
 X 2
2
X 2

N
s (2) =
N 1
82  102  122  92  112  50

2
= 5
5 1
64  100  144  81  121  2.500

= 5
4
510  500
=
4
10
= = 2,5
4
 X 2
2
X 2

N
s (3) =
N 1
102  32  92  172  112  50

2
= 5
5 1
100  9  81  289  121  2.500

= 5
4
600  500
=
4
100
= = 25,0
4

88
 X  2
2
X 2

N
s (4) =
N 1
17  15  7   3  8 

2 2 2 50
2
2 2
= 5
5 1
289  225  49  9  64  2.500

= 5
4
636  500
=
4
136
= = 34,0
4
A vantagem deste método é que se trabalha diretamente com os dados originais,

não havendo, pois, necessidade de calcular-se previamente a média e os desvios em
relação a ela.
É interessante observar que as amostras (3) e (4) já referidas, embora não
pudessem ser diferenciadas pela amplitude total, podem perfeitamente ser identificadas
através da variância. Neste caso, observa-se que a amostra (4) é mais dispersa que a
amostra (3).
Considerando os dados do Exemplo 1, a variância será:
 X  2
2
X 2

N
s =
N 1
273,02  660,02    453,02  2.731,0

2
= 6
6 1
74.529,0  435.600,0    205.209,0  (7.458.361,0)

= 6
5
=
74.529,0  435.600,0    205.209,0  1.243.060,167
5
1.396.213,0  1.243.060,167
=
5

89
153.152,833
= = 30.630,5666 (kg/ha)2
5
O valor s2 = 30.630,5666 (kg/ha)2 é uma estimativa de variabilidade dos dados de

Viçosa-AL, no ano de 1977, em torno da média aritmética ( m̂  455,17 kg/ha). Mesmo
sendo uma unidade quadrática, verifica-se que houve uma variação relativamente grande
nos dados de produtividade de algodão herbáceo em torno da média aritmética.
Considerando, também, os dados do Exemplo 2, a variância será:
 X  2
X 2

N
s2 =
N 1
47,02  41,02    40,02  495,0

2
= 12
12  1
2.209,0  1.681,0    1.600,0  245.025,0

= 12
11
=
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
O valor s2  45,4773 kg2 é uma estimativa de variabilidade dos dados de peso ao

kg). Mesmo sendo uma unidade quadrática, verifica-se que houve uma variação
relativamente pequena nos dados de peso ao nascer de bezerros machos em torno da
média aritmética.
Numa série de dados grupados em classes, a variância (s2) é obtida através da
seguinte fórmula:
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;

90
Considerando os dados do Exemplo 3, a variância será:
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
O valor s2 = 172,7440899 cm2 é uma estimativa de variabilidade dos dados de

altura de planta de sorgo granífero, em torno da média aritmética ( m̂  78,44 cm).
Mesmo sendo uma unidade quadrática, verifica-se que houve uma variação pequena nos
dados de altura de planta, em torno da média aritmética.
Considerando, também, os dados do Exemplo 4, a variância será:
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
O valor s2 = 467,0921681 g2 é uma estimativa de variabilidade dos dados de peso


91
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.
3.3.3 Desvio padrão
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
Também, aqui, as amostras (3) e (4) podem perfeitamente ser identificadas

através do desvio padrão, continuando a amostra (4) como sendo a mais dispersa.

92
Considerando os dados do Exemplo 1, o desvio padrão será:
s = s2
= 30.630,5666  175,0159 kg/ha
O valor s  175,0159 kg/ha é uma estimativa de variabilidade dos dados de

uma variação relativamente grande nos dados de produtividade de algodão herbáceo, em
relação à média aritmética.
Considerando, também, os dados do Exemplo 2, o desvio padrão será:
s= s2
= 45,4773  6,7437 kg
O valor s  6,7437 kg é uma estimativa de variabilidade dos dados de peso ao

kg). Houve uma variação relativamente pequena nos dados de peso ao nascer de bezerros
machos, em relação à média aritmética.
Numa série de dados grupados em classes, o desvio padrão (s) é obtido através da
seguinte fórmula:
d 2x f
s=  s2
N 1
Considerando os dados do Exemplo 3, o desvio padrão será:
s = s2
= 172,7440899  13,1432 cm
O valor s  13,1432 cm é uma estimativa de variabilidade dos dados de altura de

planta de sorgo granífero, em torno da média aritmética ( m̂  78,44 cm). Houve uma
variação pequena nos dados de altura de planta, em relação à média aritmética.
Considerando, também, os dados do Exemplo 4, o desvio padrão será:
s = s2
= 467,0921681  21,6123 g
O valor s  21,6123 g é uma estimativa de variabilidade dos dados de peso

aritmética ( m̂  474,82 g). Houve uma variação muito pequena nos dados de peso
corporal, em relação à média aritmética.
93
3.3.4 Erro padrão da média
Se ao invés de uma amostra tivessem várias, provenientes de uma mesma

população, seriam obtidas também diversas estimativas da média, porém, distintas entre
si.
A partir dessas diversas estimativas de média, pode-se estimar uma variância da
média, considerando os desvios de cada média em relação à média de todas elas.
Entretanto, demonstra-se que a partir de uma única amostra pode-se estimar essa
variância [s2 ( m̂ )], através da fórmula:
s2
s2 ( m̂ ) =
N
onde:
s2 = variância de uma amostra de dados;
A sua raiz quadrada é denominada erro padrão da média, s ( m̂ ), ou seja:
s
s ( m̂ ) =
N
onde:
s = desvio padrão de uma amostra de dados;
O erro padrão da média dá uma perfeita idéia da precisão da média, isto é, quanto
menor ele for, maior precisão terá a média.
s
s ( m̂ )(1) =
N
0,0
=
5
0,0
= = 0,0000
2,236068
s
s ( m̂ )(2) =
N
1,581139
=
5

94
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:
(1) 10,0  0,0000
(2) 10,0  0,7071
(3) 10,0  2,2361
(4) 10,0  2,6077
o que mostra a menor precisão da média, na amostra (4).

Considerando os dados do Exemplo 1, o erro padrão da média será:
s
s ( m̂ ) =
N
175,0159
=
6
175,0159
=  71,4499 kg/ha
2,449490

95
O valor s ( m̂ )  71,4499 kg/ha é uma estimativa de variabilidade dos dados de

uma variação muito grande entre a média aritmética dos dados de produtividade de
algodão herbáceo e seu erro padrão, indicando uma precisão muito baixa da mesma.
Considerando, também, os dados do Exemplo 2, o erro padrão da média será:
s
s ( m̂ ) =
N
6,7437
=
12
6,7437
=  1,9467 kg
3,464102
O valor s ( m̂ )  1,9467 kg é uma estimativa de variabilidade dos dados de peso

ao nascer de bezerros machos da raça Charolesa, em torno da média aritmética
( m̂ = 41,25 kg). Houve uma variação relativamente pequena entre a média aritmética dos
dados de peso ao nascer de bezerros machos e seu erro padrão, indicando uma precisão
relativamente alta da mesma.
Considerando, ainda, os dados do Exemplo 3, o erro padrão da média será:
s
s ( m̂ ) =
N
13,1432
=
90
13,1432
=  1,3854 cm
9,486833
O valor s ( m̂ )  1,3854 cm é uma estimativa de variabilidade dos dados de

altura de planta de sorgo granífero, em torno da média aritmética ( m̂  78,44 cm). Houve
uma variação pequena entre a média aritmética dos dados de altura de planta e seu erro
padrão, indicando uma alta precisão da mesma.
Considerando, por fim, os dados do Exemplo 4, o erro padrão da média será:
s
s ( m̂ ) =
N
21,6123
=
120
21,6123
=  1,9729 g
10,954451

96
O valor s ( m̂ )  1,9729 g é uma estimativa de variabilidade dos dados de peso

aritmética ( m̂  474,82 g). Houve uma variação muito pequena entre a média aritmética
dos dados de peso corporal e seu erro padrão, indicando uma precisão muito alta da
mesma.
Como foi visto anteriormente, a média sempre deve vir acompanha de seu erro
padrão. Assim, no caso dos Exemplos de 1 a 4, têm-se:
Exemplo 1: 455,17 kg/ha  71,45 kg/ha
Exemplo 2: 41,25 kg  1,95 kg
Exemplo 3: 78,44 cm  1,39 cm
Exemplo 4: 474,82 g  1,97 g
3.3.5 Coeficiente de variação
O coeficiente de variação (CV) é uma medida de variabilidade que mede

percentualmente a relação entre o desvio padrão (s) e a média aritmética ( m̂ ), ou seja:
100 x s
CV =
mˆ
Como s e m̂ são expressos na mesma unidade, o coeficiente de variação é um

número abstrato, isto é, não tem unidade.
Esta medida de variabilidade pode ser empregada tanto em dados grupados como
não grupados. Se o desvio padrão for calculado sobre a mediana ou sobre a moda (que é
possível, mas não se usa), outros coeficientes poderão ser obtidos.
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

97
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
Aqui, também, as amostras (3) e (4) podem, perfeitamente, ser identificadas

através do coeficiente de variação, mostrando novamente que a amostra (4) é a mais
dispersa.
Considerando os dados do Exemplo 1, o coeficiente de variação será:
100 x s
CV =
mˆ
100 x 175,0159
=
455,17
17.501,59
=  38,45%
455,17
O valor CV  38,45% é uma estimativa de variabilidade dos dados de

Viçosa-AL, no ano de 1977.
Considerando, também, os dados do Exemplo 2, o coeficiente de variação será:
100 x s
CV =
mˆ
100 x 6,7437
=
41,25

98
674,37
=  16,35%
41,25
O valor CV  16,35% é uma estimativa de variabilidade dos dados de peso ao

nascer de bezerros machos da raça Charolesa.
Considerando, ainda, os dados do Exemplo 3, o coeficiente de variação será:
100 x s
CV =
mˆ
100 x 13,1432
=
78,44
1.314,32
=  16,76%
78,44
O valor CV  16,76% é uma estimativa de variabilidade dos dados de altura de

planta de sorgo granífero.
Considerando, por fim, os dados do Exemplo 4, o coeficiente de variação será:
100 x s
CV =
mˆ
100 x 21,6123
=
474,82
2.161,23
=  4,55%
474,82
O valor CV  4,55% é uma estimativa de variabilidade dos dados de peso

O coeficiente de variação serve também para análise comparativa envolvendo
unidades e séries diferentes. Por exemplo, considerando os dados dos Exemplos 1, 2, 3 e
4 têm-se:
Exemplo 1: Distribuição de produtividade de algodão herbáceo:
m̂  455,17 kg/ha
s  175,0159 kg/ha
CV  38,45%
Exemplo 2: Distribuição de peso ao nascer de bezerros machos da raça

Charolesa:
m̂ = 41,25 kg

99
s  6,7437 kg
CV  16,35%
Exemplo 3: Distribuição de altura de planta de sorgo granífero:
m̂  78,44 cm
s  13,1432 cm
CV  16,76%
Exemplo 4: Distribuição de peso corporal de um lote misto de frangos de corte:
m̂  474,82 g
s  21,6123 g
CV  4,55%
Verifica-se, assim, que entre as distribuições comparadas, a distribuição de peso

corporal de um lote misto de frangos de corte com 15 dias de idade é mais homogênea
(menos dispersa), enquanto que a distribuição de produtividade de algodão herbáceo é a
mais dispersa.
Uma desvantagem do coeficiente de variação é que ele deixa de ser útil quando a
média esta próxima de zero.
O coeficiente de variação dá uma idéia de precisão do experimento, ou seja,
quanto menor o coeficiente de variação maior será a precisão do experimento.
De um modo geral, quando o coeficiente de variação for inferior a 10%, diz-se
que o experimento apresentou uma ótima precisão experimental; quando variar de 10 a
15%, diz-se que o experimento apresentou uma boa precisão experimental; quando
estiver no intervalo de  15%  20%, diz-se que o experimento apresentou uma precisão
experimental regular ou aceitável; quando estiver no intervalo de  20%  30%, diz-se
que o experimento apresentou uma péssima precisão experimental; e quando for superior
a 30%, diz-se que o experimento apresentou uma precisão experimental muito péssima.
Por conta disso, espera-se que os coeficientes de variação dos ensaios agropecuários,
principalmente aqueles conduzidos ao nível de campo, não ultrapassem a casa dos 20%,
de modo que as conclusões obtidas de tais ensaios tenham credibilidade perante a
comunidade científica.
Contudo, é preciso ressaltar que nem sempre um coeficiente de variação superior
à casa dos 20% significa que as conclusões obtidas não tenham credibilidade perante a
comunidade científica. Isso depende muito do tipo de experimento. Por exemplo, nos
experimentos com consorciação de culturas, o coeficiente de variação é geralmente alto
em comparação com os experimentos com culturas isoladas. Neste caso, os coeficientes
de variação de 20 a 30% são racionais e aceitáveis perante a comunidade científica.
Também em experimentos de campo na área de Entomologia, coeficientes de variação

100
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.
3.3.6 Intervalo de confiança para a média
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.
Considerando os dados do Exemplo 1, o intervalo de confiança da média será:
IC = m̂ + t (5%) x s ( m̂ )
= 455,17 + 2,57 x 71,4499
= 455,17 + 183,63 
IC = (271,54 kg/ha; 638,80 kg/ha)
Os valores de IC = (271,54 kg/ha; 638,80 kg/ha) indicam o intervalo de

confiança, com 95% de probabilidade, onde se encontra a média verdadeira para os dados
101
de produtividade de algodão herbáceo, variedade ALLEN – 333/57, no Município de

Viçosa-AL, no ano de 1977. Houve uma variação muito grande no intervalo de confiança
dos dados de produtividade de algodão herbáceo, indicando uma precisão muito baixa da
estimativa da média ( m̂  455,17 kg/ha).
Considerando, também, os dados do Exemplo 2, o intervalo de confiança da
média será:
IC = m̂ + t (5%) x s ( m̂ )
= 41,25 + 2,20 x 1,9467
= 41,25 + 4,28 
IC = (36,97 kg; 45,53 kg)
Os valores de IC = (36,97 kg; 45,53 kg) indicam o intervalo de confiança, com

95% de probabilidade, onde se encontra a média verdadeira para os dos dados de peso ao
nascer de bezerros machos da raça Charolesa. Houve uma variação relativamente
pequena no intervalo de confiança dos dados de peso ao nascer de bezerros machos,
indicando uma precisão relativamente alta da estimativa da média ( m̂ = 41,25 kg).
Considerando, ainda, os dados do Exemplo 3, o intervalo de confiança da média
será:
IC = m̂ + t (5%) x s ( m̂ )
= 78,44 + 1,99 x 1,3854
= 78,44 + 2,76 
IC = (75,68 cm; 81,20 cm)
Os valores de IC = (75,68 cm; 81,20 cm) indicam o intervalo de confiança, com

95% de probabilidade, onde se encontra a média verdadeira para os dados de altura de
planta de sorgo granífero. Houve uma variação pequena no intervalo de confiança dos
dados de altura de planta de sorgo granífero, indicando uma alta precisão da estimativa da
média ( m̂  78,44 cm).
Considerando, por fim, os dados do Exemplo 4, o intervalo de confiança da
média será:
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)
Os valores de IC = (470,91 g; 478,82 g) indicam o intervalo de confiança, com

95% de probabilidade, onde se encontra a média verdadeira para os dados de peso
102
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
a) Num ensaio sobre competição de variedades de algodão herbáceo, foram

obtidos os seguintes resultados de peso de 20 capulhos (gramas):
_____________________________________________________________________________________
V1 V2 V3 V4 V5 V6 V7 V8
78 75 100 85 102 85 72 88 98 85 88 102 98 100 102 100

90 70 65 92 95 80 85 80 70 88 83 88 90 85 92 102
90 88 78 90 102 98 98 85 85 80 138 85 95 95 88 85
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.
b) Admitindo-se que seja de 18% o coeficiente de variação relativo ao peso de

ovos de galinha, perguntam-se quantos ovos devem ser pesados para obter-se um erro
padrão da média igual a 3% dela.
c) Numa amostra de 30 dados de pesos ao nascer de bezerros machos da raça

nelore obteve-se a média m̂ = 52 kg, com um erro padrão da média s( m̂ ) = 3,2 kg. Pede-
se o coeficiente de variação referente a estes dados.
d) A fim de se obter a produção média de algodão em uma fazenda, foi tomada

ao acaso as produções de 20 pequenas parcelas de 100 m2, cujo resultado, em gramas, foi
o seguinte:
2.730 6.750 3.150 7.230

3.800 4.350 2.980 3.300
2.370 3.100 4.370 2.330
3.770 3.850 3.330 6.420
2.930 3.500 8.200 3.400
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?
e) Na determinação da altura de planta de soja, em cm, foram analisadas 15

amostras, obtendo-se o resultado que se segue:

103
62,0 76,3 69,7 57,7 50,0

49,7 51,0 77,0 51,7 56,7
64,7 79,0 66,0 55,0 96,3
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:
1.530 1.750 1.350 1.430

1.400 1.350 1.680 1.360
1.370 1.400 1.370 1.330
1.570 1.780 1.330 1.420
1.330 1.500 1.500 1.300
1.730 1.750 1.550 1.530
1.800 1.350 1.580 1.600
1.370 1.400 1.370 1.630
1.770 1.800 1.330 1.420
1.630 1.500 1.500 1.500
1.530 1.750 1.550 1.630
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.
g) Considerando a série de dados a seguir, referente ao número de sementes na

espiga de progênies de meios irmãos de milho (PMI):
___________________________________________________________________________________________________________________________________________________________
NO de PMI NO de Sementes NO de PMI NO de Sementes NO de PMI NO de Sementes

____________________________________________________________________________________________________________________
1 313 18 412 35 392

2 596 19 358 36 370
3 350 20 627 37 599

104
4 440 21 392 38 409

5 426 22 354 39 486
6 476 23 522 40 519
7 326 24 348 41 416
8 385 25 474 42 344
9 490 26 410 43 430
10 418 27 412 44 551
11 457 28 411 45 573
12 394 29 482 46 602
13 344 30 495 47 407
14 483 31 405 48 355
15 399 32 370 49 431
16 523 33 405 50 372
17 413 34 433
___________________________________________________________________________________________________________________________________________________________
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.
h) Um estudo realizado com dois tipos de adubos orgânicos na cultura do capim

elefante revelou os seguintes resultados de produção de matéria verde por ano (t/ha):
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.

105

105
ANÁLISE DE
4 VARIÂNCIA
Um problema que se apresenta com maior freqüência do que qualquer outro na

análise estatística é o de avaliar se duas ou mais amostras diferem significativamente com
relação a alguma variável.
Este tipo de problema ocorre tão freqüentemente porque os pesquisadores muitas
vezes propõem experimentos para comparar dois ou mais tratamentos (amostras) entre si.
Por exemplo, uma nova técnica de aplicação de vermífugo em caprino é comparada com
a técnica tradicional, diferentes tipos de adubos orgânicos são avaliados na cultura do
tomate, diferentes variedades de milho forrageiro são avaliadas numa determinada região,
etc..
Em função disso, é necessário um método estatístico para solucionar problemas
dessa natureza. Um dos métodos mais utilizados para resolver tais problemas é conhecido
como análise de variância.
4.1 Análise de Variância
A análise de variância foi introduzida por Fisher e é essencialmente um processo

baseado na decomposição da variação total existente entre uma série de observações, em
partes que podem ser atribuídas a causas conhecidas e numa parte devida a causas
desconhecidas ou não suscetíveis de controle. Como exemplo das causas conhecidas,
pode-se citar o efeito de diferentes inseticidas no controle do pulgão em batata (Solanum
tuberosum L.) cv. RADOSA, e como exemplo das causas desconhecidas, as diferenças
existentes entre as plantas (parcelas), condicionando um tipo diferente de resposta a um
mesmo inseticida. Os efeitos dessas causas desconhecidas, ou não controláveis,
contribuem para uma porção da variação total, que é isolada na análise de variância,
recebendo a denominação de Erro ou Resíduo.
A variação que contribui para o erro experimental pode ser de dois tipos:
a) Inerente à própria variabilidade do material experimental;
b) Proveniente da falta de uniformidade do ambiente em que é conduzido o
experimento.
Na análise de variância, quando a variação total é decomposta, as causas
conhecidas e desconhecidas representam, respectivamente, a variação entre amostragens
(tratamentos) e a variação dentro de amostragens (erro ou resíduo).
Como a variação total é medida em termos de variância, é calculada a soma de
quadrados total, bem como o número de graus de liberdade, as quais representam,
respectivamente, o numerador e o denominador de equação da variância. Através do

106
desdobramento da soma de quadrados total de duas ou mais amostras de dados, obtém-se

as suas respectivas somas de quadrados entre amostragens e dentro de amostragens.
Tais somas de quadrados divididas pelos seus respectivos graus de liberdade
fornecem os quadrados médios (variâncias) entre amostragens e dentro de amostragens,
respectivamente, os quais são confrontados através de um teste de hipótese (por exemplo,
o teste F) para verificar se as amostras avaliadas diferem significativamente ou não com
relação a alguma variável.
Os dados relativos às somas de quadrados e aos graus de liberdade, bem como os
quadrados médios serão colocados numa tabela, chamada de Quadro de Análise de
Variância. A composição desta tabela está explicitada na TABELA 4.1.
TABELA 4.1 – QUADRO DA ANÁLISE DE VARIÂNCIA SEGUNDO UM ÚNICO CRITÉRIO*
Causa de Graus de Soma de Quadrados Quadrados Médios F Calculado

Variação Liberdade (GL) (SQ) (QM)
Entre t–1 SQ1 SQ1 QM 1

Amostragens QM1 = F =
t 1 QM 2
Dentro de t (r – 1) SQ 2 = SQ Total – SQ1 SQ 2

QM 2 =
t r  1
Amostragens
Total txr–1 SQ Total
*: 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”.
As fórmulas matemáticas e o processo de análise de variância para cada tipo de

experimento serão vistos em capítulos posteriores, quando for feita uma abordagem sobre
cada delineamento estatístico.
4.2 Suposições da Análise de Variância
Além de aprender as regras para efetuar uma análise de variância, todo

pesquisador deve buscar o domínio e a compreensão dos princípios inerentes à mesma,
para não se defrontar com sérios problemas, como por exemplo, chegar a conclusões que
não têm justificativas ou não alcançar conclusões importantes porque os dados não foram
analisados adequadamente.
Desse modo, para que a análise de variância possa ter validade, o pesquisador
deve atender às seguintes suposições:
a) Os efeitos principais devem ser aditivos – Nos experimentos, os vários
efeitos devem ser aditivos, tanto é que para cada delineamento estatístico existe um
modelo matemático denominado modelo linear aditivo. Para o delineamento
inteiramente casualizado, este modelo é Xij = m̂ + ti + eij, onde expressa que o valor de
qualquer unidade experimental é resultante de uma média geral, mais um efeito de

107
tratamentos e mais um efeito do erro experimental. O modelo correspondente ao

delineamento em blocos casualizados é: Xij = m̂ + ti + bj + eij, onde o valor de qualquer
unidade experimental é resultante de uma média geral, mais um efeito de tratamentos,
mais um efeito de blocos e mais um efeito do erro experimental. Para o delineamento em
quadrado latino, este modelo é: Xijk = m̂ + t(k)ij + lj + cj + eijk, onde o valor de qualquer
unidade experimental é resultante de uma média geral, mais um efeito de tratamentos,
mais um efeito de linhas, mais um efeito de colunas e mais um efeito do erro
experimental. O aspecto importante, que deve notar-se nestes modelos, é que os efeitos se
somam; daí o nome de modelo linear aditivo.
O modelo para o delineamento em blocos casualizados, por exemplo, implica que
um efeito de tratamento é o mesmo para todos os blocos e que o efeito de bloco é o
mesmo para todos os tratamentos. Em outras palavras, encontra-se que um tratamento
aumenta a produção em certa quantidade acima da média geral, supomos que este tenha o
mesmo efeito tanto nos blocos de alta produção como nos blocos de baixa produção.
Caso o que foi exposto acima não se verifique, é necessário transformar os dados
experimentais para ajustá-los ao modelo aditivo.
b) Os erros de observação devem ser independentes – Cada observação possui
um erro que deve ser independente dos demais. O princípio da casualização assegura a
validade da estimativa do erro experimental, pois permite uma distribuição independente
do mesmo. A casualização evita que todas as parcelas que recebem o mesmo tratamento
ocupem posições adjacentes na área experimental, visto que as parcelas adjacentes,
principalmente no campo, tendem a estar mais relacionadas entre si do que as parcelas
distribuídas aleatoriamente.
c) Os erros de observação devem ser normalmente distribuídos – A única
fonte de variação dentro de amostragens são os erros aleatórios. Estes devem ter
distribuição normal (ou aproximadamente normal) com média igual a zero e variância
igual a S2. Felizmente, as variações da suposição de normalidade não afetam muito
seriamente a validade da análise de variância.
A normalidade dos dados pode ser verificada por um teste de normalidade, como
por exemplo, o teste do quiquadrado, desde que o número de amostras com as quais estão
trabalhando seja definitivamente grande.
Quando se verifica que falta normalidade aos dados, usam-se as transformações
para que os mesmos sejam normalmente distribuídos. De modo geral, dados médios de
parcelas têm distribuição normal.
d) As variâncias das diferentes amostras devem ser homogêneas – Na análise
de variância, o valor do Quadrado Médio do Resíduo, que corresponde à estimativa da
variância do erro experimental, é utilizado nas fórmulas matemáticas dos testes de
hipóteses. Tais testes são utilizados para verificar se existe ou não diferença significativa
entre os tratamentos avaliados. Assim sendo, é importante que as estimativas das
variâncias dos diferentes tratamentos (amostras) sejam homogêneas, ou seja, não deve
haver uma variação muito grande entre suas estimativas, de modo que os resultados
obtidos dos testes de hipóteses tenham validade. Vale ressaltar que, no delineamento
inteiramente casualizado, o Quadrado Médio do Resíduo corresponde exatamente a
média das estimativas das variâncias de cada tratamento. Já nos outros delineamentos
estatísticos (delineamento em blocos casualizados e delineamento em quadrado latino) o
Quadrado Médio do Resíduo é menor que a média das estimativas das variâncias de cada
tratamento, em função das outras fontes de variação provocadas pela variação externa
que são isoladas do resíduo através do uso do princípio do controle local (blocos no
108
delineamento em blocos casualizados e linhas e colunas no delineamento em quadrado

latino).
Entre os vários testes estatísticos utilizados para verificar a homogeneidade de
variâncias, têm o teste F-máximo, proposto por Hartley.
O teste F-máximo é simples e rápido, porém apresenta menor precisão quando as
amostras têm graus de liberdade diferentes.
A fórmula do referido teste é a seguinte:
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.
O valor calculado de F-máximo é confrontado com o valor de F-máximo

tabelado, com K = número de estimativas das variâncias das diferentes amostras e (N – 1)
graus de liberdade associados a cada estimativa de variância, sendo N = número de
observação de cada amostra (TABELA A.1).
Logo tem-se:
F-máximo calculado > F-máximo tabelado (1%) - ** (as estimativas das
variâncias são estatisticamente diferentes no nível de 1% de probabilidade, isto é, não há
homogeneidade de variâncias);
F-máximo calculado < F-máximo tabelado (1%) - recorre-se no nível de 5% de
probabilidade;
F-máximo calculado > F-máximo tabelado (5%) - * (as estimativas das
variâncias são estatisticamente diferentes no nível de 5% de probabilidade, isto é, não há
homogeneidade de variâncias);
F-máximo calculado < F-máximo tabelado (5%) - ns (as estimativas das
variâncias não diferem estatisticamente entre si no nível de 5% de probabilidade, isto é,
as variâncias são homogêneas).
Quando os graus de liberdade para cada amostra são diferentes, toma-se a média
aritmética dos mesmos para usar a TABELA A.1.
Exemplo 1: Verificar se as variâncias são homogêneas pelo teste F-máximo a
partir dos dados da TABELA 4.2.
TABELA 4.2 – PESOS DE 20 CAPULHOS, EM GRAMAS, DE VARIEDADES DE ALGODÃO

HERBÁCEO NO MUNICÍPIO DE VIÇOSA-AL
Variedades I II III IV V VI Totais de Variedades
1 – ALLEN - 333/57 78,0 90,0 90,0 75,0 70,0 88,0 491,0
2 – AFC - 65/5236 100,0 65,0 78,0 92,0 85,0 90,0 510,0
3 – IAC - 13.1 102,0 95,0 102,0 85,0 80,0 98,0 562,0
4 – IPEANE – SU – 01 98,0 70,0 85,0 85,0 88,0 80,0 506,0

109
As variâncias de cada variedade são:
 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

110
(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
F-máximo tabelado (K = 4; N – 1 = 5): 1% = 28,0; 5% = 13,7.

Logo, F-máximo = 2,01 ns. Assim, chega-se à conclusão de que as estimativas
das variâncias do peso de 20 capulhos de variedades de algodão herbáceo são
homogêneas.
Uma regra prática e rápida para verificar a homogeneidade de variâncias é que a
relação entre a maior e a menor delas não pode ser superior a mais de quatro vezes para
que elas sejam homogêneas.

111
Quando às variâncias das diferentes amostras não são homogêneas, têm-se

diversos cursos a seguir. Primeiro, pode-se separar as amostras em grupos, de modo que
as variâncias dentro de cada grupo sejam homogêneas. Assim, a análise de variância
poderá ser efetuada para cada grupo. Segundo, pode-se utilizar um método descrito em
textos mais avançados de estatística, o qual contempla um procedimento bastante
complicado para ponderar médias de acordo com suas variâncias. Terceiro, pode-se
transformar os dados de tal forma que eles fiquem homogêneos. Este método é o mais
utilizado na prática.
4.3 Transformações de Dados
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

112
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).
4.3.1 Escolha da melhor transformação
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.

113
TABELA 4.3 – PERÍODO DE ENRAIZAMENTO (EM DIAS) DE CULTIVARES DE CEBOLA

(Allium cepa L.) DE DIAS CURTOS. PIRACICABA – SP
Cultivares I II Totais de Cultivares
01 – BAIA PERFORME 48,0 33,4 81,4

02 – BAIA DO CEDO SMP-V 18,4 10,2 28,6
03 – BAIS TRIUNFO SMJ-II 46,6 42,8 89,4
04 – BARREIRO SMJ-II 14,0 32,0 46,0
05 – COJUMATLAN L. 2691 10,6 2,4 13,0
06 – CREOLA CATARINENSE 64,0 44,7 108,7
07 – EXCEL BEMUDAS 986 31,0 14,8 45,8
08 – IPA – 2 17,0 10,8 27,8
09 – PIRA OURO A/R 16,8 26,8 43,6
10 – PIRA TROPICAL A/C 15,2 9,8 25,0
11 – TEXAS GRANO 11,4 2,5 13,9
12 – WHITE CREOLE 26,0 18,4 44,4
13 – BAIA DO CEDO SMJ-III 24,2 8,4 32,6
14 – BAIA SETE VOLTAS 19,4 18,2 37,6
15 – BARREIRO ROXA SMP-IV 8,0 14,2 22,2
16 – BARREIRO SMP-III 22,0 36,2 58,2
17 – CIGANINHA 4,6 6,2 10,8
18 – CREOLA 19,8 28,4 48,2
19 – PIRA COUTO 16,2 22,2 38,4
20 – PIRA GRANA 32,6 21,4 54,0
21 – PIRA LOPES A/R 25,8 5,0 30,8
22 – PIRA PERA A/C 19,4 16,0 35,4
23 – PIRA LOPES A/C 18,6 8,0 26,6
24 – ROXA CHATA SMP – IV 13,0 5,4 18,4
25 – TUBARÃO 19,2 13,2 32,4
Os resultados estão contidos no quadro a seguir:

114
Raiz Quadrada Logarítmica

Cultivares
Maior Menor Amplitude Maior Menor Amplitude
1 6,9282 5,7793 1,1489 1,6812 1,5237 0,1575

2 4,2895 3,1937 1,0958 1,2648 1,0086 0,2562
3 6,8264 6,5422 0,2842 1,6684 1,6314 0,0370
4 5,6569 3,7417 1,9152 1,5052 1,1461 0,3591
5 3,2558 1,5492 1,7066 1,0253 0,3802 0,6451
6 8,0000 6,6858 1,3142 1,8062 1,6503 0,1559
7 5,5678 3,8471 1,7207 1,4914 1,1703 0,3211
8 4,1231 3,2863 0,8368 1,2304 1,0334 0,1970
9 5,1769 4,0988 1,0781 1,4281 1,2253 0,2028
10 3,8987 3,1305 0,7682 1,1818 0,9912 0,1906
11 3,3764 1,5811 1,7953 1,0569 0,3979 0,6590
12 5,0990 4,2895 0,8095 1,4150 1,2648 0,1502
13 4,9193 2,8983 2,0210 1,3838 0,9243 0,4595
14 4,4045 4,2661 0,1384 1,2878 1,2601 0,0277
15 3,7683 2,8284 0,9399 1,1523 0,9031 0,2492
16 6,0166 4,6904 1,3262 1,5587 1,3424 0,2163
17 2,4900 2,1448 0,3452 0,7924 0,6628 0,1296
18 5,3292 4,4497 0,8795 1,4533 1,2967 0,1566
19 4,7117 4,0249 0,6868 1,3464 1,2095 0,1369
20 5,7096 4,6260 1,0836 1,5132 1,3304 0,1828
21 5,0794 2,2361 2,8433 1,4116 0,6990 0,7126
22 4,4045 4,0000 0,4045 1,2878 1,2041 0,0837
23 4,3128 2,8284 1,4844 1,2695 0,9031 0,3664
24 3,6056 2,3238 1,2818 1,1139 0,7324 0,3815
25 4,3818 3,6332 0,7486 1,2833 1,1206 0,1627
Amp. máx. 2,8433 0,7126

Razão =  20,54  25,73
Amp. mín. 0,1384 0,0277
Pelos resultados apresentados acima, verifica-se que a transformação mais

adequada é a raiz quadrada, pois a mesma apresentou o menor coeficiente entre as
amplitudes (20,54).
4.3.2 Coeficiente de variação como indicativo para o uso de transformações
De um modo geral, uma indicação razoável do efeito favorável das

transformações de dados é o coeficiente de variação (CV). Quando o valor do CV dos
dados transformados for menor que o valor do CV dos dados originais ou não

115
transformados, indica que a transformação foi válida. Em caso contrário, não se justifica
o seu uso.
Considerando os dados do Exemplo 2, tem-se:
Dados originais CV = 38,26%
Dados transformados em x CV = 21,35%
Dados transformados em log x CV = 32,49%

Realmente, as transformações de dados foram válidas, pois houve uma redução
muito significativa nos coeficientes de variação em relação aos dados originais,
indicando que os dados experimentais foram ajustados de acordo com as exigências da
análise de variância. Contudo, a transformação da raiz quadrada foi novamente
confirmada como sendo a melhor transformação para tais dados.
4.3.3 Algumas considerações
Quando é utilizada uma transformação de dados, todas as comparações entre

médias de tratamentos são feitas na escala transformada. Quando se achar preferível não
apresentar os resultados na escala transformada, os dados finais devem ser transformados
novamente para a escala original. Isto é feito elevando-se ao quadrado, no caso de x ;
achando o antilogarítmo, no caso de log x; e procurando o valor correspondente na tabela
de arco seno x (%) , no caso de transformação angular.
Em certos casos, não existe nenhuma transformação que possibilite o uso da
análise de variância. Isto ocorre quando:
a) As médias são aproximadamente iguais e as variâncias heterogêneas;
b) As variâncias são homogêneas, porém os níveis dos tratamentos são
heterogêneos em forma;
c) As médias variam independentemente das variâncias.
Se alguns destes casos ocorrem, a análise dos dados é feita através de métodos
não-paramétricos.
4.4 Exercício
a) Considerando-se os dados da TABELA 4.4, pede-se:

a.1) Verifique se as variâncias dos tratamentos são homogêneas pelo teste F –
máximo;
a.2) Transforme os dados originais através da transformação raiz quadrada;
a.3) Transforme os dados originais em porcentagem e, em seguida, na
transformação arco seno;
a.4) Verifique qual é a transformação mais adequada para estes dados;
a.5) Comprove através do coeficiente de variação a necessidade do uso de
transformação nestes dados.

116
TABELA 4.4 – DADOS DE GERMINAÇÃO DE 20 SEMENTES, APÓS 21 DIAS, REFERENTE AO

USO DE DIFERENTES TRATAMENTOS PARA QUEBRA DE DORMÊNCIA EM
TAMBORIL (Enterolobium confortisiliquum)
Tratamentos I II III IV Totais de Tratamentos
1 – Ácido Sulfúrico Concentrado 8 8 7 6 29
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
FONTE: Adaptado de SILVA e SILVA (1982).

117

117
TESTES DE
5 HIPÓTESES
A retirada de conclusões sobre uma ou mais populações é feita através da

estimação de parâmetros ou pelos testes de hipóteses. A estimação de parâmetros (a
média, a variância, o desvio padrão, etc.) é feita por diversos métodos, os quis já foram
vistos no Capítulo 3. Quanto aos testes de hipóteses, os mesmos são usados pelos
pesquisadores para decidir sobre a aceitação ou rejeição de hipóteses. Hipóteses são
suposições acerca dos parâmetros de uma ou mais populações. Por exemplo, pode-se
estar interessado em testar a hipótese de que não há diferença entre a produção média de
duas variedades do sorgo granífero sujeitas às mesmas condições climáticas, ou testar se
três tipos de rações proporcionam o mesmo ganho de peso em bezerros da raça Nelore.
Os referidos testes são utilizados para tomar tais decisões, das quais são tiradas as
conclusões.
Antes de aplicar tais testes, devem-se formular as hipóteses estatísticas. Podem-
se considerar duas hipóteses, são elas: H0 é a hipótese que determina a ausência de efeito
de tratamentos, ou seja, indica que não existe diferença significativa entre os tratamentos
(ela é chamada de hipótese de nulidade); e H1, chamada de hipótese alternativa, é a que
determina a presença de efeito de tratamentos, ou seja, indica a existência de diferença
significativa entre os tratamentos. A rejeição de H0 implica na aceitação da hipótese
alternativa H1.
Considerando o exemplo das variedades de sorgo granífero, tem-se:
H0 : m̂ A = m̂ B
H1: m̂ A  m̂ B 
H1 : m̂ A > m̂ B
ou
H1 : m̂ A < m̂ B
Ao testarem-se as hipóteses podem-se cometer geralmente dois tipos de erros, os

quais são: rejeitar H0, quando ela é verdadeira, ou seja, aceitar, como diferentes,
tratamentos que são semelhantes (erro tipo I); aceitar H0, quando ela é falsa, ou seja,
aceitar, como semelhantes, tratamentos que são diferentes (erro tipo II).
Destes dois tipos de erros o que é controlado pelo pesquisador é o do tipo I, o
qual, nos procedimentos de comparações múltiplas, pode ser medido de duas maneiras, a
118
saber: A primeira, refere-se à avaliação da probabilidade de se rejeitar uma hipótese

verdadeira em todas as possíveis combinações dos níveis dos tratamentos tomados dois a
dois, sendo conhecida por taxa de erro tipo I por comparação. A segunda, refere-se à
medida do erro tipo I como a probabilidade de se realizar pelo menos uma inferência
errada por experimento e é conhecida por taxa de erro tipo I por experimento. A
probabilidade de cometer-se o erro tipo I é chamada nível de significância (α).
Existe um outro tipo de erro, quase nunca considerado, que se refere à
probabilidade de classificar um nível de tratamento como superior ao outro, quando de
fato o segundo nível supera o primeiro (erro tipo III). Esse tipo de erro tem muita
importância para a área do melhoramento genético de plantas, pois poderá alterar a
classificação dos genótipos e fazer com que o fitomelhorista recomende uma linhagem ou
cultivar de pior desempenho.
O pesquisador deve analisar cuidadosamente as conseqüências de se tomar
decisões erradas, tanto do ponto de vista econômico quanto social. Essa análise refere-se
principalmente ao nível de significância adotado, pois é o único tipo de erro sob o
controle do pesquisador. É preciso ter sempre em mente que os erros tipos I e II são
inversamente correlacionados e que o pesquisador tem controle apenas no erro tipo I, por
meio da fixação do nível de significância α. Em função disso, o bom senso deve
prevalecer à luz das conseqüências de se tomar decisões erradas. É por isso que nas
condições dos ensaios agropecuários, o nível de significância de 5% é o mais usado na
prática nos procedimentos de comparações múltiplas, pois é necessário certo equilíbrio
entre os erros tipo I e II. Quando se aplica o nível de significância de 1% ou 0,1% para
diminuir o erro tipo I, por exemplo, aumenta, automaticamente, a probabilidade do erro
tipo II, isto é, de aceitar como iguais médias de tratamentos realmente diferentes. No
entanto, em condições de ensaios de grande precisão (por exemplo, CV < 1%), o nível de
significância de 0,1% seria indicado. Ao contrário, em condições de ensaios de pequena
precisão (por exemplo, CV > 25%), o nível de significância de 10% seria recomendado,
especialmente no caso de ensaios com N < 20 parcelas.
Para que um teste de hipótese seja considerado um bom teste deve-se ter uma
pequena probabilidade de rejeitar H0 se esta for verdadeira, mas também, uma grande
probabilidade de rejeitá-la se ela for falsa. A probabilidade de rejeitar H0, quando ela for
falsa, é chamada poder do teste.
O quadro seguinte resume a natureza dos erros tipo I e tipo II envolvidos no
processo de decisão quando se testam as hipóteses:
H0 Verdadeira H0 Falsa
Rejeição H0 Erro Tipo I Decisão Correta
Aceitação H0 Decisão Correta Erro Tipo II
Na execução de um teste de hipótese estatística, para que o mesmo tenha

validade, devem-se levar em consideração as seguintes etapas:
a) Formulação das hipóteses – Deve-se, inicialmente, formular as hipóteses de
nulidade (H0) e alternativa (H1).

119
b) Especificação do nível de significância (α) – A escolha do nível de

significância deve ser feita antes de realizar os experimentos. Usa-se, geralmente, α igual
a 5% de probabilidade, de maneira a ter-se o erro tipo I o menor possível. Salvo em
algumas situações, conforme já visto, usam-se outros níveis de significância.
c) Escolha do teste estatístico – Em função das hipóteses que vão ser testadas,
pode-se usar o teste F, t, χ2, etc., a partir dos dados de observação. O teste escolhido deve
ser adequado ao material e ao tipo de dados.
d) Determinação da região crítica – Dependendo do teste escolhido
determinam-se às regiões de aceitação e rejeição da hipótese de nulidade. Geralmente
quando o valor calculado for menor que a probabilidade específica por  na tabela,
aceita-se a hipótese de nulidade, enquanto que quando o valor calculado for igual ou
maior que a probabilidade específica por  na tabela, rejeita-se a hipótese de nulidade.
e) Decisão final – Baseados no valor obtido pelo teste estatístico e no valor
tabelado, toma-se à decisão final com respeito às hipóteses. Geralmente as conclusões
sobre os tratamentos são feitas observando-se as médias identificadas ou não por mesma
letra. Quando não há um tratamento controle ou testemunha convém responder as
seguintes perguntas: (1) Qual é o melhor tratamento? (2) Quais são os tratamentos que
não diferem significativamente do melhor? (3) Qual é o pior tratamento? (4) Quais são os
tratamentos que não diferem significativamente do pior? Por outro lado, quando um dos
tratamentos é o controle ou testemunha as conclusões são feitas em relação a este
tratamento e, em geral, procura-se responder às seguintes perguntas: (1) Quais são os
tratamentos melhores que o controle? (2) Quais são os tratamentos que não diferem
significativamente do controle? (3) Quais são os tratamentos piores que o controle?
Vale ressaltar que os testes de hipóteses para comparar médias de tratamentos só
devem ser usados quando se tratar de tratamentos qualitativos ou quando se têm apenas
dois níveis de tratamentos quantitativos, pois quando os mesmos são quantitativos e se
têm mais de dois níveis o uso da regressão é o procedimento recomendado.
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
Por que o teste F é o quociente entre o QMT pelo QMR?

Se se calcular, por exemplo, a esperança matemática dos quadrados médios [E
(QM)] da análise de variância de um delineamento inteiramente casualizado, admitindo-
se o modelo matemático aleatório, tem-se:

120
Quadro da ANAVA
Causa de Variação GL QM E(QM)
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 = s 22 que é a estimativa da variância do erro experimental;
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
Nesta expressão está-se comparando a variância de tratamentos com a variância

do erro experimental.
Verifica-se, portanto, que tanto o QMT como o QMR estimam variâncias, e
interpreta-se:
QMR = variância do erro experimental;
QMT = variância do erro experimental acrescida de uma possível variância
devida aos tratamentos.
O valor de F calculado é comparado com o valor de F tabelado (F > 1), com n1 =
graus de liberdade de tratamentos e n2 = graus de liberdade do resíduo (TABELAS A.3 e
A.4).
Logo, tem-se:

121
F calculado > F tabelado (1%) - ** (existe diferença significativa entre os

tratamentos no nível de 1% de probabilidade, ou seja, com mais de 99% de probabilidade
deve existir pelo menos um contraste entre médias de tratamentos que difere de zero);
F calculado < F tabelado (1%) - recorre-se no nível de 5% de probabilidade;
F calculado > F tabelado (5%) - * (existe diferença significativa entre os
F calculado < F tabelado (5%) - ns (não existe diferença significativa entre os
tratamentos no nível de 5% de probabilidade, ou seja, com 95% de probabilidade não
existe nenhum contraste entre médias de tratamentos que difere de zero).
Quando se aplica o teste F na análise de variância está-se testando as seguintes
hipóteses:
a) H0 : os tratamentos não diferem entre si;
b) H1: pelo menos dois deles diferem entre si.
No teste, sempre se aceita uma hipótese e rejeita-se a outra.
Obviamente, se não há efeito de tratamentos, os dois quadrados médios estimam
a mesma variância e, conseqüentemente, qualquer diferença em ordem de grandeza entre
eles será devido ao acaso.
Exemplo 1: Verificar pelo teste F se existe ou não diferença significativa entre os
tratamentos referentes aos dados da TABELA 5.1.
TABELA 5.1 – ANÁLISE DA VARIÂNCIA E COEFICIENTE DE VARIAÇÃO DA REAÇÃO DE

RESISTÊNCIA DE POPULAÇÕES DE Cucurbita ssp. A Colletotrichum
gloeosporioides f. sp. cucurbitae. DADOS TRANSFORMADOS EM x.
PIRACICABA, SP
Causa da Variação GL SQ
QM F
Populações 12 1,188133 0,099011 3,24

Resíduo 26 0,794191 0,030546
Total 38 1,982327
Coeficiente de Variação: % 10,09
FONTE: MELO e FERREIRA (1983).
As tabelas de F com n1 = 12 e n 2 = 26 fornecem os seguintes valores: 1% = 2,96

e 5% = 2,15.
Logo, F calculado (3,24) > F tabelado (1%) (2,96) - **. Assim, chega-se à
conclusão que existe diferença significativa, no nível de 1% de probabilidade, pelo teste
F, na reação de populações de Cucurbita ssp. a Colletotrichum gloeosporioides f. sp.
cucurbitae.
Quando se faz a análise de variância de um experimento com apenas dois
tratamentos, pelo próprio teste F pode-se chegar ao melhor deles, simplesmente
observando as médias dos mesmos. Quando, porém, tem-se mais de dois tratamentos, não
se pode chegar ao melhor deles pelo referido teste. Neste caso, há necessidade de

122
aplicação de um teste de comparação de médias de tratamentos para chegar-se a tal

conclusão.
Como foi visto, espera-se quase sempre na análise de variância que todos os
quadrados médios de tratamentos obtidos sejam iguais ou superiores ao que se obtém do
resíduo. Nestas condições, só se justifica o uso das tabelas de limites unilaterais de F
(TABELAS A.3 e A.4). Quando, porém, esta situação não se verifica, ou seja, quando o
quadrado médio de tratamentos é menor que o quadrado médio do resíduo, aconselhar-se-
á o uso das tabelas de limites bilaterais de F (TABELAS A.5 e A.6).
Este fato, embora não deva ser esperado, pode ocorrer, e às vezes é sintoma de
defeitos na análise da variância. Uma das explicações possíveis é a presença de erros
grosseiros no cálculo das somas de quadrados ou dos números de graus de liberdade.
Outra explicação bem comum é a de que o resíduo inclua alguma importante causa de
variação que foi controlada, mas não foi isolada na análise da variância.
Às vezes, porém, nenhuma destas explicações serve, mas isto não é causa de
preocupação porque, do ponto de vista do Cálculo de Probabilidades, o caso, embora
pouco provável, não é impossível, logo deverá ocorrer uma vez ou outra.
Neste caso, quando se comparar o valor de F calculado com o valor de F tabelado
( F < 1), com n1 = graus de liberdade de tratamentos e n2 = graus de liberdade do resíduo
(TABELAS A.5 e A.6), basta apenas inverter os sinais do caso anterior, ou seja:
F calculado < F tabelado (1%) - ** (existe diferença significativa entre os
F calculado > F tabelado (1%) - recorre-se no nível de 5% de probabilidade;
F calculado < F tabelado (5%) - * (existe diferença significativa entre os
F calculado > F tabelado (5%) - ns (não existe diferença significativa entre os
Exemplo 2: Verificar pelo teste F se existe ou não diferença significativa entre os
tratamentos referentes aos dados da TABELA 5.2.
TABELA 5.2 – ANÁLISE DA VARIÂNCIA E COEFICIENTE DE VARIAÇÃO DA REAÇÃO DE

POPULAÇÕES SEGREGANTES DE PIMENTÃO (Capsicum annuum L.) EM
RELAÇÃO AO VÍRUS Y. DADOS TRANSFORMADOS EM x  0,5 .
PIRACICABA, SP
Causa da Variação GL SQ QM F
Populações 1 0,0092681 0,0092681 0,597

Resíduo 18 0,2794557 0,0155253
Total 19 0,2887238
FONTE: FERREIRA e MELO (1983).

123
As tabelas de F com n 1 = 1 e n2 = 18 fornecem os seguintes valores: 1% =

0,0000404 e 5% = 0,0010.
Logo, F calculado (0,597) > F tabelado (5%) (0,0010) - ns. Assim, chega-se à
conclusão de que não existe diferença significativa, no nível de 5% de probabilidade,
pelo teste F, na reação de populações segregantes de pimentão em relação ao vírus Y.
O teste F também pode ser utilizado quando se quer comparar as variâncias de
duas amostras (s 12 e s 22 ), supostas independentes.
Assim, admitindo-se s 12 , calculada com N1 dados e s 22 , com N2 dados. Diz-se,
então, que s 12 tem N1 – 1 graus de liberdade e, analogamente, s 22 tem N2 – 1 graus de
liberdade.
O F neste caso é o quociente entre as duas variâncias, ou seja:
s12
F=
s 22
Admite-se sempre s 12 > s 22 , de modo que tem-se F > 1.

O valor de F calculado é comparado com o F tabelado, o qual é obtido em função
dos números de graus de liberdade N1 – 1 e N2 – 1, respectivamente, de s 12 e s 22 .
Neste caso, quando se aplica o teste F está-se testando as seguintes hipóteses:
a) H0: S 12 = S 22 , isto é, a hipótese de nulidade admite que as duas populações têm
a mesma variância;
b) H1: S 12 > S 22 , isto é, a hipótese alternativa admite que a população 1 tem maior
variância do que a população 2.
Exemplo 3: Verificar pelo teste F se existe ou não diferença significativa entre as
variâncias dos dois tratamentos a partir de dados da TABELA 5.3.
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
Feno de Alfafa Feno de Quicuio
67,5 kg 65,0 kg
70,5 kg 58,5 kg
76,0 kg 65,0 kg
67,5 kg 64,0 kg
Médias 70,4 kg 63,1 kg
Logo, tem-se:
 X 2
X 2

N
s12 =
N 1

124
67,52  70,52  76,02  67,52  281,5

2
= 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
65,02  58,52  65,02  64,02  252,5

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
As tabelas de F com n1 = 3 e n2 = 3 fornecem os seguintes valores: 1% = 29,46

e 5% = 9,28.
Desse modo, F calculado (1,65) < F tabelado (5%) (9,28) - ns. Assim, chega-se à
conclusão de que não existe diferença significativa, no nível de 5% de probabilidade,
pelo teste F, entre as variâncias dos tratamentos, ou seja, as duas rações proporcionam o
mesmo ganho de peso em leitoas Duroc Jersey.
5.2 Teste t
125
O teste t é um teste clássico usado para comparar médias de tratamentos. É mais

complexo que o teste de Scheffé, porém é o teste de menor rigor. Por conta disso, o
pesquisador deve ter muita cautela no seu uso, ou seja, não deve ser empregado
indiscriminadamente.
Na aplicação do referido teste devem-se levar em conta os seguintes requisitos:
a) As comparações feitas pelo teste t devem ser escolhidas antes de serem
examinados os dados experimentais;
b) As comparações feitas devem ser, no máximo, iguais ao número de graus de
liberdade de tratamentos, o que nem sempre fornece ao pesquisador todas as
comparações de interesse;
c) O teste t exige que as comparações definidas sejam contrastes ortogonais.
Mas o que se deve entender por contraste e o que são contrastes ortogonais?
Se m̂1 , m̂ 2 , m̂ 3 e m̂ 4 são as médias de quatro tratamentos de um experimento,
Ŷ1 = m̂1 – m̂ 2 , Ŷ2 = m̂1 + m̂ 2 – 2 m̂ 3 e Ŷ3 = m̂1 + m̂ 2 + m̂ 3 – 3 m̂ 4 são exemplos de
contrastes. O que caracteriza um contraste é que se as médias que nele ocorrem forem
todas iguais, o contraste deverá ser nulo. Para que isto aconteça, a soma algébrica dos
coeficientes das médias deve ser nula.
De fato, com m̂1 = m̂ 2 = m̂ 3 = m̂ 4 = 1, tem-se:
Ŷ1 = 1 – 1 = 0
Ŷ2 = 1 + 1 – 2 (1) = 0
Ŷ3 = 1 + 1 + 1 – 3 (1) = 0
Os contrastes podem ser:

a) simples – quando envolve apenas dois tratamentos;
b) múltiplos – quando mais de dois tratamentos estão envolvidos.
Os contrastes são ortogonais quando o somatório da multiplicação dos
coeficientes de cada média em cada contraste é igual a zero.
Considerando o exemplo a seguir, tem-se:
_______________________________________________________________________
Ŷ m̂1 m̂ 2 m̂ 3 m̂ 4
Ŷ1 1 –1 0 0
Ŷ2 1 1 –2 0
Ŷ3
1 1 1 –3
 = 1 –1 0 0= 0
_____________________________________________________________________________________
Diz-se então que os contrastes Ŷ1 , Ŷ2 e Ŷ3 são ortogonais.

126
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:
Yî  0
t=

s 2 Yˆ
onde:
Yî = 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.
Como, geralmente, na área da agropecuária os pesquisadores têm mais interesse


pelos contrastes simples, a fórmula de s2 Ŷ fica da seguinte maneira:

s2 Ŷ = 
1 1
  s2
 r1 r 2 
onde:
resíduo.
b) Para o caso do delineamento em blocos casualizados, tem-se:

b.1) Quando nos contrastes simples as médias dos tratamentos avaliados
apresentam o mesmo número de repetições (sem parcela perdida), a fórmula de s2 Ŷ 
fica da seguinte maneira:
  2
s2 Ŷ =   s 2
r
onde:
127

resíduo.

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;
resíduo.
Esta fórmula é usada para comparar contrastes envolvendo a média do tratamento

com uma parcela perdida e a média de qualquer um dos tratamentos sem parcela perdida.

b.3) Quando se tem mais de uma parcela perdida, a fórmula de s2 Ŷ fica assim:

s2 Ŷ = 
1 1
  s2
 r1 r 2 
onde:
r = número efetivo de repetições;
resíduo.
Os valores de r, número efetivo de repetições, são obtidos através da regra prática

de Taylor, ou seja, considerando-se o contraste Ŷ  m̂1  m̂ u , entre as médias dos
tratamentos i e u. O tratamento i terá o seguinte número efetivo de repetições: valor 1
t2
para os blocos onde os tratamentos i e u aparecem; valor nos blocos onde o
t 1
tratamento i aparece e o tratamento u não aparece, sendo t = número de tratamentos do
experimento; valor 0 nos blocos onde o tratamento i não aparece (o tratamento u pode
aparecer ou não). A soma dos valores de todos os blocos constituirá o número efetivo de
repetições do tratamento i. Para o tratamento u segue-se a mesma regra.
com uma parcela perdida e a média de qualquer um dos tratamentos sem parcela perdida,
bem como contraste envolvendo duas médias de tratamentos com parcelas perdidas.
c) Para o caso do delineamento em quadrado latino, tem-se:
c.1) Quando nos contrastes simples as médias dos tratamentos avaliados
apresentam o mesmo número de repetições (sem parcela perdida), a fórmula de s2 Ŷ 
fica da seguinte maneira:
  2
s2 Ŷ =   s 2
r

128
onde:
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:
resíduo.

com uma parcela perdida e a média de qualquer um dos tratamentos sem parcela perdida.
c.3) Quando se tem mais de uma parcela perdida, deve-se seguir o mesmo
procedimento visto para o delineamento em blocos casualizados.
Para verificar a significância estatística dos contrastes, compara-se o valor de t
calculado de cada contraste com o valor de t tabelado, com n1 = nível de significância (o
nível de 5% de probabilidade é o mais utilizado na prática) e n2 = graus de liberdade do
resíduo (TABELA A.7).
Logo, tem-se:
t calculado  t tabelado (5%) - * (existe diferença significativa entre os
tratamentos no nível de 5% de probabilidade, ou seja, há uma probabilidade acima de
95% de que o contraste seja diferente de zero);
t calculado < t tabelado (5%) - ns (não existe diferença significativa entre os
tratamentos no nível de 5% de probabilidade, ou seja, com 95% de probabilidade o
contraste não difere de zero).
Quando se aplica o teste t está-se testando as seguintes hipóteses:
a) H0 : Y = 0 (tratamentos semelhantes);
b) H1 : Y  0 (tratamentos diferentes).
Exemplo 4: Verificar pelo teste t se existe ou não diferença significativa em um
grupo escolhido de contrastes ortogonais a partir de dados da TABELA 5.4.
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

129
QM Resíduo 83,3753
F 3,77 *
FONTE: CAMPOS (1984).

NOTA: (1/) Dados médios provenientes de quatro repetições no delineamento inteiramente casualizado.
Podem-se organizar diversos grupos de contrastes ortogonais com os seis

tratamentos, sendo que cada grupo deverá ter, no máximo, cinco contrastes.
Por exemplo, pode-se ter os seguintes contrastes ortogonais:
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
Considerando-se que eles foram estabelecidos a priori, isto é, não foram

sugeridos pelos próprios resultados, então se pode aplicar o teste t.
Para o contraste Ŷ1 tem-se:
ˆ1  m
Ŷ1 = m ˆ2  m
ˆ3  m
ˆ4  m
ˆ5  m
ˆ6
= 133,75 + 133,10 – 120,43 + 118,46 – 114,77 – 113,92 = 36,19
s2
  C12 C 22

Ŷ =    ... 
CN 2  2
 s
 r1 r 2 rN 
 12 12   12  12   12   12  83,3753

=   
 4 4 4 4 4 4 
1 1 1 1 1 1
=       83,3753
4 4 4 4 4 4
 6 
=   83,3753
 4 
= (1,5) 83,3753  125,0630

130
Yî  0
t=

s 2 Yˆ
36,19  0
=
125,0630
36,19
=  3,24
11,1832
O procedimento é o mesmo para os demais contrastes, cujos resultados estão

contidos na tabela a seguir:
Contraste Valor S2 ( Ŷ ) t calculado
Ŷ 1 36,19 125,0630 3,24 *

Ŷ 2 12,17 125,0630 1,09 ns
Ŷ 3 0,85 41,6877 0,13 ns
Ŷ 4 29,93 125,0630 2,68 *
Ŷ 5 0,65 41,6877 0,10 ns
t tabelado (5%) 2,10
De acordo com os resultados do teste t, pode-se concluir:

a) O contraste Yˆ 1 foi significativo no nível de 5% de probabilidade, ou seja, a
média dos rendimentos de açúcar das variedades Co 775, Co 740 e Co 678 é
significativamente maior do que a média dos rendimentos de açúcar das demais
variedades.
b) O contraste Ŷ 2 não foi significativo no nível de 5% de probabilidade, ou seja,
o rendimento médio de açúcar da variedade Co 421 não difere da média dos rendimentos
de açúcar das variedades Co 419 e Co 413.
c) O contraste Ŷ 3 não foi significativo no nível de 5% de probabilidade, ou seja,
as variedades Co 419 e Co 413 apresentam rendimentos médios de açúcar semelhantes.
d) O contraste Ŷ 4 foi significativo no nível de 5% de probabilidade, ou seja, a
média dos rendimentos de açúcar das variedades Co 775 e Co 740 é significativamente
maior do que o rendimento médio de açúcar da variedade Co 678.
e) O contraste Ŷ 5 não foi significativo no nível de 5% de probabilidade, ou seja,
O teste t também pode ser utilizado quando se quer comparar as médias de duas
amostras ( m̂ 1 e m̂ 2).
Assim, m̂ 1 é calculada com N1 dados e m̂ 2 , com N2 dados. Diz-se, então, que
m̂ 1 tem N1 – 1 graus de liberdade e, analogamente, m̂ 2 tem N2 – 1 graus de liberdade.
O valor de t é dado pela fórmula:

131
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 ).
O valor de s 2m̂ é dado pela fórmula:

 X 
2
 X
2
 
  X 
2
 X
2


 N1   N2 
 N1  1  N2 1 
   
s 12  s 22    
2
s =
m̂ = 
2 2
Neste caso, o valor de t calculado é comparado com o de t tabelado da mesma

forma como foi visto anteriormente. Contudo, o valor de t tabelado é obtido na tabela
(TABELA A.7) com n1 = nível de significância (o nível de 5% de probabilidade é o mais
utilizado na prática) e n2 = graus de liberdade, que é igual a N1 + N2 – 2.
Quando se aplica o teste t, nesta situação, está-se testando as seguintes hipóteses:
a) H0 : m̂1 = m̂ 2 , isto é, a hipótese de nulidade admite que as duas populações
têm a mesma média;
b) H1 : m̂ 2  m̂ 2 , isto é, a hipótese alternativa admite que as duas populações têm
médias diferentes.
Exemplo 5: Verificar pelo teste t se existe ou não diferença significativa entre as
médias dos dois tratamentos a partir de dados da TABELA 5.5.
TABELA 5.5 – PRODUÇÃO MÉDIA (t/ha) DE DUAS VARIEDADES DE BATATINHA (Solanum

tuberosum L.) DURANTE CINCO ANOS
Variedades Ano Médias

1o 2o 3o 4o 5o
A 3,81 3,36 4,60 2,80 5,04 3,92

B 3,36 1,91 3,70 2,80 2,80 2,91
FONTE: Adaptado de CENTENO (1982).
Logo, tem-se:
 X  2
X 2

N
s 
2
N 1
A

132
3,812  3,362  4,602  2,802  5,042  19,61

2
 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
3,36  1,91  3,70  2,80  2,80 

2 2 2 14,57 
2
2
2
 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
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
t tabelado (5%) = 2,31
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.
5.3 Teste de Bonferroni (tB)
O teste de Bonferroni é um aperfeiçoamento do teste t e para a sua aplicação o

pesquisador deve levar em conta os mesmos requisitos deste.
Esse aperfeiçoamento se deve ao fato de que o teste t aplicado para dois ou mais
contrastes num mesmo experimento não é exato. Por exemplo, na aplicação do teste t,
onde se usaram os dados da TABELA 5.4 (Exemplo 4), foi de 5% o nível de
significância adotado para cada um dos cinco contrastes. A probabilidade de que um,
pelo menos, seja significativo, por simples acaso, é, aproximadamente, de 5 x 5 = 25%.
No geral, se o nível de probabilidade for  para cada contraste, a probabilidade de que
pelo menos um dos n contrastes ortogonais seja significativo é de n.
Para resolver esse problema, o teste de Bonferroni indica o uso, para cada

contraste, de um nível de probabilidade ’ = , pois então, para o conjunto tem-se n x
n
’ = . No Exemplo 4, com  = 5% e n = 5, o valor de tB para cada contraste deve
5
corresponder a uma probabilidade de = 1%. O resultado efetivo desse procedimento é
5
134
a alteração do nível de significância para a determinação do valor tabelado de t

(TABELA A.7), dividindo-se o nível nominal (o nível de 5% de probabilidade é o mais
utilizado na prática) pelo número de contrastes ortogonais. Contudo, quanto maior o
número de contrastes, menor será o nível de significância para cada um dos contrastes em
questão, de modo que este teste só será útil se o número de tratamentos do experimento
não for muito elevado.
Na análise de variância, quando se tem mais de dois tratamentos e o teste F for
significativo, pode-se utilizar o teste de Bonferroni na comparação de médias de
tratamentos, cuja fórmula é a seguinte:
Yî  0
tB =

s 2 Yˆ
onde:
Yî = constante qualquer;

s2 Ŷ = estimativa da variância da estimativa de um contraste (ver teste t).
Para verificar a significância estatística dos contrastes, compara-se o valor de tB

calculado de cada contraste com o valor de tB tabelado, com n1 = nível de significância ’

= e n2 = graus de liberdade do resíduo (TABELA A.7).
n
Logo, tem-se:
tB calculado  tB tabelado (’) - existe diferença significativa entre os
tratamentos no nível ’ de probabilidade, ou seja, há uma probabilidade acima de 100 -
’% de que o contraste seja diferente de zero;
tB calculado < tB tabelado (’) - ns (não existe diferença significativa entre os
tratamentos no nível ’ de probabilidade, ou seja, com 100 - ’% de probabilidade o
contraste não difere de zero).
Quando se aplica o teste tB está-se testando as seguintes hipóteses:
a) H0 : Y = 0 (tratamentos semelhantes);
b) H1 : Y  0 (tratamentos diferentes).
Considerando os dados do Exemplo 4, têm-se os seguintes resultados que estão
contidos na tabela a seguir:
Contraste Valor s2 ( Ŷ ) tB calculado
Ŷ 1 36,19 125,0630 3,24 **

Ŷ 2 12,17 125,0630 1,09 ns
Ŷ 3 0,85 41,6877 0,13 ns
Ŷ 4 29,93 125,0630 2,68 ns
Ŷ 5 0,65 41,6877 0,10 ns
tB tabelado (1%) 2,88

135
De acordo com os resultados do teste t de Bonferroni, pode-se concluir:

a) O contraste Yˆ 1 foi significativo no nível de 1% de probabilidade, ou seja, a
média dos rendimentos de açúcar das variedades Co 775, Co 740 e Co 678 é
significativamente maior do que a média dos rendimentos de açúcar das demais
variedades.
d) O contraste Ŷ 4 não foi significativo no nível de 1% de probabilidade, ou seja,
a média dos rendimentos de açúcar das variedades Co 775 e Co 740 não difere do
rendimento médio de açúcar da variedade Co 678.
Observa-se o rigor do teste de Bonferroni neste exemplo em relação ao teste t,
pois ele detectou diferença significativa entre os tratamentos apenas no contraste Ŷ 1,
enquanto que o teste “t” encontrou diferença significativa nos contrastes Ŷ 1 e Ŷ 4.
5.4 Teste LSD
O teste da diferença mínima significativa (LSD), apesar de sujeito a severas

restrições, ainda é um teste que pode ser empregado na comparação de médias de
tratamentos. Apesar desse teste se basear no teste t, sua aplicação é muito mais simples,
por ter apenas um valor do LSD para comparar com todos os contrastes, o que não ocorre
com o teste t. Desde que seja utilizado com cuidado, não conduz a erros demasiados.
Na análise de variância, quando o teste F for significativo e se tem mais de dois
tratamentos, o teste LSD é o mais utilizado quando se deseja fazer comparações
planejadas (são comparações definidas antes de serem examinados os dados
experimentais) de médias pareadas. Neste caso, cada média aparece em somente uma
comparação.
Sua fórmula é a seguinte:
LSD (5%) = t (5%) s ( Ŷ )
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.
Quando as médias dos tratamentos avaliados apresentarem número de repetições

diferentes (caso de parcelas perdidas), o valor de s ( Ŷ ) depende do delineamento
estatístico utilizado (ver teste “t”).
O valor de cada contraste ( Ŷ ) é comparado com o valor de LSD. Logo, tem-se:

136
Ŷ  LSD (5%) - * (existe diferença significativa entre os tratamentos no nível de

5% de probabilidade, ou seja, há uma probabilidade acima de 95% de que o contraste seja
diferente de zero);
Ŷ < LSD (5%) - ns (não existe diferença significativa entre os tratamentos no
nível de 5% de probabilidade, ou seja, com 95% de probabilidade o contraste não difere
de zero).
Quando se aplica o teste LSD, está-se testando as seguintes hipóteses:
a) H0 : Ŷ = 0 (tratamentos semelhantes);
b) H1 : Ŷ  0 (tratamentos diferentes).
Exemplo 6: Verificar pelo teste LSD se existe ou não diferença significativa
entre as médias pareadas a partir de dados da TABELA 5.6.
TABELA 5.6 – EFEITO DA CEROSIDADE FOLIAR NA REAÇÃO DE VARIEDADES DE CEBOLA

(Allium cepa L.) A HERBICIDAS DE PÓS-EMERGÊNCIA EM PLANTAS
AVALIADAS AOS 54 DIAS APÓS A SEMEADURA, EXPRESSO ATRAVÉS DE
UMA ESCALA DE NOTAS, E VALORES DE GL RESÍDUO, QM RESÍDUO, F E CV.
PIRACICABA-SP
Variedades BENTAZON 1/ PROMETRIN 1/

________________________ ________________________
A B A B
1 - BARREIRO SMP-IV 2,7 + 4,1 3,2 4,3

2 - ROXA CHATA SMP-IV 3,0 3,6 3,2 3,9
3 - BAIA PERIFORME 2,9 4,0 3,1 4,0
4 – RED CREOLE 3,1 4,4 3,2 4,4
GL Resíduo 60
QM Resíduo 0,17154
F Variedades 14,07 **
FONTE: FERREIRA e COSTA (1982).

NOTAS: (**) Significativo no nível de 1% de probabilidade.
(1/) Herbicidas de pós-emergência.
(A) Cerosidade foliar mantida.
(B) Cerosidade foliar removida.
(+) Dados médios provenientes de quatro repetições no delineamento inteiramente casualizado.
Considerando-se que os contrastes foram estabelecidos a priori, então se pode

aplicar o teste LSD.
Para o herbicida BENTAZON tem-se:
Â m
Ŷ1 = m ˆB
= 2,7 – 4,1 = 1,4

137
Yˆ2 = m
Â m
ˆB
= 3,0 – 3,6 = 0,6
Yˆ3 = m
Â m
ˆB
= 2,9 – 4,0 = 1,1
Yˆ4 = m
Â m
ˆB
= 3,1 – 4,4 = 1,3
Para o herbicida PROMETRIN tem-se:

Â m
Ŷ1 = m ˆB
= 3,2 – 4,3 = 1,1
Yˆ2 = m
Â m
ˆB
= 3,2 – 3,9 = 0,7
Yˆ3 = mˆ A  m
ˆB
= 3,1 – 4,0 = 0,9
Yˆ4 = m
Â m
ˆB
= 3,2 – 4,4 = 1,2
LSD (5%) = t (5%) s ( Ŷ )
2,0 x 0,17154
= 2,0
4
0,34308
= 2,0
4
= 2,0 0,08577
= 2,0 (0,29287)  0,586
Os resultados obtidos estão contidos na tabela a seguir:
Variedades BENTAZON PROMETRIN

138
A B Ŷ A B Ŷ
BARREIRO SMP-IV 2,7 4,1 1,4 * 3,2 4,3 1,1 *

ROXA CHATA SMP-IV 3,0 3,6 0,6 * 3,2 3,9 0,7 *
BAIA PERIFORME 2,9 4,0 1,1 * 3,1 4,0 0,9 *
REF CREOLE 3,1 4,4 1,3 * 3,2 4,4 1,2 *
LSD (5%) 0,586 0,586
NOTA: (*) Significativo no nível de 5% de probabilidade pelo teste LSD.
De acordo com os resultados do teste LSD, pode-se concluir:

a) Com relação ao herbicida de pós-emergência BENTAZON, todos os
contrastes foram significativos no nível de 5% de probabilidade, ou seja, em todas as
variedades de cebola avaliadas, a cerosidade foliar mantida apresentou menor índice de
injúrias foliares do que a cerosidade foliar removida.
b) Com relação ao herbicida de pós-emergência PROMETRIN, todos os
contrastes foram significativos no nível de 5% de probabilidade, ou seja, em todas as
O teste LSD pode também ser utilizado na comparação de todas as médias com
um tratamento controle ou testemunha, ou na comparação de todas as médias entre si.
Porém, recomenda-se o uso do teste LSD em comparações planejadas de médias
pareadas, visto que têm testes específicos e mais rigorosos para os outros tipos de
comparação.
5.5 Teste LSDB
O teste da diferença mínima significativa de Bonferroni (LSDB) é um

aperfeiçoamento do teste LSD e para a sua aplicação o pesquisador deve levar em conta
os mesmos requisitos deste.
Na análise de variância, quando o teste F for significativo e se tem mais de dois
tratamentos, o teste LSDB é o mais utilizado quando se deseja fazer comparações
planejadas de médias pareadas. Neste caso, cada média aparece em somente uma
comparação.
LSDB (’) = tB (’) s ( 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);

139


ver teste t.

O valor de cada contraste ( Ŷ ) é comparado com o valor de LSDB. Logo, tem-se:
Ŷ  LSDB (’) - existe diferença significativa entre os tratamentos no nível ’
de probabilidade, ou seja, há uma probabilidade acima de 100 - ’% de que o contraste
seja diferente de zero;
Ŷ < LSDB (’) - ns (não existe diferença significativa entre os tratamentos no
nível ’ de probabilidade, ou seja, com 100 - ’% de probabilidade o contraste não difere
de zero).
Quando se aplica o teste LSDB, está-se testando as seguintes hipóteses:
Considerando os dados do Exemplo 6, têm-se:
Para o herbicida BENTAZON:
Â m
Ŷ1 = m ˆB
= 2,7 – 4,1 = 1,4
Yˆ2 = m
Â m
ˆB
= 3,0 – 3,6 = 0,6
Yˆ3 = mˆ A  m
ˆB
= 2,9 – 4,0 = 1,1
Yˆ4 = m
Â m
ˆB
= 3,1 – 4,4 = 1,3
Para o herbicida PROMETRIN:
Â m
Ŷ1 = m ˆB
= 3,2 – 4,3 = 1,1
Yˆ2 = m
Â m
ˆB
= 3,2 – 3,9 = 0,7

140
Yˆ3 = mˆ A  m
ˆB
= 3,1 – 4,0 = 0,9
Yˆ4 = m
Â m
ˆB
= 3,2 – 4,4 = 1,2
LSDB (’) = tB (’) s ( Ŷ )

’ =
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
= 2,5925 (0,29287)  0,759
Os resultados obtidos estão contidos na tabela a seguir:
Variedades BENTAZON PROMETRIN

A B Ŷ A B Ŷ
BARREIRO SMP-IV 2,7 4,1 1,4 ** 3,2 4,3 1,1 **

ROXA CHATA SMP-IV 3,0 3,6 0,6 ns 3,2 3,9 0,7 ns
BAIA PERIFORME 2,9 4,0 1,1 ** 3,1 4,0 0,9 **
REF CREOLE 3,1 4,4 1,3 ** 3,2 4,4 1,2 **
LSDB (1,25%) 0,759 0,759
NOTA: (**) Significativo no nível de 1,25% de probabilidade pelo teste LSDB.
De acordo com os resultados do teste LSDB, pode-se concluir:

a) Com relação ao herbicida de pós-emergência BENTAZON, apenas um
contraste foi não significativo no nível de 1,25% de probabilidade, ou seja, na variedade
141
de cebola ROXA CHATA SMP-IV, a cerosidade foliar mantida apresentou o mesmo

índice de injúrias foliares que a cerosidade foliar removida. Por outro lado, os demais
contrastes foram significativos no nível de 1,25% de probabilidade, ou seja, nas outras
b) Com relação ao herbicida de pós-emergência PROMETRIN, apenas um
contraste foi não significativo no nível de 1,25% de probabilidade, ou seja, na variedade
de cebola ROXA CHATA SMP-IV, a cerosidade foliar mantida apresentou o mesmo
índice de injúrias foliares que a cerosidade foliar removida. Por outro lado, os demais
contrastes foram significativos no nível de 1,25% de probabilidade, ou seja, nas outras
Observa-se o rigor do teste LSDB neste exemplo em relação ao teste LSD, pois
ele detectou diferença significativa entre os tratamentos apenas em três contrastes dos
quatro avaliados para cada herbicida de pós-emergência, enquanto que o teste LSD
encontrou diferença significativa em todos os contrastes avaliados dentro de cada
herbicida de pós-emergência.
O teste LSDB pode também ser utilizado na comparação de todas as médias com
um tratamento controle ou testemunha, ou na comparação de todas as médias entre si.
Porém, recomenda-se o uso do teste LSDB em comparações planejadas de médias
pareadas, visto que têm testes específicos e mais rigorosos para os outros tipos de
comparação.
5.6 Teste de Dunnett
O teste de Dunnett (d’) é usado na análise de variância quando se procura

comparar todas as médias de tratamentos com um controle ou testemunha, desde que o
teste F seja significativo e se tenha mais de dois tratamentos. Sua aplicação é muito
simples, por ter apenas um valor de d’ para comparar com todos os contrastes.
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);

ver teste t.
No caso de se querer usar o teste de Dunnett no nível de 1% de probabilidade,

tem-se as mesmas tabelas (TABELAS A.8 e A.9) para se obter o valor de t’. A TABELA
A.8 é usada para as comparações unilaterais, ou seja, quando todas as médias dos
tratamentos forem inferiores ou superiores ao controle, enquanto a TABELA A.9 é usada
para comparações bilaterais, ou seja, quando algumas médias de tratamentos forem
inferiores e outras superiores ao controle.

142

O valor de cada contraste ( Ŷ ) é comparado com o valor de d’. Logo, tem-se:
Ŷ  d’(5%) - * (existe diferença significativa entre os tratamentos no nível de
diferente de zero);
Ŷ < d’(5%) - ns (não existe diferença significativa entre os tratamentos no nível
de 5% de probabilidade, ou seja, há uma probabilidade de 95% de que o contraste não
difere de zero).
Quando se aplica o teste de Dunnett, está-se testando as seguintes hipóteses:
a) H0 : Ŷ = 0 (tratamento semelhante ao controle);
b) H1 : Ŷ  0 (tratamento diferente do controle).
Exemplo 7: Verificar pelo teste de Dunnett se existe ou não diferença
significativa dos tratamentos em relação ao controle a partir de dados da TABELA 5.7.
TABELA 5.7 – GANHOS DE PESO (kg), E VALORES DE GL RESÍDUO, QM RESÍDUO E F DE

PORCOS ALIMENTADOS COM QUATRO RAÇÕES
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 *
FONTE: Adaptado de GOMES (1985).

NOTA: (1/) Dados médios provenientes de cinco repetições no delineamento inteiramente casualizado.
Logo, tem-se:
d’(5%) = t’ (5%) s ( Ŷ )
2 x 68,75
= 2,23
5
137,50
= 2,23
5

143
= 2,23 27,5
= 2,23 (5,244044)  11,69
Yˆ1  m
Â m
ˆD
= 26,0 –22,0 = 4,0 ns
Yˆ2  m
ˆB  m
ˆD
= 39,0 – 22,0 = 17,0 *
Yˆ3  m
ˆ C  mˆ D
= 32,0 – 22,0 = 10,0 ns
De acordo com os resultados do teste de Dunnett, pode-se concluir que apenas o

contraste Yˆ2 foi significativo no nível de 5% de probabilidade, ou seja, a ração B diferiu
da ração D (controle) proporcionando um maior ganho de peso em porcos, enquanto que
as rações A e C foram semelhantes ao controle.
5.7 Teste de Tukey
O teste de Tukey (  ) é usado na análise de variância para comparar todo e

qualquer contraste entre duas médias de tratamentos. É o teste de comparação de médias
de tratamentos mais usado na experimentação agropecuária, por ser bastante rigoroso e
de fácil aplicação. Contudo, quando o experimento tem um número elevado de
tratamentos, não é aconselhável o seu uso. Ele é mais exato quando o número de
repetições das médias dos tratamentos avaliados é igual.
Quando o teste F não for significativo, é norma geral não se aplicar o teste de
Tukey ou qualquer teste de comparação de médias de tratamentos (se estiver próximo da
significância é aconselhável a aplicação). Por outro lado, pode ocorrer que o teste F tenha
sido significativo e o teste de Tukey não acuse nenhum contraste significativo. Nestes
casos tem-se três alternativas a seguir, são elas:
a) Substitui-se o teste de Tukey pelo teste de Duncan que é menos rigoroso;
b) Aplica-se o teste de Tukey no nível de 10% de probabilidade;
c) Simplesmente aceita-se o resultado (não significativo) admitindo-se que o (s)
contraste(s) significativo(s) que o teste F diz existir, envolve mais de duas médias, sendo
portanto, geralmente, de pouco interesse prático.
Quando as médias de tratamentos apresentam o mesmo número de repetições,
sua fórmula é a seguinte:
s
 (5%) = q
r
onde:

144
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.
No caso de querer-se usar o teste de Tukey no nível de 1% de probabilidade,

tem-se a TABELA A.11 para obter-se o valor de q.
O valor de cada contraste ( Ŷ ) é comparado com o valor de  . Logo, tem-se:
Ŷ   (5%) - * (existe diferença significativa entre os tratamentos no nível de
diferente de zero);
Ŷ <  (5%) - ns (não existe diferença significativa entre os tratamentos no nível
de 5% de probabilidade, ou seja, com 95% de probabilidade o contraste não difere de
zero).
Quando se aplica o teste de Tukey, está-se testando as seguintes hipóteses:
Exemplo 8: Verificar pelo teste de Tukey se existe ou não diferença significativa
entre os tratamentos a partir dos dados da TABELA 5.8.
TABELA 5.8 – NÚMERO TOTAL DE FOLHAS POR PLANTA EM TRÊS CULTIVARES DE
ALFACE (Lactuca sativa L.), E VALORES DE GL RESÍDUO, QM RESÍDUO E F
Cultivares Número total de folhas por planta 1/
1. MARAVILHA DE QUATRO ESTAÇÕES 25,80

2. MARAVILHA DE INVERNO 29,53
3. REPOLHUDA SEM RIVAL 25,73
GL Resíduo 11
QM Resíduo 6,673264
F 5,69 *
FONTE: SILVA e FERREIRA (1985).

NOTA: (1/) Dados médios provenientes de oito repetições no delineamento em blocos casualizados.
Logo, tem-se:
s
(5%)  q
r
6,673264
= 3,82
8
= 3,82 0,834158

145
= 3,82 (0,913323)  3,49
Yˆ1  m
ˆ1  m
ˆ2
= 25,80 – 29,53 = 3,73 *
Yˆ2  m
ˆ1  m
ˆ3
= 25,80 – 25,73 = 0,07 ns
Yˆ3  mˆ 2  m
ˆ3
= 29,53 – 25,73 = 3,80 *
De acordo com os resultados do teste de Tukey, pode-se concluir:

a) Apenas um contraste foi não significativo no nível de 5% de probabilidade, ou
seja, as cultivares de alface MARAVILHA DE QUATRO ESTAÇÕES e REPOLHODA
SEM RIVAL são semelhantes quanto ao número de folhas por planta.
b) Os demais contrastes foram significativos no nível de 5% de probabilidade, ou
seja, a cultivar de alface MARAVILHA DE INVERNO apresenta um maior número de
folhas por planta do que as cultivares MARAVILHA DE QUATRO ESTAÇÕES e
REPOLHUDA SEM RIVAL.
Quando as médias de tratamentos apresentam número de repetições diferentes
(caso de parcelas perdidas), a fórmula do teste de Tukey é a seguinte:
(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”).
5.8 Teste de Duncan
O teste de Duncan (D) é também usado na análise de variância para comparar

todo e qualquer contraste entre duas médias de tratamentos. É, porém, menos rigoroso do
que o teste de Tukey, pois detecta diferença significativa entre duas médias quando o
teste de Tukey não o faz, de modo que não deve ser empregado indiscriminadamente.
Além disso, sua aplicação é um pouco mais trabalhosa, pois, levando em conta o número
de médias abrangidas em cada contraste, deve-se calcular um valor de D para cada grupo
de contrastes. Na sua aplicação deve-se ordenar as médias de tratamentos em ordem
crescente ou decrescente e formar os grupos de contrastes cujos intervalos abrangem duas
médias, três médias e assim por diante, de modo a obterem, respectivamente, os valores
tabelados de z para cada grupo de contrastes. Quando o número de médias de tratamentos

146
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.
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;
No caso de querer-se usar o teste de Duncan no nível de 1% de probabilidade,

tem-se a TABELA A.13 para obter-se os valores de z.
Como se deve ter vários valores de D, os valores dos contrastes com o mesmo
número de médias abrangidas pelos mesmos são comparados com o seu respectivo valor
de D. Logo, tem-se:
Ŷ  D (5%) - * (existe diferença significativa entre os tratamentos no nível de
diferente de zero);
Ŷ < D (5%) - ns (não existe diferença significativa entre os tratamentos no nível
zero).
Quando se aplica o teste de Duncan, está-se testando as seguintes hipóteses:
Exemplo 9: Verificar pelo teste de Duncan se existe ou não diferença
significativa entre os tratamentos a partir dos dados da TABELA 5.9.
TABELA 5.9 – GERMINAÇÃO DE SEMENTES ESCARIFICADAS DE SEIS ESPÉCIES DE

Stylosanthes, E VALORES DE GL RESÍDUO, QM RESÍDUO E F. DADOS
TRANSFORMADOS EM ARCO SENO % / 100
Espécies Médias 1/
1 – Stylosanthes humilis 67,54

2 – Stylosanthes scabra 83,74
3 – Stylosanthes leiocarpa 84,75
4 – Stylosanthes hamata 87,97
5 – Stylosanthes viscose 88,98
6 – Stylosanthes debilis 90,00
GL Resíduo 72

147
QM Resíduo 20,6518
F 300,32 **
FONTE: REIS (1984).

NOTA: (1/) Dados médios provenientes de oito repetições no delineamento inteiramente casualizado.
Logo, tem-se:
s
D2 (5%) = z 2
r
20,6518
= 2,821
8
= 2,821 2,581475
= 2,821 (1,606697)  4,53
Yˆ1  m
ˆ1  m
ˆ2
= 67,54 – 83,74 = 16,20 *

Yˆ2  m
ˆ2 m
ˆ3
= 83,74 – 84,75 = 1,01 ns
Yˆ3  mˆ 3  mˆ 4
= 84,75 – 87,97 = 3,22 ns
Yˆ4  m
ˆ4 m
ˆ5
= 87,97 – 88,98 = 1,01 ns
Yˆ5  m
ˆ5 m
ˆ6
= 88,98 – 90,00 = 1,02 ns
s
D3 (5%) = z 3
r
20,6518
= 2,971
8
= 2,971 2,581475
148
= 2,971 (1,606697)  4,77
Y6  m
ˆ1  m
ˆ3
= 67,54 – 84,75 = 17,21 *
Yˆ7  m
ˆ 2  mˆ 4
= 83,74 – 87,97 = 4,23 ns
Yˆ8  mˆ 3  mˆ 5
= 84,75 – 88,98 = 4,23 ns
Yˆ9  mˆ 4  mˆ 6
= 87,97 – 90,00 = 2,03 ns
s
D4 (5%) = z 4
r
20,6518
= 3,071
8
= 3,071 2,581475
= 3,071 (1,606697)  4,93
Yˆ10  mˆ 1  m
ˆ4
= 67,54 – 87,97 = 20,43 *
Yˆ11  m
ˆ2 m
ˆ5
= 83,74 – 88,98 = 5,24 *
Yˆ12  m
ˆ3 m
ˆ6
= 84,75 – 90,00 = 5,25 *
s
D5 (5%) = z 5
r

149
20,6518
= 3,134
8
= 3,134 2,581475
= 3,134 (1,606697)  5,04
Yˆ13  m
ˆ1  m
ˆ5
= 67,54 – 88,98 = 21,44 *
Yˆ14  m
ˆ 2  mˆ 6
= 83,74 – 90,00 = 6,26 *
s
D6 (5%) = z 6
r
20,6518
= 3,194
8
= 3,194 2,581475
= 3,194 (1,606697)  5,13
Yˆ15  mˆ 1  m
ˆ6
= 67,54 – 90,00 = 22,46 *
De acordo com os resultados do teste de Duncan, pode-se concluir:

a) Apenas sete contrastes foram não significativos no nível de 5% de
probabilidade, ou seja, a germinação de sementes escarificadas foi semelhante entre as
seguintes espécies de Stylosanthes: S. scabra com S. leiocarpa e S. hamata, S. leiocarpa
com S. hamata e S. viscosa, S. hamata com S. viscosa e S. debilis, e S. viscosa com S.
debilis.
seja, a germinação de sementes escarificadas foi diferente entre as seguintes espécies de
Stylosanthes: S. humilis com todas as outras, S. scabra com S. viscosa e S. debilis, e S.
leiocarpa com S. debilis.
c) A espécie Stylosanthes humilis apresentou a menor germinação de sementes
escarificadas.
d) A espécie Stylosanthes debilis apresentou a maior germinação de sementes
escarificadas, apesar de não diferir estatisticamente das espécies Stylosanthes viscosa e
Stylosanthes hamata.

150

(caso de parcelas perdidas), a fórmula do teste de Duncan é a seguinte:
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
5.9 Teste de Student-Newman-Keuls (SNK)
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.
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;
No caso de querer-se usar o teste SNK no nível de 1% de probabilidade, tem-se a

TABELA A.11 para obter-se os valores de q.
Como se deve ter vários valores de SNK, o valor dos contrastes com o mesmo
número de médias abrangidas pelos mesmos são comparados com o seu respectivo valor
de SNK. Logo, tem-se:
Ŷ  SNK (5%) - * (existe diferença significativa entre os tratamentos no nível de
diferente de zero);
Ŷ < SNK (5%) - ns (não existe diferença significativa entre os tratamentos no
nível de 5% de probabilidade, ou seja, com 95% de probabilidade o contraste não difere
de zero).
Quando se aplica o teste de SNK, está-se testando as seguintes hipóteses:
151
s
NSK2 (5%) = q 2
r
20,6518
= 2,824
8
= 2,824 2,581475
= 2,824 (1,606697)  4,54
Yˆ1  m
ˆ1  m
ˆ2
= 67,54 – 83,74 = 16,20 *
Yˆ2  m
ˆ2 m
ˆ3
= 83,74 – 84,75 = 1,01 ns
Yˆ3  mˆ 3  mˆ 4
= 84,75 – 87,97 = 3,22 ns
Yˆ4  m
ˆ4 m
ˆ5
= 87,97 – 88,98 = 1,01 ns
Yˆ5  m
ˆ5 m
ˆ6
= 88,98 – 90,00 = 1,02 ns
s
NSK3 (5%) = q3
r
20,6518
= 3,392
8
= 3,392 2,581475
= 3,392 (1,606697)  5,45
Y6  m
ˆ1  m
ˆ3
= 67,54 – 84,75 = 17,21 *
Yˆ7  m
ˆ 2  mˆ 4

152
= 83,74 – 87,97 = 4,23 ns
Yˆ8  mˆ 3  mˆ 5
= 84,75 – 88,98 = 4,23 ns
Yˆ9  mˆ 4  mˆ 6
= 87,97 – 90,00 = 2,03 ns
s
NSK4 (5%) = q 4
r
20,6518
= 3,730
8
= 3,730 2,581475
= 3,730 (1,606697)  5,99
Yˆ10  mˆ 1  m
ˆ4
= 67,54 – 87,97 = 20,43 *
Yˆ11  m
ˆ2 m
ˆ5
= 83,74 – 88,98 = 5,24 ns
Yˆ12  m
ˆ3 m
ˆ6
= 84,75 – 90,00 = 5,25 ns
s
NSK5 (5%) = q5
r
20,6518
= 3,968
8
= 3,968 2,581475
= 3,968 (1,606697)  6,38
Yˆ13  m
ˆ1  m
ˆ5
= 67,54 – 88,98 = 21,44 *
Yˆ14  m
ˆ 2  mˆ 6
153
= 83,74 – 90,00 = 6,26 ns
s
NSK6 (5%) = q 6
r
20,6518
= 4,148
8
= 4,148 2,581475
= 4,148 (1,606697)  6,66
Yˆ15  mˆ 1  m
ˆ6
= 67,54 – 90,00 = 22,46 *
De acordo com os resultados do teste SNK, pode-se concluir:

a) Apenas dez contrastes foram não significativos no nível de 5% de
probabilidade, ou seja, a germinação de sementes escarificadas foi semelhante entre as
seguintes espécies de Stylosanthes: S. scabra com S. leiocarpa, S. hamata, S. viscosa e S.
debilis, S. leiocarpa com S. hamata, S. viscosa e S. debilis, S. hamata com S. viscosa e S.
debilis, e S. viscosa com S. debilis.
seja, a germinação de sementes escarificadas foi diferente entre as seguintes espécies de
Stylosanthes: S. humilis com todas as outras.
c) A espécie Stylosanthes humilis apresentou a menor germinação de sementes
escarificadas.
d) A espécie Stylosanthes debilis apresentou a maior germinação de sementes
escarificadas, apesar de não diferir estatisticamente das espécies Stylosanthes viscosa,
Stylosanthes hamata, Stylosanthes leiocarpa e Stylosanthes scabra.
Observa-se o rigor do teste SNK neste exemplo em relação ao teste de Duncan,
pois ele detectou diferença significativa entre os tratamentos em apenas cinco contrastes,
enquanto que o teste de Duncan encontrou diferença significativa entre os tratamentos em
oito contrastes.
(caso de parcelas perdidas), a fórmula do teste SNK é a seguinte:
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
154
5.10 Teste de Scott e Knott (SK)
O teste SK é um teste de agrupamento de médias de tratamentos que tem por

objetivo dividir o grupo original em subgrupos, cujas médias de tratamentos não diferem
estatisticamente entre si. Estes subgrupos são bem definidos e não apresentam a
ambigüidade dos demais testes de comparação de médias de tratamentos.
Mas o que é ambigüidade? Ambigüidade é quando uma média de tratamento
não difere estatisticamente da média de tratamento de valor inferior e nem da média de
tratamento de valor superior, mas a média de valor superior difere estatisticamente da
média de valor inferior, o que é inconcebível do ponto de vista matemático.
Na formação dos subgrupos, quando o número de tratamentos é pequeno, o
número possível de subgrupos é dado por 2 g  1  1 . Por exemplo, com quatro tratamentos
(A, B, C, D), têm-se: 2 4  1  1  23  1  8  1  7 subgrupos, ou seja, A vs B, C e D; B vs
A, C e D; C vs A, B e D; D vs A, B e C; A e B vs C e D; A e C vs B e D; e A e D vs B e
C. Contudo, quando o número de tratamentos é grande, o número de subgrupos cresce
exponencialmente, dificultando a aplicação do teste SK. Neste caso, para contornar essa
situação, ordenam-se as médias de tratamentos e o número possível de subgrupos é dado
por g – 1.
 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:
T12 T22 (T1  T2 ) 2

B0   
k1 k2 k1  k 2
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

gv   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;

155
A regra de decisão para estabelecer os grupos é a seguinte:

SK (5%)   2 (5%) - * (existe diferença significativa entre os dois grupos de
tratamentos no nível de 5% de probabilidade, ou seja, há uma probabilidade acima de
95% de que as médias dos dois grupos de tratamentos sejam diferentes de zero);
SK (5%) <  2 (5%) - ns (não existe diferença significativa entre os dois grupos de
tratamentos no nível de 5% de probabilidade, ou seja, com 95% de probabilidade as
médias dos dois grupos de tratamentos não diferem de zero).
Quando o valor de SK (5%) for igual ou maior que o valor tabelado de  2 (5%)
(TABELA A.14), os dois grupos devem ser testados, separadamente, para novas
possíveis divisões. O teste prossegue até que sejam encontrados grupos com apenas uma
média de tratamento e/ou grupos de médias de tratamentos homogêneas.
O valor do qui-quadrado referencial (  2 ) é estabelecido em função do nível de
significância α preestabelecido (o nível de 5% de significância é o mais usado na prática)
e do número de graus de liberdade, que é dado por
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.
TABELA 5.10 – DADOS MÉDIOS DE TCH (TONELADAS DE CANA POR HECTARE) DE 26

GENÓTIPOS DE CANA-DE-AÇÚCAR AVALIADOS NA USINA CAETÉ, NO
MUNICÍPIO DE SÃO MIGUEL DOS CAMPOS, NO ANO DE 1999
Genótipos TCH (+) Genótipos TCH
1 – RB 931521 90,56 14 – RB 83102 110,17
2 – RB 931578 92,45 15 – RB 931598 110,72
3 – RB 931569 93,78 16 – RB 931565 111,06
4 – RB 931556 95,22 17 – RB 931580 112,67
5 – RB 931595 100,00 18 – RB 931529 112,78

156
6 – RB 931530 101,95 19 – RB 931602 113,33
7 – RB 931559 103,94 20 – RB 931542 115,61
8 – RB 72454 104,67 21 – SP 79-1011 115,89
9 – RB 931587 105,83 22 – RB 931533 117,06
10 – RB 931506 106,61 23 – RB 931566 117,45
11 – RB 931604 107,06 24 – RB 931011 118,17
12 – RB 931513 107,39 25 – RB 931611 118,50
13 – RB 931515 107,67 26 – RB 931555 125,67
GL Resíduo 75
QM Resíduo 91,271
F 3,43 **
FONTE: SILVA (2004).

NOTAS: (+) Dados médios provenientes de quatro repetições no delineamento em blocos casualizados.
(**) Significativo no nível de 1% de probabilidade.
Logo, têm-se as somas de quadrados da partição 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,
12 e 13 vs 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25 e 26:
T12 T22 (T1  T2 ) 2

B0   
k1 k2 k1  k 2
=
90,56  92,45  ...  107,67 
2

110,17  110,72  ...  125,67 
2

13 13
90,56  92,45  ...  107,67  110,17  110,72  ...  125,672

13  13
=
1.317,132 
1.499,082 
1.317,13  1.499,082
13 13 26

157
=
1.317,132 
1.499,082 
2.816,212
13 13 26
1.734.831,437 2.247.240,846 7.931.038,764

=  
13 13 26
= 133.448,5721 + 172.864,6805 – 305.039,9525 = 1.273,3001
__
Y
T
k
1.317,13  1.499,08
=
13  13
2.816,21
=  108,32
26
s02  (Y 1  Y )  (Y 2  Y )  ...  (Y g  Y )  v 
2 2 2

gv   r 
1 
 90,56  108,322  92,45  108,322  ...  125,67  108,322  75  91,271 
26  75   4 
=
1
101

 17,762   15,872  ...  17,352  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

158
O valor de  2 26 
é 34,89. Como SK (5%) > 34,89, existe diferença
 0 , 05; 
 3,1416  2 
significativa entre os dois grupos de tratamentos no nível de 5% de probabilidade, ou

seja, há uma probabilidade acima de 95% de que as médias dos dois grupos de
tratamentos sejam diferentes de zero. Neste caso, os dois grupos devem ser testados,
separadamente, para novas possíveis divisões.
Logo, tem-se as somas de quadrados da partição 1 vs 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,
12 e 13:
T32 T42 (T3  T4 ) 2

B0   
k3 k4 k3  k 4

90,562 
92,45  93,78  ...  107,672 
90,56  92,45  93,78  ...  107,672
1 12 1  12
=
90,562 
1.226,572 
1.317,132
1 12 13
8.201,1136 1.504.473,965 1.734.831,437

=  
1 12 13
= 8.201,1136 + 125.372,8304 – 133.448,5721 = 125,3719
__
Y1 
T 1
k 1
1.317,13
=  101,32
13
s02  (Y 1  Y1 )  (Y 2  Y1 )  ...  (Y g1  Y1 )  v 
2 2 2

g1  v   r 
1 
 90,56  101,322  92,45  101,322  ...  107,67  101,322  75  91,271 
13  75   4 
=
1
88

 10,762   8,872  ...  6,352  75 22,81775 
=
1
115,7776  78,6769  ...  40,3225  1.711,33125
88
2.178,51275
= = 24,7558267
88

159
 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
é 20,20. Como SK (5%) < 20,20, não existe diferença
 0 , 05; 
 3,1416  2 

seja, com 95% de probabilidade as médias dos dois grupos de tratamentos não diferem de
zero
Logo, tem-se as somas de quadrados da partição 14 vs 15, 16, 17, 18, 19, 20, 21,
22, 23, 24, 25 e 26:
T52 T62 (T5  T6 ) 2

B0   
k k6 k5  k6

110,17 
2

110,72  111,06  ...  125,67 
2

1 12
110,17  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
= 12.137,4289 + 160.755,9157 – 172.864,6805 = 28,6641
__
Y2 
T 2
k 2
1.499,08
=  115,31
13
s02  (Y 14  Y2 )  (Y 15  Y2 )  ...  (Y g 2  Y2 )  v 
2 2 2

g2  v   r 
160
1 
 110,17  115,312  110,72  115,312  ...  125,67  115,312  75  91,271 
13  75   4 
=
1
88

 5,142   4,592  ...  10,362  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
é 20,20. Como SK (5%) < 20,20, não existe diferença
 0 , 05; 
 3,1416  2 

seja, com 95% de probabilidade as médias dos dois grupos de tratamentos não diferem de
zero.
De acordo com os resultados do teste SK, pode-se concluir:
a) Os genótipos de cana-de-açúcar avaliados na Usina Caeté, localizada no
Município de São Miguel dos Campos-AL, pertencentes ao grupo 1: 1 – RB 931521,
2 – RB 931578, 3 – RB 931569, 4 – RB 931556, 5 – RB 931595, 6 – RB 931530,
7 – RB 931559, 8 – RB 72454, 9 – RB 931587, 10 – RB 931506, 11 – RB 931604,
12 – RB 931513 e 13 – RB 931515 não diferem entre si e apresentaram os menores
rendimentos de TCH.
b) Os genótipos de cana-de-açúcar avaliados na Usina Caeté, localizada no
Município de São Miguel dos Campos-AL, pertencentes ao grupo 2: 14 – RB 83102,
15 – RB 931598, 16 – RB 931565, 17 – RB 931580, 18 – RB 931529, 19 – RB 931602,
20 RB 931542, 21 – SP 79-1011, 22 – RB 931533, 23 – RB 931566, 24 – RB 931011,
25 – RB 931611 e 26 – RB 931555 não diferem entre si, mas diferem dos genótipos do
grupo 1, e apresentaram os maiores rendimentos de TCH.
Verifica-se que o teste SK, além de terem os grupos de tratamentos bem
definidos e não apresentarem a ambigüidade dos demais testes de comparação de médias,
difere dos mesmos porque compara as médias dos grupos de tratamentos entre si e não
161
impede que alguns tratamentos de um grupo não defiram estatisticamente de outros

tratamentos do outro grupo quando for usado qualquer outro teste de hipótese. Pois bem,
no exemplo acima a média do grupo 1 foi 101,32 TCH com amplitude de 17,11 TCH
(107,67 – 90,56) e a média do grupo 2 foi 115,31 TCH com amplitude de 15,50 TCH
(125,67 – 110,17), enquanto que a diferença entre a média do genótipo de limite superior
do grupo 1 e a média do genótipo de limite inferior do grupo 2 foi de apenas 2,50 TCH,
que corresponde a 17,87% da diferença entre as médias dos dois grupos (13,99 TCH). Se
fosse usado neste experimento, por exemplo, o teste de Tukey para comparar os
genótipos de cana-de-açúcar entre si, que é um dos testes mais rigorosos de comparação
de médias já visto, dos 325 contrastes possíveis apenas nove seriam significativos, visto
que superariam o valor da diferença mínima significativa do teste (∆ (5%)  25,89).
Em função disso, o teste SK, mesmo sendo um dos testes de maior poder, não
deve ser empregado indiscriminadamente, sendo mais adequado para a área de
melhoramento genético de plantas quando o fitomelhorista dispõe de uma quantidade
enorme de genótipos e precisa agrupá-los para fazer uma triagem.
5.11 Teste de Scheffé
O teste de Scheffé é usado na análise de variância de uma forma mais abrangente

que os testes de Tukey, SNK e Duncan, pois permite julgar qualquer contraste, ou seja,
pode ser usado tanto para contrastes simples (contrastes que envolvem apenas duas
médias) como para contrastes múltiplos (contrastes que envolvem mais de duas médias).
Nos casos em que se têm contrastes múltiplos, o referido teste é o mais indicado. Não é
recomendado o seu uso para comparar médias duas a duas. Quanto ao rigor, ele é mais
rigoroso que o teste de Tukey.
Este teste de comparação de médias de tratamentos só deve ser usado quando o
teste F for significativo. Se o valor de F obtido não for significativo, nenhum contraste
poderá sê-lo, e, pois, a aplicação do teste de Scheffé não se justifica. Quando, porém, o
valor de F for significativo, pelo menos um dos contrastes sê-lo-á. Mas o contraste em
questão pode ser muito complicado ou sem interesse prático. E pode ainda acontecer que
nenhum dos contrastes entre duas médias seja significativo:
S (5%)  (t  1) F (5%) s 2 (Yˆ )
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”).
No caso de querer-se usar o teste de Scheffé no nível de 1% de probabilidade,

tem-se as TABELAS A.4 e A.6 a fim de obter-se os valores de F, para, respectivamente,
F > 1 e F < 1.
O valor de cada contraste( Yˆ ) é comparado com o valor de S. Logo, tem-se:
162
Ŷ  S (5%) - * (existe diferença significativa entre os tratamentos no nível de 5%

de probabilidade, ou seja, há uma probabilidade acima de 95% de que o contraste seja
diferente de zero);
Ŷ  S (5%) - ns (não existe diferença significativa entre os tratamentos no nível
zero).
Quando se aplica o teste de Scheffé está-se testando as seguintes hipóteses:
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

163
= 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
De acordo com os resultados do teste de Scheffé, pode-se concluir:

a) O contraste Ŷ 1 não foi significativo no nível de 5% de probabilidade, ou seja,
a média dos rendimentos de açúcar das variedades Co 775, Co 740 e Co 678 não difere
da média dos rendimentos de açúcar das demais variedades.
d) O contraste Ŷ 4 não foi significativo no nível de 5% de probabilidade, ou seja,
a média dos rendimentos de açúcar das variedades Co 775 e Co 740 não difere do
rendimento médio de açúcar da variedade Co 678.
Observa-se o rigor do teste de Scheffé neste exemplo, pois em nenhum dos
contrastes ele detectou diferença significativa entre os tratamentos, enquanto que o teste
“t” encontrou diferença significativa nos contrastes Ŷ 1 e Ŷ 4 e o teste de Bonferroni
encontrou diferença significativa no contraste Ŷ 1.
5.12 Interpolação Linear e Harmônica
Muitas vezes quando se vai aplicar os testes de hipóteses na avaliação de

tratamentos, não se dispõem dos valores tabelados de F, t, q, z, etc.. Quando defrontar-se

164
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
donde se deduz que o limite buscado é 3,70 – 0,076 = 3,624.

A interpolação harmônica, por ser mais precisa, é a mais indicada e, em alguns
casos, é a única que pode ser utilizada quando o valor procurado não consta na tabela e
estiver abaixo de infinitos graus de liberdade. Neste tipo de interpolação, usa-se a
recíproca do número de graus de liberdade para armar a regra de três.
Exemplo 15: Calcular o valor de t no nível de 5% de probabilidade através da
interpolação harmônica correspondente a 48 graus de liberdade do resíduo.
Para 60 graus de liberdade do resíduo - 2,00.
Logo, uma diferença de 20 graus de liberdade do resíduo dá uma variação de
0,02.
Arma-se, então, a seguinte regra de três:
1 1 1
  - 0,02
40 60 120

165
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
donde resulta que o limite buscado é 2,02 – 0,01 = 2,01.

Exemplo 16: Calcular o valor de q no nível de 5% de probabilidade através da
interpolação harmônica, sendo n = 10 tratamentos e n’ = 130 graus de liberdade do
resíduo.
Para n = 10 e n’ = 120 .......4,56;
Para n = 10 e n’ = ∞ ..........4,47.
Como vê-se, o valor n = 10 existe na tabela, mas o valor n’ = 130 não consta na
mesma. Então, tem-se:
Para ∞ graus de liberdade do resíduo - 4,47.
Logo, uma diferença de infinitos graus de liberdade do resíduo dá uma variação
de 0,09. Então, arma-se a seguinte regra de três:
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

166
0,00005769
=  0,007
0,0083333
donde resulta que o limite buscado é 4,56 – 0,007 = 4,553.
5.13 Exercícios
a) Considerando-se os dados da TABELA 5.11, pede-se:

a.1) Calcule o valor de F e interprete-o;
a.2) Aplique o teste de Tukey no nível de 5% de probabilidade na comparação de
médias de cerosidade foliar dentro de tempo;
a.3) Aplique, também, o teste LSD no nível de 5% de probabilidade na
comparação de médias de cerosidade foliar dentro de tempo;
a.4) Aplique, ainda, o teste LSDB no nível α de probabilidade na comparação de
médias de cerosidade foliar dentro de tempo;
a.5) Compare os resultados obtidos pelos testes de Tukey, LSD e LSDB e tire as
devidas conclusões.
TABELA 5.11 – PERÍODO DE REPOSIÇÃO DE CEROSIDADE FOLIAR EM CEBOLA (Allium cepa

L.), EXPRESSO ATRAVÉS DE UMA ESCALA DE NOTAS VARIANDO DE 0
(AUSÊNCIA DE INJÚRIAS FOLIARES) ATÉ 5 (90 – 100% DE QUEIMA DAS
FOLHAS), E VALORES DE GL RESÍDUO, QM CEROSIDADE FOLIAR E QM
RESÍDUO
Cerosidade Foliar
Tempo (em dias)
Mantida Removida
0 1,8 (x) 4,7

1 1,4 2,7
2 1,5 2,6
3 1,6 2,2
5 1,5 1,8
7 1,6 1,8
9 1,8 1,8
GL Resíduo 126
QM Cerosidade Foliar 33,12595
QM Resíduo 0,08333

NOTA: (x) Dados médios provenientes de 12 repetições no delineamento inteiramente casualizado.
b) Considerando-se os dados da TABELA 5.12, pede-se:

b.1) Calcule o valor de F e interprete-o;
b.2) Aplique o teste de Tukey no nível de 5% de probabilidade na comparação de
médias de cultivares de milho;
b.3) Aplique, também, o teste de Duncan no nível de 5% de probabilidade na
comparação de médias de cultivares de milho;
b.4) Aplique, ainda, o teste SNK no nível de 5% de probabilidade na comparação
de médias de cultivares de milho;
167
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.
TABELA 5.12 – PESOS DE ESPIGAS COMERCIALIZÁVEIS DE CULTIVARES DE MILHO (Zea

maysL.) EM “ESTADO VERDE”, E VALORES DE GL RESÍDUO, QM
CULTIVARES E QM RESÍDUO
Cultivares Peso de Espigas Comercializáveis (kg/ha)
Ag IGE 9.293,4 (x)

Ag IMS 10.600,4
ESALQ O 2 SACARINO 9.574,0
ESALQ VD-2 8.288,0
ESALQ VD-2 SACARINO 8.426,0
ESALQ VF-1 8.596,3
ESALQ VF-1 SACARINO 8.223,2
H – 7974 7.273,3
GL Resíduo 35
QM Cultivares 6.162.019,6
QM Resíduo 1.366.317,9

NOTA: (x) Dados médios provenientes de seis repetições no delineamento em blocos casualizados.
c) Em um experimento inteiramente casualizado com 45 tratamentos e 45 graus

de liberdade do resíduo, pede-se para calcular os valores de F, t e q no nível de 5% de
probabilidade.
d) Considerando-se os dados da TABELA 5.13, pede-se:
d.1) Aplique o teste de Tukey no nível de 5% de probabilidade na comparação de
médias de cultivares de cebola com o controle e tire as devidas conclusões;
d.2) Aplique, também, o teste de Dunnett no nível de 5% de probabilidade na
comparação de médias de cultivares de cebola com o controle e tire as devidas
conclusões.
d.3) Aplique, ainda, o teste de Bonferroni no nível de 5% de probabilidade na
comparação de médias de cultivares de cebola com o controle e tire as devidas
conclusões.
d.4) Compare os resultados obtidos pelos testes de Tukey, Dunnett e Bonferroni
e tire as devidas conclusões.
TABELA 5.13 – COMPORTAMENTO DE CULTIVARES DE CEBOLA (Allium cepa L.) EM
RELAÇÃO À DORMÊNCIA DE BULBO, EXPRESSO PELO CARÁTER

168
BROTAMENTO, AVALIADO COM BULBINHOS TENDO A PARTE BASAL

IMERSA EM ÁGUA. PIRACICABA-SP
Cultivares Caráter Brotamento (em dias) 1/
1. BARREIRO SMP-IV (Controle) 42,0

2. PIRA COUTO 49,1
3. PIRA DURA A/C 40,1
4. PIRA GRANA 27,7
5. PIRA LOPES A/C 45,2
6. PIRANA A/C 52,4
7. PIRANA ROXA 71,2
8. PIRA OURO A/C 59,9
9. PIRA ROSA A/C 62,1
10. ROXA BARREIRO 51,4
C.V. (%) 7,93
GL Resíduo 40,00
FONTE: Adaptado de FERREIRA e COSTA (1984).

NOTA: (1/) Dados médios provenientes de três repetições no delineamento inteiramente casualizado.
e) Considerando-se os dados da TABELA 5.14, aplique o teste de Dunnett no

nível de 5% de probabilidade na comparação de médias de tratamentos com a testemunha
dentro de cada cultivar de tomate e tire as devidas conclusões.
TABELA 5.14 – REAÇÃO DE CULTIVARES DE TOMATE (Lycopersicum esculentum Mill.) A

HERBICIDAS DE PÓS-EMERGÊNCIA EM DIVERSOS ESTÁDIOS DE
DESENVOLVIMENTO, EXPRESSA ATRAVÉS DE UMA ESCALA DE NOTAS
VARIANDO DO 0 (AUSÊNCIA DE MANCHAS) ATÉ 5 (QUEIMA TOTAL DAS
FOLHAS E DO CAULE, CAUSANDO A MORTE RÁPIDA DA PLANTA), E
VALORES DE GL RESÍDUO, QM RESÍDUO E F

169
Cultivares de Tomate
Tratamentos 1/
MARGLOBE SANTA CRUZ GIGANTE IPA-3
KADA NACIONAL
1 – Testemunha 1,47 2/ 0,00 0,37

2 – Herbicida 1 no Estádio 1 5,00 5,00 5,00
GL Resíduo 41
QM Resíduo 0,020629
F 20,24 **
FONTE: Adaptado de SILVA e FERREIRA (1985).

NOTAS: (1/) Herbicida 1 (ROUNDAP – 2 litros/ha em 100 litros de água); Herbicida 2 (CENTION 80 –
2 kg/ha em 500 litros de água); Estádio 1 (61 dias após a semeadura); Estádio 2 (72 dias
após a semeadura).
(2/) Dados médios provenientes de duas repetições no delineamento em blocos
casualizados.
f) Considerando os dados da TABELA 5.15, aplique o teste SK no nível de 5%

de probabilidade na comparação de médias de tratamentos e tire as devidas conclusões.
TABELA 5.15 – DADOS MÉDIOS DE TPH (TONELADAS DE POL POR HECTARE) DE 26

GENÓTIPOS DE CANA-DE-AÇÚCAR AVALIADOS NA USINA CAETÉ, NO
MUNICÍPIO DE SÃO MIGUEL DOS CAMPOS, NO ANO DE 1999
Genótipos TCH (+) Genótipos TCH

170
1 – RB 931521 11,29 14 – RB 83102 15,17
2 – RB 931578 12,39 15 – RB 931598 12,81
3 – RB 931569 12,71 16 – RB 931565 14,77
4 – RB 931556 13,02 17 – RB 931580 14,94
5 – RB 931595 13,21 18 – RB 931529 14,74
6 – RB 931530 14,89 19 – RB 931602 14,64
7 – RB 931559 12,52 20 – RB 931542 12,75
8 – RB 72454 14,02 21 – SP 79-1011 16,12
9 – RB 931587 13,35 22 – RB 931533 12,90
10 – RB 931506 14,06 23 – RB 931566 14,75
11 – RB 931604 14,29 24 – RB 931011 15,75
12 – RB 931513 13,33 25 – RB 931611 14,60
13 – RB 931515 13,73 26 – RB 931555 16,44
GL Resíduo 75
QM Resíduo 2,6096
F 2,43 *

NOTAS: (+) Dados médios provenientes de quatro repetições no delineamento em blocos casualizados.
(*) Significativo no nível de 5% de probabilidade.

171
DELINEAMENTO INTEIRAMENTE
6 CASUALIZADO
O delineamento inteiramente casualizado é o mais simples de todos os

delineamentos experimentais. É considerado o delineamento estatístico básico, sendo os
demais modificações deste. Os experimentos instalados de acordo com este delineamento
são denominados de experimentos inteiramente casualizados.
Os experimentos inteiramente casualizados são aqueles que levam em conta
somente os princípios da repetição e da casualização, não tendo, portanto, o princípio do
controle local. Desse modo, os tratamentos são localizados nas parcelas de uma maneira
totalmente aleatória. Pelo fato de não apresentarem o princípio do controle local, exige-se
que o ambiente, local onde os experimentos serão conduzidos, seja o mais uniforme
possível. É por isso que eles não são recomendados na experimentação de campo, e sim
nos ensaios conduzidos em laboratório, casa-de-vegetação, viveiro, ripado, estábulo, etc.,
desde que as condições experimentais possam ser perfeitamente controladas.
Este delineamento experimental apresenta certas vantagens importantes em
relação aos demais, tais como:
a) Qualquer número de tratamentos ou de repetições pode ser usado - Ele é
bastante flexível, pois depende apenas do número de parcelas disponíveis. O mesmo não
ocorre com os outros delineamentos, por exemplo, no delineamento em quadrados latino,
o número de tratamentos tem que ser igual ao número de repetições; no delineamento em
blocos casualizados o número de tratamentos e/ou de repetições não pode ser muito
elevado, pois dificultará o controle local, principalmente na experimentação de campo.
b) O número de repetições pode variar de um tratamento para o outro - O
ideal é que os tratamentos apresentem o mesmo número de repetições. Entretanto, a
morte de animais ou plantas, ou outras causas que levem à perda de parcelas, podem
reduzir o número de repetições de alguns dos tratamentos. Isso, porém, nenhuma
dificuldade trará na análise de variância de um experimento inteiramente casualisado, o
que não acontece com os outros delineamentos.
c) A análise estatística é a mais simples - Os cálculos efetuados são menores,
mesmo quando os tratamentos apresentam número de repetições diferentes. O mesmo
não acontece com os outros delineamentos, principalmente quando ocorrem parcelas
perdidas, que exigem o uso de fórmulas e/ou métodos especiais para estimá-las, a fim de
se poder efetuar a análise de variância.
d) O número de graus de liberdade para o resíduo é o maior possível - A
estimativa da variância do erro experimental (se2), que é utilizada no cálculo do
coeficiente de variação e dos testes de hipóteses, é calculada dividindo-se a soma de
quadrados do resíduo pelo número de graus de liberdade do resíduo. Portanto, quanto
maior o número de graus de liberdade do resíduo, menor será se2, o que proporcionará
172
uma maior precisão do experimento, além de tornar os testes de hipóteses mais sensíveis
para detectar diferença significativa entre os tratamentos avaliados.
Apesar das vantagens acima citadas, o delineamento inteiramente casualizado
apresenta as seguintes desvantagens:
a) Exige homogeneidade total das condições experimentais - Quando o
experimento é conduzido no laboratório, casa-de-vegetação, etc., onde as condições
sejam mais uniformes, não há problema em se utilizar este delineamento experimental.
Também se pode utilizar este delineamento sem maiores problemas em pesquisas com
animais, quando se tem um rebanho muito uniforme, ou no caso de experimentos em
vasos, quando os mesmos são constantemente mudados de posição, de forma
inteiramente casual. Entretanto, pode acontecer como no caso de ensaios com animais,
estes, embora homogêneos, podem esta em baias com diferenças importantes de
iluminação, exposição ao calor ou aos ventos frios, etc.. Nestas situações, se não se
dispuser de informações prévias a respeito da homogeneidade das condições
experimentais, deve-se utilizar o delineamento em blocos casualizados, que será de
grande valor se revelar heterogeneidade entre os blocos e, em nada prejudicará as
conclusões do experimento, se não detectar diferença alguma.
b) Conduz a estimativas elevadas do erro experimental - Levando-se em conta
a não utilização do princípio do controle local, todas as variações entre as unidades
experimentais, exceto as devidas a tratamentos (variação premeditada), são consideradas
como variações acidentais. Os outros delineamentos experimentais, pelo fato de se ter o
princípio do controle local, conduzem a estimativas menos elevadas do erro
experimental, pois conseguem isolar do resíduo as variações resultantes da
heterogeneidade das condições experimentais (variação externa).
A instalação do experimento constitui o início da parte prática do mesmo. Desse

modo, o pesquisador deve seguir à risca o que consta no croqui do experimento, que no
caso de delineamento inteiramente casualizado seria o seguinte:
Considere-se um experimento com quatro tratamentos (A, B, C, D) e cinco
repetições, que dá um total de 20 parcelas (que é o número mínimo de parcelas exigindo
por ensaio). Então, tem-se:
AI AIII DII BI DIV BII BIV AIV BV CIV
CII DI AV CI CV DV CIII DIII BIII AII
Observa-se que todos os tratamentos com suas respectivas repetições foram

distribuídos aleatoriamente nas parcelas. Para que isto acontecesse, foram tomados, por
exemplo, 20 pedacinhos de papel e neles escreveram-se as letras A, B, C, D, cinco vezes
cada uma. Em seguida, tiraram-se esses papeizinhos ao acaso. O resultado obtido é
chamado de croqui do experimento.
Na instalação do experimento o pesquisador deve seguir as seguintes etapas:
a) Definir o local onde o experimento será conduzido, que neste caso seria, por
exemplo, o laboratório, a casa-de-vegetação, o estábulo, a pocilga, o galpão, etc.;

173
b) Identificar as parcelas experimentais com etiquetas, plaquetas, etc., seguindo o
que consta no croqui do experimento. As parcelas, neste caso, poderiam ser, por
exemplo, placas de Petri, vasos, caixas de madeiras, baias, gaiolas, etc.;
c) Distribuir as parcelas experimentais no local onde o experimento será
conduzido, conforme o croqui do experimento;
d) E, finalmente, colocar as plantas e/ou animais correspondente ao seu
respectivo tratamento em cada parcela.
6.2 Esquema da Análise da Variância
Considerando o exemplo anterior, ou seja, um experimento com quatro

tratamentos (A, B, C, D) e cinco repetições, então se têm o seguinte quadro auxiliar da
análise da variância:
Quadro Auxiliar da ANAVA
Tratamentos Repetições Totais de

Tratamentos
I II III IV V
A XAI XAII XAIII XAIV XAV TA
B XBI XBII XBIII XBIV XBV TB
C XCI XCII XCIII XCIV XCV TC
D XDI XDII XDIII XDIV XDV TD
O esquema da análise da variância é dado por:
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
Total txr–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 tratamento;

174
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);
  2   
2
SQ Tratamentos = 
r 
onde:
T = total de cada tratamento;
SQ Resíduo = SQ Total – SQ Tratamentos
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
SQ Re síduo
QM Resíduo =
GL Re síduo
O QM Resíduo corresponde à estimativa da variância do erro experimental (se2),

cujo valor é utilizado nos testes de hipóteses, objetivando verificar se existe ou não
diferença significativa entre os tratamentos avaliados.
6.3 Exemplo sem Parcela Perdida
A fim de apresentar-se a análise da variância e a interpretação dos resultados

neste tipo de delineamento, será discutido, a seguir, um exemplo sem parcela perdida.
Exemplo 1: A partir dos dados da TABELA 6.1, 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.

175
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
Repetições Totais de Tipos de

Tipos de Recipientes Recipientes
I II III IV V VI
A – Laminado de Madeira 1,5 1,4 1,6 1,7 1,8 1,9 9,9
B – Torrão Paulista 1,4 1,4 1,3 1,2 1,3 1,2 7,8
C – Saco Plástico 1,0 1,1 0,9 1,0 1,1 1,0 6,1
D – Tubo de Papel 1,1 1,3 1,0 1,2 1,1 1,1 6,8
E – Fértil Pote 1,4 1,3 1,3 1,2 1,0 1,0 7,2
Total - - - - - - 37,8
FONTE: Adaptado de SILVA e SILVA (1982).
Resolução:
a) Análise da Variância:
   1,5  1,4  ...  1,0  37,8
  2  (1,5)2 + (1,4)2 + ...+ (1,0)2
= 2,25 + 1,96 + ... + 1,0 = 49,46
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)

176
= 5 (5 ) = 25
GL Total = N – 1
= 30 – 1 = 29

 
2
= 49,46 
37,8
2
30
1.428,84
= 49,46 –
30
= 49,46 – 47,628 = 1,832
  2   
2
r 
(9,9) 2  (7,8) 2  ...  (7,2) 2 (37,8) 2

= 
6 30
98,01  60,84  ...  51,84 1.428,84

= 
6 30
294,14 1.428,84
= 
6 30
= 49,0233 – 47,628 = 1,3953
= 1,832 – 1,3953 = 0,4367
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
1,3953
=  0,348825
4

177
SQ Re síduo
QM Resíduo =
GL Re síduo
0,4367
=  0,017468
25
QM Tratamentos
F Calculado =
QM Re síduo
0,348825
=  19,97
0,017468
F Tabelado (1%) = 4,18
TABELA 6.2 - ANÁLISE DA VARIÂNCIA DA ALTURA DE MUDAS DE Eucalyptus spp (EM

METROS) COM UM ANO DE IDADE EM FUNÇÃO DO USO DE CINCO TIPOS
DE RECIPIENTES
Tipos de Recipientes 4 1,3953 0,348825 19,97 **
Resíduo 25 0,4367 0,017468
Total 29 1,8320
NOTA: (**) Significativo no nível de 1% de probabilidade.
De acordo com o teste F, houve diferença significativa, no nível de 1% de

probabilidade, entre os tipos de recipientes quanto à altura de mudas de Eucalyptus spp
com um ano de idade.
b) Coeficiente de Variação:
m̂ =
 X 

37,8
= = 1,26
30
s = QM Re síduo
= 0,017468 = 0,1321665

178
100 x s
CV =
mˆ
100 x 0,1321665
=
1,26
13,21665
=  10,49%
1,26
O coeficiente de variação foi 10,49%, indicando uma boa precisão experimental.

c) Teste de Tukey:
m̂ A = 1,650
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
Pode-se estruturar uma tabela ilustrativa das comparações entre as médias,

conforme se verifica a seguir:
TABELA 6.3 - ALTURA DE MUDAS DE Eucalyptus spp (EM METROS) COM UM ANO DE IDADE
m̂ A m̂ B m̂ C m̂ D m̂ E
m̂ A 1,650 1/ 0,350 * 0,633 * 0,517 * 0,450 *
m̂ B 1,300 0,283 * 0,167 ns 0,100 ns
m̂ C 1,017 0,116 ns 0,183 ns
m̂ D 1,133 0,067 ns
m̂ E 1,200

179
NOTAS: (*) Significativo pelo teste de Tukey no nível de 5% de probabilidade.
(ns) Não significativo pelo teste de Tukey no nível de 5% de probabilidade.
(1/) Médias: m̂ A = Laminado de Madeira; m̂ B = Torrão Paulista; m̂ C = Saco Plástico;
m̂ D = Tubo de Papel; m̂ E = Fértil Pote.
De acordo com o teste de Tukey, no nível de 5% de probabilidade, tem-se:

O laminado de madeira difere estatisticamente de todos os outros tipos de
recipientes avaliados e proporcionou a maior altura de mudas de Eucalyptus spp com um
ano de idade.
O torrão paulista difere estatisticamente do saco plástico e proporcionou uma
maior altura de mudas de Eucalyptus spp com um ano de idade do que este, mas não
difere estatisticamente dos tipos de recipientes tubo de papel e fértil pote.
O saco plástico não difere estatisticamente do tubo de papel e do fértil pote e
proporcionou uma mesma altura de mudas de Eucalyptus spp com um ano de idade.
O tubo de papel não difere estatisticamente do fértil pote e proporcionou uma
mesma altura de mudas de Eucalyptus spp com um ano de idade.
Pode-se, também, apresentar os resultados das comparações entre as médias pelo
teste de Tukey, no nível de 5% de probabilidade, através do uso de letras, gráficos, etc.,
sem alterar as conclusões já obtidas anteriormente. Então, veja-se:
a) No caso do uso de letras, que é um método comumente usado por ser mais
prático, procede-se da seguinte maneira:
a.1) Ordenam-se as médias da menor para maior ou vice-versa, para facilitar o
trabalho das comparações;
a.2) Coloca-se a primeira letra do alfabeto na primeira média e passa-se a
compará-la com as demais. Quando não houver diferença significativa entre a primeira
média e qualquer uma delas, coloca-se a mesma letra nessas médias, ou seja, a primeira
letra do alfabeto. Quando houver diferença significativa entre a primeira média e
qualquer uma, troca-se de letra, ou seja, coloca-se a segunda letra do alfabeto nessa
média. Agora essa média será comparada com todas as outras, com exceção da primeira.
Quando não houver diferença significativa entre essa média e qualquer uma, coloca-se a
segunda letra do alfabeto e, em caso contrário, muda-se de letra, ou seja, coloca-se a
terceira letra do alfabeto. Segue-se o mesmo critério até efetuar todas as comparações.
Então, tem-se:
TABELA 6.3 - ALTURA DE MUDAS DE Eucalyptus spp (EM METROS) COM UM ANO DE IDADE
Tipos de Recipientes Médias (em metros) 1/
C – Saco Plástico 1,017 a
D – Tubo de Papel 1,133 ab
E – Fértil Pote 1,200 ab
B – Torrão Paulista 1,300 b
A – Laminado de Madeira 1,650 c

180
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.
Observa-se que este método é realmente prático, simples, menos trabalhoso e

torna mais fácil a interpretação dos resultados.
b) No caso do uso de gráficos, que é um método também usado por ser prático e
visualizar melhor os resultados, tem-se:
FIGURA 6.1 - ALTURA DE MUDAS DE Eucalyptus spp (EM METROS) COM UM ANO DE IDADE
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.
6.4 Exemplo com Parcelas Perdidas

181
Já foi visto anteriormente que no delineamento inteiramente casualizado, o
número de repetições pode variar de um tratamento para outro. Essa variação é
provocada intencionalmente pela falta de material ou de unidades experimentais ou
acidentalmente pela morte de animais ou plantas, ou então, obtiveram-se informações
(dados) das parcelas, mas o resultado não é fidedigno, sendo então descartado.
No caso de perda de dados de uma ou mais parcelas, estas são descartadas, o
experimento é redimensionado, e procede-se à análise de variância com os dados
remanescentes sem qualquer dificuldade, uma vez que ela é feita da maneira usual,
apenas levando-se em consideração o número de observações de cada tratamento.
Contudo, algumas considerações serão necessárias:
a) Para cada parcela perdida, perde-se um grau de liberdade do resíduo ;
b) A fórmula da SQ Tratamentos fica da seguinte maneira:
SQ Tratamentos =
1 2

 
2 2
 ... 
 2 X 2

r1 r2 r 
c) Na aplicação dos testes de hipóteses, para comparação de médias de

tratamentos, deve-se estar alerta para a determinação da estimativa da variância da
estimativa de um contraste qualquer entre médias, pois a mesma depende de
delineamento estatístico utilizado (ver teste "t");
d) A precisão do experimento é, geralmente, diminuída, em função da
diminuição do número de graus de liberdade do resíduo;
e) Os testes de Tukey, de Duncan e SNK quando comparam contrastes
envolvendo as médias de tratamentos com parcelas perdidas, são, como já foi visto,
apenas aproximados.
A seguir, apresentar-se-á um exemplo com parcelas pedidas neste tipo de
delineamento, a fim de que se possa efetuar a análise da variância e interpretar os
resultados.
c) Aplicar, se necessário, o teste de Dunnett, no nível de 5% de probabilidade, na
comparação de médias de tratamentos com o controle.

182
TABELA 6.4 - PERÍODO DE BROTAMENTO DE CULTIVARES DE CEBOLA (Allium cepa L.),

AVALIADO COM BULBINHOS PLANTADOS EM SUBSTRATO DE MISTURA
DE SOLO COM AREIA. DADOS TRANSFORMADOS EM nde dias.
Cultivares Repetições Totais de

I II III IV Cultivares
1. BARREIRO SMP-IV 6,6558245 6,0745370 5,7706152 4,7644517 23,265428
2. PIRA COUTO A/C 7,1414284 6,2128898 6,1237244 5,5407581 25,018801
3. PIRA DURA A/C 6,5421709 6,7823300 6,1562976 5,6745044 25,155303
4. PIRA GRANA - 6,9498201 6,0827625 - 13,032583
5. PIRA LOPES A/C 6,4807407 5,2535702 5,7183914 5,7965507 23,249253
6. PIRA LOPES A/R 6,8992753 5,9160798 5,9329588 4,8887626 23,637077
7. PIRA LOPES R/C 5,8991525 6,0083276 5,1283526 5,4772256 22,513058
8. PIRA LOPES R/R 6,1237244 4,9193496 5,1283526 - 16,171427
9. PIRANA A/C 6,8992753 6,5115282 5,0695167 6,1806149 24,660935
10. PIRANA ROXA 7,3006849 7,3348483 6,7156534 5,7183914 27,069578
11. PIRA OURO A/C 6,3007936 6,2369865 5,6302753 5,9916609 24,159716
12. PIRA OURO A/R 7,1274119 6,8264193 6,7823300 6,6783231 27,414492
13. PIRA OURO R/C 6,3482281 6,1562976 5,5767374 5,7965507 23,877814
14. PIRA OURO R/R 5,7619441 5,3944416 4,7434165 5,8137767 21,713579
15. PIRA ROSA A/C 6,1481705 6,0249481 5,4037024 6,4342832 24,011104
16. PIRA ROSA A/R 5,5677644 6,2209324 5,9833101 6,4575537 24,229561
17. PIRA ROSA R/C 5,7358522 6,3953108 5,3291650 5,5136195 22,973948

183
18. PIRA ROSA R/R 6,7082039 6,8774995 6,5268675 4,9799598 25,092531
19. PIRA TROPICAL A/R - 5,0497525 4,5825757 5,5045436 15,136872
20. ROXA BARREIRO 6,5802736 6,3245553 5,9665736 6,2529993 25,124402
Total - - - - 457,50746
FONTE: FERREIRA e COSTA (1984).
Resolução:
  = 6,6558245 + 6,0745370 +...+ 6,2529993 = 457,50746
  2 = (6,6558245)2 + (6,0745370)2 +...+ (6,2529993)2
= 44,29999977 + 36,89999976 + ... + 39,10000025 = 2.785,5000
t = 20
r= 4
Número de Parcelas Perdidas = 4
N = (t x r) – Nº de Parcelas Perdidas
= (20 x 4) – 4
= 80 – 4 = 76
GL Total = N – 1
= 76 – 1 = 75
= 20 – 1 = 19
GL Resíduo = t (r – 1) – Nº de Parcelas Perdidas
= 20 (4 – 1) – 4
= 20 (3) – 4
= 60 – 4 = 56

184
SQ Total =   2 
   2
= 2.785,5000 
457,507462
76
209.313,08
= 2.785,5000 –
76
= 2.785,5000 – 2.754,1194 = 31,3806
SQ Tratamentos =
12  22  ... 
2   X 2
r1 r2 r 
=
23,2654282  25,0188012 + ... + 25,1244022  457,507462
4 4 4 76
541,28014 625,9404035 631,2355759 209.313,076

=   ...  
4 4 4 76
= 135,320035 + 156,4851009 +...+ 157,808894 – 2.754,119421
= 2.767,5118 – 2.754,119421 = 13,3924
SQ Resíduo = SQ Total – SQ Tratamento
= 31,3806 – 13,3924 = 17,9882
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

185
F Tabelado (1%) = 2,264
F Tabelado (5%) = 1,783
TABELA 6.5 - ANÁLISE DA VARIÂNCIA DO PERÍODO DE BROTAMENTO DE CULTIVARES

DE CEBOLA (Allium cepa L.), AVALIADO COM BULBINHOS PLANTADOS EM
SUBSTRATO DE MISTURA DE SOLO COM AREIA. DADOS
TRANSFORMADOS EM nde dias . PIRACICABA- SP , 1984
Cultivares 19 13,3924 0,7048632 2,19 *
Resíduo 56 17,9882 0,3212179
Total 75 31,3806
NOTA: (*) Significativo no nível de 5% de probabilidade.

probabilidade, entre as cultivares de cebola quanto ao período de brotamento.
m̂ 
  

457,50746
= = 6,019835
76
s  QM Re síduo
= 0,3212179 = 0,56676
100 x s
CV 
mˆ
186
100 x 0,56676
=
6,019835
56,676
=  9,41%
6,019835
O coeficiente de variação foi 9,41%, indicando uma ótima precisão experimental.

c) Teste de Dunnett:
m̂ 1 = 5,8163570 m̂ 6 = 5,9092693 m̂ 11 = 6,039929 m̂ 16 = 6,0573903
m̂ 2 = 6,2547003 m̂ 7 = 5,6282645 m̂ 12 = 6,853623 m̂ 17 = 5,7434870
m̂ 3 = 6,2888258 m̂ 8 = 5,3904757 m̂ 13 = 5,.9694535 m̂ 18 = 6,2731328
m̂ 4 = 6,5162915 m̂ 9 = 6,1652338 m̂ 14 = 5,4283948 m̂ 19 = 5,0456240
m̂ 5 = 5,8123133 m̂ 10 = 6,7673945 m̂ 15 = 6,0027760 m̂ 20 = 6,2811005
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
= 0,25  0,33 0,3212179
= 0,58 0,3212179
= 0,186306382 = 0,43163
d’ (5%) = 2,004 x 0,43163 = 0,8650

187
O valor de d’ (5%) acima é usado para comparar o controle com os tratamentos
que têm três repetições.
 1 1
s Yˆ     . 0,3212179
4 2
= 0,25  0,50 0,3212179
= 0,75 0,3212179
= 0,240913425 = 0,49083
d’ (5%) = 2,004 x 0,49083 = 0,9836
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
= 0,25  0,25 0,3212179
= 0,50 0,3212179
= 0,16060895 = 0,40076
d’ (5 %) = 2,004 x 0,40076 = 0,8031
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.

188
TABELA 6.6 - PERÍODO DE BROTAMENTO DE CULTIVARES DE CEBOLA (Allium cepa L.),

AVALIADO COM BULBINHOS PLANTADOS EM SUBSTRATO DE MISTURA DE
SOLO COM AREIA. PIRACICABA-SP. 1984
Cultivares Média
1.BARREIRO SMP-IV (controle) 34,3
2. PIRA COUTO A/C 39,5 ns
3. PIRA DURA A/C 39,7 ns
4. PIRA GRANA 42.7 ns
5. PIRA LOPES A/C 34,0 ns
6. PIRA LOPES A/R 35,4 ns
7. PIRA LOPES R/C 31,8 ns
8. PIRA LOPES R/R 29,3 ns
9. PIRANA A/C 38,5 ns
10. PIRANA ROXA 46,2 *
11. PIRA OURO A/C 36,6 ns
12. PIRA OURO A/R 47,0 *
13. PIRA OURO R/C 35,7 ns
14. PIRA OURO R/R 29,7 ns

189
15. PIRA ROSA A/C 36,2 ns
16. PIRA ROSA A/R 36,8 ns
17. PIRA ROSA R/C 33,2 ns
18. PIRA ROSA R/R 39,9 ns
19. PIRA TROPICAL A/R 25,6 ns
20. ROXA BARREIRO 39,5 ns
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.
De acordo com o teste d’, no nível de 5% de probabilidade, tem-se:

Apenas as cultivares de cebola PIRANA ROXA e PIRA OURO A/R diferiram
estatisticamente do controle BARRERIO SMP-IV e apresentaram um período de
brotamento superior ao mesmo.
As demais cultivares de cebola apresentaram um período de brotamento
semelhante ao controle BARREIRO SMP-IV.
A cultivar PIRA TROPICAL A/R, apesar de não diferir estatisticamente do
controle BARREIRO SMP-IV, apresentou o menor período de brotamento.
6.5 Exercícios
a) Considerando-se que os dados da TABELA 6.7 foram resultantes de um

ensaio conduzido no delineamento inteiramente casualizado, pede-se:
a.1) Utilizar os dados originais para:
a.1.1) Fazer a análise da variância;
a.1.2) Obter o coeficiente de variação;
a.1.3) Aplicar, se necessário, o teste de Dunnett no nível de 5% de probabilidade
na comparação de médias de cultivares em relação ao controle;
a.2) Repetir os cálculos do item (1) para os dados transformados em x .
a.3) Comparar os resultados obtidos em (1) e (2).

190
TABELA 6.7 - PERÍODO DE ENRAIZAMENTO (EM DIAS) DE CULTIVARES DE CEBOLA (Allium

cepa L.) DE DIAS CURTOS. PIRACICABA-SP
Cultivares I II Totais de Cultivares
1. BAIA PERIFORME (Controle) 48,0 33,4 81,4
2. BAIA DO CEDO SMP – V 18,4 10,2 28,6
3. BAIA DO CEDO SMJ – III 24,2 8,4 32,6
4. BAIA SETE VOLTAS 19,4 18,2 37,6
5. BAIA TRIUNFO SMJ – II 46,6 42,8 89,4
6. BARREIRO ROXA SMP – IV 8,0 14,2 22,2
7. BARREIRO SMJ – II 14,0 32,0 46,0
8. BARREIRO SMP – III 22,0 36,2 58,2
9. CIGANINHA 4,6 6,2 10,8
10. COJUMATLAN L. 2691 10,6 2,4 13,0
11. CREOLA 19,8 28,4 48,2
12. CREOLA CATARINENSE 64,0 44,7 108,7
13. EXCEL BERMUDAS 986 31,0 14,8 45,8
14. IPA – 2 17,0 10,8 27,8

191
15. PIRA COUTO 16,2 22,2 38,4
16. PIRA GRANA 32,6 21,4 54,0
17. PIRA LOPES A/C 18,6 8,0 26,6
18.PIRA LOPES A/R 25,8 5,0 30,8
19. PIRA OURO A/R 16,8 26,8 43,6
20. PIRA PERA A/C 19,4 16,0 35,4
21. PIRA TROPICAL A/C 15,2 9,8 25,0
22. ROXA CHATA SMP – IV 13,0 5,4 18,4
23. TEXAS GRANO 11,4 2,5 13,9
24. TUBARÃO 19,2 13,2 32,4
25. WHITE CREOLE 26,0 18,4 44,4
b) Considerando-se que os dados da TABELA 6.8 foram de um ensaio conduzido

no delineamento inteiramente casualizado e que foram perdidas duas parcelas, pede-se:
b.1) Fazer a análise da variância;
b.2) Obter o coeficiente de variação;
b.3) Aplicar, se necessário, o teste de Tukey no nível de 5% de probabilidade na
comparação de médias de tratamentos;
b.4) Aplicar o teste de Duncan no nível de 5% de probabilidade na comparação
de médias de tratamentos e comparar os resultados com o teste de Tukey;
b.5) Supondo que o tratamento F fosse a testemunha, aplicar o teste de Dunnett
no nível de 5% de probabilidade.
TABELA 6.8 - NOTAS (MÉDIAS DE SEIS FRUTOS) ATRIBUÍDAS À PODRIDÃO MOLE DE

FRUTO DE MANGA (Mangifera indica L.) SOB DIFERENTES TRATAMENTOS
TÉRMICOS
“A” 1,6 1,7 1,3 1,4 6,0
“B” 1,2 - 1,5 1,1 3,8
“C” 1,8 1,4 1,2 1,4 5,8
“D” 2,1 2,0 1,8 1,5 7,4
“E” 1,4 1,7 1,8 1,7 6,6
“F” 2,6 2,2 1,5 - 6,3
“G” 1,8 2,5 2,3 1,6 8,2

192
FONTE: BARBIN (1982).
c) Num experimento inteiramente casualizado foi estudado o efeito de micorrízas

vesículo-arbusculares na murcha de Verticillium em berinjela (Solanum melongena L.).
O experimento teve cinco tratamentos (quatro espécies de fungos microrrízicos e o
controle) e três repetições. Pede-se:
c.1) Completar os dados da análise da variância referente à TABELA 6.9,
verificar se os valores de F calculado são significativos e tirar as devidas conclusões;
c.2) Aplicar, se necessário, o teste de Tukey no nível de 5% de probabilidade na
comparação de médias de tratamentos. As médias dos tratamentos foram: Peso Fresco da
Parte Aérea: G. leptotichum + Verticillium – 12,91; G. macrocarpum + Verticillium –
11,69; G. heterogama + Verticillium – 6,94; G. margarita + Verticillium – 6,20;
Verticillium albo-atrum – 5,63; Altura da Planta (cm): G. leptotichum + Verticillium –
19,08; G. macrocarpum + Verticillium – 18,21; G. heterogama + Verticillium – 13,50; G.
margarita + Verticillium – 12,83; Verticillium albo-atrum – 12,37.
TABELA 6.9 – ANÁLISES DA VARIÂNCIA E COEFICIENTES DE VARIAÇÃO DO EFEITO DE

micorrizas vesículo-arbusculares NA MURCHA DE Verticillium EM BERINJELA
(Solanum melongena L.). PIRACICABA-SP
Peso Fresco da Parte Aérea Altura da Planta

Causa de
Variação
GL SQ QM F GL SQ QM F
Tratamentos
Resíduo 0,6792 0,4008
Total 143,068 125,816
Coeficiente de
Variação (%)
Média 8,673 5,197
FONTE: MELO (1984).

193

193
DELINEAMENTO EM BLOCOS
7 CASUALIZADOS
O delineamento em blocos casualizados, também denominado de delineamento

em blocos completos casualizados, se constitui no delineamento estatístico mais utilizado
na pesquisa agropecuária devido a sua simplicidade, flexibilidade e alta precisão. Os
experimentos instalados de acordo com este delineamento são denominados
experimentos em blocos casualisados.
Os experimentos em blocos casualizados levam em consideração os três
princípios básicos da experimentação: repetição, casualização e controle local. Contudo,
o controle local é usado na sua forma mais simples possível e é aqui representado pelos
blocos, cada um dos quais inclui todos os tratamentos. Dentro de cada bloco os
tratamentos são atribuídos às parcelas aleatoriamente. Para que o experimento seja
eficiente, cada bloco deverá ser o mais uniforme possível, porém os blocos poderão
diferir bastante uns dos outros. Por exemplo, se há interesse em estudar a adubação dos
arrozais no Vale do São Francisco escolhe-se para cada bloco um terreno bem uniforme,
mas podem-se espalhar os blocos por toda a região, obtendo-se, assim, conclusões válidas
para toda a área cultivada, e não apenas para um determinado local.
Nos experimentos zootécnicos, cada bloco será constituído de animais de
características semelhantes. Por exemplo, se se tem interesse em estudar rações para
galinhas poedeiras, colocam-se no mesmo bloco animais da mesma raça, da mesma
idade, da mesma época de postura e de produção de ovos semelhantes. E para ter-se
conclusões gerais podem-se colocar num bloco as melhores galinhas, noutro as piores e
noutros galinhas de produção de ovos intermediária.
Quando se tem dúvida sobre a homogeneidade do ambiente onde o experimento
será conduzido ou se tem certeza de sua heterogeneidade, deve-se utilizar o delineamento
em blocos casualizados que, nestas condições, é mais eficiente do que o delineamento
inteiramente casualizado. Localizam-se as áreas que possivelmente são homogêneas e,
em cada uma, coloca-se um ou mais blocos. Cada bloco, como se sabe, deve ser bem
homogêneo (oferecer as mesmas condições a todos os tratamentos) e conter os
tratamentos uma única vez, que é, praticamente, a forma mais utilizada. Por outro lado,
há casos raros, em que cada bloco, inclui todos os tratamentos duas ou mais vezes.
Quando se utiliza o delineamento em blocos casualizados ao nível de campo, é
recomendável que as parcelas tenham uma forma alongada, para que cada bloco seja o
mais quadrado possível. Contudo, muitas vezes os blocos são instalados de forma
retangular ou irregular, para que possam apresentar homogeneidade nas parcelas. Assim,
dependendo da uniformidade da área experimental, num experimento com quatro
tratamentos, por exemplo, podem-se ter as seguintes formas para os blocos:

194
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.

195
e) Controla a heterogeneidade do ambiente onde o experimento será

conduzido – Pelo fato de se ter o princípio do controle local, consegue controlar as
variações do ambiente onde o experimento será conduzido através do uso de blocos. O
mesmo não acontece com o delineamento inteiramente casualizado porque não tem o
princípio do controle local.
f) Apresenta um número razoável de graus de liberdade para o resíduo – Ele
se encontra numa faixa intermediária entre o delineamento inteiramente casualizado, que
apresenta um maior número de grau de liberdade para o resíduo, e o delineamento em
quadrado latino, que apresenta um menor número de graus de liberdade para o resíduo.
Sabe-se que quanto maior o número de graus de liberdade para o resíduo, maior
sensibilidade terá os testes de hipóteses para detectar diferença significativa entre os
tratamentos avaliados, além de proporcionar maior precisão experimental. Portanto, o
delineamento em blocos casualizados apresenta essa vantagem em relação ao
delineamento em quadrado latino.
Apesar das vantagens acima citadas, o delineamento em blocos casualizados
apresenta as seguintes desvantagens em relação aos outros delineamentos:
a) Exige que o quadro auxiliar da análise da variância esteja completo para
poder efetuar a análise estatística – No delineamento em blocos casualizados, quando
ocorrem parcelas perdidas, é necessário o uso de fórmulas e/ou métodos especiais para
estimá-las, a fim de poder efetuar a análise de variância. Muitas vezes, quando o número
de parcelas perdidas é muito alto, há necessidade de se repetir o experimento. Isso,
porém, não acontece com o delineamento inteiramente casualizado, onde permite que os
tratamentos tenham número de repetições diferentes e a análise de variância pode ser
efetuada do mesmo modo sem parcela perdida.
b) O princípio do controle local é usado com pouca precisão – Ele beneficia
determinados tratamentos, porque os mesmos aparecem nas extremidades com maior
freqüência que os outros, tendo em vista que o controle local neste delineamento
estatístico é feito apenas na horizontal (nas linhas). O mesmo não acontece no
delineamento em quadrado latino, já que o controle local é efetuado tanto na horizontal
(linhas) como na vertical (colunas), fazendo com que cada tratamento só apareça uma
única vez em cada linha e em cada coluna.
c) Há uma redução do número de graus de liberdade para o resíduo, pela
utilização do principio do controle local – Quando existe homogeneidade das
condições experimentais, é um desperdício utilizar o delineamento em blocos
casualizados, pelo fato de reduzir o número de graus de liberdade para o resíduo e, em
conseqüência, diminuir a precisão experimental, além dos testes de hipóteses ficarem
menos sensíveis para detectar diferença significativa entre os tratamentos avaliados.
Nestas condições, é preferível usar o delineamento inteiramente casualizado que tem um
maior número de graus de liberdade associado ao resíduo.
Como a instalação do experimento constitui o início da parte prática do mesmo,

deve-se, então, seguir à risca o que consta no croqui do experimento, que no caso do
delineamento em blocos casualizados seria o seguinte:
Considere-se um experimento com cinco tratamentos (A, B, C, D, E) e quatro
repetições. Então, tem-se:

196
A C D B E C E A B D E A C D B D A E B C
A
BLOCO I BLOCO II BLOCO III BLOCO IV
Observa-se que em cada bloco os tratamentos foram distribuídos aleatoriamente

nas parcelas. Também, observa-se que os mesmos só aparecem uma única vez por bloco.
Para que isto acontecesse, foram tomados, por exemplo, cinco pedacinhos de papel e
neles escreveram-se as letras A, B, C, D, E. Em seguida, tiraram-se esses papeizinhos ao
acaso, obtendo-se o Bloco I. O mesmo procedimento é feito para os Blocos II, III e IV,
sempre através de sorteio. O resultado obtido é chamado de croqui do experimento.
Na instalação do experimento em blocos casualizados o pesquisador deve seguir
as etapas já discutidas no experimento inteiramente casualizado.
Considerando o exemplo anterior, ou seja, um experimento com cinco

tratamentos (A, B, C, D, E) e quatro repetições, então se têm o seguinte quadro auxiliar
da análise da variância:
Blocos
Tratamentos Totais de Tratamentos
I II III IV
A XAI XAII XAIII XAIV TA
B XBI XBII XBIII XBIV TB
C XCI XCII XCIII XCIV TC
D XDI XDII XDIII XDIV TD
E XEI XEII XEIII XEIV TE
Totais de Blocos BI BII BIII BIV

197
Quadro da ANAVA
Causa de GL SQ QM F
Variação
QM Tratamentos
QM Re síduo
QM Blo cos
Blocos r –1 SQ Blocos QM Blocos
QM Re síduo
Resíduo (t – 1) (r – 1) SQ Resíduo QM Resíduo
Total txr –1 SQ Total
onde:

 
2
onde:
N = número de observações, que corresponde ao número de tratamento (t) multiplicado
  2   
2
r 
onde:
T = total de cada tratamento;
  2   
2
SQ Blocos = 
t 
onde:
B = total de cada bloco;
SQ Resíduo = SQ Total – (SQ Tratamentos + SQ Blocos)

198
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
SQ Blo cos
QM Blocos =
GL Blo cos
SQ Re síduo
QM Resíduo =
GL Re síduo
O QM Resíduo corresponde à estimativa da variância do erro experimental (s 2e),


TABELA 7.1 – COMPORTAMENTO DE CLONES DE SERINGUEIRA (Hevea sp.) EM RELAÇÃO

AO DESENVOLVIMENTO DO TRONCO (cm) NO ESTADO DA BAHIA
Clones I II III IV V Totais de Clones
1. Fx 2804 68,61 + 69,69 70,21 72,49 74,85 355,85
2. Fx 4425 56,39 53,38 54,21 56,27 61,57 281,82
3. Fx 567 63,51 63,63 64,91 67,87 69,75 329,67
4. Fx 652 62,28 59,26 60,90 64,19 68,77 315,40
5. Fx 3032 57,11 56,11 57,20 60,01 61,38 291,81
6. Fx 86 49,83 43,50 43,58 43,76 46,66 227,33
7. Fx 516 54,09 48,09 49,86 47,52 50,01 250,38
8. Fx 4109 56,01 44,71 45,60 47,93 49,96 244,21
9. Fx 3635 61,49 63,10 63,94 66,70 69,37 324,60
10. Fx 232 62,01 62,58 63,31 65,08 68,05 321,03
11. Fx 25 58,94 57,96 59,56 62,32 64,42 303,20
Totais de Blocos 650,27 622,82 633,28 654,14 684,79 3.245,30

199
FONTE: CALDAS (1975).

NOTA: (+) Média de oito plantas do desenvolvimento transversal do tronco a 1 m acima do ponto de
enxertia, durante o período de um ano.
Resolução:
   68,61 + 69,69 +...+ 64,42 = 3.245,30
  2 = (68,61)2 + (69,69)2 +...+ (64,42)2
= 4.707,3321 + 4.856,6961 +...+ 4.149,9364 = 195.142,15
t = 11
r= 5
N=txr
= 11 x 5 = 55
= 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 
3.245,302
55
10.531.972,09
= 195.142,15 
55

200
= 195.142,15 – 191.490,40 = 3.651,75
  2   
2
r 
=
355,85  281,82  ...  303,20
2 2 2

3.245,302
5 55
126.629,2225  79.422,5124  ...  91.930,2400 10.531.972,09

= 
5 55
973.727,53 10.531.972,09
= 
5 55
194.745,51 – 191.490,40 = 3.255,11
  2   
2
SQ Blocos = 
t 
=
650,27   622,82  ...  684,79
2 2 2

3.245,302
11 55
422.851,0729  387.904,7524  ...  468.937,3441 10.531.972,09

= 
11 55
2.108.635,9 10.531.972,09
= 
11 55
= 191.694,17 – 191.490,40 = 203,77
= 3.651,75 – (3.255,11 + 203,77)
= 3.651,75 – 3.458,88 = 192,87
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
3.255,11
=  325,511
10

201
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
F Tabelado (1%) para Tratamentos = 2,80
F Tabelado (5%) para Tratamentos = 2,08
F Tabelado (1%) para Blocos = 3,83
F Tabelado (5%) para Blocos = 2,61
TABELA 7.2 – ANÁLISE DA VARIÂNCIA DO COMPORTAMENTO DE CLONES DE

SERINGUEIRA (Hevea sp.) EM RELAÇÃO AO DESENVOLVIMENTO DO
TRONCO (cm) NO ESTADO DA BAHIA. PIRACICABA-SP.1975
Clones 10 3.255,11 325,51100 67,51 **
Blocos 4 203,77 50,94250 10,57 **
Resíduo 40 192,87 4,82175
Total 54 3.651,87

202
De acordo com o teste F, tem-se:

Houve diferença significativa, no nível de 1% de probabilidade, entre os clones
de seringueira, em relação ao desenvolvimento do tronco no Estado da Bahia.
Houve diferença significativa, no nível de 1% de probabilidade, entre os blocos,
ou seja, o desenvolvimento transversal do tronco de seringueira a um metro do ponto de
enxertia varia entre os blocos.
Raramente interessa testar o efeito de blocos, de sorte que, em geral, não é
preciso calcular o quadrado médio e o valor de F respectivo, pois o que mais interessa aos
pesquisadores é o efeito de tratamentos, que é inteiramente independente de ser
significativo o efeito de blocos.
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

c) Teste de Tukey:
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
203
s
 5%  q
r
4,82 x 2,1958484
=
5
10,583989
=  4,73
2,236068


AO DESENVOLVIMENTO TRANSVERSAL DO TRONCO (cm) NO ESTADO DA
BAHIA. PIRACICABA-SP, 1975
Clones Médias (cm/planta) /1
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
11. Fx 25 60,64 bcd
4. Fx 652 63,08 cde
10. Fx 232 64,21 de
9. Fx 3635 64,92 de
3. Fx 567 65,93 e
1. Fx 2804 71,17 f

Os clones Fx 86, Fx 4109 e Fx 516 não diferiram estatisticamente entre si, porém
diferem dos demais, e apresentaram um desenvolvimento transversal do tronco inferior a
todos os outros clones de seringueira avaliados.

204
O clone Fx 2804 difere estatisticamente de todos os outros clones de seringueira

avaliados, e apresentou o maior desenvolvimento transversal do tronco.
O clone Fx 567 apresentou o segundo melhor desenvolvimento transversal do
tronco, apesar de não diferir estatisticamente dos clones de seringueira Fx 3635, Fx 232
e Fx 625.
Os clones Fx 3032, Fx 25 e Fx 625 não diferiram estatisticamente entre si, e
apresentaram um desenvolvimento transversal do tronco intermediário entre todos os
clones de seringueira avaliados.
7.4 Exemplo com uma Parcela Perdida
Algumas vezes, durante a condução de um experimento em blocos casualizados,

ocorre a perda de uma parcela por motivos alheios à vontade do pesquisador. Essa perda
pode ser provocada por uma série de fatores. Por exemplo, o(s) animal(is) pode(m)
morrer; a(s) planta(s) pode(m) ser atacada(s) por inserto(s); faltou colher os dados
resultantes da mesma; os dados foram colhidos, mas o resultado não é fidedigno, sendo
então descartado; etc.. Como neste delineamento, todos os tratamentos devem ter o
mesmo número de repetições, ou seja, o quadro auxiliar da análise da variância deve estar
completo para poder efetuar a análise da variância, então se deve levar em conta o
seguinte:
a) Em primeiro lugar, estima-se o valor da parcela perdida, através da formula:
Y
r x B   t x T   G
r  1t  1
onde:
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

205
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
Dz

s 2 Yˆ
2
ou
SNK  q
s 2 Yˆ 
2
A seguir, apresentar-se-á um exemplo com uma parcela perdida neste tipo de

resultados.
a) Estimar o valor da parcela perdida;
b) Fazer a análise da variância;
c) Obter o coeficiente de variação;
d) Aplicar, se necessário, o teste de Tukey, no nível de 5% de probabilidade, na

206
TABELA 7.4 – COMPORTAMENTO DE PORTA-ENXERTOS PARA A LARANJA (Citrus sinensis

(L.) Osbeck.), CULTIVAR VALÊNCIA, EM RELAÇÃO AO NÚMERO DE FRUTOS
POR PLANTA
Blocos Totais de
Tratamentos
I II III Tratamentos
1. TANGERINEIRA SUNKI 145 155 166 466
2. LIMOEIRO RUGOSO NACIONAL 200 190 190 580
3. LIMOEIRO RUGOSO DA FLORIDA 183 186 208 577
4. TANGERINEIRA CLEÓPATRA 190 175 186 551
5. CITRANGE TROYER 180 160 156 496
6. TRIFOLIATA 130 160 130 420
7. TANGERINEIRA CRAVO 206 Y 170 376 + Y
8. LARANJEIRA CAIPIRA 250 271 230 751
9. LIMOEIRO CRAVO 164 190 193 547
Totais de Blocos 1.648 1.487 + Y 1.629 4.764 + Y
BARBIN (1982).
Resolução:
a) Estimativa da Parcela Perdida:
r= 3
t= 9
T = 376
B = 1.487
G = 4.764

207
Y
r x B   t x T   G
r  1t  1
(3 x 1.487)  (9 x 376)  4.764

3  19  1
4.461  3.384  4.764
=
2 x8
3.081
=  193
16

POR PLANTA
Blocos Totais de
Tratamentos
I II III Tratamentos
2. LIMOEIRO RUGOSO NACIONAL 200 190 190 580
4. TANGERINEIRA CLEÓPATRA 190 175 186 551
6. TRIFOLIATA 130 160 130 420
7. TANGERINEIRA CRAVO 206 193 170 569
9. LIMOEIRO CRAVO 164 190 193 547
Totais de Blocos 1.648 1.680 1.629 4.957
BARBIN (1982).
b) Análise da Variância:
   145 + 155 + ... + 193 = 4.957
  2  (145)2 + (155)2 +... + (193)2
= 21.025 + 24.025 +...+ 37.249 = 936.883

208
t= 9
r= 3
N= txr
= 9 x 3 = 27
= 9 – 1 = 8
GL Blocos = r – 1
=3–1= 2
GL Resíduo = (t – 1) (r – 1) – Nº de Parcelas Perdidas
= (9 – 1) (3 – 1) – 1
= (8) (2) – 1
= 16 – 1 = 15
GL Total = N – 1 – Nº de Parcelas Perdidas
= (27 – 1) – 1
= 26 – 1 = 25
SQ Total =   2 
  2

= 936.883 –
4.957 
2
27
24.571.849
= 936.883 –
27
= 936.8883 – 910.068,48 = 26.814,52
  2   
2
r 
=
4662  5802  ...  5472 – 4.957  2
3 27

209
217.156  336.400  ...  299.209 24.571.849

= 
3 27
2.799.473 24.571.849
= 
3 27
= 933.157,67 – 910.068,48 = 23.089,19
  2   
2
SQ Blocos = 
t 
=
1.648  1.680  1.629
2 2 2

4.957 
2
9 27
2.715.904  2.822.400  2.653.641 24.571.849

= 
9 27
8.191.945 24.571.849
= 
9 27
= 910.216,11 – 910.068,48 = 147,63
= 26.814,52 – (23.089,19 + 147,63)
= 26.814,52 – 23.236,82 = 3.577,70
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

210
TABELA 7.6 – ANÁLISE DA VARIÂNCIA DO COMPORTAMENTO DE PORTA-ENXERTOS

PARA A LARANJA (Citrus sinensis (L.) Osbeck.), CULTIVAR VALÊNCIA, EM
RELAÇÃO AO NÚMERO DE FRUTOS POR PLANTA. PIRACICABA-SP, 1982
Porta-enxertos 8 23.089,19 2.886,14880 12,10 **
Blocos 2 147,63 - -
Resíduo 15 3.577,70 238,51333
Total 25 26.814,52
De acordo como teste F, houve diferença significativa, no nível de 1% de

probabilidade, entre os porta-enxertos para a laranja VALÊNCIA quanto ao número de
frutos por planta.
c) Coeficiente de Variação:
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

211

d) Teste de Tukey:
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  1t  1
 QM Re síduo
1 2 9 
= 5,08 
2  3 33  19  1
 238,51333
1 2 9 
= 5,08 
2  3 328
 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 

212
0,85417 x 238,51333
= 5,08
2
203,73093
= 5,08
2
= 5,08 101,86547
= 5,08 x 10,09284  51,27
O valor de 1 é usado para comparar contrastes entre duas médias de tratamentos

para as quais não houve perda de parcela, enquanto que o valor de 2 é usado par
comparar contrastes envolvendo a média do tratamento para a qual ocorreu perda de
parcela e outra qualquer (sem perda de parcela).

POR PLANTA. PIRACICABA-SP
Porta-enxertos Média 1/
6. TRIFOLIATA 140,00 a
1. TANGERINEIRA SUNKI 155,33 ab
5. CITRANGE TROYER 165,33 ab
9. LIMOEIRO CRAVO 182,33 ab
4. TANGERINEIRA CLEÓPATRA 183,67 ab
7. TANGERINEIRA CRAVO 189,67 ab
3. LIMOEIRO RUGOSO DA FLORIDA 192,33 b
2. LIMOEIRO RUGOSO NACIONAL 193,33 b
8. LARANJEIRA CAIPIRA 250,33 c


O porta-enxerto LARANJEIRA CAIPIRA difere estatisticamente de todos os
outros porta-enxertos e proporcionou à copa VALÊNCIA a maior produção de frutos.
O porta-enxerto TRIFOLIATA proporcionou à copa VALÊNCIA a menor
produção de frutos, apesar de não diferir estatisticamente dos porta-enxertos

213
TANGERINEIRA SUNKI, CITRANGE TROYER, LIMOEIRO CRAVO,

TANGERINEIRA CLEÓPATRA e TANGERINEIRA CRAVO.
Os porta-enxertos LIMOEIRO RUGOSO NACIONAL e LIMOEIRO RUGOSO
DA FLÓRIDA diferem estatisticamente do porta-enxerto TRIPOLIATA, e
proporcionaram à copa VALÊNCIA a segunda maior produção de frutos.
Os porta-enxertos TANGERINEIRA SUNKI, CITRANGE TROYER,
LIMOEIRO CRAVO, TANGERINEIRA CLEÓPATRA e TANGERINEIRA CRAVO
não diferem estatisticamente do porta-enxerto TRIFOLIATA, nem dos porta-enxertos
LIMOEIRO RUGOSO DA FLÓRIDA e LIMOEIRO RUGOSO NACIONAL, e
proporcionaram à copa VALÊNCIA uma produção intermediária de frutos entre estes.
7.5 Exemplo com mais de uma Parcela Perdida
Como foi visto no item anterior, durante a condução de um experimento em

blocos casualizados, ocorrem, em algumas vezes, perdas de parcelas por motivos alheios
à vontade do pesquisador. Quando isso ocorrer, deve-se proceder da seguinte maneira
para poder-se efetuar a análise da variância:
a) Em primeiro lugar, devem-se estimar os valores das parcelas perdidas –
Quando, nos experimentos em blocos casualizados, ocorrem duas parcelas perdidas (ou
mais) não se tem fórmulas para obterem suas estimativas. Vários são os processos de se
obterem as estimativas, dentre os quais se citam o da minimizarão da Soma de
Quadrados do Resíduo, através de derivadas parciais, e o processo iterativo, o qual
será apresentado a seguir:
Este processo consiste em se atribuir um valor qualquer a uma das parcelas
perdidas (X) e a seguir estima-se a outra pela fórmula, já conhecida, de uma parcela
perdida:
Y
r x B   t x T   G
r  1t  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  1t  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

214
Y
r x B   t x T   G
r  1t  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
Dz

s 2 Yˆ
2
ou
SNK  q

s 2 Yˆ
2

215
A seguir, apresentar-se-á um exemplo com duas parcelas perdidas neste tipo de

resultados.
Considerando os dados do Exemplo 2, onde se supõem que na TABELA 7.4
perderam-se duas parcelas: a 1ª parcela no Tratamento 4 (TANGERINEIRA
CLEÓPATRA) no Bloco I e a 2ª parcela no Tratamento 7 (TANGERINEIRA CRAVO)
no Bloco II, pede-se:
a) Estimar os valores das parcelas perdidas;

POR PLANTA
Blocos Totais de
Tratamentos Tratamentos
I II III
2. LIMOEIRO RUGOSONACIONAL 200 190 190 580
4. TANGERINEIRA CLEÓPATRA X 175 186 361 + X
6. TRIFOLIATA 130 160 130 420
7. TANGERINEIRA CRAVO 206 Y 170 376 + Y
9. LIMOEIRO CRAVO 164 190 193 547
Totais de Blocos 1.458 + X 1.487 + Y 1.629 4.574 + X + Y
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  1t  1
216
(3 x 1.487)  (9 x 376)  (4.574  175)


3  19  1
4.461  3.384  4.749
=
2 x8
3.096
= = 193,5
16
Este valor, 193,5, é colocado na TABELA 7.4 em lugar de Y e passa-se a calcular

X, pela fórmula (esquecendo-se do seu valor inicial).
X1 
r x B   t x T   G
' ' '
r  1t  1
(3 x 1.458)  (9 x 361)  4.574  193,5

3  19  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  1t  1
(3 x 1.487)  (9 x 376)  4.574  178,47 

3  19  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  1t  1
217
(3 x 1.458)  (9 x 361)  4.574  193,28


3  19  1
4.374  3.249  4.767,28
=
2 x8
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  1t  1

r x B   t x T   G ' '
r  1t  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.

POR PLANTA
Blocos Totais de
Tratamentos Tratamentos
I II III
2. LIMOEIRO RUGOSONACIONAL 200 190 190 580
4. TANGERINEIRA CLEÓPATRA 178,5 175 186 539,5
6. TRIFOLIATA 130 160 130 420
7. TANGERINEIRA CRAVO 206 193,3 170 569,3
9. LIMOEIRO CRAVO 164 190 193 547

218
Totais de Blocos 1.636,5 1.680,3 1.629 4.945,8
   145 + 155 + ... + 193 = 4.945,8
  2  (145)2 + (155)2 + ... + (193)2
= 21.025 + 24.025 +...+ 37.249 = 932.761,14
t=9
r=3
N = txr
= 9 x 3 = 27
= 9–1= 8
GL Blocos = r – 1
= 3–1= 2
GL Resíduo = (t – 1) (r – 1) – Nº de Parcelas Perdidas
= (9 – 1) (3 – 1) – 2
= (8) (2) – 2
= 16 – 2 = 14
= (27 – 1) – 2
= 26 – 2 = 24
SQ Total =   2 
  2


219
= 932.761,14 
4.945,82
27
24.460.937,6
= 932.761,14 –
27
= 932.761,14 – 905.960,65 = 26.800,49
  2   
2
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
= 929.091,25 – 905.960,65 = 23.130,60
  2   
2
SQBlocos = 
r 
=
1.636,5  1.680,3  1.629,0
2 2 2

4.945,8
2
9 27
2.678.132,3  2.823.408,1  2.653.641,0 24.460.937,6

= 
9 27
8.155.181,3 24.460.937,6
= 
9 27
= 906.131,26 – 905.960,65 = 170,61
= 26.800,49 – (23.130,60 + 170,61)
= 26.800,49 – 23.301,21 = 3.499,28
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
23.130,60
=  2.891,325
8
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
TABELA 7.9 – ANÁLISE DA VARIÂNCIA DO COMPORTAMENTO DE PORTA-ENXERTOS

PARA A LARANJA (Citrus sinensis (L.) Osbeck.), CULTIVAR VALÊNCIA, EM
RELAÇÃO AO NÚMERO DE FRUTOS POR PLANTA. PIRACICABA-SP, 1982
Porta-enxertos 8 23.130,60 2.891,32500 11,57 **
Blocos 2 170,61 - -
Resíduo 14 3.499,28 249,94857
Total 24 26.800,49
De acordo como teste F, houve diferença significativa, no nível de 1% de

probabilidade, entre os porta-enxertos para a laranja VALÊNCIA quanto ao número de
frutos por planta.
m̂ 
  

4.945,8
=  183,18
27
s  QM Re síduo
= 249,94857 = 15,809762

221
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
Na aplicação do teste de Tukey devem-se levar em conta todos os possíveis tipos

de comparações das médias duas a duas. Não há, como no caso de uma só parcela
perdida, uma fórmula para se calcular a estimativa da variância da estimativa de um
contraste envolvendo médias com parcelas perdidas.
Um processo que se usa, é o chamado de número efetivo de repetições (já visto
no Capítulo 5, ver teste t) e após o seu cálculo utiliza-se a seguinte fórmula:
 1 1
s 2 Yˆ     s 2
 r1 r2 
Os possíveis casos de comparações, neste exemplo, são:

1) Contrastes envolvendo médias onde não houve perda de parcelas.
1 5%  q
QM Re síduo
r
249,94857
= 5,13
3
= 5,13 83,31619
= 5,13 x 9,1277703  46,83

222
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 .
Bloco Tratamento 1 Tratamento 4 r1
7
1º Bloco Aparece Não aparece
8
2º Bloco Aparece Aparece 1
23
Total
8
O número efetivo de repetições para o tratamento 1 (ou 2, 3, 5, 6, 8 e 9) é igual a

23
em relação ao tratamento 4 (ou 7).
8
1º Bloco Não aparece Aparece 0
Total 2
O número efetivo de repetições para o tratamento 4 (ou 7) é igual a 2 em relação

ao tratamento 1 (ou 2, 3, 5, 6, 8 e 9).

223
Então, a estimativa da variância da estimativa do contraste Yˆ  mˆ 1  mˆ 4 (ou outras

alternativas) é obtida por:
 1 1
s 2 Yˆ     QM Resíduo
 r1 r2 
 
 1 1
=    249,94857
 23 2 
 
 8 
 8 1
=    249,94857
 23 2
= (0,34782 + 0,5) 249,94857
= (0,84782) 249,94857 = 211,9114
Logo, tem-se:
 2 5%  q

s 2 Yˆ
2
211,9114
 5,13
2
= 5,13 105,9557
= 5,13 x 10,293479  52,81
3) Contraste envolvendo as duas médias para as quais ocorreram as parcelas

perdidas.
Ainda aqui se deve levar em conta o número efetivo de repetições. Neste caso,
trata-se do contraste Yˆ  mˆ 4  mˆ 7 .
7
2º Bloco Aparece Não aparece 8

224
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 
= (0,53333 + 0,53333) 249,94857
= (1,06666) 249,94857 = 266,61014
Logo, tem-se:
 3 5%  q

s 2 Yˆ
2

225
266,61014
= 5,13
2
= 5,13 133,30507
= 5,13 x 11,545781  59,23

POR PLANTA. PIRACICABA-SP
Porta-enxertos Média 1/
6. TRIFOLIATA 140,00 a
1. TANGERINEIRA SUNKI 155,33 ab
5. CITRANGE TROYER 165,33 ab
9. LIMOEIRO CRAVO 179,83 ab
4. TANGERINEIRA CLEÓPATRA 182,33 ab
7. TANGERINEIRA CRAVO 189,67 ab
3. LIMOEIRO RUGOSO DA FLORIDA 192,33 b
2. LIMOEIRO RUGOSO NACIONAL 193,33 b
8. LARANJEIRA CAIPIRA 250,33 c

De acordo com o teste de Tukey, no nível de 5% de probabilidade, temos:

O porta-enxerto LARANJEIRA CAIPIRA difere estatisticamente de todos os
outros porta-enxertos e proporcionou à copa VALÊNCIA a maior produção de frutos.
226
O porta-enxerto TRIFOLIATA proporcionou à copa VALÊNCIA a menor

produção de frutos, apesar de não diferir estatisticamente dos porta-enxertos
TANGERINEIRA SUNKI, CITRANGE TROYER, TANGERINEIRA CLEÓPATRA,
LIMOEIRO CRAVO e TANGERINEIRA CRAVO.
Os porta-enxertos LIMOEIRO RUGOSO NACIONAL e LIMOEIRO RUGOSO
DA FLÓRIDA diferem estatisticamente do porta-enxerto TRIPOLIATA, e
proporcionaram à copa VALÊNCIA a segunda maior produção de frutos.
Os porta-enxertos TANGERINEIRA SUNKI, CITRANGE TROYER,
TANGERINEIRA CLEÓPATRA, LIMOEIRO CRAVO e TANGERINEIRA CRAVO
não diferem estatisticamente do porta-enxerto TRIFOLIATA, nem dos porta-enxertos
LIMOEIRO RUGOSO DA FLÓRIDA e LIMOEIRO RUGOSO NACIONAL, e
proporcionaram à copa VALÊNCIA uma produção intermediária de frutos entre estes.
7.6 Experimentos em Blocos Casualizados com K Repetições por Bloco
Não muito raro, ao planejar-se um experimento em blocos casualizados, ocorre

que o número de tratamentos é muito pequeno, acarretando, consequentemente, um
número excessivo de blocos comprometendo a precisão experimental.
Considere-se, por exemplo, um experimento com dois tratamentos e 12
repetições. No esquema usual têm-se 12 blocos de duas parcelas, com o seguinte
esquema de análise:
Quadro da ANAVA
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
Tratamentos 1
Blocos 5
Repetições dentro de Blocos 6
Resíduo 11

227
Total 23
Neste caso, sem grandes implicações, podem-se juntar ao resíduo tradicional, a

causa de variação “Repetições dentro de Blocos”, ganhando-se, com isso, seis graus de
liberdade. Assim, tem-se:
Quadro da ANAVA
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.
TABELA 7.11 – PORCENTAGEM DE AÇÚCAR PROVÁVEL EM VARIEDADES DE CANA-DE-

AÇÚCAR (Saccharum officinarum L.)
Blocos
Variedades Totais de Variedades
I II III
13,03 13,20 13,30

1 13,72 13,84 12,33 120,48
14,16 13,11 13,79
15,73 15,13 15,40
2 15,62 15,52 15,57 140,56
15,55 16,27 15,77
14,69 14,75 14,95
3 15,65 15,54 15,72 134,46
14,52 14,13 14,51
Totais de Blocos 132,67 131,49 131,34 395,50

228
Resolução:
   13,03 + 13,20 + ... + 14,51 = 395,50
  2  (13,03)2 + (13,20)2 + ... + (14,51)2
= 169,7809 + 174,24 +...+ 210,5401 = 5.822,6844
t=3
r=3
r’ = 3
N = t x r x r’
= 3 x 3 x 3 = 27
= 3– 1 = 2
GL Blocos = r – 1
= 3 –1 = 2
GL Total = N – 1
= 27 – 1 = 26
GL Resíduo = GL Total – (GL Tratamentos + GL Blocos)
= 26 – (2 + 2)
= 26 – 4 = 22
SQ Total =   2 
  2

= 5.822,6844 
395,502
27
156.420,25
= 5.822,6844 –
27
= 5.822,6844 – 5.793,3426 = 29,3418

229
  2   
2
r x r' 
=
120,482  140,562  134,462  395,50 2
3x3 27
14.515,4304  19.757,1136  18.079,4916 156.420,25

= 
9 27
52.352,0356 156.420,25
= 
9 27
= 5.816,8928 – 5.793,3426 = 23,5502
  2   
2
SQ Blocos = 
t x r' 
=
132,67   131,49  131,34
2 2 2

395,50
2
3x3 27
17.601,3289  17.289,6201  17.250,1956 156.420,25

= 
9 27
52.141,1446 156.420,25
=  = 0,1179
9 27
= 29,3418 – (23,.5502 + 0,1179)
= 29,3418 – 23,6681 = 5,6737
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
23,5502
=  11,7751
2
SQ Re síduo
QM Resíduo =
GL Re síduo
5,6737
=  0,25789
22

230
QM Tratamentos
F Calculado =
QM Re síduo
11,7751
=  45,66
0,25789
TABELA 7.12 – ANÁLISE DA VARIÂNCIA DA PORCENTAGEM DE AÇÚCAR PROVÁVEL EM

VARIEDADES DE CANA-DE-AÇÚCAR (Saccharum officinarum L.).
PIRACICABA-SP, 1984
Variedades 2 23,5502 11,77510 45,66 **
Blocos 2 0,1179 -
Resíduo 22 5,6737 0,25789
Total 26 29,3418

probabilidade, entre as variedades de cana-de-açúcar quanto à porcentagem de açúcar
provável.
m̂ 
  

395,50
=  14,648
27
s  QM Re síduo

231
= 0,25789 = 0,50782
100 x s
CV =
mˆ
100 x 0,50782
=
14,648
50,782
=  3,47%
14,648

c) Teste de Tukey:
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

TABELA 7.13 – PORCENTAGEM MÉDIA DE AÇÚCAR PROVÁVEL EM VARIEDADES DE

CANA-DE-AÇÚCAR (Saccharum officinarum L.). PIRACICABA-SP, 1984
Variedades Média (%) 1/
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.

232

A variedade 2 de cana-de-açúcar difere estatisticamente de todas as outras, e
apresentou a maior porcentagem de açúcar provável.
A variedade 1 de cana-de-açúcar difere estatisticamente da variedade 3, e
apresentou a menor porcentagem de açúcar provável.
A variedade 3 de cana-de-açúcar apresentou uma porcentagem de açúcar
provável intermediária entre as variedades 1 e 2.
7.7 Exercícios

ensaio conduzido no delineamento em blocos casualizados, pede-se:
a.1) Fazer a análise da variância;
a.2) Obter o coeficiente de variação;
a.3) Aplicar, se necessário, o teste de Tukey a 5% de probabilidade na
comparação de médias de progênies;
a.4) Considerando que a parcela 637 no Bloco III foi perdida, obter sua
estimativa e, em seguida, a análise da variância;
a.7) Considerando que a parcela 637 no Bloco III e a parcela 9559 no Bloco II
foram perdidas, obter suas estimativas e, em seguida, a análise da variância;
a.10) Comparar os três coeficientes de variação e tirar as devidas conclusões.
TABELA 7.14 – ALTURAS (EM METROS, MÉDIA DE 25 PLANTAS/PARCELA) DE PLANTAS DE

PROGÊNIES DE Eucaliptus grandis, COM 7 ANOS DE IDADE. PIRACICABA-SP
Progenies I II III IV Totais de Progênies
PRETÓRIA + 22,7 21,4 22,9 22,0 89,0
637 ++ 22,6 21,4 20,7 20,8 85,5
2093 ++ 21,4 21,7 22,5 19,4 85,0
2094 ++ 25,0 23,6 23,3 24,8 96,7
9559 +++ 26,4 26,4 28,0 27,3 108,1
9575 +++ 20,6 23,5 19,4 21,9 85,4
Totais de Blocos 138,7 138,0 136,8 136,2 549,7

NOTAS: (+) Procedente da África do Sul.
(++) Procedente de Rio Claro – São Paulo.
(+++) Procedente da Austrália.

233
b) Considerando-se os dados da TABELA 7.15, pede-se:

b.3) Aplicar, se necessário, o teste de Tukey a 5% de probabilidade na

À PRODUÇÃO DE BORRACHA SECA NO ESTADO DA BAHIA
Blocos
Clones Totais de Clones
I II III IV V
1. Fx 2804 26,91 27,47 29,49 28,17 27,35 139,39
2. Fx 4425 24,36 12,98 8,14 6,47 6,82 58,77
3. Fx 567 17,36 20,17 17,27 17,09 16,56 88,45
4. Fx 652 15,62 16,24 17,18 15,37 17,19 81,60
5. Fx 3032 14,55 18,13 17,10 15,74 15,92 81,44
6. Fx 86 14,35 13,71 12,03 9,87 11,18 61,14
7. Fx 516 11,79 9,12 6,08 7,88 9,05 43,92
11,17 16,57 18,95 20,35 28,35 95,39

8. Fx 4109
10,05 12,94 13,31 12,39 15,17 63,86
9. Fx 3635
9,49 11,47 14,54 14,77 17,45 67,72
10.Fx 232
7,89 14,13 19,23 20,91 24,49 86,65
11.Fx 25
163,54 172,93 173,32 169,01 189,53 868,33
Totais de Blocos

234
FONTE: CALDAS (1975).
c) Considerando-se que os dados da TABELA 7.16 foram de um ensaio

conduzido no delineamento em blocos casualizados com duas repetições por bloco, pede-
se:
c.1) Fazer a análise de variância e tirar as devidas conclusões;
c.2) Obter o coeficiente de variação.
TABELA 7.16 – EFEITO DA PROFUNDIDADE DE ARADURA NA PRODUÇÃO DE MILHO (Zea

mays L.) EM kg POR PARCELA DE 200 m2
Blocos
Tratamento Totais de Tratamentos
I II III IV V VI
ARADURA 5,5 6,8 4,6 6,4 7,7 6,2
PROFUNDA 7,0 6,2 6,0 6,8 8,8 5,8 77,8
ARADURA 6,0 5,2 4,4 7,2 7,1 7,6
SUPERFICIAL 6,8 5,9 4,7 5,6 6,4 4,5 71,4
Totais de Blocos 25,3 24,1 19,7 26,0 30,0 24,1 149,2
GOMES (1985).

235

237
DELINEAMENTO EM
8 QUADRADO LATINO
O delineamento em quadrado latino, apesar de sua alta eficiência, é pouco

utilizado na pesquisa agropecuária por ter uma flexibilidade muito menor que os outros,
ou seja, ele exige que o número de tratamentos seja igual ao número de repetições.
Devido a isso, geralmente não se usam quadrados latinos no caso de ter-se mais de oito
tratamentos, pois então o número de repetições seria, não raro, um pouco exagerado. Por
outro lado, os quadrados latinos de 3 x 3 e 4 x 4 encerram tão poucas parcelas que só
podem ser usados se o experimento incluir vários quadrados latinos, e se fizer uma
análise conjunta. Tais experimentos instalados de acordo com este delineamento são
denominados de experimentos em quadrado latino.
Os experimentos em quadrado latino também levam em consideração os três
princípios básicos da experimentação: repetição, casualização e controle local. Contudo,
o controle local é mais eficiente que o delineamento em blocos casualizados, pois
controla a heterogeneidade do ambiente tanto na horizontal como na vertical, ou seja, os
blocos são organizados de duas maneiras diferentes, uns constituindo as linhas, outros as
colunas.
Quanto à casualização, neste delineamento os tratamentos são distribuídos nos
blocos de tal forma que cada um apareça uma só vez em cada linha e em cada coluna. O
procedimento é o seguinte: parte-se de um quadrado latino sistemático, que é obtido
colocando-se as letras que representam os tratamentos numa mesma ordem na linha e
coluna, no qual se numera os blocos, tanto na horizontal como na vertical, conforme
indicado a seguir:
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

238
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
Neste Quadrado II, casualizam-se as colunas (ou linhas) e obtém-se o Quadrado

III, que apresenta a dupla casualização, tendo assim concluído a casualização do
delineamento em quadrado latino.
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
Após ter concluído a casualização neste delineamento, se a ordem da 1a linha for

igual à ordem da 1a coluna chama-se de Quadrado Latino Padrão.
Este delineamento experimental apresenta certas vantagens em relação aos outros
delineamentos, tais como:

239
a) Controla a heterogeneidade das condições experimentais onde o
experimento será conduzido – Como este delineamento apresenta o princípio do
controle local, o controle da heterogeneidade das condições experimentais é feito através
do uso de blocos em duas direções, na horizontal e na vertical, como por exemplo:
fertilidade e declividade, luz e temperatura, operador de máquinas agrícolas e nível de
fadiga, idade de planta e forma de poda, período de lactação de vacas leiteiras e peso,
idade de animal e sexo, etc., o que não acontece no delineamento inteiramente
casualizado, pois o mesmo não tem o princípio do controle local.
b) Conduz a estimativas menos elevadas do erro experimental – Pelo fato do
controle local ser mais eficiente do que o delineamento em blocos casualizados, conduz a
estimativas menos elevadas do erro experimental, pois consegue isolar do resíduo as
variações resultantes da heterogeneidade das condições experimentais, tanto na
horizontal como na vertical; enquanto que o delineamento em blocos casualizados só
consegue isolar do resíduo as variações resultantes da heterogeneidade das condições
experimentais que ocorrem na horizontal.
Apesar das vantagens acima citadas, o delineamento em quadrado latino
apresenta as seguintes desvantagens em relação aos outros delineamentos:
a) A análise estatística é mais demorada – Os cálculos efetuados são maiores
do que os outros delineamentos estatísticos, tendo em vista que neste delineamento
existem mais causas de variação que devem ser isoladas do resíduo, tornando a análise
estatística um pouco mais demorada.
b) Exige que os blocos fiquem num mesmo local da área experimental –
Neste delineamento, todos os blocos devem ficar no mesmo local da área experimental
formando um quadrado, enquanto que no delineamento em blocos casualizados, os
blocos poderão ser espalhados por toda uma região, obtendo, assim, conclusões válidas
para toda a área cultivada, e não apenas para um determinado local.
c) Exige que o número de tratamentos seja igual ao número de repetições –
Em função disso, só pode-se usar, praticamente, este delineamento quando os
experimentos tiverem de cinco a oito tratamentos, principalmente na experimentação de
campo, enquanto que os outros delineamentos permitem utilizar, dentro de certos limites,
qualquer número de tratamentos e de repetições.
d) Apresenta um número menor de graus de liberdade para o resíduo –
Sabe-se que quanto maior o número de graus de liberdade para o resíduo, maior
sensibilidade terá os testes de hipóteses para detectar diferença significativa entre os
tratamentos avaliados, além de proporcionar maior precisão experimental. Este
delineamento apresenta, portanto, essa desvantagem em relação aos outros delineamentos
estatísticos.
e) Exige que o quadrado auxiliar da análise da variância esteja completo
para poder efetuar a análise estatística – Neste delineamento, quando ocorrem parcelas
perdidas, como no caso do delineamento em blocos casualizados, é necessário, também,
o uso de fórmulas e/ou métodos especiais para estimá-las, a fim de poder efetuar a
análise de variância. Muitas vezes, quando o número de parcelas perdidas é muito alto, há
necessidade de se repetir o experimento. Isso, porém, não acontece com o delineamento
inteiramente casualizado, onde permite que os tratamentos tenham número de repetições
diferentes e a análise de variância pode ser efetuada do mesmo modo sem parcela
perdida.
f) Há uma redução do número de graus de liberdade para o resíduo, pela
utilização do princípio do controle local – Quando existe homogeneidade das
240
condições experimentais, é um desperdício utilizar o delineamento em quadrado latino,
pelo fato de reduzir ainda mais o número de graus de liberdade para o resíduo do que o
delineamento em blocos casualizados, e, em conseqüência, diminuir a precisão
experimental, além dos testes de hipóteses ficarem menos sensíveis para detectar
diferença significativa entre os tratamentos avaliados. Nestas condições, é preferível usar
o delineamento inteiramente casualizado que tem um maior número de graus de liberdade
associado ao resíduo.
Como a instalação do experimento constitui o início da parte prática do ensaio, o

pesquisador deve seguir à risca o que consta no croqui do ensaio, que no caso do
delineamento em quadrado latino seria o seguinte:
Considere-se um experimento com cinco tratamentos (A, B, C, D, E) e cinco
repetições. Então, tem-se:
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
Observa-se que em cada bloco, tanto na horizontal como na vertical, os

tratamentos foram distribuídos aleatoriamente nas parcelas, de modo que cada um
aparece uma só vez em cada linha e em cada coluna. Para que isto acontecesse, partiu-se
de um quadrado latino sistemático, que é obtido colocando-se as letras que representam
os tratamentos (A, B, C, D, E) numa mesma ordem na linha e coluna, no qual se numera
os blocos, tanto na horizontal como na vertical, formando o Quadrado I, conforme já
visto anteriormente. A seguir procede-se a uma casualização das linhas (ou colunas) do
Quadrado I, obtendo-se o Quadrado II, que apresenta as linhas casualizadas. Neste
Quadrado II, casualizam-se as colunas (ou linhas) e obtém-se o Quadrado III, que
apresenta a dupla casualização, tendo assim concluído o processo, cujo resultado obtido é
chamado de croqui do experimento.
Na instalação do experimento em quadrado latino o pesquisador deve seguir as
etapas já discutidas no experimento inteiramente casualizado.

241
Considerando o exemplo anterior, ou seja, um experimento com cinco
tratamentos (A, B, C, D, E) e cinco repetições, então se têm o seguinte quadro auxiliar da
análise da variância.
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
QM Re síduo
Linhas t–1 SQ Linhas - -
Colunas t–1 SQ Colunas - -
Resíduo (t – 1) (t – 2) SQ Resíduo QM Resíduo
Total t2 – 1 SQ Total
onde:
t = número de tratamentos;

242
SQ Total =   2 
  2

onde:
N = número de observações, que corresponde ao número de tratamentos (t) ao quadrado;
  2   2
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 Resíduo = SQ Total – (SQ Tratamentos + SQ Linhas + SQ Colunas)
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
SQ Re síduo
QM Resíduo =
GL Re síduo
O QM Resíduo corresponde à estimativa da variância do erro experimental (s e2),

Não serão apresentadas as fórmulas dos quadrados médios e dos Fs’ calculados
de linhas e colunas no quadro do esquema da análise de variância, pois raramente
interessa testar os efeitos de linhas e colunas, de sorte que, em geral, não é preciso
calcular tais valores, tendo em vista que interessa apenas aos pesquisadores o efeito de
tratamentos, que é inteiramente independente de serem ou não significativos os efeitos de
linhas e colunas.

243
TABELA 8.1 – PRODUÇÃO DE GRÃOS (kg/PARCELA) DE CULTIVARES DE FEIJÃO (Phaseolus

vulgaris L.)
Colunas
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
Totais de Colunas 47,8 49,8 54,6 45,0 45,3 242,5
FONTE: PEDROSA (1978).

NOTA: (*) A – RIM DE BOI; B – VAGEM ROXA; C – ROSINHA; D – COSTA RICA; E – RICO 23.
Resolução:
 X = 7,6 + 8,2 + ... + 7,5 = 242,5
 X2 = (7,6)2 + (8,2)2 + ... + (7,5)2
= 57,76 + 67,24 +...+ 56,25 = 2.587,25
t = 5
r = 5
N = t2
= (5)2 = 25

244
=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

 
2
= 2.587,25 
242,5
2
25
58.806,25
= 2.587,25 
25
= 2.587,25 – 2.352,25 = 235,00
 L2   
2
SQ Linhas = 
t 
=
46,42  47,62  ...  53,72 
242,52
5 25
2.152,96  2.265,76  ...  2.883,69 58.806,25

= 
5 25
11.824,81 58.806,25
= 
5 25
= 2.364,96 – 2.352,25 = 12,71
 C 2   
2
SQ Colunas = 
t 

245
=
47,82  49,82  ...  45,32 
242,52
5 25
2.284,84  2.480,04  ...  2.052,09 58.806,25

= 
5 25
11.823,13 58.806,25
= 
5 25
= 2.364,63 – 2.352,25 = 12,38
Tratamentos:
A = 8,2 + 7,4 + 6,0 + 8,0 + 7,0 = 36,6
B = 7,6 + 5,4 + 7,0 + 7,2 + 7,5 = 34,7
C = 9,0 + 10,4 + 11,0 + 14,2 + 16,0 = 60,6
D = 10,4 + 8,4 + 7,2 + 8,8 + 8,2 = 43,0
E = 11,2 + 16,0 + 12,4 + 13,0 + 15,0 = 67,6
  2   
2
t 
=
36,62  34,72  ...  67,62 
242,52
5 25
1.339,56  1.204,09  ...  4.569,76 58.806,25

= 
5 25
12.634,77 58.806,25
= 
5 25
= 2.526,95 – 2.352,25 = 174,70
= 235,00 – (174,70 + 12,71 + 12,38)
= 235,00 – 199,79 = 35,21
SQ Tratamentos
QM Tratamentos =
GL Tratamentos

246
174,70
= = 43,675
4
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
TABELA 8.2 – ANÁLISE DA VARIÂNCIA DA PRODUÇÃO DE GRÃOS (kg/PARCELA) DE

CULTIVARES DE FEIJÃO (Phaseolus vulgaris L.). MACEIÓ-AL, 1978
Cultivares 4 174,70 43,6750 14,88 **
Linhas 4 12,71 - -
Colunas 4 12,38 - -
Resíduo 12 35,21 2,9342
Total 24 235,00

probabilidade, entre as cultivares de feijão em relação à produção de grãos.
m̂ =
  

242,5
= = 9,7
25
s  QM Re síduo
247
= 2,9342 = 1,71295
100 x s
CV =
mˆ
100 x 1,71295
=
9,7
171,295
=  17,66%
9,7
O coeficiente de variação foi 17,66%, indicando uma precisão experimental

regular.
c) Teste de Tukey:
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

TABELA 8.3 – PRODUÇÃO MÉDIA DE GRÃOS (EM kg/PARCELA) DE CULTIVARES DE FEIJÃO

(Phaseolus vulgaris L.) MACEIÓ-AL, 1978
Cultivares Média (kg/parcela) 1/
VAGEM ROXA 6,94 a
RIM DE BOI 7,32 a
COSTA RICA 8,60 a
ROSINHA 12,12 b

248
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.

As cultivares de feijão RICO 23 e ROSINHA não diferiram estatisticamente
entre si, e apresentaram uma produção de grãos superior a todas as outras cultivares.
A cultivar VAGEM ROXA apresentou a menor produção de grãos, apesar de não
diferir estatisticamente das cultivares de feijão RIM DE BOI e COSTA RICA.
8.4 Exemplo com uma Parcela Perdida
Quando por um motivo qualquer ocorrer à perda de uma parcela, durante a

condução de um experimento em quadrado latino, deve-se proceder da seguinte maneira:
a) Em primeiro lugar, estima-se o valor da parcela perdida, através da fórmula:
r L  C     2 x G
Y
r  1r  2
onde:
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;
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  12 

249
onde:
Y = estimativa da parcela perdida;
L = total da linha onde ocorreu a parcela perdida;
C = total da coluna onde ocorreu a parcela perdida;
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
Dz
s 2 Yˆ 
2
ou
SNK  q
s 2 Yˆ 
2
A seguir, apresentar-se-á um exemplo com uma parcela perdida neste tipo de

resultados.
Considerando os dados do Exemplo 1, onde se supõe que na TABELA 8.1
perdeu-se a parcela referente ao tratamento D da 1ª linha, pede-se:
a) Estimar o valor da parcela perdida;

vulgaris L.)
Colunas
1 2 3 4 5

250
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
Totais de Colunas 47,8 49,8 44,2 + Y 45,0 45,3 232,1 + Y

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  1r  2
5 36,0  44,2  32,6  2 x 232,1

=
5  1 5  2
5 112,8  464,2
=
4x3
564,0  464,2
=
12
99,8
=  8,3
12

vulgaris L.)

251
Colunas
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
Totais de Colunas 47,8 49,8 52,5 45,0 45,3 240,4

 X = 7,6 + 8,2 + ... + 7,5 = 240,4
 X2 = (7,6)2 + (8,2)2 + ... + (7,5)2
= 57,76 + 67,24 +...+ 56,25 = 2.547,98
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) – Nº de Parcelas Perdidas

252
= (5 – 1) (5 – 2) – 1
= (4) (3) – 1
= 12 – 1 = 11
= (25 – 1) – 1
= 24 – 1 = 23

 
2
= 2.547,98 
240,42
25
57.792,16
= 2.547,98 –
25
= 2.547,98 – 2.311,6864 = 236,2936
 L2   
2
SQ Linhas = 
t 
=
44,32  47,62  ...  53,72 
240,42
5 25
1.962,49  2.265,76  ...  2.883,69 57.792,16

= 
5 25
11.634,34 57.792,16
= 
5 25
= 2.326,868 – 2.311,6864 = 15,1816
 C 2   
2
SQ Colunas = 
t 
=
47,82  49,82  ...  45,32 
240,42
5 25
2.284,84  2.480,04  ...  2.052,09 57.792,16

= 
5 25
253
11,598,22 57.792,16
= 
5 25
= 2.319,644 – 2.311,6864 = 7,9576
Tratamentos:
A = 8,2 + 7,4 + 6,0 + 8,0 + 7,0 = 36,6
B = 7,6 + 5,4 + 7,0 + 7,2 + 7,5 = 34,7
C = 9,0 + 10,4 + 11,0 + 14,2 + 16,0 = 60,6
D = 8,3 + 8,4 + 7,2 + 8,8 + 8,2 = 40,9
E = 11,2 + 16,0 + 12,4 + 13,0 + 15,0 = 67,6
  2   
2
r 
=
36,6  34,7  ...  67,6  240,42
2 2 2
5 25
1.339,56  1.204,09  ...  4.569,76 57.792,16

= 
5 25
12.458,58 57.792,16
= 
5 25
= 2.491,716 – 2.311,6864 = 180,0296
= 236,2936 – (180,0296 + 15,1816 + 7,9576)
= 236,2936 – 203,1688 = 33,1248
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
180,0296
= = 45,0074
4
SQ Re síduo
QM Resíduo =
GL Re síduo

254
33,1248
=  3,011346
11
QM Tratamentos
F Calculado =
QM Re síduo
45,0074
=  14,95
3,011346
TABELA 8.5 – ANÁLISE DA VARIÂNCIA DA PRODUÇÃO DE GRÃOS (kg/PARCELA) DE

CULTIVARES DE FEIJÃO (Phaseolus vulgaris L.). MACEIÓ-AL, 1978
Cultivares 4 180,0296 45,007400 14,95 **
Linhas 4 15,1816 - -
Colunas 4 7,9576 - -
Resíduo 11 33,1248 3,011346
Total 23 236,2936

probabilidade, entre as cultivares de feijão em relação à produção de grãos.
m̂ =
  

240,4
= = 9,616
25

255
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

regular.
d) Teste de Tukey:
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  1r  2 QM Re síduo
2  
1 2 1 
= 4,57  5  5  15  2 3,011346
2  

256
1 2 1 
= 4,57  5  43 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
= 4,57 x 0,85307  3,90
O Valor de  1 é usado para comparar contrastes entre duas médias de

tratamentos para os quais não houve perda de parcela, enquanto que o valor de  2 é
usado para comparar constantes envolvendo a média do tratamento para o qual ocorreu
perda de parcela e outra média qualquer (sem perda de parcela).
TABELA 8.6– PRODUÇÃO MÉDIA DE GRÃOS (EM kg/PARCELA) DE CULTIVARES DE FEIJÃO

(Phaseolus vulgaris L.) MACEIÓ-AL, 1978
Cultivares Média (kg/parcela) 1/
VAGEM ROXA 6,94 a
RIM DE BOI 7,32 a
COSTA RICA 8,18 a
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

257
As cultivares de feijão RICO 23 e ROSINHA não diferiram estatisticamente
entre si, e apresentaram uma produção de grãos superior a todas as outras cultivares.
A cultivar VAGEM ROXA apresentou a menor produção de grãos, apesar de não
diferir estatisticamente das cultivares de feijão RIM DE BOI e COSTA RICA.
Comparando-se os resultados do Exemplo 1, com e sem parcela perdida, verifica-
se que, apesar de uma ligeira variação nos valores obtidos, não houve alteração nas
conclusões.
Vale ressaltar que quando ocorrerem duas ou mais parcelas perdidas no
delineamento em quadrado latino o procedimento a ser adotado é aquela usado para o
delineamento em blocos casualizados com as respectivas adaptações.
8.5 Exercícios

ensaio conduzido no delineamento em quadrado latino, pede-se:
comparação de médias de cultivares;
a.4) Considerando-se que a parcela B da 5ª linha foi perdida, fazer a sua
estimativa e, em seguida, a análise da variância;
comparação de médias de cultivares;
a.7) Comparar os dois coeficientes de variação e tirar as suas conclusões.
TABELA 8.7 – DADOS DE PRODUÇÃO DE CANA-PLANTA (EM kg/PARCELA) DE
CULTIVARES DE CANA-DE-AÇÚCAR (Saccharum officinarum L.)
Colunas
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
Totais de Colunas 2.654 2.540 2.289 2.310 1.970 11.763

258
NOTA: (*) A = Co 290; B = Co 421; C = Co 419; D = POJ 2878; E = CP 3613.

259

259
REGRESSÃO E
9 CORRELAÇÃO
Até então se tem estudado as medidas de variabilidade de dados somente com

uma variável. Far-se-á agora um estudo de tais medidas envolvendo simultaneamente
duas variáveis. Este estudo é realizado através da regressão e correlação. A regressão
consiste na estimação de uma variável dependente a partir de outra variável
independente. Por outro lado, a correlação determina o grau de relação entre as variáveis,
ou seja, procura determinar quão bem uma equação linear, ou de outra espécie, descreve
ou explica a relação entre as variáveis.
O estudo de regressão exerce papel relevante dentro do campo da Estatística
Experimental, devido a sua larga aplicação na interpretação de resultados experimentais,
e têm por objetivo determinar a relação existente entre uma característica qualquer de
interesse experimental, dependente, e outra característica independente, tomadas juntas.
O pesquisador, geralmente, escolhe os valores da variável independente e depois
estabelece a relação existente entre os valores das duas variáveis. Tal relação é expressa
por uma função matemática (equação de regressão), onde se diz que a variável
dependente (Y) é uma função da variável independente (X).
Veja-se, como exemplo, um experimento para determinar o efeito de doses
crescentes de nitrogênio (X) na produção de uma forrageira (Y).
Parcelas 1 2 3 4 5
Doses de Nitrogênio (kg/ha) – (X) 0,0 50,0 100,0 150,0 200,0
Produção de Forragem (kg/ha) – (Y) 1.828,8 2.438,4 2.844,8 3.149,6 3.403,6
Observa-se que quando aumenta a dose de nitrogênio, aumenta a produção de

forragem. Verifica-se que a relação entre as duas variáveis é aproximadamente linear, e
pode ser representada por uma linha reta (curva de regressão), passando entre os pontos
de um diagrama de dispersão, conforme apresentado na FIGURA 9.1. Porém nem sempre
é assim, pois a regressão pode não ser linear, mas polinomial, tornando mais complexo o
seu estudo.

260
FIGURA 9.1 – DIAGRAMA DE DISPERSÃO ENTRE DOSES DE NITROGÊNIO E A PRODUÇÃO

DE FORRAGEM
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.
As estimativas dos parâmetros a e b são obtidos pelas fórmulas:
â  Y  bX
XY  
( X )( Y )

bˆ  N
( X ) 2
X  2
onde:
Y = média de Y;
X = média de X;

261
Considerando os dados do exemplo citado anteriormente, tem-se a seguinte
equação de regressão:
X = 0,0 + 50,0 + ... + 200,0 = 500,0
Y = 1.828,8 + 2.438,4 + ... + 3.403,6 = 13.665,2
N= 5
X2 = (0,0)2 + (50,0)2 + ... + (200,0)2
= 0,0 + 2.500,0 + ... + 40.000,0 = 75.000,0
XY = (0,0 x 1.828,8) + (50,0 x 2.438,4) + ... + (200,0 x 3.403,6)
= 0,0 + 121.920,0 + ... + 680.720,0 = 1.559.560,0
( 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

262
X 
X
N
500,0
= = 100,0
5
â  Y  bX
= 2.733,04  7,570196 x 100,0
= 2.733,04 – 757,0196 = 1.976,0204
Ŷ = a + bX
= 1.976,0204 + 7,570196 X
É preciso ressaltar que a determinação da equação de regressão deve ser

precedida de uma análise de variância, a fim de comprovar estatisticamente se os dados
apresentam a suposta relação linear entre as variáveis X e Y.
Quando duas variáveis não podem ser consideradas uma independente e outra
dependente, em função de ambas estarem sujeitas e erros experimentais ponderáveis,
como por exemplo, comprimento e largura de folhas de plantas, teor de potássio do solo e
aumento de produção de cana-de-açúcar, brotamento e capacidade de armazenamento de
bulbos de cebola, altura de planta e produção de forragem em capim elefante, peso e
produção de leite de vacas leiteiras, ganho de peso e rendimento de carcaça em frangos
de corte, etc., o emprego da regressão não é satisfatório e far-se-á uso, para esses casos,
da correlação.
9.1 Coeficiente de Correlação
Em casos como o que foi mencionado anteriormente, há interesse em determinar

o grau de relação entre as duas vaiáveis. Essa relação pode ser medida pelo coeficiente de
correlação, cuja estimativa é obtida através da fórmula:
( X )( Y )
 XY  N
r
 ( X ) 2
 ( Y ) 2 
 X    Y  
2 2
 N   N 
O valor de r pode variar de – 1 a + 1. Os valores – 1 e + 1 indicam o máximo

de correlação; o sinal (+ ou –) indica o sentido da correlação; o valor 0 significa
independência das variáveis, isto é, não existe correlação.
Um problema a resolver é o de provar o valor de r obtido, a fim de verificar se
difere de zero, valor que deveria assumir, teoricamente, na ausência de correlação. Há
vários métodos para isso. Um deles consiste em calcular t através da fórmula:

263
r
t N 2
1 r 2
onde:
t = valor calculado do teste t com N – 2 graus de liberdade;
r = estimativa do coeficiente de correlação;
a) Obter a estimativa do coeficiente de correlação;
b) Aplicar o teste “t” e verificar se o valor de r é significativo.
TABELA 9.1 – COMPORTAMENTO DE CULTIVARES DE CEBOLA (Allium cepa L.) EM

RELAÇÃO AO CARÁTER BROTAMENTO E AO CARÁTER CAPACIDADE DE
ARMAZENAMENTO
Cultivares Caráter brotamento Caráter Capacidade de

(em dias) Armazenamento (em %)
BAIA DO CEDO SMJ-III 76,1 30,0
BAIA DO CEDO SMP-V 68,1 65,0
BAIA PERIFORME 104,8 50,0
BAIA SETE VOLTAS 71,5 60,0
BAIA TRIUNFO SMJ-II 87,3 70,0
BARREIRO ROXA SMP-IV 73,8 35,0
BARREIRO SMJ-II 60,2 25,0
BARREIRO SMP-III 65,4 15,0
CIGANINHA 39,9 0,0
COJUMATLAN L. 2691 25,6 30,0
CREOLA 80,5 90,0
CREOLA CATARINENSE 97,5 80,0
EXCEL BERMUDAS 986 38,2 15,0
IPA-2 72,0 55,0
PIRA COUTO 61,2 50,0
PIRA GRANA 75,5 50,0
PIRA LOPES A/C 49,4 40,0
PIRA LOPES A/R 53,0 20,0
PIRA OURO A/R 73,1 25,0
PIRA PERA A/C 58,4 10,0
PIRA TROPICAL 50,0 20,0
ROXA CHATA SMP-IV 30,5 15,0
TEXAS GRANO 50,0 30,0

264
TUBARÃO 80,4 40,0
WHITE CREOLE 44,8 35,0
Resolução:
a) Estimativa do Coeficiente de Correlação:
X = caráter brotamento (em dias);
Y = caráter capacidade de armazenamento (em %);
X = 76,1 + 68,1 + ... + 44,8 = 1.587,2
Y = 30,0 + 65,0 + ... + 35,0 = 955,0
X2 = (76,1)2 + (68,1)2 + ... + (44,8)2
= 5.791,21 + 4.637,61 + ... + 2.007,04 = 110.220,82
Y2 = (30,0)2 + (65,0)2 + ... + (35,0)2
= 900,0 + 4.225,0 + ... + 1.225,0 = 48.925,0
XY = (79,1 x 30,0) + (68,1 x 65,0) + ... + (44,8 x 35,0)
= 2.373,0 + 4.426,5 + ... + 1.568,0 = 67.789,5
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 

265
67.789,5  60.631,04
=
110.220,82  110.768,1548.925,0  36.481,0
7.158,46
=
9.452,6712.444,0
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
t Tabelado (1%) = 2,81
t Tabelado (5%) = 2,07
O valor de r (0,66**) foi significativo no nível de 1% de probabilidade pelo teste

“t”, indicando que existe uma correlação positiva entre os caracteres brotamento e
capacidade de armazenamento, ou seja, quanto maior o período de brotamento de bulbos
de cebola, maior será a capacidade de armazenamento dos mesmos.
Podem-se representar graficamente os coeficientes de correlação, bastando
apenas colocar os dados sobre dois eixos (diagrama de dispersão). A seguir, apresentar-
se-ão, através da FIGURA 9.2, diversos tipos de diagramas de dispersão com seus
coeficientes de correlação associados, os quais servirão de modelo para a interpretação
gráfica de tais coeficientes.

266
FIGURA 9.2 – DIVERSOS TIPOS DE DIAGRAMAS DE DISPERSÃO COM SEUS COEFICIENTES

DE CORRELAÇÃO ASSOCIADOS
9.2 Coeficiente de Determinação
O coeficiente de determinação ( R 2 ) é uma medida estatística que representa a

porcentagem de variação em Y (variável dependente) que está sendo explicada pela
equação de regressão.
No caso de dados com repetições, a estimativa do coeficiente de determinação é
obtida através da fórmula:
SQ Re gressão x 100
R2 
SQ Tratamentos
onde:

267
SQ Regressão = soma das SQ Regressão até a regressão de maior grau que apresentou
significância estatística pelo teste F na análise de variância;
SQ Tratamentos = soma de quadrados de tratamentos da análise de variância.
No caso de dados sem repetições, a sua estimativa é obtida através da fórmula:
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 .
R 2  r 
2
= 0,662 = 0,4356
O valor de R 2 (0,4356) explica apenas 43,56% da relação positiva entre o

período de brotamento de bulbos de cebola e a sua capacidade de armazenamento,
enquanto que o restante da variação (56,44%) não é explicado por essa relação.
9.3 Regressão Linear na Análise de Variância
Já foi visto anteriormente, no Capítulo 4, que a análise de variância só tem

validade se o pesquisador atender as suas suposições. Uma delas é que os erros de
observação devem ser independentes, consequentemente não correlacionados. Quando
esta hipótese não se verifica, a análise de variância deve refletir a dependência entre os
erros de observação, sob pena de não ser válida. Assim acontece no caso em que os
tratamentos são quantitativos (doses crescentes de um fertilizante ou de um fungicida, ou
datas de semeadura, por exemplo) com mais de dois níveis, e se justifica a existência de
uma correspondência funcional, chamada equação de regressão, que ligue os valores dos
tratamentos (X) aos dados analisados (Y).
O procedimento de análise de variância é o seguinte:
a) Analisam-se os dados experimentais da variável Y de acordo com o
delineamento estatístico utilizado;
b) Calcula-se a Soma de Quadrados de Regressão Linear através da seguinte
fórmula:

268
( 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;
c) Calcula-se a Soma de Quadrados de Desvios de Regressão pela diferença entre

a Soma de Quadrados de Tratamentos e a Soma de Quadrados de Regressão Linear;
d) Obtêm-se os Graus de Liberdade de Regressão Linear e de Desvios de
Regressão da seguinte maneira:
Regressão Linear = 1 GL
Desvios de Regressão = t – 2 GL
onde:
t = número de tratamentos (variável X);
e) Calculam-se os Quadrados Médios de Regressão Linear e de Desvios de

Regressão dividindo-se suas Somas de Quadrados pelos seus respectivos Graus de
Liberdade;
f) A significância estatística da Regressão Linear e dos Desvios de Regressão é
dada pelo teste F, sendo que os valores dos F’s calculados são obtidos da seguinte
maneira:
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
g) No caso de ser significativo apenas a Regressão Linear, calcula-se a equação

de regressão (Ŷ = a + bX) para se obterem os valores médios esperados de tratamentos.
Com estes valores médios esperados e as médias observadas de tratamentos podem-se
calcular os desvios, cuja soma algébrica deve ser nula;
h) Em caso contrário, ou seja, se os Desvios de Regressão forem significativos
indicam a existência de outros tipos de regressão (Regressão Quadrática, Regressão
Cúbica, etc.). Neste caso, deve-se fazer o desdobramento dos Graus de Liberdade de
Desvios de Regressão nos seus diversos tipos, através do método dos polinômios
ortogonais, o qual será visto posteriormente.
269
c) Fazer a análise da variância levando-se em conta a regressão linear;
d) Obter a equação de regressão linear, acompanhada de tabela de médias e de
gráfico;
e) Obter o coeficiente de determinação.
TABELA 9.2 - DADOS DE ALTURA (EM CENTÍMETROS) DE PLANTAS DE ALFACE (Lactuca

sativa L.) EM RELAÇÃO AOS NÍVEIS DE ADUBAÇÃO ORGÂNICA (ESTERCO DE
BOI)
Tratamentos I II III IV V VI Totais de Tratamentos
0+ 8,07 12,69 6,65 7,68 8,34 8,07 51,50
20 8,17 12,96 8,85 7,61 7,60 10,84 54,03
30 13,80 8,00 9,80 9,56 8,63 10,11 59,90
40 13,27 12,71 9,22 12,10 10,60 12,21 70,11
FONTR: SILVA e FERREIRA (1985).

NOTA: (+) kg de esterco de boi/3,6 m2.
Resolução:
a)Análise da Variância:
t = 4
r = 6
N = txr
= 4 x 6 = 24
= 4 –1 = 3

270
= 4 (6 – 1)
= 4 (5) = 20
GL Total = t x r – 1
= 4x6 – 1
= 24 – 1 = 23
Y = 8,07 + 8,17 + ... + 12,21 = 235,54
Y2 = (8,07)2 + (8,17)2 + ... + (12,21)2
= 65,1249 + 66,7489 + … + 149,0841 = 2.427,9192

( Y )
2
SQ Total   Y  2
 2.427,9192 
235,54
2
24
55.479,0916
= 2.427,9192 
24
 2.427,9192  2.311,6288  116,2904
T
2
 Y  2
SQ Tratamentos  
r N
=
51,502  54,032  59,902  70,112 
235,542
6 24
2.652,25  2.919,2409  3.588,01  4.915,4121 55.479,0916

= 
6 24
14.074,913 55.479,0916
= 
6 24
= 2.345,8188 – 2.311,6288 = 34,19
= 116,2904 – 34,19 = 82,1004

271
SQ Tratamentos
QM Tratamentos =
GL Tratamentos
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
TABELA 9.3 – ANÁLISE DA VARIÂNCIA DO EFEITO DE NÍVEIS DE ADUBAÇÃO ORGÂNICA

(ESTERCO DE BOI) NA ALTURA DE PLANTAS DE ALFACE (Lactuca sativa L.)
VIÇOSA – AL. 1985
Adubação Orgânica 3 34,1900 11,396667 2,78 ns
Resíduo 20 82,1004 4,105020
Total 23 116,2904
NOTA: (ns) Não significativo no nível de 5% de probabilidade.
De acordo com o teste F, não houve diferença significativa, no nível de 5% de

probabilidade, entre os níveis de adubação orgânica em relação à altura de plantas de
alface.
O fato de não ser levado em conta à regressão o resultado obtido pelo teste F
estaria em desacordo com a realidade, pois se verifica uma tendência de aumento da
altura de plantas de alface com o aumento no nível de adubação orgânica. Portanto, para
que seja feita uma análise correta há necessidade do emprego da regressão na análise da
variância, pois se trata de tratamentos quantitativos e têm-se mais de dois níveis de
adubação orgânica.

272
 Y 
mˆ 
N
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

regular.
c) Análise da Variância com Regressão Linear:
GL de Regressão Linear = 1
GL de Desvios de Regressão = t – 2
= 4 – 2 = 2
N = txr
= 4 x 6 = 24
 X  0,0 x 6  (20,0 x 6)  (30,0 x 6)  (40,0 x 6)

= 0,0 + 120,0 + 180,0 + 240,0 = 540,0
Y  8,07  8,17  ...  12,21  235,54

X 2
       
 (0,0) 2 x 6  (20,0) 2 x 6  (30,0) 2 x 6  (40,0) 2 x 6
= (0,0 x 6)  (400,0 x 6)  (900,0 x 6)  (1.600,0 x 6)
= (0,0)  (2.400,0)  (5.400,0)  (9.600,0) = 17.400,0

273
 XY  (0,0 x 8,07)  (20,0 x 8,17)  ...  (40,0 x 12,21)

= 0,0 + 163,4 + ... + 488,4 = 5.682,0
( 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 Desvios de Regressão = SQ Tratamentos – SQ Regressão Linear
= 34,1900 – 27,846004 = 6,343996
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

274
QM Re síduo
27,846004
=  6,78
4,105020
F Calculado para Desvios de Regressão =
QM Re síduo
3,171998
=  0,773
4,105020
F Tabelado (1%) para Regressão Linear = 8,10
F Tabelado (5%) para Regressão Linear = 4,35
F Tabelado (1%) para Desvios de Regressão = 0,005
F Tabelado (5%) para Desvios de Regressão = 0,0254
Agora, a TABELA 9.3 fica da seguinte maneira:

TABELA 9.3 – ANÁLISE DA VARIÂNCIA DO EFEITO DE NÍVEIS DE ADUBAÇÃO ORGÂNICA
(ESTERCO DE BOI) NA ALTURA DE PLANTAS DE ALFACE (Lactuca sativa L.).
VIÇOSA-AL, 1985
(Adubação Orgânica) (3) (34,190000) - -

Regressão Linear 1 27,846004 27,846004 6,78 *
Desvios de Regressão 2 6,343996 3,171998 0,773 ns
Resíduo 20 82,100400 4,105020
Total 23 116,290400
NOTAS: (ns) Não significativo no nível de 5% de probabilidade.


Houve diferença significativa, no nível de 5% de probabilidade, para a regressão
linear, indicando que quando aumenta o nível de adubação orgânica (esterco de boi)
ocorre um incremento na altura de plantas de alface.
Não houve diferença significativa, no nível de 5% de probabilidade, para os
desvios de regressão, indicando que a relação entre os níveis de adubação orgânica
(esterco de boi) e altura de plantas de alface é determinada apenas pela regressão linear.
d) Equação de Regressão Linear Acompanhada de Tabela de Médias e de
Gráfico:
275
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
= 9,814167  0,072829 x 22,5
= 9,814167  1,638653 = 8,175514
Yˆ  a  bX
= 8,175514 + 0,072829 X
Médias Esperadas:

276

m0  8,175514  0,072829 x 0,0
= 8,175514 + 0,0  8,18
ˆ 20  8,175514  0,072829 x 20,0

m
= 8,175514 + 1,45658  9,63
ˆ 30  8,175514  0,072829 x 30,0

m
= 8,175514 + 2,18487  10,36
ˆ 40  8,175514  0,072829 x 40,0

m
= 8,175514 + 2,91316  11,09
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
TABELA 9.4 – EFEITO DE NÍVEIS DE ADUBAÇÃO ORGÂNICA (ESTERCO DE BOI) NA

ALTURA DE PLANTAS DE ALFACE (Lactuva sativa L.). VIÇOSA-AL, 1985

277
Níveis de Adubação Orgânica Médias (cm) Desvios de
Esperada (A) Observada (B) Regressão (A – B)
0 Kg de Esterco de boi/3,6 m2 8,18 8,58 – 0,40
20 Kg de Esterco de boi/3,6 m2 9,63 9,01 0,62
30 Kg de Esterco de boi/3,6 m2 10,36 9,98 0,38
40 Kg de Esterco de boi/3,6 m2 11,09 11,69 – 0,60
FIGURA 9.3 – EFEITO DE NÍVEIS DE ADUBAÇÃO ORGÂNICA (ESTERCO DE BOI) NA

ALTURA DE PLANTAS DE ALFACE (Lactuca sativa L.) VIÇOSA – AL. 1985
Verifica-se que quando aumenta o nível de adubação orgânica (esterco de boi)

ocorre um incremento na altura de plantas de alface de forma aproximadamente linear,
conforme TABELA 9.4 e FIGURA 9.3.
d) Coeficiente de determinação:
R2 
SQ Tratamentos
278
27,846004 x 100
=
34,190000
2.784,6004
=  81,44%
34,1900
O valor de R 2 explica 81,44% do incremento na altura média de plantas de alface

em função do aumento do nível de adubação orgânica (esterco de boi) determinado pela
equação linear.
Diante deste exemplo, fica evidente a importância da regressão na análise de
variância. Se a regressão não fosse empregada, a conclusão tirada acerca dos tratamentos
não seria condizente com a realidade.
9.4 Análise de Regressão Através de Polinômios Ortogonais
O método de regressão usado anteriormente na análise de variância é próprio

para o caso de Regressão Linear. Quando, porém, os Desvios de Regressão forem
significativos, deve-se, então, utilizar o método dos polinômios ortogonais.
Neste método, o procedimento de análise de variância é o seguinte:
a) Analisam-se os dados experimentais da variável Y de acordo com o
delineamento estatístico utilizado;
b) Calculam-se as Somas de Quadrados de Regressão através das seguintes
fórmulas:
( 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

279
do outro grupo (tN), para o caso dos experimentos complexos (fatorial, parcelas
subdivididas, etc.);
c) Como, geralmente, na pesquisa agropecuária ocorre efeito significativo até a

Regressão de 4º Grau e quando existem Graus de Liberdade disponíveis, calcula-se a
Soma de Quadrados de Desvios de Regressão pela diferença entre a Soma de Quadrados
de Tratamentos e as Somas de Quadrados de Regressão;
d) Obtêm-se os Graus de Liberdade das Regressões e de Desvios de Regressão da
seguinte maneira:
Regressão Linear = 1 GL
Regressão Quadrática = 1 GL
Regressão Cúbica = 1 GL
Regressão de 4º Grau = 1 GL
Desvios de Regressão = GL Tratamentos – (GL Regressão Linear +
GL Regressão Quadrática + GL Regressão Cúbica +
GL Regressão de 4º Grau)
e) Calculam-se os Quadrados Médios de Regressão e de Desvios de Regressão

dividindo-se suas Somas de Quadrados pelos seus respectivos Graus de Liberdade;
f) A significância estatística das Regressões e de Desvios de Regressão é dada
pelo teste F, sendo que os valores dos F’s calculados são obtidos dividindo-se seus
respectivos Quadrados Médios pelo Quadrado Médio do Resíduo;
g) Calcula-se a equação de regressão a partir da regressão de maior grau que
apresentou significância estatística pelo teste F. Por exemplo, se fosse a Regressão de 4º
Grau que apresentasse significância estatística, a equação de regressão ficaria assim
constituída:
Y – Y = B1M1P1 + B2M2P2 + B3M3P3 + B4M4P4
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);

280
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 multiplicado pelo número de tratamentos do outro grupo que
não está em evidência, para o caso dos experimentos complexos (fatorial, parcelas
subdivididas, etc.);
M = constantes, obtidas em tabela (TABELA A-14);

P1 = polinômios ortogonais do 1º grau, obtidos através da fórmula:
P1 = x
sendo
XX
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
h) Com a equação de regressão obtêm-se os valores médios esperados de

tratamentos. Com tais valores médios esperados e com as médias observadas de
tratamentos podem-se calcular os desvios, cuja soma algébrica deve ser nula.
É preciso ressaltar que este procedimento só é válido quando os níveis de
tratamentos são igualmente espaçados.
Exemplo 3: A partir dos dados das TABELAS 9.5 e 9.6, pede-se:
a) Fazer a análise da variância levando-se em conta a regressão, através da
utilização do método dos polinômios ortogonais;

281
b) Obter a equação de regressão, acompanhada de tabela de médias e de gráfico;
c) Obter o coeficiente de determinação.
TABELA 9.5 – DADOS DE PRODUÇÃO (em kg/parcela) DE MILHO (Zea mays L.) EM RELAÇÃO
AOS NÍVEIS DE ADUBAÇÃO FOSFATADA
0* 3,38 5,77 4,90 4,54 18,59
25 7,15 9,78 9,99 10,10 37,02
50 10,07 9,73 7,92 9,48 37,20
75 9,55 8,95 10,24 8,66 37,40
100 9,14 10,17 9,75 9,50 38,56
Totais de Blocos 39,29 44,40 42,80 42,28 168,77

NOTA: (*): kg de P2 O5/ha.
TABELA 9.6 – ANÁLISE DA VARIÂNCIA E COEFICIENTE DE VARIAÇÃO DO EFEITO DE

NÍVEIS DE ADUBAÇÃO FOSFATADA NA PRODUÇÃO DE MILHO (Zea mays L.)
Adubação Fosfatada 4 72,22 18,055 19,84**

Blocos 3 2,73 - -
Resíduo 12 10,92 0,910
Total 19 85,87

Resolução:
a) Análise da Variância com Regressão:
GL Regressão Linear = 1

282
GL Regressão Quadrática = 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
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

283
=
(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

284
QM Re gressão Linear 
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 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

285
1,072603
=  1,18
0,910
F Tabelado (1%) para as Regressões = 9,33
TABELA 9.6 – ANÁLISE DA VARIÂNCIA E COEFICIENTE DE VARIAÇÃO DO EFEITO DE

NÍVEIS DE ADUBAÇÃO FOSFATADA NA PRODUÇÃO DE MILHO (Zea mays
L.). PIRACICABA-SP, 1985
(Adubação Fosfatada) (4) (72,220000) - -

Regressão Linear 1 40,642560 40,642560 44,66 **
Regressão Quadrática 1 21,279114 21,279114 23,38 **
Regressão Cúbica 1 9,225603 9,225603 10,14 **
Regressão de 4º Grau 1 1,072603 1,072603 1,18 ns
Blocos 3 2,730000 - -
Resíduo 12 10,920000 0,910000
Total 19 85,870000
Coeficiente de Variação (%) 11,30


Houve diferença significativa, no nível de 1% de probabilidade, para as
Regressões Linear, Quadrática e Cúbica, indicando que a equação de 3º grau explica o
aumento da produção de milho em função dos níveis de adubação fosfatada.
Não houve diferença significativa, no nível de 5% de probabilidade, para a
Regressão de 4º Grau, indicando que a relação entre níveis de adubação fosfatada e
produção de milho é determinada apenas pela equação de 3º grau.
b) Equação de Regressão Acompanhada de Tabela de Médias e de Gráfico:
Y 
Y
N

286
168,77
= = 8,4385
20
B1 
C T1
rK1
(2 x 18,59)  (1 x 37,02)  (0 x 37,20)  (1 x 37,40)  (2 x 38,56)

=
4 x 10
( 37,18)  ( 37,02)  (0,00)  (37,40)  (77,12)

=
40
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
(37,18)  ( 37,02)  ( 74,40)  ( 37,40)  (77,12)

=
56
 34,52
= = – 0,616428571
56
B3 
C T3
rK 3
(1 x 18,59)  (2 x 37,02)  (0 x 37,20)  (2 x 37,40)  (1 x 38,56)

=
4 x 10
( 18,59)  (74,04)  (0,00)  ( 74,80)  (38,56)

=
40
19,21
= = 0,48025
40
M1 = 1
M2 = 1

287
5
M3 =
6
= 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
= 8,4385 + [1,008 x 1 (x)] + [– 0,616428571 x 1 (x2 – 2)] +
[0,48025 x 0,833333333 (x3 – 3,4 x) ]
= 8,4385 + 1,008 x – 0,616428571 x2 + 1,232857142 +
0,400208333 x3 – 1,360708333 x

288
= 9,671357142 – 0,352708333 x – 0,616428571 x2 + 0,400208333 x3
A variável auxiliar x é dada pela equação:
XX
x
q
onde, neste caso, tem-se:
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
XX
x
q
X  50,0
=
25
= 0,04 X – 2
Substituindo a variável auxiliar x na equação de regressão, tem-se:
Y = 9,671357142 – 0,352708333 (0,04 X – 2) –
0,616428571 (0,04 X – 2 )2 + 0,400208333 (0,04 X – 2 )3
= 9,671357142 – 0,014108333 X + 0,705416666 –

0,616428571 (0,0016 X2 – 0,16 X + 4) +
0,400208333 (0,000064 X3 – 0,0096 X2 + 0,48 X – 8)
= 9,671357142 – 0,014108333 X + 0,705416666 – 0,000986285 X2 +
0,098628571 X – 2,465714284 + 0,000025613 X3 –

289
0,003841999 X2 + 0,192099999 X – 3,201666664
= 4,70939286 + 0,276620237 X – 0,004828284 X2 + 0,000025613 X3
Médias Esperadas:
m̂0 = 4,70939286 + 0,276620237 (0,0) –
0,004828284 (0,0)2 + 0,000025613 (0,0)3
= 4,70939286 + 0,0 – 0,0 + 0,0  4,7094
m̂25 = 4,70939286 + 0,276620237 (25,0) –
0,004828284 (25,0)2 + 0,000025613 (25,0)3
= 4,70939286 + 6,915505925 – 0,004828284 (625) +
0,000025613 (15.625)
= 4,70939286 + 6,915505925 – 3,0176775 + 0,400203125  9,0074
m̂50 = 4,70939286 + 0,276620237 (50,0) –
0,004828284 (50,0)2 + 0,000025613 (50,0)3
= 4,70939286 + 13,83101185 – 0,004828284 (2.500) +
0,000025613 (125.000)
= 4,70939286 + 13,83101185 – 12,07071 + 3,201625  9,6713
m̂75 = 4,70939286 + 0,276620237 (75,0) –
0,004828284 (75,0)2 + 0,000025613 (75,0)3
= 4,70939286 + 20,74651778 – 0,004828284 (5.625) +
0,000025613 (421.875)
= 4,70939286 + 20,74651778 – 27,1590975 + 10,80548438  9,1023
m̂100 = 4,70939286 + 0,276620237 (100,0) –
0,004828284 (100,0)2 + 0,000025613 (100,0)3

290
= 4,70939286 + 27,6620237 – 0,004828284 (10.000) +
0,000025613 (1.000.000)
= 4,70939286 + 27,6620237 – 48,28284 + 25,613  9,7016
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
TABELA 9.7 – EFEITO DE NÍVEIS DE ADUBAÇÃO FOSFATADA NA PRODUÇÃO DE MILHO

(Zea mays L.). PIRACICABA – SP, 1985
Níveis de Adubação Médias (kg/parcela) Desvios de Regressão

Fosfatada Esperada (A) Observada (B) (A – B)

291
O kg de P2 O5/ha 4,7094 4,6475 0,0619
25 kg de P2 O5/ha 9,0074 9,2550 – 0,2476
50 kg de P2 O5/ha 9,6713 9,3000 0,3713
75 kg de P2 O5/ha 9,1023 9,3500 – 0,2477
100 kg de P2 O5/ha 9,7016 9,6400 0,0616
FIGURA 9.4 – EFEITO DE NÍVEIS DE ADUBAÇÃO FOSFATADA NA PRODUÇÃO DE MILHO

(Zea mays L.). PIRACICABA – SP, 1985
Recomenda-se o nível de 50 kg de P2 O5/ha como o mais indicado para se ter

uma produção de milho economicamente viável, conforme TABELA 9.7 e FIGURA 9.4.
c) Coeficiente de determinação:
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.
9.5 Regressão Polinomial Aplicada a Dados Sem Repetição

292
Há casos, na pesquisa agropecuária, em que não há possibilidade de repetição

para os dados a serem coletados, como por exemplo, dados meteorológicos de uma
determinada região. Por outro lado, mesmo quando possível o uso de repetição, às vezes
não são utilizadas, por motivos vários. Contudo, tendo-se interesse em analisar os dados e
sabendo-se de antemão da impossibilidade de se obter uma estimativa exata do erro
experimental, o pesquisador pode utilizar o Quadrado Médio dos Desvios de Regressão
como resíduo.
Quanto ao procedimento de análise de variância, seguem-se os princípios da
análise de regressão através de polinômio ortogonais, com algumas modificações, como
será visto no exemplo a seguir:
a) Fazer a análise da variância através da utilização da regressão polinomial
aplicada a dados sem repetição;
b) Obter a equação de regressão, acompanhada de tabela de médias e de gráfico;
c) Obter o coeficiente de determinação.
TABELA 9.8 – DADOS DE TEMPERATURAS MÁXIMAS MÉDIAS DOS MESES DO ANO EM

MACEIÓ–AL (ºC)*, E DOS COEFICIENTES CORRESPONDENTES AOS

293
COMPONENTES LINEAR, QUADRÁTICO E CÚBICO, ALÉM DOS VALORES DE
KEM
Meses Temperatura Coeficiente Coeficiente Coeficiente

(Y) (C1) (C2) (C3)
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
K 572 12.012 5.148
2
M 2 3
3
FONTE: (*) Canal do Tempo.
Resolução:
a) Análise da Variância com Regressão:
GL Total = N – 1
= 12 – 1 = 11

294
GL Desvios de Regressão = GL Total –
(GL Regressão Linear + GL Regressão Quadrática +
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
 9.878  9.861,333333 = 16,666667
( C1Y ) 2
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
K2

295

(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
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 Desvios de Regressão = SQ Total –
(SQ Regressão Linear + SQ Regressão Quadrática + SQ Regressão Cúbica)
= 16,666667 – (1,006993 + 12,021312 + 0,898213)
= 16,666667 – 13,926518 = 2,740149
1,006993
  1,006993
1

296
12,021312
  12,021312
1
0,898213
  0,898213
1
SQ Desvios de Re gressão
QM Desvios de Regressão =
GL Desvios de Re gressão
2,740149
= = 0,342519
8
1,006993
  2,94
0,342519
12,021312
  35,10
0,342519
F Calculado para Regressão Cúbica =
0,898213
  2,62
0,342519
F Tabelado (1%) para as Regressões Linear, Quadrática e Cúbica = 12,25
F Tabelado (5%) para as Regressões Linear, Quadrática e Cúbica = 5,59

297
TABELA 9.9 - ANÁLISE DE VARIÂNCIA DE TEMPERATURAS MÁXIMAS MÉDIAS DOS

MESES DO ANO DO MUNICÍPIO DE MACEIÓ – AL
Regressão Linear 1 1,006993 1,006993 2,94 ns
Regressão Quadrática 1 12,021312 12,021312 35,10 **
Regressão Cúbica 1 0,898213 0,898213 2,62 ns
Desvios de Regressão (Resíduo) 8 2,740149 0,342519
Total 11 16,666667


Não houve diferença significativa, no nível de 5% de probabilidade, para as
Regressões Linear e Cúbica.
Houve diferença significativa, no nível de 1% de probabilidade, para a Regressão
Quadrática, indicando que a equação de 2º grau explica o comportamento da temperatura
máxima média em Maceió – AL em função dos meses do ano.
b) Equação de Regressão Acompanhada de Tabela de Médias e de Gráfico:
Y 
Y
N
344
= = 28,66666667
12
( C1Y )
B1 
K1
(11 x 30)  (9 x 30)  ...  (11 x 30)


572
( 330)  ( 270)  ...  (330)

=
572
 24
= = – 0,041958041
572

298
( C 2Y )
B2 
K2
(55 x 30)  (25 x 30)  ...  (55 x 30)


12.012
(1.650)  (750)  ...  (1.650)

=
12.012
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
= 28,66666667 + [– 0,041958041 x 2 ( x)] +
[0,031635031 x 3 (x2 – 11,91666667)]
= 28,66666667 – 0,083916082 x + 0,094905093 x2 – 1,130952359
= 27,53571431 – 0,083916082 x + 0,094905093 x2
XX
x
q

299
X 
X
N
1  2  ...  12
=
12
78
= = 6,5
12
q = 1
XX
x
q
X  6,5
=
1
= X – 6,5
Y = 27,53571431 – 0,083916082 (X – 6,5) + 0,094905093 (X – 6,5) 2
= 27,53571431 – 0,083916082 X + 0,545454533 +
0,094905093 (X2 – 13 X + 42,25)
= 27,53571431 – 0,083916082 X + 0,545454533 + 0,094905093 X2 –
1,233766209 X + 4,009740179
= 32,09090902 – 1,317682291 X + 0,094905093 X2
Médias Esperadas:
m̂ 1 = 32,09090902 – 1,317682291 (1) + 0,094905093 (1) 2
= 32,09090902 – 1,317682291 + 0,094905093  30,868
m̂ 2 = 32,09090902 – 1,317682291 (2) + 0,094905093 (2) 2
= 32,09090902 – 2,635364582 + 0,379620372  29,835
m̂ 3 = 32,09090902 – 1,317682291 (3) + 0,094905093 (3) 2
= 32,09090902 – 3,953046873 + 0,854145837  28,992

300
2
m̂ 4 = 32,09090902 – 1,317682291 (4) + 0,094905093 (4)
= 32,09090902 – 5,270729164 + 1,518481488  28,339

2
m̂ 5 = 32,09090902 – 1,317682291 (5) + 0,094905093 (5)
= 32,09090902 – 6,588411455 + 2,372627325  27,875
2
m̂ 6 = 32,09090902 – 1,317682291 (6) + 0,094905093 (6)
= 32,09090902 – 7,906093746 + 3,416583348  27,601

2
m̂ 7 = 32,09090902 – 1,317682291 (7) + 0,094905093 (7)
= 32,09090902 – 9,223776037 + 4,650349557  27,517

2
m̂ 8 = 32,09090902 – 1,317682291 (8) + 0,094905093 (8)
= 32,09090902 – 10,54145833 + 6,073925952  27,623

2
m̂ 9 = 32,09090902 – 1,317682291 (9) + 0,094905093 (9)
= 32,09090902 – 11,85914062 + 7,687312533  27,919
m̂ 10 = 32,09090902 – 1,317682291 (10) + 0,094905093 (10) 2
= 32,09090902 – 13,17682291 + 9,4905093  28,405

2
m̂ 11 = 32,09090902 – 1,317682291 (11) + 0,094905093 (11)
= 32,09090902 – 14,4945052 + 11,48351625  29,080
m̂ 12 = 32,09090902 – 1,317682291 (12) + 0,094905093 (12) 2
= 32,09090902 – 15,81218749 + 13,66633339  29,945
Médias Observadas:

m 1 = 30

m 2 = 30

m 3 = 30

m 4 = 29

301

m 5 = 28

m 6 = 27

m 7 = 27

m 8 = 27

m 9 = 28

m 10 = 29

m 11 = 29

m 12 = 30
TABELA 9.10 – EFEITO DE TEMPERATURAS MÁXIMAS MÉDIAS DOS MESES DO ANO NO

MUNICÍPIO DE MACEIÓ – AL
Meses do Ano no Município de Médias (°C) Desvios de Regressão

Maceió-AL Esperada (A) Observada (B) (A – B)
1 – Janeiro 30,868 30,000 0,868
2 – Fevereiro 29,835 30,000 – 0,165
3 – Março 28,992 30,000 – 1,008
4 – Abril 28,339 29,000 – 0,661
5 – Maio 27,875 28,000 – 0,125
6 – Junho 27,601 27,000 0,601
7 – Julho 27,517 27,000 0,517
8 – Agosto 27,623 27,000 0,623
9 – Setembro 27,919 28,000 – 0,081
10 – Outubro 28,405 29,000 – 0,595
11 – Novembro 29,080 29,000 0,080
12 – Dezembro 29,945 30,000 – 0,055

302
FIGURA 9.5 – EFEITO DE TEMPERATURAS MÁXIMAS MÉDIAS DOS MESES DO ANO NO

MUNICÍPIO DE MACEIÓ – AL
Verifica-se que as temperaturas máximas médias no Município de Maceió-AL

diminuem de janeiro até julho, onde alcança o seu menor valor, e volta a aumentar até
dezembro, conforme TABELA 9.10 e FIGURA 9.5.
c) Coeficiente de determinação:
R2 
SQ Total
13,028305 x 100
=
16,666667
1.302,8305
=  78,17%
16,666667
O valor de R 2 explica 78,17% do incremento nas temperaturas máximas médias

no Município de Maceió-AL em função dos meses do ano determinado pela equação de
regressão do 2º grau.
9.6 Exercícios
a) A partir dos dados da TABELA 9.11, pede-se:

303
a.1) Obter as estimativas dos coeficientes de correlação;
a.2) Verificar pelo teste “t” se os valores de r são significativos;
a.3) Obter as estimativas dos coeficientes de determinação;
a.4) Interprete os resultados obtidos das estimativas dos coeficientes e tire as
devidas conclusões.
TABELA 9.11 – EFEITO DE NÍVEIS DE ADUBAÇÃO ORGÂNICA (ESTERCO DE BOI) EM

ALFACE (Lactuca sativa L.) AVALIADO ATRAVÉS DAS VARIÁVEIS
DIÂMETRO DA PLANTA (X), NÚMERO TOTAL DE FOLHAS POR PLANTA
(Y) E NÚMERO DE FOLHAS COMERCIÁVEIS POR PLANTA (Z)
Níveis de Adubação Orgânica Variáveis
X Y Z
O kg de Esterco de Boi/3,6 m2 28,05 26,13 21,04
20 kg de Esterco de Boi/3,6 m2 26,06 25,49 19,28
FONTE: SILVA e FERREIRA (1985).
b) A partir dos dados das TABELAS 9.12 e 9.13, pede-se:

b.1) Fazer a análise da variância levando-se em conta a regressão, através da
utilização do método dos polinômios ortogonais;
b.2) Obter a equação de regressão, acompanhada de tabela de médias e de
gráfico;
b.3) Obter o coeficiente de determinação.
TABELA 9.12 - DADOS DE TOTAIS DE PRODUÇÃO DE CANA-DE-AÇÚCAR EM RELAÇÃO

AOS NÍVEIS DE ADUBAÇÃO FOSFATADA
Níveis de Adubação Fosfatada Totais (TCH)
O kg de P2 O5/ha 445,80
50 kg de P2 O5/ha 482,70
100 kg de P2 O5/ha 508,32
150 kg de P2 O5/ha 489,78
200 kg de P2 O5/ha 463,50
FONTE: CAMPOS, 1984.

304
TABELA 9.13 – ANÁLISE DA VARIÂNCIA DO EFEITO DE NÍVEIS DE ADUBAÇÃO

FOSFATADA NA PRODUÇÃO DE CANA-DE-AÇÚCAR
Adubação Fosfatada 4 387,8748 96,9687 10,92 **
Blocos 5 735,6497 - -
Resíduo 20 177,6581 8,8829
Total 29 1.301,1826
FONTE: CAMPOS, 1984.


305

305
EXPERIMENTOS
10 FATORIAIS
Os experimentos estudados nos capítulos anteriores são denominados de

experimentos simples, porque apresentam um grupo de tratamentos, permanecendo os
demais grupos constantes. Por exemplo, quando estuda-se o comportamento de cultivares
de milho numa determinada região, todos os demais grupos de tratamentos como época
de plantio, espaçamento, adubação, tratos culturais, época de colheita, etc., são mantidos
constantes, isto é, são os mesmos para todas as cultivares de milho estudadas.
Existem, contudo, casos em que vários grupos de tratamentos são estudados
simultaneamente para que possam conduzir a resultados de interesse, como por exemplo,
o estudo de efeito de diferentes espaçamentos em cultivares de milho numa determinada
região. Para tanto, utilizam-se dos experimentos fatoriais, que são aqueles que incluem
todas as combinações possíveis entre dois ou mais grupos de tratamentos.
Nos experimentos fatoriais dois termos devem ser definidos: fator e nível. Um
fator é qualquer grupo de tratamentos avaliado, enquanto que nível é qualquer uma das
subdivisões dentro do fator. Por exemplo: pode-se, num experimento fatorial, combinar
cinco cultivares com dois espaçamentos; então, os fatores serão cultivares e
espaçamentos, sendo que o fator cultivares ocorre em cinco níveis e o fator espaçamentos
ocorre em dois níveis. Os tratamentos, nesse experimento, serão:
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;

306
tipos de poda e doses de fungicida; tipos de ração e doses de vermífugo; raças e níveis de
inclusão de um alimento na ração; etc..
Quanto aos experimentos fatoriais quantitativos, tem-se especial valor, nos
experimentos de adubação, os fatoriais da série 2n e da série 3n, ou qualquer outra série
semelhante. Nestes casos, a base representa o número de níveis de cada nutriente e o
expoente n, indica o número de nutrientes a ser usado (fatores). Por exemplo, o 23 = 2 x 2
x 2 poderia ser o estudo de N, P, K, nos níveis 0 e 1. Tem-se, então, 8 combinações ou
tratamentos a saber: N0 P0 K0; N0 P0 K1; N0 P1 K0; N0 P1 K1; N1 P0 K0; N1 P0 K1; N1 P1 K0;
N1 P1 K1. Contudo, os mais comuns são os da série: 33 = 3 x 3 x 3, onde se usam três
nutrientes (N, P, K) em três níveis (0, 1, 2), cada um. Têm-se, então, 27 combinações ou
tratamentos, a saber: N0 P0 K0; N0 P0 K1; N0 P0 K2; N0 P1 K0; N0 P1 K1; N0 P1 K2; N0 P2 K0;
N0 P2 K1; N0 P2 K2; N1 P0 K0; N1 P0 K1; N1 P0 K2; N1 P1 K0; N1 P1 K1; N1 P1 K2; N1 P2 K0;
N1 P2 K1; N1 P2 K2; N2 P0 K0; N2 P0 K1; N2 P0 K2; N2 P1 K0; N2 P1 K1; N2 P1 K2; N2 P2 K0;
N2 P2 K1; N2 P2 K2. Fato semelhante ocorre com os agroquímicos, que podem ser usados
ou avaliados em doses diferentes.
Os experimentos fatoriais não constituem um delineamento estatístico e sim um
esquema orientado de desdobramento de graus de liberdade de tratamentos, e podem ser
instalados em qualquer um dos delineamentos já estudados.
As principais vantagens dos experimentos fatoriais em relação aos experimentos
simples são as seguintes:
a) Melhor utilização dos recursos dando maior eficiência – Os experimentos
fatoriais utilizam melhor os recursos do que os experimentos simples, com mão-de-obra
reduzida em função da redução da área experimental, além da redução do tempo e dos
recursos financeiros empregados, proporcionando uma maior eficiência, tendo em vista
que são estudados ao mesmo tempo dois ou mais fatores. Por exemplo, se fosse estudado
em um experimento, só competição de cultivares, sem variação de espaçamentos, e, em
outro experimento, só espaçamentos, com uma cultivar apenas, não seria permitido tirar
conclusões mais abrangentes, tendo em vista que no primeiro experimento poderia-se
chegar à conclusão que uma cultivar se destacou perante as outras somente para aquele
tipo de espaçamento utilizado, e no outro experimento, que um tipo de espaçamento
sobrepujou os demais com a utilização daquela cultivar. Se, por outro lado, fosse
estudado através de um experimento fatorial, chegaria-se, sem sombra de dúvidas, a
conclusões mais gerais a respeito destes grupos de tratamentos, pois teria-se condições de
julgar o comportamento de todas as cultivares em todos os espaçamentos em um único
experimento.
b) Permitem estudar os efeitos principais dos fatores e os efeitos das
interações entre os fatores – Como em tais experimentos dois ou mais fatores são
estudados ao mesmo tempo, pode-se estudar o efeito principal de cada um dos fatores e o
efeito da interação entre dois fatores. Por exemplo, se num experimento fatorial for
estudado o comportamento de diversas cultivares de soja em diversas épocas de plantio e
for analisado a produção de grãos (kg/parcela), pode-se avaliar, isoladamente, o efeito de
cultivares e o efeito de épocas de plantio na produção de grãos de soja, bem como avaliar
o efeito da interação cultivares x épocas de plantio na produção de grãos de soja, ou seja,
se o comportamento das cultivares de soja é ou não o mesmo dentro dos níveis de épocas
de plantio. Já nos experimentos simples isto é impossível.

307
Apesar de largamente usados na pesquisa agropecuária, os experimentos fatoriais
não podem ser aplicados indiscriminadamente, pois apresentam as seguintes
desvantagens:
a) A análise estatística é mais trabalhosa - Em tais experimentos, a análise
estatística é mais trabalhosa do que os experimentos simples, tendo em vista que, além de
se fazer a análise da variância preliminar, que é feita de acordo com o delineamento
estatístico utilizado, faz-se o desdobramento dos graus de liberdade de tratamentos no
esquema fatorial. Ainda, a interpretação dos resultados se torna mais difícil à medida que
aumenta o número de fatores e/ou de níveis no experimento.
b) O número de tratamentos ou combinações cresce rapidamente,
dificultando a instalação do experimento – Quando cresce o número de fatores ou
níveis, eleva-se muito o número de parcelas, como por exemplo, um ensaio fatorial de 6 x
4 x 2 com duas repetições, que dá um total de 96 parcelas, trazendo, com isso,
dificuldades na instalação do experimento. Estas dificuldades, como se sabe, dizem
respeito a homogeneidade da área experimental, bem como da disponibilidade de
material ou elemento humano.
Para contornar esta desvantagem surgiram várias alternativas, tais como:
(b.1) Uso de blocos incompletos – são aqueles que não contém todos os
tratamentos, sendo os mais simples os blocos incompletos equilibrados, com análise
intrablocos;
(b.2) Uso da técnica do confundimento – consiste em subdividir cada bloco em
sub-blocos homogêneos, de modo que se possa confundir um ou mais efeitos de
tratamentos (geralmente interações de menor interesse) com efeito de blocos. Constitui-se
na alternativa mais usada na prática;
(b.3) Uso de fatoriais fracionários – são aqueles que usam uma fração ou uma
parte de todas as possíveis combinações do fatorial.
Tendo em vista que os experimentos fatoriais podem se instalados em qualquer

um dos delineamentos já estudados, em função dos mesmos não se constituírem num
delineamento estatístico e sim, num esquema orientado de desdobramento de graus de
liberdade de tratamentos, deve-se, então, definir, inicialmente, qual o delineamento
estatístico que será utilizado; posteriormente, deve-se seguir à risca o que determina tal
delineamento, no que se refere à instalação do experimento.
Os experimentos fatoriais podem ser instalados em qualquer um dos

delineamentos estatísticos já estudados. Em função disso, será feito uma abordagem
apenas em torno do delineamento em blocos casualizados, por ser o mais utilizado na
pesquisa agropecuária. Por outro lado, toda discussão feita é válida aos outros
delineamentos.
Considerando um experimento fatorial 3 x 2, onde combinam-se três tratamentos
A (A0, A1, A2) e dois tratamentos B (B0, B1), e quatro repetições, então tem-se o seguinte
quadro auxiliar da análise da variância:

308
Blocos
Totais de
Tratamentos
I II III IV Tratamentos
A0 B0 X (A0 B0) I X (A0 B0) II X (A0 B0) III X (A0 B0) IV T A0 B0
Totais de Blocos BI BII BIII BIV
O quadro auxiliar da análise de variância acima é utilizado para analisar a parte

inferior do quadro da análise da variância do experimento fatorial, que na verdade
corresponde a uma análise de variância do delineamento em blocos casualizados. Este
procedimento é chamado de análise preliminar.
A parte superior do quadro da análise da variância do experimento fatorial, que
corresponde ao desdobramento dos graus de liberdade de tratamentos no esquema
fatorial, é obtida a partir de uma análise efetuada numa tabela, proveniente do quadro
auxiliar anterior, chamada de dupla entrada, conforme se verifica a seguir:
Tabela de Dupla Entrada

Tratamentos B
Tratamentos A Totais de Tratamentos A
B0 B1
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

309
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 - -
Blocos r–1 SQ Blocos -
Resíduo (t – 1 ) (r – 1) SQ Resíduo QM Resíduo
Total txr–1
onde:
t = número de tratamentos (combinações);
tA = número de tratamentos A;
tB = número de tratamentos B;
SQ Total =   2 
  2

onde:
SQ Tratamentos =
 T( AB
2
)

  2
r 

310
onde:
T ( AB ) = total de cada combinação (AB);
  2   
2
SQ Blocos = 
t 
onde:
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 Interação A x B = SQ Tratamentos – (SQ Tratamentos A + SQ Tratamentos 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
Vejam-se, a seguir, algumas considerações importantes a respeito da

interpretação do teste F nos experimentos fatoriais:
a) O teste F para Tratamentos A irá dizer se eles diferem entre si, sem levar em
conta os Tratamentos B;
b) O teste F para Tratamentos B irá dizer se eles diferem entre si, sem levar em
conta os Tratamentos A;

311
c) O teste F para a Interação A x B irá dizer se o comportamento dos
Tratamentos A é influenciado pelo tipo de Tratamento B ou de modo análogo, se os
Tratamentos B apresentam resultados diferentes conforme o Tratamento A utilizado;
d) A Interação A x B apresentando F não significativo, indica que o
comportamento dos Tratamentos A independe dos Tratamentos B e vice-versa. Neste
caso, quando o fatorial for qualitativo, deve-se aplicar um teste de comparação de médias
adequado para cada um dos efeitos principais (fator A e B), desde que o teste F seja
significativo e se tenha mais de dois níveis. Quando o fatorial for quantitativo, deve-se
usar, para cada um dos efeitos principais (fator A e B), a regressão polinomial na análise
de variância e, em seguida, para cada fator, calcula-se a equação de regressão, a partir da
regressão de maior grau que apresentou significância estatística pelo teste F,
acompanhada de um gráfico. E quando o fatorial for misto, deve-se aplicar, para o efeito
principal qualitativo (fator A ou B), um teste de comparação de médias adequado, desde
que o teste F seja significativo e se tenha mais de dois níveis, e para o efeito principal
quantitativo (fator B ou A), a regressão polinomial na análise de variância e, em seguida,
calcula-se a equação de regressão, a partir da regressão de maior grau que apresentou
significância estatística pelo teste F, acompanhada de um gráfico;
e) A Interação A x B apresentando F significativo, indica que há influência dos
Tratamentos A sobre os Tratamentos B e vice-versa. Neste caso, não há necessidade de
se aplicar um teste de comparação de médias para os efeitos principais (fator A e B) se
eles forem qualitativos ou a regressão polinomial na análise de variância se eles forem
quantitativos e nem os dois procedimentos se o fatorial for misto, mas deve-se efetuar o
desdobramento dos graus de liberdade da Interação A x B sob uma das duas formas:
e.1) Entre Níveis de Tratamentos A Dentro de um Mesmo Nível de Tratamento
B:
Quadro da ANAVA
Tratamentos B tB – 1
Entre Tratamentos A Dentro do Tratamento B0 tA – 1
(Tratamentos) (t – 1)
Blocos r–1
Resíduo (t – 1) (r – 1)
Total txr–1
_____________________________________________________________________________________________
onde:
SQ Entre Tratamentos A Dentro do Tratamento B0

312
  Dentro de  02 ( 0 )
2
= 
r r x t
  Dentro de 12 (1 )

2
= 
r r x t
QM Entre Tratamentos A Dentro do Tratamento B0

=
t 1

=
t 1
F Calculado Entre Tratamentos A Dentro do Tratamento B0

=
QM Re síduo

=
QM Re síduo
e.2) Entre Níveis de Tratamentos B Dentro de um Mesmo Nível de Tratamento

A:
Quadro da ANAVA
Tratamentos A tA – 1
Entre Tratamentos B Dentro do Tratamento A0 tB – 1

(Tratamentos) (t – 1)
Blocos r–1

313
Resíduo (t – 1) (r – 1)
Total txr–1
onde:
SQ Entre Tratamentos B Dentro do Tratamento A0
  Dentro de  02 ( 0 )
2
= 
r r x t
  Dentro de 12 (1 )

2
= 
r r x t
  Dentro de  22 ( 2 )
2
= 
r r x t
QM Entre Tratamentos B Dentro do Tratamento A0

=
tB 1

=
tB 1

=
tB 1
F Calculado Entre Tratamentos B Dentro do Tratamento A0

=
QM Re síduo

=
QM Re síduo
314

=
QM Re síduo
f) Também, quando a Interação A x B apresenta F significativo, deve-se proceder

da seguinte maneira: se o fatorial for qualitativo, deve-se aplicar um teste de comparação
de médias adequado para comparar apenas um dos efeitos principais (fator A ou B)
dentro de cada nível do outro, sob uma das formas de desdobramento dos graus de
liberdade da Interação A x B, desde que o teste F seja significativo e se tenha mais de
dois níveis. Se o fatorial for quantitativo, deve-se usar apenas para um dos efeitos
principais (fator A ou B) dentro de cada nível do outro, sob uma das formas de
desdobramento dos graus de liberdade da Interação A x B, a regressão polinomial na
análise de variância e, em seguida, calcula-se a equação de regressão, para cada nível do
outro fator, a partir da regressão de maior grau que apresentou significância estatística
pelo teste F, acompanhada de um gráfico. Neste caso, recomenda-se, também, o uso de
superfície de resposta. E se o fatorial for misto, deve-se aplicar, apenas para o efeito
principal qualitativo (fator A ou B) dentro de cada nível do outro (fator quantitativo), um
teste de comparação de médias adequado, desde que o teste F seja significativo e se tenha
mais de dois níveis, ou apenas para o efeito principal quantitativo (fator B ou A) dentro
de cada nível do outro (fator qualitativo), a regressão polinomial na análise de variância
e, em seguida, calcula-se a equação de regressão para cada nível do outro, a partir da
acompanhada de um gráfico.
10.3 Exemplo com Interação Não Significativa
A fim de apresentar-se a análise de variância e a interpretação dos resultados de

um experimento fatorial, será discutido, a seguir, um exemplo com interação não
significativa.
a) Fazer a análise da variância no esquema fatorial de 11 x 3, inclusive levando-
se em conta a regressão polinomial para épocas de plantio;
c) Obter a equação de regressão, acompanhada de tabela de médias e de gráfico,
e o coeficiente de determinação para épocas de plantio;
d) Aplicar, se necessário, o teste de Tukey a 5% de probabilidade na comparação
de médias de cultivares.

315
TABELA 10.1 – EFEITO DE ÉPOCAS DE PLANTIO NA RESISTÊNCIA DE CULTIVARES DE ALHO (Allium

sativum L.) À Alternaria porri (Ell.) Cif., AGENTE CAUSAL DA MANCHA PÚRPURA, NO
MUNICÍPIO DE VIÇOSA-AL
Tratamentos * I II Totais de Tratamentos

A1 B1 1,73205 ** 1,73205 3,46410
A1 B2 1,73205 1,73205 3,46410
A1 B3 1,73205 1,41421 3,14626
A2 B1 2,23606 2,23606 4,47212
A2 B2 2,23606 2,23606 4,47212
A2 B3 2,00000 1,73205 3,73205
A3 B1 1,41421 1,41421 2,82842
A3 B2 1,41421 1,41421 2,82842
A3 B3 1,00000 1,41421 2,41421
A4 B1 2,23606 2,23606 4,47212
A4 B2 2,00000 2,23606 4,23606
A4 B3 2,00000 1,73205 3,73205
A5 B1 1,41421 1,41421 2,82842
A5 B2 1,41421 1,73205 3,14626
A5 B3 1,41421 2,00000 3,41241
A6 B1 2,00000 2,23606 4,23606
A6 B2 2,23606 2,00000 4,23606
A6 B3 2,00000 1,73205 3,73205
A7 B1 2,23606 2,23606 4,47212
A7 B2 2,00000 2,00000 4,00000
A7 B3 1,72205 1,41421 3,14626
A8 B1 2,23606 2,23606 4,47212
A8 B2 2,23606 2,23606 4,47212
A8 B3 2,23606 2,23606 4,47212
A9 B1 2,00000 2,23606 4,23606
A9 B2 2,00000 2,00000 4,00000
A9 B3 1,73205 1,73205 3,46410
A10 B1 2,00000 2,00000 4,00000
A10B2 2,23606 1,73205 3,96410
A10B3 1,41421 1,73205 3,14626
A11 B1 1,73205 1,73205 3,46410
A11 B2 1,73205 1,73205 3,46410
A11 B3 1,41421 1,41421 2,82842
Totais de Blocos 61,14435 61,31262 122,45697
FONTE: FERRREIRA e SILVA (1995).

316
NOTAS: (*) Cultivares: A1 – CATETO ROXO; A2 – BRANCO MINEIRO; A3 – DOURADA; A4 – JURÉIA; A5 –
CENTENÁRIO; A6 – GIGANTE ROXO; A7 – GIGANTE INCONFIDENTES; A8 – PERUANO; A9
– MEXICANO; A10 – CHINÊS; A11 – AMARANTE; Épocas de Plantio: B1 – 1ª Época (22/04/86); B2
– 2ª Época (06/05/86 = 14 dias após a 1ª época ); B3 - 3ª Época (20/05/86 = 28 dias após a 1ª época).
(**) Dados referentes a notas, variando de 0 (ausência da manchas) a 5 (murcha e enrugamento das folhas
de 90 a 100%, com morte conseqüente), os quais foram transformados em nota.
Resolução:
a) Análise da Variância no Esquema Fatorial 11 x 3 com Regressão Polinomial
para Épocas de Plantio:
 X = 1,73205 + 1,73205 + ... + 1,41421 = 122,45697
 X = (1,73205) + (1,73205) + ... + (1,41421)

2 2 2 2
= 2,999997 + 2,999997 +…+ 1,999990 = 233,98121
t = 33
tA = 11
tB = 3
r = 2
N = txr
= 33 x 2 = 66
= 33 – 1 = 32
GL Blocos = r – 1
= 2–1 = 1
GL Resíduo = (t – 1) (r – 1)
= (33 – 1) (2 – 1)
= (32) (1) = 32
= 33 x 2 – 1
= 66 – 1 = 65
317
GL Cultivares = tA – 1
= 11 – 1 = 10
GL Épocas de Plantio = tB – 1
= 3 – 1 = 2
GL Interação C x EP = (tA – 1) (tB – 1)
= (11 – 1) (3 – 1)
= (10) (2) = 20
SQ Total =   2 
  2

= 233,98121 
122,456972
66
14.995,7095
= 233,98121 –
66
= 233,98121 – 227,20772 = 6,77349
SQ Tratamentos =
 T( AB
2
)

 
2
r 
=
3,464102  3,464102  ...  2,828422  122,456972
2 66
11,9999888  11,9999888  ...  7,9999597 149.995,7095

= 
2 66
466,35532 149.995,7095
= 
2 66
= 233,17766 – 227,20772 = 5,96994

318
  2   
2
SQ Blocos = 
t 
=
61,144352  61,312622  122,45697 2
33 66
3.738,631537  3.759,237371 149.995,7095

= 
33 66
7.497,868908 149.995,7095
= 
33 66
= 227,20815 – 227,20772 = 0,00043
= 6,77349 – (5,96994 + 0,00043)

= 6,77349 – 5,97037 = 0,80312
Épocas de Plantio
Cultivares Totais de Cultivares
B1 B2 B3
A1 3,46410 (2) 3,46410 3,14626 10,07446 (6)
A2 4,47212 4,47212 3,73205 12,67629
A3 2,82842 2,82842 2,41421 8,07105
A4 4,47212 4,23606 3,73205 12,44023
A5 2,82842 3,14626 3,41421 9,38889
A6 4,23606 4,23606 3,73205 12,20417
A7 4,47212 4,00000 3,14626 11,61838
A8 4,47212 4,47212 4,47212 13,41636
A9 4,23606 4,00000 3,46410 11,70016
A10 4,00000 3,96410 3,14626 11,11036
A11 3,46410 3,46410 2,82842 9,75662
Totais de Épocas 42,94564 (22) 42,28334 37,22799 122,45697

de Plantio
 T2   2
SQ Cultivares = 
r x t 

319
=
10,07446  12,67629  ...  9,75662
2 2 2

122,45697 
2
2 x3 66
101,4947443  160,6883282  ...  95,1916338 14.995,7095

= 
6 66
1.389,6882 14.995,7095
= 
6 66
= 231,6147  227,20772 = 4,40698
 T2   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
= 228,09691  227,20772  0,88919
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
rK1

320
=
 (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
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 Cultivares + SQ Épocas de Plantio)
= 5,96994 – (4,40698 + 0,88919)
= 5,96994 – 5,29617 = 0,67377
SQ Re síduo
QM Resíduo =
GL Re síduo
0,80312
=  0,025098
32
SQ Culti var es
QM Cultivares =
GL Culti var es

321
4,40698
=  0,440698
10
0,74299
= = 0,74299
1
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 síduo
0,74299
=  29,60
0,025098
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

322
F Tabelado (1%) para Cultivares = 2,944
F Tabelado (1%) para Interação C x EP = 2,514
F Tabelado (5%) para Interação C x EP = 1,912
TABELA 10.2 – ANÁLISE DA VARIÂNCIA DO EFEITO DE ÉPOCAS DE PLANTIO NA

RESISTÊNCIA DE CULTIVARES DE ALHO (Allium sativum L.) À Alternaria
porri (Ell.) Cif., AGENTE CASUAL DA MANCHA PÚRPURA, NO MUNICÍPIO
DE VIÇOSA-AL, AVALIADO ATRAVÉS DE UMA ESCALA DE NOTAS,
VARIANDO DE 0 (AUSÊNCIA DE MANCHAS) A 5 (MURCHA E
ENRUGAMENTO DAS FOLHAS DE 90 A 100%, COM MORTE
CONSEQÜENTE). DADOS TRANSFORMADOS EM nota. MACEIÓ –AL,
1995
Cultivares – C 10 4,40698 0,4406980 17,56 **
(Épocas de Plantio - EP) (2) (0,88919) - -

Regressão Linear 1 0,74299 0,7429900 29,60 **
Regressão Quadrática 1 0,14620 0,1462000 5,83 *
Interação C x EP 20 0,67377 0,0336885 1,34 ns
(Tratamentos) (32) (5,96994) - -
Blocos 1 0,00043 - -
Resíduo 32 0,80312 0,0250980
Total 65 6,77349

323

(* e **) Significativo nos níveis de 5% e 1% de probabilidade, respectivamente.

Houve diferença significativa, no nível de 1% de probabilidade, entre as
cultivares de alho em relação à resistência a Alternaria porri (Ell.) Cif., agente causal da
mancha púrpura.
Houve diferença significativa, nos níveis de 1% e 5% de probabilidade, para as
regressões linear e quadrática, respectivamente, indicando que a equação de 2º grau
explica a incidência de A. porri em função das épocas de plantio em alho no Município
de Viçosa-AL.
Interação C x ED, indicando que a resistência das cultivares de alho à A. porri
independente das épocas de plantio.
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

c.1) Equação de Regressão para Épocas de Plantio Acompanhada de Tabela de
Médias e de Gráfico:
Y 
Y
N
122,45697
= = 1,855408636
66
324
B1 
C T 1
rK1
(1 x 42,94564)  (0 x 42,28334)  ( 1 x 37,22799)

=
22 x 2
( 42,94564)  (0,00000)  (37,22799)

=
44
 5,71765
= = – 0,12994659
44
B2 
C T 2
rK 2
(1 x 42,94564)  ( 2 x 42,28334)  ( 1 x 37,22799)

=
22 x 6
(42,94564)  ( 84,56668)  (37,22799)

=
132
 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

325
Y = Y + B1M1P1 + B2M2P2
= 1,855408636 + [– 0,12994659 x 1 (x)] +
[– 0,033280681 x 3 (x2 – 0,666666667)]
= 1,855408636 – 0,12994659 x – 0,099842043 x2 + 0,066561362
= 1,921969998 – 0,12994659 x – 0,099842043 x2
XX
x
q
X 
X
N
=
(0 x 22)  (14 x 22)  (28 x 22)
66
=
0  308  616
66
924
= = 14
66
q = 14
XX
x
q
X  14
=
14
= 0,071428571 X – 1
Y = 1,921969998 – 0,12994659 (0,071428571 X – 1) –
0,099842043 (0,071428571 X – 1)2

326
= 1,921969998 – 0,009281899 X + 0,12994659 –
0,099842043 (0,00510204 X2 – 0,142857142 X + 1)
= 1,921969998 – 0,009281899 X + 0,12994659 –
0,000509398 X2 + 0,014263148 X – 0,099842043
= 1,952074545 + 0,004981248 X – 0,000509398 X2
Médias Esperadas:
2
m̂0 = 1,952074545 + 0,004981248 (0) – 0,000509398 (0)
= 1,952074545 + 0,000000000 – 0,000000000 = 1,952074545

2
m̂14 = 1,952074545 + 0,004981248 (14) – 0,000509398 (14)
= 1,952074545 + 0,069737472 – 0,000509398 (196)
= 1,952074545 + 0,069737472 – 0,099842008 = 1,921970009

2
m̂28 = 1,952074545 + 0,004981248 (28) – 0,000509398 (28)
= 1,952074545 + 0,139474944 – 0,000509398 (784)

= 1,952074545 + 0,139474944 – 0,399368032 = 1,692181457
Médias Observadas:
mˆ 0 
Y 0
42,94564
= = 1,952074545
22
mˆ 14 
Y 14
42,28334
=  1,92197
22
mˆ 28 
Y 28

327
37,22799
=  1,692181364
22
TABELA 10.4 – EFEITO DE ÉPOCAS DE PLANTIO NA INCIDÊNCIA DE Alternaria porri (Ell.)

Cif., AGENTE CASUAL DA MANCHA PÚRPURA, EM ALHO (Allium sativum L.)
NO MUNICÍPIO DE VIÇOSA-AL, AVALIADO ATRAVÉS DE UMA ESCALA DE
NOTAS, VARIANDO DE 0 (AUSÊNCIA DE MANCHAS) A 5 (MURCHA E
ENRUGAMENTO DAS FOLHAS DE 90 A 100%, COM MORTE
CONSEQÜENTE). DADOS TRANSFORMADOS EM nota. MACEIÓ –AL, 1995
Épocas de Plantio Médias ( nota ) Desvios de Regressão

Esperada (A) Observada (B) (A – B)
1ª Época (22/04/86) 1,952074545 1,952074545 0,000000000
2ª Época (06/05/86) = 14 dias 1,921970009 1,921970000 + 0,000000009

após a 1ª época
3ª Época (20/05/86) = 28 dias 1,692181457 1,692181364 + 0,000000093
após a 1ª época
FIGURA 10.1 – EFEITO DE ÉPOCAS DE PLANTIO NA INCIDÊNCIA DE Alternaria porri (Ell.)

Cif., AGENTE CASUAL DA MANCHA PÚRPURA, EM ALHO (Allium sativum L.)
NO MUNICÍPIO DE VIÇOSA-AL, AVALIADO ATRAVÉS DE UMA ESCALA DE
NOTAS, VARIANDO DE 0 (AUSÊNCIA DE MANCHAS) A 5 (MURCHA E
ENRUGAMENTO DAS FOLHAS DE 90 A 100%, COM MORTE CONSEQÜENTE).
DADOS TRANSFORMADOS EM nota. MACEIÓ –AL, 1995

328
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:
R2 
SQ Épocas de Plantio
0,88919 x 100
=
0,88919
88,919
= = 100,00%
0,88919
O valor de R 2 explica 100,00% da queda acentuada na incidência de Alternaria

porri (Ell.) Cif., agente casual da mancha púrpura, em alho (Allium sativum L.) no
Município de Viçosa-AL, com o plantio efetuado aos 28 dias após a 1ª época de plantio
(22/04/86) determinado pela equação de 2º grau.
d) Teste de Tukey:
Cultivares:
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

329
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
Cultivares Médias de Cultivares 1,2/
DOURADA 1,3451750 a
CENTENÁRIO 1,5648150 ab
AMARANTE 1,6561033 abcd
CATETO ROXO 1,6790767 bcd
CHINÊS 1,8517267 bcde
GIGANTE INCONFIDENTES 1,9363967 cdef
MEXICANO 1,9500267 def
GIGANTE ROXO 2,0340283 ef
JURÉIA 2,0340283 ef
BRANCO MINEIRO 2,1127150 ef
PERUANO 2,2360600 f
NOTAS: (1/) Dados transformados em x 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.

A cultivar DOURADA, apesar de não diferir estatisticamente das cultivares
CENTENÁRIO e AMARANTE, apresentou o maior nível de resistência à Alternaria
porri.
As cultivares PERUANO, BRANCO MINEIRO, JURÉIA e GIGANTE ROXO,
apesar de não diferirem estatisticamente das cultivares MEXICANO e GIGANTE
INCONFIDENTES, apresentaram os menores índices de resistência à A. porri.
As cultivares CATETO ROXO e CHINÊS apresentaram um nível de resistência
à A. porri intermediário entre todas as outras cultivares avaliadas.
É conveniente substituir-se os valores transformados em x da TABELA 10.5
pelos valores biológicos, mantendo-se as diferenças significativas detectadas pelo teste de
Tukey, no nível de 5% de probabilidade, com os valores transformados, conforme se
verifica a seguir, pois desta forma fica mais fácil de analisar-se os dados.
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
330
Cultivares Médias de Cultivares 1,2/
DOURADA 1,83 a
CENTENÁRIO 2,50 ab
AMARANTE 2,67 abcd
CATETO ROXO 2,83 bcd
CHINÊS 3,50 bcde
GIGANTE INCONFIDENTES 3,83 cdef
MEXICANO 3,83 def
GIGANTE ROXO 4,17 ef
JURÉIA 4,33 ef
BRANCO MINEIRO 4,50 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.
10.4 Exemplo com Interação Significativa
Agora, apresentar-se-á, para discussão, a análise da variância e a interpretação

dos resultados de um experimento fatorial com interação significativa.
a) Fazer a análise da variância no esquema fatorial de 6 x 5;
c) Fazer o desdobramento do número de graus de liberdade de cultivares mais o
da interação cultivares x concentração;
de médias de cultivares dentro de cada concentração.
TABELA 10.6 – EFEITO DA CONCENTRAÇÃO DE ÁCIDO SULFÚRICO NA REAÇÃO DE

CULTIVARES DE CEBOLA (Allium cepa L.) DOS GRUPOS CEROSO E NÃO
CEROSO. DADOS MÉDIOS REFERENTES A NOTAS, VARIANDO DE 0
(AUSÊNCIA DE INJÚRIAS FOLIARES) A 5 (90 – 100 % DE QUEIMA DAS
FOLHAS). PLANTAS AVALIADAS AOS 46 DIAS APÓS A SEMEADURA
Tratamentos * I II III IV Totais de Tratamentos
A1 B1 1,7 2,0 1,9 2,0 7,6
A1 B2 2,9 2,7 3,2 3,3 12,1

331
A1 B3 2,0 2,0 2,6 3,0 9,6
A1 B4 3,0 2,7 3,1 3,3 12,1
A1 B5 4,9 4,4 4,2 4,7 18,2
A2 B1 2,4 2,0 2,0 1,9 8,3
A2 B2 2,2 2,2 2,0 3,0 9,4
A2 B3 3,1 2,5 2,3 2,4 10,3
A2 B4 4,0 3,9 3,6 3,4 14,9
A2 B5 4,0 3,8 4,3 4,6 16,7
A3 B1 1,8 1,8 2,0 1,4 7,0
A3 B2 2,5 2,3 2,8 2,5 10,1
A3 B3 2,9 2,3 2,0 1,4 8,6
A3 B4 4,0 4,0 3,6 4,0 15,6
A3 B5 4,6 4,9 4,2 5,0 18,7
A4 B1 2,4 3,4 3,3 3,3 12,4
A4 B2 4,0 3,8 4,2 4,4 16,4
A4 B3 3,7 4,1 2,9 5,0 15,7
A4 B4 4,8 5,0 5,0 5,0 19,8
A4 B5 5,0 5,0 5,0 5,0 20,0
A5 B1 2,6 2,3 2,4 2,0 9,3
A5 B2 2,9 3,6 3,6 3,4 13,5
A5 B3 3,3 4,0 3,4 4,0 14,7
A5 B4 4,4 4,8 4,9 4,4 18,5
A5 B5 4,6 5,0 5,0 5,0 19,6
A6 B1 1,9 1,7 2,3 2,1 8,0
A6 B2 3,5 2,8 3,3 3,3 12,9
A6 B3 3,7 3,8 4,0 3,6 15,1
A6 B4 4,0 4,6 4,1 4,4 17,1
A6 B5 4,9 5,0 4,3 4,9 19,1
NOTA: (*) Cultivares: A1 – BARREIRO SMP – IV (Grupo Ceroso); A2 – BAIA DO CEDO SMP – V (Grupo
Ceroso); A3 – BAIA x BARREIRO (F1) (Grupo Ceroso); A4 – EXCEL BERMUDAS 986 (Grupo Não
Ceroso); A5 – GRANEX (Grupo Não Ceroso); A6 – TEXAS GRANO (Grupo Não Ceroso);
Concentrações: B1 – 0,5%; B2 – 1%; B3 – 2%; B4 – 5%; B5 – 10%.
Resolução:
a) Análise da Variância no Esquema Fatorial de 6 x 5:
 X = 1,7 + 2,0 + ... + 4,9 = 411,3
 X 2 = (1,7) 2 + (2,0) 2 + ... + (4,9) 2
= 2,89 + 4,00 +…+ 24,01 = 1.546,83
t = 30
tA = 6
tB = 5
r = 4
N = txr

332
= 30 x 4 = 120
= 30 – 1 = 29
= 30 ( 4 – 1)
= 30 (3) = 90
= 30 x 4 – 1
= 120 – 1 = 119
GL Cultivares = tA – 1
= 6 –1 = 5
GL Concentrações = tB – 1
= 5 –1 = 4
GL Interação C x Con. = (tA – 1) (tB – 1)
= (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
= 1.546,83 – 1.409,73075 = 137,09925
SQ Tratamentos =
 T( AB
2
)

  2
r 

333
=
7,62  12,12  ...  19,12  411,32
4 120
57,76  146,41  ...  364,81 169.167,69

= 
4 120
6.144,37 169.167,69
= 
4 120
= 1.536,0925 – 1.409,73075 = 126,36175
= 137,09925 – 126,36175 = 10,73750
Concentrações
B1 B2 B3 B4 B5
A1 7,6 (4) 12,1 9,6 12,1 18,2 59,6 (20)
A2 8,3 9,4 10,3 14,9 16,7 59,6
A3 7,0 10,1 8,6 15,6 18,7 60,0
A4 12,4 16,4 15,7 19,8 20,0 84,3
A5 9,3 13,5 14,7 18,5 19,6 75,6
A6 8,0 12,9 15,1 17,1 19,1 72,2
Totais de 52,6 (24) 74,4 74,0 98,0 112,3 411,3

Concentrações
 T2   2
SQ Cultivares = 
r x t 
59,6  59,6  ...  72,2 2  411,3

2 2 2
= 
4 x5 120
3.552,16  3.552,16  ...  5.212,84 169.167,69

= 
20 120

334
28.739,01 169.167,69
= 
20 120
= 1.436,9505 – 1.409,73075 = 27,21975
 T2   2
SQ Concentrações = 
r x t 
=
52,62  74,42  ...  112,32  411,32
4 x6 120
2.766,76  5.535,36  ...  12.611,29 169.167,69

= 
24 120
35.993,41 169.167,69
= –
24 120
= 1.499,725417  1.409,73075  89,99467
SQ Interação C x Con. =
 T
2

   2
–
r 
(SQ Cultivares + SQ Concentrações)
= SQ Tratamentos – (SQ Cultivares + SQ Concentrações)
= 126,36175 – (27,21975 + 89,99467)
= 126,36175 – 117,21442 = 9,14733
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

335
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
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
F Tabelado (1%) para Concentrações = 3,565
F Tabelado (5%) para Concentrações = 2,49
F Tabelado (1%) para Interação C x Con. = 2,115
F Tabelado (5%) para Interação C x Con. = 1,705
TABELA 10.7 – ANÁLISE DA VARIÂNCIA DO EFEITO DA CONCENTRAÇÃO DE ÁCIDO

SULFÚRICO NA REAÇÃO DE CULTIVARES DE CEBOLA (Allium cepa L.) DOS
GRUPOS CEROSO E NÃO CEROSO. PLANTAS AVALIADAS AOS 46 DIAS
APÓS A SEMEADURA. PIRACICABA-SP, 1983

336
Cultivares (C) 5 27,21975 5,443950 45,63 **
Concentrações (Con.) 4 89,99467 22,498668 188,58 **
Interação C x Con. 20 9,14733 0,457367 3,83 **
(Tratamentos) (29) (126,36175) - -
Resíduo 90 10,73750 0,119306
Total 119 137,09925

cultivares de cebola em relação à porcentagem de queima das folhas, provocada pelo
ácido sulfúrico;
concentrações de ácido sulfúrico em relação à porcentagem de queima das folhas em
cebola.
Houve diferença significativa, no nível de 1% de probabilidade, para a Interação
C x Con., indicando que a porcentagem de queima das folhas das cultivares de cebola dos
grupos ceroso e não ceroso depende da concentração de ácido sulfúrico.
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

337
O coeficiente de variação foi 10,08%, indicando uma boa precisão experimental.
c) Desdobramento do Número de Graus de Liberdade de Cultivares Mais o da
Interação Cultivares x Concentrações:
SQ Cultivares Dentro da Concentração 0,5%
=
  Dentro de 12

1 
2
r r x t
=
7,6  8,3  ...  8,0
2 2 2
–
52,62
4 4x6
57,76  68,89  ...  64,00 2.766,76

= 
4 24
479,9 2.766,76
 
4 24
= 119,975 – 115,28167 = 4,69333
  Dentro de  22

 2 
2
=
r r x t
=
12,12  9,42  ...  12,92 –
74,42
4 4x6
146,41  88,36  ...  166,41 5.535,36

= 
4 24
954,4 5.535,36
 
4 24
= 238,6 – 230,64 = 7,96000
  Dentro de  32 3 2
= 
r r x t
=
9,62  10,32  ...  15,12 –
74,02
4 4x6

338
92,16  106,09  ...  228,01 5.476,0
= 
4 24
962,8 5.476,0
 
4 24
= 240,7 – 228,16667 = 12,53333
=
  Dentro de  24

4 2
r r x t
=
12,12  14,92  ...  17,12 –
98,02
4 4x6
146,41  222,01  ...  292,41 9.604,0

= 
4 24
1.638,48 9.604,0
 
4 24
= 409,62 – 400,16667 = 9,45333
  Dentro de  52 5 2
= 
r r x t
=
18,22  16,72  ...  19,12 –
112,32
4 4x6
331,24  278,89  ...  364,81 12.611,29

= 
4 24
2.108,79 12.611,29
= 
4 24
= 527,1975 – 525,4704167  1,72708

QM Cultivares Dentro da Concentração 0,5%
SQ Culti var es Dentro da Concentraç ão 0,5%

=
t 1

339
4,69333
=
6 1
4,69333
= = 0,938666
5

=
t 1
7,96000
=
6 1
7,96000
= = 1,592000
5

=
t 1
12,53333
=
6 1
12,53333
= = 2,506666
5

=
t 1
9,45333
=
6 1
9,45333
= = 1,890666
5

=
t 1

340
1,72708
=
6 1
1,72708
= = 0,345416
5
F Calculado para Cultivares Dentro da Concentração 0,5%
QM Culti var es Dentro da Concentraç ão 0,5%

=
QM Re síduo
0,938666
=  7,87
0,119306

=
QM Re síduo
1,592000
=  13,34
0,119306

=
QM Re síduo
2,506666
=  21,01
0,119306

=
QM Re síduo
1,890666
=  15,85
0,119306

=
QM Re síduo

341
0,345416
=  2,90
0,119306
F Tabelado (1%) para Cultivares Dentro das Concentrações = 3,255
F Tabelado (5%) para Cultivares Dentro das Concentrações = 2,33
TABELA 10.7 – ANÁLISE DA VARIÂNCIA DO EFEITO DA CONCENTRAÇÃO DE ÁCIDO

SULFÚRICO NA REAÇÃO DE CULTIVARES DE CEBOLA (Allium cepa L.) DOS
GRUPOS CEROSO E NÃO CEROSO. PLANTAS AVALIADAS AOS 46 DIAS
APÓS A SEMEADURA. PIRACICABA-SP,1983
Concentrações 4 89,99467 - -
Cultivares dentro da Concentração 0,5% 5 4,69333 0,938666 7,87 **
Cultivares dentro da Concentração 10,0% 5 1,72708 0,345416 2,90 *
(Tratamentos) (29) (126,36175) - -
Resíduo 90 10,73750 0,119306
Total 119 137,09925
NOTAS: (*) Significativo no nível de 5% de probabilidade.


cultivares de cebola dentro das concentrações de 0,5, 1,0, 2,0 e 5,0% em relação à
porcentagem de queima das folhas.
cultivares de cebola dentro da concentração de 10,0% em relação à porcentagem de
queima das folhas.
d) Teste de Tukey:
Cultivares Dentro da Concentração 0,5%:
m̂ 1 = 1,90 m̂ 4 = 3,10

342
m̂ 2 = 2,08 m̂ 5 = 2,33
m̂ 3 = 1,75 m̂ 6 = 2,00

m̂ 1 = 3,03 m̂ 4 = 4,10
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

343
TABELA 10.8 – EFEITO DA CONCENTRAÇÃO DE ÁCIDO SULFÚRICO NA REAÇÃO DE

CULTIVARES DE CEBOLA (Allium cepa L.) DOS GRUPOS CEROSO E NÃO
CEROSO. PLANTAS AVALIADAS AOS 46 DIAS APÓS A SEMEADURA,
ATRAVÉS DE UM ESCALA DE NOTAS VARIANDO DE 0 (AUSÊNCIA DE
INJÚRIAS FOLIARES) A 5 (90-100 % DE QUEIMA DAS FOLHAS).
PIRACICABA-SP, 1983
Cultivares * Concentrações (%)
0,5 1/ 1,0 2,0 5,0 10,0
BARREIRO SMP – IV 1,90 a 3,03 abc 2,40 a 3,03 a 4,55 ab

BAIA DO CEDO SMP – V 2,08 a 2,35 a 2,58 a 3,73 ab 4,18 a
BAIA X BARREIRO (F1) 1,75 a 2,53 ab 2,15 a 3,90 b 4,68 ab
EXCEL BERMUDAS 986 3,10 b 4,10 d 3,93 b 4,95 c 5,00 b
GRANEX 2,33 a 3,38 c 3,68 b 4,63 c 4,90 b
TEXAS GRANO 2,00 a 3,23 bc 3,78 b 4,28 bc 4,78 ab
___________________________________________________________________________________________________________________________________________________________
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.

Na concentração de 0,5% de ácido sulfúrico, a cultivar do grupo não ceroso
EXCEL BERMUDAS 986 apresentou o maior índice de injúrias foliares, e diferiu
estatisticamente das demais cultivares de cebola avaliadas. Nesta mesma concentração, o
híbrido BAIA x BARREIRO apresentou o menor índice de injúrias foliares, apesar de
não diferir estatisticamente das cultivares do grupo ceroso BARREIRO SMP – IV e
BAIA DO CEDO SMP – V e das cultivares do grupo não ceroso GRANEX e TEXAS
GRANO.
Na concentração de 1,0% de ácido sulfúrico, a cultivar do grupo não ceroso
EXCEL BERMUDAS 986 apresentou o maior índice de injúrias foliares, e diferiu
estatisticamente das demais cultivares de cebola avaliadas. Nesta mesma concentração, a
cultivar do grupo ceroso BAIA DO CEDO SMP – V apresentou o menor índice de
injúrias foliares, apesar de não diferir das outras cultivares do grupo ceroso. Ainda, a
cultivar GRANEX, pertence ao grupo não ceroso, apresentou o segundo maior índice de
injúrias foliares, apesar de não diferir estatisticamente da cultivar TEXAS GRANO e
BARREIRO SMP – IV, que se encontram numa posição intermediária entre as cultivares
de cebola avaliadas.
Na concentração de 2,0% de ácido sulfúrico, as cultivares de cebola do grupo
ceroso apresentaram os menores índice de injúrias foliares, e diferiram estatisticamente
das cultivares do grupo não ceroso.
Na concentração de 5,0% de ácido sulfúrico, a cultivar BARREIRO SMP – IV
apresentou o menor índice de injúrias foliares, apesar de não diferir estatisticamente da
344
cultivar BAIA DO CEDO SMP – V, enquanto que a cultivar EXCEL BERMUDAS 986
apresentou o maior índice de injúrias foliares, apesar de não diferir estatisticamente das
cultivares GRANEX e TEXAS GRANO. Nesta mesma concentração, a cultivar BAIA x
BARREIRO (F1), pertencente ao grupo ceroso, apresentou um índice de injúrias foliares
intermediário entre as cultivares de cebola do grupo ceroso.
Na concentração de 10,0% de ácido sulfúrico, a cultivar BAIA DO CEDO SMP
– V apresentou o menor índice de injurias foliares, enquanto que as cultivares EXCEL
BERMUDAS 986 e GRANEX apresentaram os maiores índices. As demais cultivares se
situaram numa posição intermediária, quanto ao índice de injúrias foliares, e não
diferiram estatisticamente das cultivares que apresentaram os maiores e menores índices
de injúrias foliares.
10.5 Técnica do Confundimento
Já foi visto que a técnica do confundimento é a alternativa mais usada nos

experimentos fatoriais para se contornar a desvantagem do grande número de
tratamentos, em função do aumento do número de fatores e/ou níveis.
Esta técnica consiste em subdividir o bloco (repetição) em dois ou mais sub-
blocos visando com isso obter áreas homogêneas para os tratamentos, o que, geralmente,
não ocorre em áreas maiores.
A distribuição dos tratamentos pelos sub-blocos é feita de forma orientada e, em
geral, confundem-se as interações de maior ordem (tripla, quádrupla, etc.) com o efeito
de blocos. Nunca se devem confundir os efeitos principais dos fatores, nem também,
sempre que possível, as interações duplas, que são as mais importantes, com o efeito de
blocos.
COCHRAN e COX (1957) apresentam com detalhe a composição dos blocos em
numerosos casos de experimentos fatoriais com confundimento. Deve-se ressaltar,
contudo, que a utilização desta técnica proporciona uma redução do número de graus de
liberdade do resíduo e, em conseqüência, um aumento da variância do erro experimental.
Em função disso, não é aconselhável utilizá-la quando o número de tratamentos avaliados
for pequeno.
A fim de ilustrar esta técnica, veja-se o caso mais comum e mais importante de
confundimento, que é o do fatorial de 33, introduzido por YATES (1937). Nele são
confundidos dois graus de modos distintos de se fazer o confundimento, designados por
W, X, Y e Z, para repartir os 27 tratamentos em três blocos de nove tratamentos, como
vê-se no quadro a seguir:

345
GRUPO W GRUPO X
1º Bloco 2º Bloco 3º Bloco 1º Bloco 2º Bloco 3º Bloco
000 001 002 000 001 002
012 010 011 011 012 010
021 022 020 022 020 021
101 102 100 102 100 101
110 111 112 110 111 112
122 120 121 121 122 120
202 200 201 201 202 200
211 212 210 212 210 211
220 221 222 220 221 222
GRUPO Y GRUPO Z
1º Bloco 2º Bloco 3º Bloco 1º Bloco 2º Bloco 3º Bloco
000 001 002 000 001 002
011 012 010 012 010 011
022 020 021 021 022 020
101 102 100 102 100 101
112 110 111 111 112 110
120 121 122 120 121 122
202 200 201 201 202 200
210 211 212 210 211 212
221 222 220 222 220 221
Qualquer um dos grupos pode ser usado, indiferentemente. Contudo,

independentemente do grupo escolhido, deve-se fazer o sorteio desses tratamentos dentro
de cada bloco (sub-bloco) e em cada repetição.
A análise da variância é feita do modo usual, com algumas pequenas alterações.
Então, veja-se:

346
Considere-se, para fins de estabelecimento de esquema de análise, um ensaio
fatorial 33, de adubação: N, P, K, com duas repetições.
O quadro auxiliar da análise de variância e as tabelas de dupla entrada ficam da
seguinte maneira:

345
Quadro Auxiliar da Análise da Variância (Grupo W)
Trata- I II Totais de Trata- I II Totais de Trata- I II Totais de

mentos Tratamentos Mentos Tratamentos mentos Tratamentos
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
Totais de BI BII TG Totais de BI BII TG Totais de BI BII TG

Blocos (1) (1) (1) Blocos (2) (2) (2) Blocos (3) (3) (3)

346
Tabela de Dupla Entrada para a Interação N x P
Tratamentos P0 P1 P2 Totais de N
N0 TN0 P0 TN0P1 TN0 P2 TN0
N1 TN1P0 TN1P1 TN1 P2 TN1
N2 TN2P0 TN2 P1 TN2 P 2 TN2
Totais de P TP0 TP1 TP2
Tabela de Dupla Entrada para a Interação N x K
Tratamentos K0 K1 K2 Totais de N
N0 TN0 K0 TN0K1 TN0 K2 TN0
N1 TN1K0 TN1K1 TN1 K2 TN1
N2 TN2K0 TN2 K1 TN2 K 2 TN2
Totais de K TK0 TK1 TK2
Tabela de Dupla Entrada para a Interação P x K
Tratamentos K0 K1 K2 Totais de P
P0 TP0 K0 TP0K1 TP0 K2 TP0
P1 TP1K0 TP1K1 TP1 K2 TP1
P2 TP2K0 TP2 K1 TP2 K 2 TP2
Totais de K TK0 TK1 TK2

347
Quadro da Análise da Variância
Efeito de Nitrogênio (N) tN – 1 SQN QMN QMN

QM Re síduo
Efeito de Fósforo (P) tP – 1 SQP QMP QMP
QM Re síduo
Efeito de Potássio (K) tK – 1 SQK QMK QMK
QM Re síduo
Interação N x P (tN – 1) (tP – 1) SQ Interação N x P QM Interação N x P QM Interação N x P
QM Re síduo
Interação N x K (tN – 1) (tK – 1) SQ Interação N x K QM Interação N x K QM Interação N x K
QM Re síduo
Interação P x K (tP – 1) (tK – 1) SQ Interação P x K QM Interação P x K QM Interação P x K
QM Re síduo
Interação N x P x K (tN – 1) (tP –1) (tK – 1) SQ Interação N x P x K QM Interação N x P x K QM Interação N x P x K
(parte não confundida) – 2 confundido QM Re síduo
(Tratamentos Não t – 1 – 2 confundido SQ Tratamentos - -
Confundidos)
Blocos Rxb–1 SQ Blocos - -
Resíduo (t – 1)(r – 1) – 2 SQ Resíduo QM Resíduo
Total Txr–1 SQ Total

348
onde:
t = número de tratamentos (combinações);
b = número de sub-blocos;
tN = número de tratamentos N;
tP = número de tratamentos P;
tK =número de tratamentos K;
SQ Total =   2 
  2

onde:
SQ Tratamentos Não Confundidos
       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:
SQ Resíduo = SQ Total – (SQ Tratamentos Não Confundidos + SQ Blocos)
SQ Tratamentos N =
 N 2

   2
r x tP x tK 
onde:
TN = total de cada tratamento N;

349
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 
(SQ Tratamentos N + SQ Tratamentos P)
onde:
T(NP) = total de cada combinação (NP);
    
2 2
SQ Interação N x K =  –
r x tP 
(SQ Tratamentos N + SQ Tratamentos K)
onde:
T(NK) = total de cada combinação (NK);
 P    
2 2
SQ Interação P x K =  –
r xtN 
(SQ Tratamentos P + SQ Tratamentos K)
onde:
T(PK) = total de cada combinação (PK);
SQ Interação N x P x K = SQ Tratamentos Não Confundidos –
[SQ Tratamentos N + SQ Tratamentos P + SQ Tratamentos K +
SQ Interação N x P + SQ Interação N x K + SQ Interação P x K]

350
SQ ´Re síduo
QM Resíduo =
GL Re síduo
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
Pode-se, também, realizar um experimento desta natureza com uma só repetição,

utilizando-se a Interação Tripla N x P x K como resíduo. No entanto, é mais conveniente
utilizar mais de uma repetição (em geral, utilizam-se duas repetições) para se obter uma
maior precisão experimental.
10.6 Exemplo de um Experimento Fatorial 33 com Confundimento
Apresentar-se-á a seguir a análise da variância e a interpretação dos resultados de

um experimento fatorial 33 com confundimento.
a) Fazer a análise da variância no esquema fatorial 33 com confundimento,
inclusive levando-se em conta a regressão polinomial para os efeitos de N, P e K;
c) Obter as equações de regressão, acompanhadas de tabelas de médias e de
gráficos, e os coeficientes de determinação para os efeitos de N, P e K.

351
TABELA 10.9 – DADOS DE PRODUÇÃO DE ALGODÃO HERBÁCEO (Gossypium hirsutum L.)

(kg/ha) DE UM ENSAIO DE ADUBAÇÃO NPK1/, 33, COM CONFUNDIMENTO
(GRUPO W), COM DUAS REPETIÇÕES
Trat. 1º Rep. 2º Rep. Totais Trat. 1º Rep. 2º Rep. Totais Trat. 1º Rep. 2º Rep. Totais
000 182 78 260 001 273 143 416 002 52 69 121
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
3.955 3.334 7.289 4.504 2.734 7.238 2.191 3.377 5.568
FONTE: CAVALCANTI (1977).

NOTA: (1/) Dosagens usadas (kg/ha): N: 0 – 40 – 80; P205 : 0 – 60 – 120; K20 : 0 – 60 – 120.
Resolução:
a) Análise da Variância no Esquema Fatorial 33 com Confundimento
com Regressão Polinomial para os Efeitos de N, P e K:
 X = 182 + 78 + ... + 599 = 20.095,0
 X2 = (182)2 + (78)2 + ... + (599)2
= 33.124 + 6.084 +...+ 358.801 = 10.130.071,0
t = 27
tN = 3
tP = 3
tK = 3

352
r = 2
b = 3
N = txr
= 27 x 2 = 54
GL Tratamentos Não Confundidos = t – 1 – 2 confundido
= 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
= 27 x 2 – 1
= 54 – 1 = 53
GL Tratamentos N = tN – 1
= 3 –1 = 2
GL Tratamentos P = tP – 1
= 3 –1 = 2

353
GL Tratamentos K = tK – 1
= 3 –1 = 2
GL Interação N x P = (tN – 1) (tP – 1)
= (3 – 1) (3 – 1)
= (2) (2) = 4
GL Interação N x K = (tN – 1) (tK – 1)
= (3 – 1) (3 – 1)
= (2) (2) = 4
GL Interação P x K = (tP – 1) (tK – 1)
= (3 – 1) (3 – 1)
= (2) (2) = 4
GL Interação N x P x K = (tN – 1) (tP – 1) (tK – 1) – 2 confundido
= (3 – 1) (3 – 1) (3 – 1) – 2
= (2) (2) (2) – 2
= 8 – 2 = 4

 
2
(20.095,0) 2
= 10.130.071,0 
54
403.809.025,0
= 10.130.071,0 –
54
= 10.130.071,0 – 7.477.944,9 = 2.652.126,1

354
     2 –
2
SQ Tratamentos Não Confundidos = –
r 
  G 2   2 
  
 g  
(260,0) 2  (573,0) 2  ...  (1.224,0) 2 (20.095,0) 2

=  
2 54
 (7.289,0) 2  (7.238,0) 2  (5.568,0) 2 (20.095,0) 2 

  
 9x2 54 
67.000,0  328.329,0  ...  1.498.176,0 403.809.025,0

=  
2 54
 53.129.521,0  52.388.644,0  31.002.624,0 403.809.025,0 

  
 18 54 
18.549.673,0 403.809.025,0 136.520.000,0 403.809.025,0

=   
2 54 18 54
= 9.274.836,5 – 7.477.944,9 – 7.584.444,4 + 7.477.944,9 = 1.690.392,1
  2   
2
SQ Blocos = 
t' 
=
3.955,02  3.334,02  ...  3.377,02  20.095,02
9 54
15.642.025,0  11.115.556,0  ...  11.404.129,0 403.809.025,0

= 
9 54
70.722.963,0 403.809.025,0
= 
9 54
= 7.858.107,0 – 7.477.944,9 = 380.162,1
SQ Resíduo = SQ Total – (SQ Tratamentos Não Confundidos + SQ Blocos)
= 2.652.126,1 – (1.690.392,1 + 380.162,1)
= 2.652.126,1 – 2.070.554,2 = 581.571,9

355
Tabelas de Dupla Entrada
Fósforo
Nitrogênio Totais de Nitrogênio
P0 P1 P2
N0 797,0 (6) 1.315,0 1.496,0 3.608,0 (18)
N1 2.799,0 2.632,0 3.203,0 8.634,0
N2 1.693,0 3.304,0 2.856,0 7.853,0
Totais de Fósforo 5.289,0 (18) 7.251,0 7.555,0 20.095,0
Potássio
Fósforo Totais de Fósforo
K0 K1 K2
P0 1.250,0 (6) 2.121,0 1.918,0 5.289,0 (18)
P1 2.089,0 2.258,0 2.904,0 7.251,0
P2 1.944,0 2.408,0 3.203,0 7.555,0
Totais de Potássio 5.283,0 (18) 6.787,0 8.025,0 20.095,0
Potássio
Nitrogênio Totais de Nitrogênio
K0 K1 K2
N0 1.093,0 (6) 1.431,0 1.084,0 3.608,0 (18)
N1 2.201,0 2.877,0 3.556,0 8.634,0
N2 1.989,0 2.479,0 3.385,0 7.853,0
Totais de Potássio 5.283,0 (18) 6.787,0 8.025,0 20.095,0

356
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
13.017.664,0  74.545.956,0  61.669.609,0 403.809.025,0

= 
18 54
149.233.229,0 403.809.025,0
= 
18 54
= 8.290.734,9  7.477.944,9 = 812.790,0
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
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

357
18.020.025,0
=  500.556,25
36
( C 2T ) 2
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 
=
5.289,02  7.251,02  7.555,02  20.095,02
2 x3x3 54
27.973.521  52.577.001,0  57.078.025,0 403.809.025,0

= 
18 54
137.628.547,0 403.809.025,0
= 
18 54
= 7.646.030,4 – 7.477.944,9 = 168.085,5
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

358
( C1T ) 2
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
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 
=
5.283,02  6.787,02  8.025,02  20.095,02
2 x3x3 54
27.910.089,0  46.063.369  64.400.625,0 403.809.025,0

= 
18 54
138.374.083,0 403.809.025,0
= 
18 54
= 7.687.449,1 – 7.477.944,9 = 209.504,2

359
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
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
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

360
 ( P) 2   
2
SQ Interação N x P =  –
r x tK 
(SQ Tratamentos N + SQ Tratamentos P)
=
797,02  1.315,02  ...  2.856,02  20.095,0 – 812.790,0 + 168.085,5)
2x3 54
635.209,0  1.729.225,0  ...  8.156.736,0 403.809.025,0

=   980.875,5
6 54
51.562.885,0 403.809.025,0
  – 980.875,5
6 54
= 8.593.814,2 – 7.477.944,9 – 980.875,5 = 134.993,8
 ( K ) 2   
2
SQ Interação N x K =  
r x tP 
(SQ Tratamentos N + SQ Tratamentos K)
=
1.093,02  1.431,02  ...  3.385,02 – 20.095,0 –
2x3 54
(812.790,0 + 209.504,2)
1.194.649,0  2.047.761,0  ...  11.458.225,0 403.809.025,0

=   1.022.294,2
6 54
51.743.919,0 403.809.025,0
 –  1.022.294,2
6 54
= 8.623.986,5 – 7.477.944,9 – 1.022.294,2 = 123.747,4
 (K ) 2   
2
SQ Interação P x K =  
r xtN 
(SQ Tratamentos P + SQ Tratamentos K)
=
1.250,0  2.121,0  ...  3.203,0
2 2 2
–
20.095,0 
2x3 54
(168.085,5 + 209.504,2)
361
47.472.375,0 403.809.025,0
 –  377.589,7
6 54
= 7.912.062,5 – 7.477.944,9 – 377.589,7 = 56.527,9
SQ Interação N x P x K = SQ Tratamentos Não Confundidos –
(SQ Tratamentos N + SQ Tratamentos P + SQ Tratamentos K +
SQ Interação N x P + SQ Interação N x K + SQ Interação P x K)
= 1.690.392,1 – (812.790,0 + 168.085,5 + 209.504,2 +
134.993,8 + 123.747,4 + 56.527,9)
= 1.690.392,1 – 1.505.648,8 = 184.743,3

SQ Re síduo
QM Resíduo =
GL Re síduo
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)

362
25.453,37037
= = 25.453,37037
1
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

363
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

364
QM Interação P x K
F Calculado para Interação P x K =
QM Re síduo
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
F Tabelado (1%) para a Regressão Linear de N, P e K = 7,82
F Tabelado (5%) para a Regressão Linear de N, P e K = 4,26
F Tabelado (1%) para a Regressão Quadrática de N e P = 7,82
F Tabelado (5%) para a Regressão Quadrática de N e P = 4,26
F Tabelado (1%) para a Regressão Quadrática de K = 0,000040

F Tabelado (5%) para a Regressão Quadrática de K = 0,0010
F Tabelado (1%) para as Interações N x P e N x K = 4,22
F Tabelado (5%) para as Interações N x P e N x K = 2,78
F Tabelado (1%) para a Interação P x K = 0,050
F Tabelado (5%) para a Interação P x K = 0,118
F Tabelado (1%) para a Interação N x P x K = 3,67
F Tabelado (5%) para a Interação N x P x K = 2,51
TABELA 10.10 – ANÁLISE DA VARIÂNCIA DO EFEITO DA ADUBAÇÃO NPK, 3 3, COM

CONFUNDIMENTO (GRUPO W) NA PRODUÇÃO DE ALGODÃO HERBÁCEO
(em kg/ha). PIRACICABA – SP, 1977
Nitrogênio (N) (2) (812.790,00000) - -

Regressão Linear 1 500.556,25000 500.556,25000 20,66 **
Regressão Quadrática 1 312.233,78700 312.233,78700 12,89 **
Fósforo (P) (2) (168.085,50000) - -

365
Regressão Linear 1 142.632,11110 142.632,11110 5,89 *
Regressão Quadrática 1 25.453,37037 25.453,37037 1,05 ns
Potássio (K) (2) (209.504,20000) - -

Regressão Linear 1 208.849,00000 208.849,00000 8,62 **
Regressão Quadrática 1 655,14815 655,37037 0,027 ns
Interação N x P 4 134.993,80000 33.748,45000 1,39 ns
Interação N x K 4 123.747,40000 30.936,85000 1,28 ns
Interação P x K 4 56.527,90000 14.131,97500 0,583 ns
Interação N x P x K 6 184.743,30000 30.790,55000 1,27 ns
(Tratamentos Não Confundidos) (24) (1.690.392,1000) - -
Blocos 5 380.162,10000 - -
Resíduo 24 581.571,90000 24.232,16250
Total 53 2.652.126,10000

(* e **) Significativo nos níveis de 5 e 1% de probabilidade, respectivamente.
Houve diferença significativa, no nível de 1% de probabilidade, para as
Regressões Linear e Quadrática, indicando que a equação de 2º grau explica o
comportamento da produção de algodão herbáceo em função do aumento dos níveis de
nitrogênio.
Houve diferença significativa, no nível de 5% de probabilidade, apenas para a
Regressão Linear, indicando que a equação de 1º grau explica o comportamento da
produção de algodão herbáceo em função do aumento dos níveis de fósforo.
Houve diferença significativa, no nível de 1% de probabilidade, apenas para a
Regressão Linear, indicando que a equação de 1º grau explica o comportamento da
produção de algodão herbáceo em função do aumento dos níveis de potássio.
Interação N x P, indicando que o efeito de N na produção de algodão herbáceo independe
da presença ou ausência de P2 05 ou vice-versa.
Interação N x K, indicando que o efeito de N na produção de algodão herbáceo
independe da presença ou ausência de K2 0 ou vice-versa.
Interação P x K, indicando que o efeito de P2 O5 na produção de algodão herbáceo
independe da presença ou ausência de K2 0 ou vice-versa.
Interação N x P x K, indicando que o efeito de N na produção de algodão herbáceo
independe da presença ou ausência de P2 O5 e de K2 0 ou vice-versa.
366
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
O coeficiente de variação foi 41,83%, indicando que a precisão do experimento

foi muito péssima.
c) Equações de Regressão, acompanhadas de Tabelas de Médias e de Gráficos, e
Coeficientes de Determinação para os Efeitos de N, P e K:
c.1) Equação de Regressão para o Efeito de N, acompanhada de Tabela de
Y 
Y
N
20.095,0
=  372,1296296
54
B1 
C T 1
rK1
(1 x 3.608,0)  (0 x 8.634,0)  ( 1 x 7.853,0)

=
18 x 2
( 3.608,0)  (0,00000)  (7.853,0)

=
36
4.245,0
= = 117,9166667
36

367
B2 
C T 2
rK 2
(1 x 3.608,0)  ( 2 x 8.634,0)  ( 1 x 7.853,0)

=
18 x 6
(3.608,0)  ( 17.268,0)  (7.853,0)

=
108
 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
= 372,1296296 + [117,9166667 x 1 (x)] +
[– 53,76851852 x 3 (x2 – 0,666666667)]
= 372,1296296 + 117,9166667 x – 161,3055556 x2 + 107,5370371
= 479,6666667 + 117,9166667 x – 161,3055556 x2

368
XX
x
q
X 
X
N
=
(0 x 18)  (40 x 18)  (80 x 18)
54
=
0  720  1.440
54
2.160
= = 40
54
q = 40
XX
x
q
X  40
=
40
= 0,025 X – 1
Y = 479,6666667 + 117,9166667(0,025 X – 1) – 161,3055556 (0,025 X – 1)2
= 479,6666667 + 2,947916668 X – 117,9166667 –
161,3055556 (0,000625 X2 – 0,050 X + 1)
= 479,6666667 + 2,947916668 X – 117,9166667 – 0,100815972 X2 +
8,06527778 X – 161,3055556
= 200,4444444 + 11,01319445 X – 0,100815972 X2
Médias Esperadas:
m̂0 = 200,4444444 + 11,01319445 (0) – 0,100815972 (0)2
= 200,4444444 + 0,000000000 – 0,000000000 = 200,4444444

369
2
m̂40 = 200,4444444 + 11,01319445 (40) – 0,100815972 (40)
= 200,4444444 + 440,527778 – 0,100815972 (1.600)
= 200,4444444 + 440,527778 – 161,3055552 = 479,6666672

2
m̂80 = 200,4444444 + 11,01319445 (80) – 0,100815972 (80)
= 200,4444444 + 881,055556 – 0,100815972 (6.400)
= 200,4444444 + 881,055556 – 645,2222208 = 436,2777796
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
TABELA 10.11 – EFEITO DO NITROGÊNIO NA PRODUÇÃO DE ALGODÃO HERBÁCEO

(kg/ha)
Médias ( nota. ) Desvios de Regressão

Níveis de Nitrogênio Esperada (A) Observada (B) (A – B)
0 200,4444444 200,4444444 0,0000000

40 479,6666672 479,6666667 + 0,0000005
80 436,2777796 436,2777778 + 0,0000018
FIGURA 10.2 – EFEITO DO NITROGÊNIO NA PRODUÇÃO DE ALGODÃO HERBÁCEO (kg/ha)

370
Verifica-se que houve um aumento acentuado na produção de algodão herbáceo

com o nível de 40 kg/ha de nitrogênio em relação à ausência deste elemento; porém, com
a utilização de 80 kg/ha de nitrogênio, houve uma ligeira queda na produção de algodão
herbáceo, conforme TABELA 10.11 e FIGURA 10.2.
c.2) Coeficiente de Determinação para o Efeito de N:
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
Y 
Y
N
20.095,0
=  372,1296296
54
B1 
C T 1
rK1

371
(1 x 5.289,0)  (0 x 7.251,0)  ( 1 x 7.555,0)
=
18 x 2
( 5.289,0)  (0,00000)  (7.555,0)

=
36
2.266,0
= = 62,94444444
36
M1 = 1
P1 = x
Y = Y + B1M1P1
= 372,1296296 + [62,94444444 x 1 (x)]
= 372,1296296 + 62,94444444 x
XX
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
XX
x
q
X  60
=
60

372
= 0,016666666 X – 1
Y = 372,1296296 + 62,94444444 (0,016666666 X – 1)
= 372,1296296 + 1,049074032 X – 62,94444444
= 309,1851852 + 1,049074032 X
Médias Esperadas:
m̂0 = 309,1851852 + 1,049074032 (0)
= 309,1851852 + 0,000000000 = 309,1851852
m̂60 = 309,1851852 + 1,049074032 (60)
= 309,1851852 + 62,9444419 = 372,1296271
m̂120 = 309,1851852 + 1,049074032 (120)
= 309,1851852 + 125,8888838 = 435,0740690
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

373
TABELA 10.12 – EFEITO DO FÓSFORO NA PRODUÇÃO DE ALGODÃO HERBÁCEO (kg/ha)
Níveis de Fósforo Médias ( nota. ) Desvios de Regressão

0 309,1851852 293,8333333 + 15,3518519
60 372,1296271 402,8333333 – 30,7037062
120 435,0740690 419,7222222 + 15,3518468
Verifica-se que houve um aumento na produção de algodão herbáceo com o

aumento do nível de fósforo, conforme TABELA 10.12 e FIGURA 10.3.
c.4) Coeficiente de Determinação para o Efeito de Fósforo:
R2 
SQ Tratamentos P
142.632,1111 x 100
=
168.085,5
14.263.211,11
=  84,86%
168.085,5

herbáceo em função dos níveis de fósforo determinado pela equação de 1º grau.
c.5) Equação de Regressão para o Efeito de K2 O, acompanhada de Tabela de

374
Y 
Y
N
20.095,0
=  372,1296296
54
B1 
C T 1
rK1
(1 x 5.283,0)  (0 x 6.787,0)  ( 1 x 8.025,0)

=
18 x 2
( 5.283,0)  (0,00000)  (8.025,0)

=
36
2.742,0
= = 76,16666667
36
M1 = 1
P1 = x
Y = Y + B1M1P1
= 372,1296296 + [76,16666667 x 1 (x)]
= 372,1296296 + 76,16666667 x
XX
x
q
X 
X
N
=
(0 x 18)  (60 x 18)  (120 x 18)
54
=
0  1.080  2.160
54

375
3.240
= = 60
54
q = 60
XX
x
q
X  60
=
60
= 0,016666666 X – 1
Y = 372,1296296 + 76,16666667 (0,016666666 X – 1)
= 372,1296296 + 1,269444394 X – 76,16666667
= 295,9629629 + 1,269444394 X
Médias Esperadas:
m̂0 = 295,9629629 + 1,269444394 (0)
= 295,9629629 + 0,000000000 = 295,9629629
m̂60 = 295,9629629 + 1,269444394 (60)
= 295,9629629 + 76,1666636 = 372,1296265
m̂120 = 295,9629629 + 1,269444394 (120)
= 295,9629629 + 152,3333272 = 448,2962901
Médias Observadas:
mˆ 0 
Y 0
5.283,0
= = 293,5000000
18
mˆ 60 
Y 60

376
6.787,0
=  377,0555556
18
mˆ 120 
Y 120
8.025,0
=  445,8333333
18
TABELA 10.13 – EFEITO DO POTÁSSIO NA PRODUÇÃO DE ALGODÃO HERBÁCEO (kg/ha)
Níveis de Potássio Médias ( nota. ) Desvios de Regressão

0 295,9629629 293,5000000 + 2,4629629
60 372,1296265 377,0555556 – 4,9259291
120 448,2962901 445,8333333 + 2,4629568
Verifica-se que houve um aumento na produção de algodão herbáceo com o

aumento do nível de potássio, conforme TABELA 10.13 e FIGURA 10.4.
c.6) Coeficiente de Determinação para o Efeito de Potássio:
R2 
SQ Tratamentos K

377
208.849,0 x 100
=
209.504,2
20.884.900,0
=  99,69%
209.504,2

herbáceo em função dos níveis de potássio determinado pela equação de 1º grau.
10.7 Exercícios

a.1) Fazer a análise da variância no esquema fatorial de 11 x 3;
a.3) Se a interação fitorreguladores X ambientes for significativa, fazer o
desdobramento do número de graus de liberdade de fitorreguladores mais o da interação
fitorreguladores X ambientes;
a.4) Aplicar, se necessário, o teste de Duncan a 5% de probabilidade na
comparação de médias de fitorreguladores dentro de cada ambiente.
TABELA 10.14 – DADOS REFERENTES A NÚMERO DE DIAS NECESSÁRIOS PAR A BROTAÇÃO

DE BULBOS DE LÍRIOS (MÉDIA DE CINCO BULBOS) DE UM ENSAIO
REALIZADO NO DELINEAMENTO INTEIRAMENTE CASUALIZADO, NO
ESQUEMA FATORIAL 3 X 3, EM QUE FORAM ESTUDADOS OS EFEITOS DA
VERNALIZAÇÃO E DE FITORREGULADORES NO DESENVOLVIMENTO DE
Lilium longiflorum Thunb.

378
Tratamentos * I II III IV V VI VII VIII Totais de Tratamentos
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
FONTE: Adaptado de BARBIN (1982).

NOTA: (*) Fitorreguladores: A0 – Sem Fitorreguladores; A1 – Ácido Giberélico 1000 ppm (12 horas); A2 – Ácido
Indolacético 1000 ppm (12 horas); Ambientes: B 0 – Temperatura de 0 oC por duas semanas; B1 –
Temperatura de 4 oC por duas semanas; B2 – Temperatura de 8 oC por duas semanas.
b) A partir dos dados da TABELA 10.15, pede-se:

b.1) Fazer a análise da variância no esquema fatorial 33 com confundimento,
inclusive levando-se em conta a regressão polinomial para os efeitos de N, P e K;
b.3) Obter as equações de regressão, acompanhadas de tabelas de médias e de
gráficos, e os coeficientes de determinação para os efeitos de N, P e K.
TABELA 10.15 – DADOS DE PRODUÇÃO DE CANA-PLANTA (t/ha) DE CANA-DE-AÇÚCAR

(Saccharum officinarum L.) DE UM ENSAIO DE ADUBAÇÃO NPK, 33, COM
CONFUNDIMENTO (GRUPO Z), COM DUAS REPETIÇÕES
Trat. I II Totais Trat. I II Totais Trat. I II Totais

379
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
904,41 1.096,08 2.000,49 901,56 1.172,23 2.073,79 858,83 1.080,90 1.939,73

379
EXPERIMENTOS EM
11 PARCELAS SUBDIVIDIDAS
Os experimentos em parcelas subdivididas são utilizados na pesquisa

agropecuária quando, geralmente, os pesquisadores desejam estudar simultaneamente
dois grupos de tratamentos, em condições experimentais um pouco diferentes das
utilizadas nos experimentos fatoriais. São usados em pesquisa envolvendo: doses de
adubação mineral e níveis de calagem; sistemas de irrigação e densidades de plantio;
cultivares e espaçamentos; cultivares e tipos de poda; tipos de fungicida e épocas de
plantio; cultivares e períodos de corte; épocas de fenação e técnicas de secagem; raças e
tipos de vermífugo; tipos de ração e raças; doses de vermífugo e doses de vitamina; raças
e níveis de inclusão de um alimento na ração; etc..
Nestes experimentos as parcelas são divididas em partes iguais, denominadas de
subparcelas e podem ser distribuídas em qualquer delineamento estatístico, sendo mais
utilizados os delineamentos inteiramente casualizados e em blocos casualizados.
De acordo com a estruturação das subparcelas, podem-se distinguir dois tipos de
experimentos em parcelas subdivididas:
a) Parcelas subdivididas no espaço – Quando em cada parcela há uma
subdivisão da sua área em subáreas, constituindo, cada uma delas, uma subparcela. Pode-
se ter, por exemplo, nas parcelas, cultivares de milho, e a sua área poderá ser subdividida
em subáreas, cada uma delas com um espaçamento diferente, constituindo as subparcelas.
Num outro exemplo, pode-se ter, nas parcelas (conjunto de baias), raças de suíno, e nas
subparcelas (cada baia individual), tipos de ração.
b) Parcelas subdivididas no tempo – Quando as parcelas não se subdividem em
subáreas, mas, periodicamente, são tomados dados em cada uma delas, constituindo estas
tomadas as subparcelas. Quando as tomadas de dados forem anuais, estas não deverão
ultrapassar mais de quatro anos sucessivos. Pode-se, assim, por exemplo, ter nas parcelas
diferentes cultivares de manga, e a cada ano avaliar a produção de frutos sempre nas
mesmas parcelas. Cada ano constituiria uma subparcela do experimento. Num outro
exemplo, pode-se ter, nas parcelas, diferentes cultivares de capim elefante, e a cada
período de 60 dias avaliarem a produção de matéria seca sempre nas mesmas parcelas.
Cada período de 60 dias constituiria uma subparcela do experimento. Ainda, em um outro
exemplo, pode-se ter, nas parcelas, diferentes raças de caprino, e a cada período do dia
avaliar a freqüência respiratória nos mesmos animais (parcelas). Cada período do dia
constituiria uma subparcela do experimento.
Quanto à natureza dos fatores usados, os experimentos em parcelas subdivididas,
à semelhança dos experimentos fatoriais, podem ser:

380
a) qualitativo – quando os tratamentos dos dois grupos são qualitativos como,
por exemplo, cultivares e tipos de poda; cultivares e tipos de fungicida; tipos de adubo e
tipos de herbicida; raças e tipos de ração; raças e tipos de vermífugo; tipos de vacina e
tipos de ambiente; etc.;
b) quantitativo – quando os tratamentos dos dois grupos são quantitativos como,
por exemplo, doses de herbicida e idades de planta; doses de N e doses de fungicida;
doses de vermífugo e idades de animal; 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;
tipos de poda e doses de fungicida; tipos de ração e doses de vermífugo; raças e níveis de
inclusão de um alimento na ração; etc..
A principal característica dos experimentos em parcelas subdivididas está na
forma como é feita a casualização dos dois grupos de tratamentos ou fatores. Enquanto
que nos experimentos fatoriais, a casualização de todas as combinações possíveis entre os
dois grupos de tratamentos é feita de acordo com os princípios do delineamento
estatístico utilizado, nos experimentos em parcelas subdivididas, a casualização dos
fatores é feita em duas etapas: na primeira etapa, casualizam-se os níveis do fator que
será avaliado nas parcelas, de acordo com os princípios do delineamento estatístico
utilizado; na segunda etapa, casualizam-se, dentro de cada parcela, os níveis do fator que
será avaliado nas subparcelas.
Em função das casualizações efetuadas nestes experimentos, tem-se dois resíduos
distintos: o Resíduo (a), que é a base de comparação dos níveis do fator que será avaliado
nas parcelas; e o Resíduo (b), que é a base de comparação dos níveis do fator que será
avaliado nas subparcelas.
Os experimentos em parcelas subdivididas contém todas as vantagens que os
experimentos fatoriais apresentam em relação aos experimentos simples. Além disso, eles
apresentam a vantagem de serem mais práticos de instalar que os fatoriais, o que os
tornam muitas vezes preferidos pelos pesquisadores.
Vejam-se porque os experimentos em parcelas subdivididas são mais práticos de
instalar que os experimentos fatoriais:
Considere-se uma pesquisa que tenha por objetivo avaliar o efeito de diferentes
espaçamentos em cultivares de milho. Supondo que foram utilizados três espaçamentos
(E1, E2, E3) e três cultivares (C1, C2, C3), então a constituição de um bloco seria a
seguinte, para os experimentos fatorial e em 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

381
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
Observa-se que, no experimento fatorial, todas as combinações foram

distribuídas aleatoriamente nas parcelas, sem nenhum critério prático que possibilite
maiores facilidades na implantação do experimento. Em função disso, o pesquisador
deverá ter maior atenção e mais trabalho na sua instalação, pois cada parcela terá um
espaçamento e uma cultivar específicos. Por outro lado, no experimento em parcelas
subdivididas isto não acontece, tendo em vista que a casualização dos fatores é feita em
duas etapas, fazendo-se com que cada parcela, que é formada por três subparcelas, tenha
as três cultivares para um espaçamento específico ou vice-versa, tornando-o muito mais
prático.
Os experimentos em parcelas subdivididas contêm todas as desvantagens que os
experimentos fatoriais apresentam em relação aos experimentos simples. Além disso, eles
apresentam a desvantagem de serem menos eficientes, do ponto de vista estatístico, que
os fatoriais, pois, enquanto nos experimentos fatoriais tem-se um só resíduo para avaliar
todos os efeitos, nos experimentos em parcelas subdivididas há dois resíduos: um para
avaliar o efeito do fator que será colocado nas parcelas e outro para avaliar o efeito do
fator que será colocado nas subparcelas, além do efeito da interação. Com isso, leva-se a
uma diminuição no número de graus de liberdade dos resíduos, pois o GL Resíduo do
fatorial = GL Resíduo (a) + GL Resíduo (b) e, em conseqüência, aumenta o erro
experimental.
Portanto, nos experimentos em parcelas subdivididas, todos os efeitos são
avaliados com menor precisão que nos experimentos fatoriais correspondentes. Por isso,
382
sempre que for possível, é preferível utilizar os experimentos fatoriais em lugar dos
experimentos em parcelas subdivididas. Contudo, quando os pesquisadores preferirem
utilizá-los, os mesmos deverão colocar o grupo de tratamentos de maior importância nas
subparcelas, tendo em vista que o erro experimental das subparcelas é, geralmente,
menor, pois o GL Resíduo (b)  GL Resíduo (a), bem como aumentar o número de
repetições do experimento. Com esse procedimento, melhora-se a eficiência dos
experimentos em parcelas subdivididas.
Tendo em vista que os experimentos em parcelas subdivididas, à semelhança dos

experimentos fatoriais, podem ser instalados em qualquer um dos delineamentos
estatísticos já estudados, deve-se, então, definir, inicialmente, qual o delineamento que
será utilizado; posteriormente, deve-se seguir à risca o que determina tal delineamento,
no que se refere à instalação do experimento, além de levar em conta que a casualização
nos experimentos em parcelas subdivididas é feita em duas etapas, conforme já visto
anteriormente.
Como os experimentos em parcelas subdivididas podem ser, também, instalados

em qualquer um dos delineamentos estatísticos já estudados, far-se-á apenas uma
abordagem em torno do delineamento em blocos casualizados, pelo fato de ser o mais
utilizado na pesquisa agropecuária, sendo que toda discussão feita é válida aos outros
delineamentos.
Considerando-se um experimento em parcelas subdivididas com oito
tratamentos, resultantes da combinação de quatro tratamentos A (A0, A1, A2, A3) com
dois tratamentos B (B0, B1), sendo que os tratamentos A foram colocados nas parcelas e
os tratamentos B nas subparcelas, e três repetições, então tem-se o seguinte quadro
auxiliar da análise da variância:

383
Blocos
Totais de
Tratamentos A Tratamentos B Tratamentos
I II III
A0 B0 X(A0B0) I X(A0B0) II X(A0B0) III T A0B0

B1 X(A0B1) I X(A0B1) II X(A0B1) III T A0B1
Totais de Parcelas PA0 (I) PA0 (II) PA0 (II)

Totais de Parcelas PA1 (I) PA1 (II) PA1 (III)


A3
Totais de Blocos BI BII BIII
O quadro auxiliar da análise da variância acima é utilizado para analisar uma

parte do quadro da análise da variância do experimento em parcelas subdivididas no
delineamento em blocos casualizados. A outra parte é obtida a partir de uma tabela,
proveniente do quadro auxiliar acima, chamada de dupla entrada, conforme se verifica a
seguir:
Tratamentos B
Tratamentos A Totais de Tratamentos A
B0 B1
A0 T A0B0 T A0B1 T A0
Totais de Tratamentos B T B0 T B1

384
Quadro da ANAVA
Blocos r–1 SQ Blocos -

QM Tratamentos A
Tratamentos A tA – 1 SQ Tratamentos A QM Tratamento A
QM Re síduo (a)
Resíduo (a) (tA – 1) (r – 1) SQ Resíduo (a) QM Resíduo (a)
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)
Resíduo (b) tA (tB – 1) (r – 1) SQ Resíduo (b) QM Resíduo (b)
Total t A x tB x r – 1 SQ Total
onde:
tA = número de tratamentos A;

 
2
onde:
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);

385
SQ Parcelas =
 PA

  
2 2
tB 
onde:
PA = total de cada parcela;
SQ Blocos =
 2

  2
t A x tB 
onde:
SQ Tratamentos A =
 A

  2
2
r x tB 
onde:
TA = total de cada tratamento A;
SQ Resíduo (a) = SQ Parcelas – (SQ Tratamentos A + SQ Blocos)
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 Resíduo (b) = SQ Total – (SQ Parcelas + SQ Tratamentos B + SQ Interação A x B)
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

386
SQ Interação  x 
QM Interação A x B =
GL Interação  x 
SQ Re síduo(b)
QM Resíduo (b) =
GL Re síduo(b)
Vejam-se, a seguir, algumas considerações importantes a respeito do teste F nos

experimentos em parcelas subdivididas:
a) O teste F para Tratamentos A irá dizer se eles diferem entre si, sem levar em
conta os Tratamentos B;
b) O teste F para Tratamentos B irá dizer se eles diferem entre si, sem levar em
conta os Tratamentos A;
c) O teste F para a Interação A x B irá dizer se o comportamento dos
Tratamentos A é influenciado pelo tipo de Tratamento B ou, de modo análogo, se os
Tratamentos B apresentam resultados diferentes conforme o Tratamento A utilizado;
d) A Interação A x B apresentando F não significativo, indica que o
comportamento dos Tratamentos A independe dos Tratamentos B e vice-versa. Neste
caso, quando os dois grupos de tratamentos forem qualitativos, deve-se aplicar um teste
de comparação de médias adequado para cada um dos efeitos principais (fator A e B),
desde que o teste F seja significativo e se tenha mais de dois níveis. Quando os dois
grupos de tratamentos forem quantitativos, deve-se usar, para cada um dos efeitos
principais (fator A e B), a regressão polinomial na análise de variância e, em seguida,
para cada fator, calcula-se a equação de regressão, a partir da regressão de maior grau que
apresentou significância estatística pelo teste F, acompanhada de um gráfico. E quando
um grupo de tratamentos for qualitativo e o outro grupo de tratamentos for quantitativo,
deve-se aplicar, para o efeito principal qualitativo (fator A ou B), um teste de comparação
de médias adequado, desde que o teste F seja significativo e se tenha mais de dois níveis,
e para o efeito principal quantitativo (fator B ou A), a regressão polinomial na análise de
variância e, em seguida, calcula-se a equação de regressão, a partir da regressão de maior
grau que apresentou significância estatística pelo teste F, acompanhada de um gráfico;
e) A Interação A x B apresentando F significativo, indica que há influência dos
Tratamentos A sobre os Tratamentos B e vice-versa. Neste caso, não há necessidade de
se aplicar um teste de comparação de médias para os efeitos principais (fator A e B) se os
dois grupos de tratamentos forem qualitativos ou a regressão polinomial na análise de
variância se os dois grupos de tratamentos forem quantitativos e nem os dois
procedimentos se um dos grupos de tratamentos for qualitativo e o outro grupo de
tratamentos for quantitativo, mas deve-se efetuar o desdobramento dos graus de liberdade
da Interação A x B sob uma das duas formas:
e.1) Entre Níveis de Tratamentos A Dentro de um Mesmo Nível de Tratamento
B:
Quadro da ANAVA

387
Blocos r–1
Tratamentos B tB – 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
  Dentro de 12 1 

2
= 
r r x t

=
t 1

=
t 1
Como nesta forma de desdobramento estão envolvidos os dois quadrados médios

dos resíduos [QM Resíduo (a) e QM Resíduo (b)], deve-se compor, então, um novo
quadrado médio do resíduo chamado de quadrado médio do resíduo composto, para se
efetuar o teste F, bem como usá-lo na comparação de médias entre níveis de tratamentos
A dentro de um mesmo nível de tratamento B.

388
1
QM Resíduo Composto = [QM Resíduo (a) + (K – 1) QM Resíduo (b)]
K

=
QM Re síduo Composto

=
QM Re síduo Composto
e.2) Entre Níveis de Tratamentos B Dentro de um Mesmo Nível de Tratamento
A:
Quadro da ANAVA
Blocos r–1
Tratamentos A tA – 1
Resíduo (a) (tA – 1) (r – 1)
Parcelas tA x r – 1

Resíduo (b) tA (tB – 1) (r – 1)
Total tA x tB x r – 1
onde:
  Dentro de  02  0 
2
= 
r r x t
  Dentro de 12 1 

2
= 
r r x t

389
  Dentro de  22  2 
2
= 
r r x t
  Dentro de  32  3 
2
= 
r r x t

=
tB 1

=
tB 1

=
tB 1

=
tB 1

=
QM Re síduo(b)

=
QM Re síduo (b)

390
=
QM Re síduo (b)

=
QM Re síduo(b)
Das duas formas de desdobramento apresentadas, a segunda forma (Entre Níveis

de Tratamentos B Dentro de um Mesmo Nível de Tratamento A) é a mais indicada,
porque é recomendado que o grupo de tratamentos de maior importância seja colocado
nas subparcelas, visto que quase sempre ele será avaliado com maior precisão, além de
não modificar muito a estrutura da análise de variância.
f) Também, quando a Interação A x B apresenta F significativo, deve-se proceder
da seguinte maneira: se os dois grupos de tratamentos forem qualitativos, deve-se aplicar
um teste de comparação de médias adequado para comparar apenas um dos efeitos
principais (fator A ou B) dentro de cada nível do outro, sob uma das formas de
desdobramento dos graus de liberdade da Interação A x B, desde que o teste F seja
significativo e se tenha mais de dois níveis. Se os dois grupos de tratamentos forem
quantitativos, deve-se usar apenas para um dos efeitos principais (fator A ou B) dentro de
cada nível do outro, sob uma das formas de desdobramento dos graus de liberdade da
Interação A x B, a regressão polinomial na análise de variância e, em seguida, calcula-se
a equação de regressão, para cada nível do outro fator, a partir da regressão de maior grau
que apresentou significância estatística pelo teste F, acompanhada de um gráfico. Neste
caso, recomenda-se, também, o uso de superfície de resposta. E se um grupo de
tratamentos for qualitativo e o outro grupo de tratamentos for quantitativo, deve-se
aplicar, apenas para o efeito principal qualitativo (fator A ou B) dentro de cada nível do
outro (fator quantitativo), um teste de comparação de médias adequado, desde que o teste
F seja significativo e se tenha mais de dois níveis, ou apenas para o efeito principal
quantitativo (fator B ou A) dentro de cada nível do outro (fator qualitativo), a regressão
polinomial na análise de variância e, em seguida, calcula-se a equação de regressão para
cada nível do outro, a partir da regressão de maior grau que apresentou significância
estatística pelo teste F, acompanhada de um gráfico.
g) Ainda, algumas observações importantes:
g.1) No caso de compararem-se médias gerais de Tratamentos A, através dos
testes de médias, ou se for usado a regressão polinomial na análise de variância, usam-se
o QM Resíduo (a).
g.2) No caso de compararem-se médias gerais de Tratamentos B, através dos
testes de médias, ou se for usado a regressão polinomial na análise de variância, usam-se
o QM Resíduo (b).
g.3) Em função de terem-se dois resíduos distintos, podem-se determinar dois
coeficientes de variação: um a nível de parcelas:
100 QM Re síduo(a)
CV(a) = 
m

391
e outro a nível de subparcelas:
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).
11.3 Exemplo com Interação não Significativa
A fim de apresentar-se a análise da variância e a interpretação dos resultados de

um experimento em parcelas subdivididas, será discutido, a seguir, um exemplo com
interação não significativa.
a) Fazer a análise da variância com regressão polinomial para doses de adubação
fosfatada;
b) Obter os coeficientes de variação;
c) Aplicar, se necessário, o teste de Tukey a 5% de probabilidade na comparação
de médias de tipos de aplicação.
d) Obter a equação de regressão, acompanhada de tabela de médias e de gráfico,
e o coeficiente de determinação para doses de adubação fosfatada.
TABELA 11.1 – EFEITOS DE DOSES DE ADUBAÇÃO FOSFATADA (kg de P2O5/ha) E DE TIPOS

DE APLICAÇÃO NA PRODUÇÃO (kg/ha) DE MILHO (Zea mays L.)
Doses de Adubação Tipos de Blocos Totais de Tratamentos

Fosfatada Aplicação
I II III IV
Cova 3.778 3.618 2.164 3.996 13.556

0 Sulco 3.467 4.284 3.733 3.280 14.764
Lanço 3.422 3.760 2.747 2.853 12.782
Totais de Parcelas 10.667 11.662 8.644 10.129
Cova 3.302 2.671 2.782 2.502 11.257

40 Sulco 3.653 3.653 3.529 2.258 13.093
Lanço 3.711 3.284 2.556 3.284 12.835

392
Cova 2.938 2.813 2.560 3.049 11.360

80 Sulco 3.800 4.356 3.560 4.013 15.729
Lanço 2.702 3.520 3.382 3.524 13.128
Cova 3.013 3.787 3.142 3.604 13.546

120 Sulco 3.338 3.369 2.507 4.200 13.414
Lanço 3.156 4.369 2.831 4.222 14.578
Totais de Blocos 40.280 43.484 35.493 40.785 160.042
Resolução:
a) Análise de Variância com Regressão Polinomial para Doses de Adubação
Fosfatada:
X = 3.778,0 + 3.618,0 + ... + 4.222,0 = 160.042,0
X 2 = (3.778,0) 2 + (3.618,0) 2 + ... + (4.222,0) 2
= 14.273.284,0 + 13.089.924,0 +...+ 17.825.284,0 = 548.487.358,0
tA = 4
tB = 3
r = 4
N = txr
= 12 x 4 = 48
GL Blocos = r – 1
= 4–1 = 3
GL Doses de Adubação Fosfatada = tA – 1
= 4–1 = 3

393
GL Parcelas = tA x r – 1
= 4x4–1
= 16 – 1 = 15
GL Resíduo (a) = (tA – 1) (r – 1)
= (4 – 1) (4 – 1)
= (3) (3) = 9
GL Tipos de Aplicação = tB – 1
= 3 –1 = 2
GL Interação DAF x TA = (tA – 1) (tB – 1)
= (4 – 1) (3 – 1)
= (3) (2) = 6
GL Resíduo (b) = tA (tB – 1) (r – 1)
= 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

394
25.613.441.000,0
= 548.487.358,0 
48
= 548.487.358,0 – 533.613.370,1 = 14.873.987,9
SQ Blocos =
 2

 
2
t A x tB 
(40.280,0) 2  (43.484,0) 2  (35.493,0) 2  (40.785,0) 2 160.042,0

2
= 
4 x 3 48
6.436.505.930,0 25.613.441.000,0
= 
12 48
= 536.375.494,2 – 533.613.370,1 = 2.762.124,1
SQ Parcelas =
 PA

  
2 2
tB 
(10.667,0) 2  (11.662,0) 2  ...  (12.026,0) 2 160.042,0

2
= 
3 48
1.621.972.826,0 25.613.441.000,0
= 
3 48
= 540.657.608,7 – 533.613.370,1 = 7.044.238,567
Doses de Adubação Tipos de Aplicação Totais de Doses de

Fosfatada B1 = Cova B2 = Sulco B3 = Lanço Adubação Fosfatada
A1 = 0 13.556 (4) 14.764 12.782 41.102 (12)

A2 = 40 11.257 13.093 12.835 37.185
A3 = 80 11.360 15.729 13.128 40.217
A4 = 120 13.546 13.414 14.578 41.538
Totais de Tipos de
49.719 (16) 57.000 53.323 160.042
Aplicação
SQ Doses de Adubação Fosfatada =

 A

 
2 2
r x tB 
(41.102,0) 2  (37.185,0) 2  (40.217,0) 2  (41.538,0) 2 160.042,0

2
= 
4 x 3 48

395
6.414.911.162,0 25.613.441.000,0
= 
12 48
= 534.575.930,2 – 533.613.370,1 = 962.560,067
Totais de Doses de Adubação Coeficientes

Fosfatada (T)
C1 C2 C3
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
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
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

396
=
(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
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 Doses de Adubação Fosfatada + SQ Blocos)
= 7.044.238,567 – (962.560,067 + 2.762.124,1)
= 7.044.238,567 – 3.724.684,167 = 3.319.554,4
SQ Tipos de Aplicação =
 B
2

  2
r x tA 
(49.719,0) 2  (57.000,0) 2  (53.323,0) 2 160.042,0

2
= 
4 x 4 48
8.564.321.290,0 25.613.441.000,0
= 
16 48
= 535.270.080,6 – 533.613.370,1 = 1.656.710,5
SQ Interação DAF x TA = SQ Tratamentos =

 T( AB
2
)

 
2
–
r 

397
(SQ Doses de Adubação Fosfatada + SQ Tipos de Aplicação)
(13.556,0) 2  (14.764,0) 2  ...  (14.578,0) 2 160.042,0

2
=  –
4 48
(962.560,067 + 1.656.710,5)
2.152.747.300,0 25.613.441.000,0
=  – 2.619.270,567
4 48
= 538.186.825,0 – 533.613.370,1 – 2.619.270,567 = 1.954.184,333
SQ Resíduo (b) = SQ Total – (SQ Parcelas +
SQ Tipos de Aplicação + SQ Interação DAF x TA)
= 14.873.987,9 – (7.044.238,567 + 1.656.710,5 + 1.954.184,333)
= 14.873.987,9 – 10.655.133,4 = 4.218.854,5
78.481,66667
= = 78.481,66667
1
571.596,75
= = 571.596,75
1
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

398
SQ Tipos de Aplicação
QM Tipos de Aplicação =
GL Tipos de Aplicação
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 síduo (a)
78.481,66667
=  0,213
368.839,3778
QM Re síduo (a)
571.596,75
=  1,55
368.839,3778
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

399
QM Interação DAF x TA
F Calculado para Interação DAF x TA =
QM Re síduo (b)
325.697,3888
=  1,85
175.785,6042
F Tabelado (1%) para Regressões Linear e Cúbica = 0,000042
F Tabelado (5%) para Regressões Linear e Cúbica = 0,0010
F Tabelado (1%) para Regressão Quadrática = 10,56
F Tabelado (5%) para Regressão Quadrática = 5,12
F Tabelado (1%) para Tipos de Aplicação = 5,61
F Tabelado (5%) para Tipos de Aplicação = 3,40
F Tabelado (1%) para Interação DAF x TA = 3,67
F Tabelado (5%) para Interação DAF x TA = 2,51
TABELA 11.2 - ANÁLISE DA VARIÂNCIA DOS EFEITOS DE DOSES DE ADUBAÇÃO

FOSFATADA (kg de P2 O5/ha) E DE TIPOS DE APLICAÇÃO NA PRODUÇÃO
(kg/ha) DE MILHO (Zea mays L.). PIRACICABA - SP, 1982
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 -
Tipos de Aplicação 2 1.656.710,50000 828.355,25000 4,71 *

Interação DAF x TA 6 1.954.184,33333 325.697,38888 1,85 ns
Resíduo (b) 24 4.218.854,50000 175.785,60420
Total 47 14.873.987,90000

400


Não houve diferença significativa, no nível de 5% de probabilidade, para as
Regressões Linear, Quadrática e Cúbica, indicando que não existe uma relação entre as
doses de adubação fosfatada e a produção de milho.
Houve diferença significativa, no nível de 5% de probabilidade, entre os tipos de
aplicação de adubação fosfatada em relação à produção de milho.
Interação DAF x TA, indicando que o efeito das doses de adubação fosfatada na
produção de milho independe do tipo de aplicação.
b) Coeficientes de Variação:
 ( 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

401
41.926,79384
=  12,57%
3.334,208333
O coeficiente de variação das parcelas foi de 18,21%, indicando uma precisão

experimental regular.
O coeficiente de variação das subparcelas foi de 12,57%, indicando uma boa
precisão experimental.
c) Teste de Tukey:
Tipos de Aplicação de Adubação Fosfatada:
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
TABELA 11.3 – EFEITO DE TIPOS DE APLICAÇÃO DE ADUBAÇÃO FOSFATADA NA

PRODUÇÃO (kg/ha) DE MILHO (Zea mays L.). PIRACICABA - SP, 1982
Tipos de Aplicação de Adubação Fosfatada Médias de Produção (kg/ha)1/
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.

A aplicação de adubação fosfatada no sulco, apesar de não diferir
estatisticamente da aplicação de adubação fosfatada a lanço, proporcionou a maior
produção de milho.

402
A aplicação de adubação fosfatada na cova, apesar de não diferir estatisticamente
da aplicação de adubação fosfatada a lanço, proporcionou a menor produção de milho.
A aplicação de adubação fosfatada a lanço apresentou uma produção de milho
intermediária entre os outros tipos de aplicação de adubação fosfatada avaliados.
d) Equação de Regressão, acompanhada de Tabela de Médias e de Gráfico, e
Coeficiente de Determinação para Doses de Adubação Fosfatada:
Como não houve efeito significativo para as regressões em relação às doses de
adubação fosfatada e a produção de milho, não se estima a equação de regressão, bem
como o coeficiente de determinação. Neste caso, basta apenas apresentar as médias de
doses de adubação fosfatada ou gráfico.
TABELA 11.4 – EFEITO DE DOSES DE ADUBAÇÃO FOSFATADA (kg de P2 O5/ha) NA

PRODUÇÃO (kg/ha) DE MILHO (Zea mays L.). PIRACICABA - SP, 1982
Doses de Adubação Fosfatada (kg de P2 O5/ha) Médias de Produção (kg/ha)
0 3.425,1667
40 3.098,7500
80 3.351,4167
120 3.461,5000
Verifica-se que não houve resposta da cultura do milho à adubação fosfatada em

relação à produção de grãos, conforme TABELA 11.4. Por outro lado, as conclusões
tiradas pelo teste de Tukey, no nível de 5% de probabilidade, ficam comprometidas (sem
aplicabilidade) em função desta.
Apresentar-se-á, para discussão, a análise da variância e a interpretação dos

resultados de um experimento em parcelas subdivididas com interação significativa.
b) Obter os coeficientes de variação;
c) Fazer o desdobramento do número de graus de liberdade de cultivares mais o
da interação estádios de desenvolvimento x cultivares;
de médias de cultivares dentro de cada estádio de desenvolvimento.
TABELA 11.5 - ESTÁDIOS DE DESENVOLVIMENTO QUE PERMITE DISCRIMINAR PLANTAS DE

CEBOLA (Allium cepa L.) DOS FENÓTIPOS CEROSO E NÃO CEROSO, ATRAVÉS DE
SOLUÇÃO DE ÁCIDO SULFÚRICO (2%) COMO AGENTE SELETIVO. DADOS
REFERENTES A NOTAS, VARIANDO DE 0 (AUSÊNCIA DE INJÚRIAS
FOLIARES) A 5 (QUEIMA DAS FOLHAS, TOTALIZANDO 90 – 100% DA
FOLHAGEM, CAUSANDO, NA MAIORIA DOS CASOS, A MORTE DA PLANTA)

403
Estádios de Cultivares ** Totais de Parcelas
Desenvolvimento * ______________________________________
B1 B2 B3 B4 B5
3,1 3,2 3,2 3,4 3,0 15,9

A1 = 18 3,3 3,1 3,0 3,6 3,1 16,1
3,3 3,3 3,2 3,2 3,1 16,1
3,9 3,6 3,5 3,8 3,2 18,0
3,8 3,8 3,6 4,7 4,4 20,3

A2 = 25 3,0 4,3 3,1 4,0 4,1 18,5
3,9 3,9 3,5 4,4 3,9 19,6
3,6 3,6 2,9 4,4 4,0 18,5
2,4 2,6 2,4 3,6 3,1 14,1

A3 = 32 2,6 2,9 2,3 4,2 2,9 14,9
2,5 2,4 2,3 3,6 3,3 14,1
2,9 2,8 2,6 3,5 3,6 15,4
2,1 2,5 2,1 4,3 3,3 14,3

A4 = 39 2,5 3,2 2,5 4,0 3,9 16,1
2,6 2,9 2,9 3,6 3,4 15,4
2,8 3,1 2,6 4,2 3,7 16,4
1,2 1,8 1,9 3,5 3,3 11,7

A5 = 46 1,5 2,4 1,6 3,2 2,9 11,6
1,6 1,7 2,0 3,7 3,1 12,1
1,7 2,4 2,2 3,3 3,0 12,6
1,2 1,3 1,4 2,9 2,5 9,3

A6 = 53 1,7 1,9 1,9 2,8 2,9 11,2
1,1 1,5 1,4 3,1 2,2 9,3
1,3 2,1 1,5 2,4 2,9 10,2

NOTAS: (*) Número de dias após a semeadura.
(**) B1 Barreiro SPV-IV (Fenótipo ceroso); B2 – Baia do Cedo SMP-IV (Fenótipo ceroso); B3 – Baia
Periforme (Fenótipo ceroso); B4 – Texas Grano (Fenótipo não ceroso); B5 – Excel Bermudas 986
(Fenótipo não ceroso).
Resolução:
a) Análise de Variância:
X = 3,1 + 3,2 + ... + 2,9 = 351,7
X 2 = (3,1) 2 + (3,2) 2 + ... + (2,9)
= 9,61 + 10,24 +...+ 8,41 = 1.113,87
tA = 6
tB = 5
r = 4

404
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
GL Interação ED x C = (tA – 1) (tB – 1)
= (6 – 1) (5 – 1)
= (5) (4) = 20
GL Resíduo (b) = tA (tB – 1) (r – 1)
= 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


405
= 1.113,87 
351,7 2
120
123.692,89
= 1.113,87 
120
= 1.113,87 – 1.030,7741 = 83,0959
SQ Parcelas =
 PA

  
2 2
tB 
(15,9) 2  (16,1) 2  ...  (10,2) 2 351,7 

2
= 
5 120
252,81  259,21  ...  104,04 123.692,89

= 
5 120
5.381,67 123.692,89
= 
5 120
= 1.076,334 – 1.030,7741 = 45,5599
Cultivares
Estádios de Totais de Estádios de
Desenvolvimento Desenvolvimento
B1 B2 B3 B4 B5
18 13,6 (4) 13,2 12,9 14,0 12,4 66,1 (20)

25 14,3 15,6 13,1 17,5 16,4 76,9
32 10,4 10,7 9,6 14,9 12,9 58,5
39 10,0 11,7 10,1 16,1 14,3 62,2
46 6,0 8,3 7,7 13,7 12,3 48,0
53 5,3 6,8 6,2 11,2 10,5 40,0
Totais de Cultivares 59,6 (24) 66,3 59,6 87,4 78,8 351,7
SQ Estádios de Desenvolvimento =
 A
2

  2
r x tB 
(66,1) 2  (76,9) 2  ...  (40,0) 2 351,7 

2
= 
4 x 5 120
4.369,21  5.913,61  ...  1.600,00 123.692,89

= 
20 120

406
21.477,91 123.692,89
= 
20 120
= 1.073,8955 – 1.030,7741 = 43,1214
SQ Resíduo (a) = SQ Parcelas – SQ Estádios de Desenvolvimento
= 45,5599 – 43,1214 = 2,4385
SQ Cultivares =
 B
2

  2
r x tA 
(59,6) 2  (66,3) 2  ...  (78,8) 2 351,7 

2
= 
4 x 6 120
3.552,16  4.395,69  ...  6.209,44

=
24
25.348,21 123.692,89
= 
24 120
= 1.056,1754 – 1.030,7741 = 25,40132
SQ Interação ED x C =
 AB
2

 
2
–
r 
(SQ Estádios de Desenvolvimento + SQ Cultivares)
(13,6) 2  (13,2) 2  ...  (10,5) 2 351,7 

2
=  – (43,1214 + 25,40132)
4 120
184,96  174,24  ...  110,25 123.692,89

=  – 68,52272
4 120
4.427,49 123.692,89
=  – 68,52272
4 120
= 1.106,8725 – 1.030,7741 – 68,52272 = 7,57568
SQ Resíduo (b) = SQ Total –
(SQ Parcelas + SQ Cultivares + SQ Interação ED x C)
= 83,0959 – (45,5599 + 25,40132 + 7,57568)

407
= 83,0959 – 78,5369 = 4,559
SQ Estádios de De sen volvimento

QM Estádios de Desenvolvimento =
GL Estádios de De sen volvimento
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
F Calculado para Estádios de Desenvolvimento
QM Estádios de De sen volvimento

=
QM Re síduo (a)
8,62482
=  63,67
0,13547
QM Culti var es
QM Re síduo (b)

408
6,35033
=  100,29
0,063319
QM Interação ED x C
F Calculado para Interação ED x C =
QM Re síduo (b)
0,378784
=  5,98
0,063319
F Tabelado (1%) para Estádios de Desenvolvimento = 4,25
F Tabelado (5%) para Estádios de Desenvolvimento = 2,77
F Tabelado (1%) para Interação ED x C = 2,166
F Tabelado (5%) para Interação ED x C = 1,732
TABELA 11.6 – ANÁLISE DA VARIÂNCIA DO ESTÁDIO DE DESENVOLVIMENTO QUE

PERMITE DISCRIMINAR PLANTAS DE CEBOLA DOS FENÓTIPOS CEROSO E
NÃO CEROSO, ATRAVÉS DE SOLUÇÃO DE ÁCIDO SULFÚRICO (2%) COMO
AGENTE SELETIVO. PIRACICABA – SP, 1983.
Estádios de Desenvolvimento (ED) 5 43,12140 8,624280 63,67 **

Resíduo (a) 18 2,43850 0,135470
Parcelas 23 45,55990 -
Cultivares (C) 4 25,40132 6,350330 100,29 **

Interação ED x C 20 7,57568 0,378784 5,98 **
Resíduo (b) 72 4,55900 0,063319
Total 119 83,09590

Houve diferença significativa, no nível de 1% de probabilidade, entre os estádios
de desenvolvimento de plantas de cebola em relação à porcentagem de queima das folhas
causada pelo ácido sulfúrico (2%).

409
cultivares de cebola em relação à porcentagem de queima das folhas causada pelo ácido
sulfúrico (2%).
Houve diferença significativa, no nível de 1% de probabilidade, para a interação
(ED x C), indicando que a porcentagem de queima das folhas das cultivares de cebola
causada pelo ácido sulfúrico (2%) depende do estádio de desenvolvimento das plantas.
 ( 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
O coeficiente de variação das parcelas foi de 12,56%, indicando uma boa


410
O coeficiente de variação das subparcelas foi 8,59%, indicando uma ótima
c) Desdobramento do Número de Graus de Liberdade de Cultivares Mais o da
Interação Estádios de Desenvolvimento x Cultivares:
SQ Cultivares Dentro de Estádio de 18 Dias =

 B Dentro de A12

A1 
2
r r x tB
=
13,6  13,2  ...  12,4
2 2 2
–
66,1
2
4 4x5
184,96  174,24  ...  153,76 4.369,21

= 
4 20
875,37 4.369,21
 
4 20
= 218,8425 – 218,4605 = 0,382


A2 
2
r r x tB
=
14,3  15,6  ...  16,4
2 2 2
–
76,9 
2
4 4x5
204,49  243,36  ...  268,96 5.913,61

= 
4 20
1.194,67 5.913,61
= 
4 20
= 298,6675 – 295,6805 = 2,987
 B Dentro de A32 A3 2

SQ Cultivares Dentro de Estádio de 32 Dias = 
r r x tB
=
10,4  10,7   ...  12,9
2 2 2
–
58,52
4 4x5
108,16  114,49  ...  166,41 3.422,25

= 
4 20

411
703,23 3.422,25
 
4 20
= 175,8075 – 171,1125 = 4,695


A4 
2
r r x tB
=
10,0  11,7   ...  14,3
2 2 2
–
62,2 
2
4 4x5
100,00  136,89  ...  204,49 3.868,84

= 
4 20
802,6 3.868,84
 
4 20
= 200,65 – 193,442 = 7,208

r r x tB
=
6,02  8,32  ...  12,32 – 48,02
4 4x5
36,00  68,89  ...  151,29 2.304,00


4 20
503,16 2.304,00
 
4 20
125,79 – 115,20 = 10,59

r r x tB
=
5,32  6,82  ...  10,52 – 40,0 2
4 4x5
28,09  46,24  ...  110,25 1.600,00

= 
4 20

412
348,46 1.600,00
= 
4 20
= 87,115 – 80,00 = 7,115
QM Cultivares Dentro de Estádio de 18 Dias
SQ Culti var es Dentro de Estádio de 18 Dias

=
tB 1
0,382
=
5 1
0,382
= = 0,0955
4

=
tB 1
2,987
=
5 1
2,987
= = 0,74675
4

=
tB 1
4,695
=
5 1
4,695
= = 1,17375
4

=
tB 1
7,208
=
5 1

413
7,208
= = 1,802
4

=
tB 1
10,59
=
5 1
10,59
= = 2,6475
4

=
tB 1
7,115
=
5 1
7,115
= = 1,77875
4
F Calculado para Cultivares Dentro de Estádio de 18 Dias
QM Culti var es Dentro de Estádio de 18 Dias

=
QM Re síduo (b)
0,0955
=  1,51
0,063319

=
QM Re síduo (b)
0,74675
=  11,79
0,063319

414
=
QM Re síduo (b)
1,17375
=  18,54
0,063319

=
QM Re síduo (b)
1,802
=  28,46
0,063319

=
QM Re síduo (b)
2,6475
=  41,81
0,063319

=
QM Re síduo (b)
1,77875
=  28,09
0,063319
F Tabelado (1%) para Cultivares Dentro dos Estádios de Desenvolvimento
= 3,616
F Tabelado (5%) para Cultivares Dentro dos Estádios de Desenvolvimento
= 2,514
A TABELA 11.6 fica, agora, da seguinte maneira:

415
TABELA 11.6 – ANÁLISE DA VARIÂNCIA DO ESTÁDIO DE DESENVOLVIMENTO QUE

PERMITE DISCRIMINAR PLANTAS DE CEBOLA DOS FENÓTIPOS CEROSO
E NÃO CEROSO, ATRAVÉS DE SOLUÇÃO DE ÁCIDO SULFÚRICO (2%)
COMO AGENTE SELETIVO. PIRACICABA – SP, 1983
Estádios de Desenvolvimento 5 43,12140 - -

Resíduo (a) 18 2,43850 0,135470
Parcelas 23 45,55990
Cultivares dentro do estádio de 18 dias 4 0,38200 0,095500 1,51 ns

Cultivares dentro do estádio de 25 dias 4 2,98700 0,746750 11,79 **
Resíduo (b) 72 4,55900 0,063319
Total 119 83,09590


Não houve diferença significativa, no nível de 5% de probabilidade, entre as
cultivares de cebola dentro do estádio de 18 dias após a semeadura em relação à
porcentagem de queima das folhas causada pelo ácido sulfúrico (2%).
cultivares de cebola dentro dos estádios de 25, 32, 39, 46 e 53 dias após a semeadura em
relação à porcentagem de queima das folhas causada pelo ácido sulfúrico (2%).
d) Teste de Tukey:
Cultivares Dentro do Estádio de 18 Dias:
m̂ 1 = 3,40 m̂ 4 = 3,50
m̂ 2 = 3,30 m̂ 5 = 3,10
m̂ 3 = 3,23

416
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

417
0,99846
=  0,499
2,0
TABELA 10.8 – ESTÁDIO DE DESENVOLVIMENTO QUE PERMITE DISCRIMINAR PLANTAS

DE CEBOLA DOS FENÓTIPOS CEROSO E NÃO CEROSO, ATRAVÉS DE
SOLUÇÃO DE ÁCIDO SULFÚRICO (2%) COMO AGENTE SELETIVO. DADOS
MÉDIOS DE NOTAS, VARIANDO DE 0 (AUSÊNCIA DE INJÚRIAS FOLIARES) A
5 (90 – 100% DE QUEIMA DAS FOLHAS). PIRACICABA – SP, 1983
Cultivares **
Estádios de
Desenvolvimento * B1 1/ B2 B3 B4 B5
18 3,40 a 3,30 a 3,23 a 3,50 a 3,10 a

25 3,58 ab 3,90 bc 3,28 a 4,38 c 4,10 c
32 2,60 a 2,68 a 2,40 a 3,73 c 3,23 b
39 2,50 a 2,93 a 2,53 a 4,03 b 3,58 b
46 1,50 a 2,08 b 1,93 ab 3,43 c 3,08 c
53 1,33 a 1,70 a 1,55 a 2,80 b 2,63 b
NOTAS: (*) Número de dias após a semeadura.

(**) B1 – BARREIRO SMP – IV (Fenótipo Ceroso); B2 – BAIA DO CEDO SMP –V (Fenótipo
Ceroso); B3 – BAIA PERIFORME (Fenótipo Ceroso); B4 – TEXAS GRANO (Fenótipo
Não Ceroso); B5 – EXCEL BERMUDAS 986 (Fenótipo Não Ceroso).
1/: Nas linhas, as médias de cultivares seguidas de pelo menos uma mesma letra não diferem
entre si pelo teste de Tukey no nível de 5% de probabilidade.
Com relação às cultivares dentro de estádios de desenvolvimento, de acordo com

o teste Tukey, no nível de 5% de probabilidade, tem-se:
No estádio de 18 dias após a semeadura, não houve diferença significativa entre
as cultivares de cebola em relação às injúrias causadas pelo ácido sulfúrico (2%).
No estádio de 25 dias após a semeadura, a cultivar BAIA PERIFORME,
pertencente ao fenótipo ceroso, apresentou o menor índice de injúrias foliares, e diferiu
estatisticamente das cultivares BAIA DO CEDO SMP-V, do fenótipo ceroso, e TEXAS
GRANO e EXCEL BERMUDAS 986, do fenótipo não ceroso. Neste mesmo estádio de
desenvolvimento, a cultivar BARREIRO SMP-IV, pertencente ao fenótipo ceroso,
apresentou um índice de injúrias foliares intermediário entre a cultivar BAIA
PERIFORME, do fenótipo ceroso, e as demais cultivares de cebola avaliadas.

418
Nos estádios de 32, 39, 46 e 53 dias após a semeadura, as cultivares BARREIRO
SMP-IV, BAIA DO CEDO SMP-V e BAIA PERIFORME, pertencentes ao fenótipo
ceroso, apresentaram os menores índices de injúrias foliares, e diferiram estatisticamente
das cultivares do fenótipo não ceroso TEXAS GRANO e EXCEL BERMUDAS 986.
A discriminação entre cultivares de cebola dos fenótipos ceroso e não ceroso
pelo ácido sulfúrico, na concentração de 2%, foi evidente a partir dos 32 dias após a
semeadura.
11.5 Perdas de Subparcelas
Quando se utilizam os delineamentos em blocos casualizados e em quadrado

latino na condução de experimentos em parcelas subdivididas e ocorrerem perdas de
subparcelas, é necessário estimar o valor das subparcelas perdidas, através de fórmulas
apropriadas, para poder-se efetuar a análise da variância. Contudo, far-se-á apenas uma
abordagem em torno do delineamento em blocos casualizados, por ser o delineamento
mais usado na pesquisa agropecuária, sendo que toda discussão feita é válida ao
delineamento em quadrado latino, desde que sejam usadas as fórmulas correspondentes.
No caso de ocorrer a perda de uma subparcela, pode-se estimá-la através da
fórmula:
r x TS  t B TAB   TA
Y
r  1t B  1
onde:
TS = total das subparcelas restantes na parcela onde ocorreu a perda;
TAB = total das demais subparcelas da combinação (AB) correspondentes à subparcela
perdida;
TA = total de subparcelas restantes do tratamento A correspondente à subparcela perdida .
Uma vez estimada a subparcela, procede-se à análise da variância da maneira

usual, tomando-se o cuidado, porém, de se diminuir 1 GL do Resíduo (b), correspondente
à subparcela perdida.
No caso de ocorrerem duas ou mais subparcelas perdidas, deve-se considerar
dois casos distintos:
a) Se ocorrer a perda de duas ou mais subparcelas em tratamentos A distintos,
elas são estimadas independentemente, pelo emprego da fórmula anteriormente
apresentada para estimar uma subparcela perdida;
b) Se duas ou mais subparcelas são perdidas no mesmo tratamento A, pode-se
estimá-las pelo método iterativo, com a aplicação também da fórmula apropriada ao
cálculo de uma subparcela perdida. Distingue-se, neste caso, três situações, ou sejam:
b.1) Duas subparcelas perdidas, por exemplo em A1B1 e A1B2, mas em parcelas
distintas, denominando-se, respectivamente, de X e Y as subparcelas perdidas e
arbitrando um valor Y0 para Y, tem-se:

419
X1 
  
r .x TS1  t B TA 1 B 1  TA 1  y 0 
r  1t B  1
e, conforme já visto no método iterativo, com o valor X1 calcula-se Y1, completando o 1º

ciclo, ou seja:
Y1 
  
r x TS 2  t B TA 1 B 2  TA 1  x1 
r  1t B  1
Prossegue-se assim, alternadamente, nos cálculos de X e de Y, até que haja

convergência das estimativas, nos ciclos sucessivos.
b.2) Duas subparcelas perdidas, por exemplo em A1B1 e A1B2 respectivamente,
numa mesma parcela. Arbitra-se um valor Y0 para Y e calcula-se:
X1 
  
r TS  y 0   t B TA 1 B 1  TA 1  y 0 
r  1t B  1
Y1 
  
r TS  x1   t B TA 1 B 2  TA 1  x1 
r  1t B  1
Analogamente, prossegue-se com outros ciclos, até obter a convergência para X e

Y.
b.3) Duas subparcelas perdidas no mesmo tratamento B1 em parcelas distintas de
A1. Uma vez arbitrando-se Y0, calcula-se:
X1 
  
r x TS1  t B TA 1 B 1  y 0  TA 1  y 0 
r  1t B  1
Y1 
  
r x TS 2  t B TA 1 B 2  x1  TA 1  x1 
r  1t 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

420
parcela em que se perdeu uma subparcela e calcular o valor a ser utilizado na análise
pela fórmula já vista para o caso de delineamento em blocos casualizados:
r x B  tA x T  G
Y
r  1t A  1
Uma vez estimada a parcela, procede-se à análise da variância da maneira usual,

tomando-se o cuidado, porém, de se diminuir 1GL do Resíduo (a).
Na comparação de médias de tratamentos, deve-se levar em conta que a perda de
dados de uma ou mais subparcelas afeta diretamente as variâncias de contrastes entre
médias. COCHRAN e COX (1957) apresentam, para os quatro tipos de comparações
entre médias, as seguintes expressões de variância de contrastes, admitindo-se tA
tratamentos A, tB tratamentos B e r repetições:
1º tipo: Entre duas médias de tratamentos A:
  
Y1  m A 1  m A 2

 2 QM Re síduo a   f x QM Re síduo b 

s2 Y 

r x tB
Para aplicação dos testes de comparação de médias, calcula-se o número de graus

de liberdade, pela fórmula de Satterthwaite, ou seja:
QM Re síduo (a)  f x QM Re síduo (b) 2
QM Re síduo (a)   f x QM Re síduo (b)

n1 = 2 2
GL Re síduo (a) GL Re síduo (b)
2º tipo: Entre duas médias de tratamentos B:

  
Y2  mB 1  mB 2

 2 QM Re síduo b  1  f t B / t A

s2 Y 

r x tA
n 2 = GL Resíduo (b)
3º tipo: Entre duas médias de tratamentos B num mesmo tratamento A:

 
Y3  m A 1 B 1  m A 1 B 2

 2 QM Re síduo b  1  f tB / t A

s2 Y 

r
n 3 = GL Resíduo (b)
421
4º tipo: Entre duas médias de tratamentos A num mesmo tratamento B:

 
Y4  m A 1 B 1  m A 2 B 1
 2 QM Re síduo a   2 QM Re síduo b  t B  1  f t B
s Y 
2
  2

r x tB
Também neste caso calcula-se o número de graus de liberdade pela fórmula de

Satterthwaite:
 
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)
Os autores afirmam que, se apenas uma subparcela é perdida, o fator f é dado

por:
1
f 
2 r  1t B  1
Se duas ou mais subparcelas são perdidas, o fator f dependerá da localização

dessas subparcelas. Sugerem, neste caso, a seguinte aproximação:
T
f 
2 r  M t B  T  R  1
onde, M, R e T estão associados apenas as observações perdidas nas duas médias em

confronto, e:
T = número de subparcelas perdidas, envolvidas no contraste;

M = número de observações perdidas na combinação AB mais afetada;
R = número de repetições que contêm uma ou mais observações perdidas.
11.6 Exercícios

a.2) Obter os coeficientes de variação;

422
TABELA 11.9 – DADOS DE PRODUÇÃO (t/ha) DE CANA-DE-AÇÚCAR, VARIEDADE CB-43-5,

OBTIDOS DE DOIS SISTEMAS DE PLANTIO NOS DOIS PRIMEIROS CORTES
(CANA PLANTA E CANA SOCA)
Sistemas Cortes Totais de

de Plantio Parcelas
Cana Planta Cana Soca
92,9 84,5 177,4

128,6 86,5 215,1
121,7 84,5 206,2
122,8 77,0 199,8
Sulcos
118,1 88,1 206,2
Simples 115,7 82,4 198,1
121,4 84,0 205,4
126,9 88,8 215,7
118,1 85,7 203,8
122,4 78,8 201,2
Totais 1.188,6 840,3 2.028,9
122,5 84,5 207,0

110,0 85,0 195,0
115,0 85,5 200,5
125,0 88,0 213,0
Sulcos 105,0 86,7 191,7
Duplos 110,0 80,7 190,7
115,0 88,3 203,3
105,0 89,3 194,3
108,5 94,3 202,8
118,3 90,0 208,3
Totais 1.134,3 872,3 2.006,6


423
b) A partir dos dados da TABELA 11.10, pede-se:

b.2) Obter os coeficientes de variação;
b.3) Se a interação adubos verdes x anos for significativa, fazer o desdobramento
do número de graus de liberdade de adubos verdes mais o da interação adubos verdes x
anos.
b.4) Aplicar, se necessário, o teste de Tukey a 5% de probabilidade da
comparação de médias de adubos verdes dentro de cada ano;
TABELA 11.10 – PRODUÇÃO DE ADUBOS VERDES E MILHO (kg DE MATÉRIA VERDE POR
PARCELA) EM DOIS ANOS SUCESSIVOS
1º Bloco 2º Bloco 3º Bloco 4º Bloco

Tratamentos
1º ano 2º ano 1º ano 2º ano 1º ano 2º ano 1º ano 2º ano
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
533,2 668,2 474,6 579,2 465,8 610,2 446,2 613,2

424

423
ANÁLISE CONJUNTA
12 DE EXPERIMENTOS
Em muitas áreas da pesquisa agropecuária, o pesquisador dificilmente teria

condições de conduzir um experimento num determinado ambiente com o objetivo de
aplicar os seus resultados para toda uma região, tendo em vista que as condições
climáticas variam muito de um ambiente para outro, afetando, sobremaneira, o
comportamento dos seres vivos. Tal fato ocorre, por exemplo, nos experimentos com
vegetais, nos quais o solo e as condições climáticas têm influência muito grande. Já em
experimentos com animais a influência do local e do clima é muito menor,
principalmente quando eles recebem rações controladas e dispõem de abrigos
convenientes.
Nestes casos, só uma experimentação apropriada permitiria ao pesquisador dar
uma solução definitiva ao problema de generalização dos resultados de um experimento
para toda uma região. Tem-se, então, a análise conjunta de experimentos. Pode-se citar
como exemplo, o estudo da adubação química da cana-de-açúcar no Estado de Alagoas,
tendo em vista obter resultados gerais para toda área canavieira do Estado. Com esse
objetivo, devem-se instalar experimentos por toda a região que deverão ser o mais
simples possível para que o custo não seja excessivo. Além disso, os experimentos
deverão ser os mesmos por toda a área, isto é, deverão obedecer ao mesmo delineamento
estatístico, bem como incluir os mesmos tratamentos com, se possível, o mesmo número
de repetições. Também, o manejo animal ou vegetal deverá se o mesmo em todos os
experimentos. Este procedimento irá facilitar grandemente a análise da variância
conjunta. De preferência, ainda, esses experimentos deverão se repetir por vários anos.
12.1 Esquema da Análise da Variância Conjunta
Para se efetuar uma análise conjunta de experimentos devem-se seguir os

seguintes passos:
a) Em primeiro lugar, definem-se os ambientes onde a pesquisa será conduzida,
ou seja, diferentes localidades, anos diferentes de uma mesma localidade, anos e
localidades diferentes, etc., instalam-se os experimentos, que geralmente são implantados
no delineamento em blocos casualizados, e após a coleta dos dados, efetuam-se todas as
análises individuais, isto é, análise para cada ambiente de acordo com o delineamento
estatístico utilizado.
b) Examinam-se, a seguir, as grandezas dos QM Resíduos, ou seja, se forem
homogêneos (quando a relação entre o maior e o menor QM Resíduos não for superior a
mais de quatro vezes) todos os ambientes poderão ser incluídos na análise conjunta sem

424
restrições, e, em caso contrário, devem-se organizar subgrupos com QM Resíduos

homogêneos, sendo que as análises conjuntas serão feitas para cada subgrupo.
c) Elabora-se, posteriormente, a tabela de dupla entrada, conforme se verifica a
seguir:
Ambientes
Totais de
Tratamentos
Tratamentos
A1 A2 A3
T1 TT1A1 TT1A2 TT1A3 TT1

Totais de Ambientes TA1 TA2 TA3
d) Agora, efetua-se a análise da variância conjunta, segundo o esquema abaixo:
Quadro da ANAVA Conjunta
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
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:
a = número de ambientes;
N' = soma dos graus de liberdade dos resíduos das análises individuais;
 T
2
 TT 2
r x a 

425
onde:
TT = total de cada tratamento;
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
SQ Interação (T x A) =  – (SQ Tratamentos + SQ Ambientes)

r 
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
QM Re síduo ( A1 )  QM Re síduo ( A2 )  QM Re síduo ( A3 )

QM Resíduo Médio =
a
Vejam-se, a seguir, algumas considerações importantes a respeito da

interpretação do teste F na análise conjunta de experimentos:
a) O teste F para tratamentos irá dizer se eles diferem entre si, sem levar em
conta os ambientes;
b) O teste F para ambientes irá dizer se eles diferem entre si, sem levar em conta
os tratamentos;
c) O teste F para a interação (T x A) irá dizer se o comportamento dos
tratamentos é influenciado pelo tipo de ambiente;
d) A interação (T x A) apresentando F não significativo, indica que o
comportamento dos tratamentos independe dos ambientes. Então, neste caso, podem-se
fazer recomendações gerais para toda a região, ou seja, o melhor tratamento é indicado
para todos os ambientes. Contudo, para se chegar ao melhor tratamento é necessário se
proceder da seguinte maneira:

426
d.1) Se os tratamentos forem qualitativos, deve-se aplicar um teste de

comparação de médias adequado, desde que o teste F seja significativo e se tenha mais de
dois níveis;
d.2) Se os tratamentos forem quantitativos, deve-se usar a regressão polinomial
na análise de variância e, em seguida, calcula-se a equação de regressão, a partir da
acompanhada de um gráfico;
e) A interação (T x A) apresentando F significativo, indica que o comportamento
dos tratamentos é influenciado pelos ambientes. Neste caso, não há necessidade de se
aplicar um teste de comparação de médias para os tratamentos se eles forem qualitativos
ou a regressão polinomial na análise de variância se eles forem quantitativos. Têm-se,
então, duas alternativas a seguir:
e.1) Consideram-se os resultados obtidos nas análises individuais. Não se podem
fazer, então, recomendações gerais para toda a região, valendo as conclusões ou
indicações para cada ambiente em separado;
e.2) Desdobram-se os graus de liberdade de tratamentos mais o da interação
(T x A), conforme a seguir:
Ambientes (A) a–1

Entre Tratamentos Dentro de A1 t–1
Resíduo Médio N'
onde:
SQ Entre Tratamentos dentro de A1
 T dentro de A1
2
 
A 1
2
= 
r r xt
2
 
A 2
2
= 
r r xt
2
 
A 3
2
= 
r r xt
QM Entre Tratamentos dentro de A1

427
SQ Tratamentos dentro de A1
=
t 1
=
t 1
=
t 1
F Calculado Entre Tratamentos dentro de A1
QM Tratamentos dentro de A1
=
QM Re síduo Médio
=
QM Re síduo Médio
=
QM Re síduo Médio
Esta alternativa tem a vantagem, em relação à primeira, de contar com maior

número de graus de liberdade para o resíduo, portanto, análise mais sensível. Neste caso,
deve-se proceder da seguinte maneira: se os tratamentos forem qualitativos, deve-se
aplicar um teste de comparação de médias adequado para comparar os tratamentos dentro
de cada ambiente, desde que o teste F seja significativo e se tenha mais de dois níveis. Se
os tratamentos forem quantitativos, deve-se usar a regressão polinomial na análise de
variância para os tratamentos dentro de cada ambiente e, em seguida, calcula-se a
equação de regressão a partir da regressão de maior grau que apresentou significância
estatística pelo teste F, acompanhada de um gráfico.
12.2 Exemplo com Interação Não Significativa
A fim de apresentar-se a análise da variância conjunta e a interpretação dos

resultados de um grupo de experimentos, será discutido, a seguir, um exemplo com
interação não significativa.

428
a) Fazer a análise da variância conjunta;

b) Obter os coeficientes de variação das análises da variância individuais;
de médias de espécies e de locais.
TABELA 12.1 - VALORES E SIGNIFICÂNCIAS DOS QUADRADOS MÉDIOS DAS ANÁLISES DA

VARIÂNCIA DAS ALTURAS (EM METROS) DE PLANTAS DE ESPÉCIES DE
EUCALIPTO COM TRÊS ANOS DE IDADE
Causa de QM 1/
Variação ____________________________________________________
GL A B C D E
Espécies 3 2,52450 ** 1,77133 ** 2,39600 ** 3,02450 ** 3,17383 **

Resíduo 16 0,07775 0,05050 0,06375 0,03725 0,04675

NOTAS: (1/) A - Araraquara; B - Mogi-Guaçu; C - São Joaquim de Barra; D - São Simão; E - Araras.
(**) Significativo no nível de 1% de probabilidade pelo teste F.
TABELA 12.2 - TOTAIS DE ALTURA (EM METROS) DE PLANTAS DAS ESPÉCIES DE

EUCALIPTO COM TRÊS ANOS DE IDADE DOS ENSAIOS REALIZADOS EM
SÃO PAULO NO DELINEAMENTO INTEIRAMENTE CASUALIZADO COM
QUATRO TRATAMENTOS (ESPÉCIES) E CINCO REPETIÇÕES
Tratamentos Totais de Altura de Plantas 1

(Espécies) _____________________________________________________
A B C D E
E. saligna 17,9 20,3 17,9 17,7 18,0

E. tereticornes 19,7 19,8 19,4 19,7 20,0
E. alba 19,7 20,3 20,7 20,7 21,0
E. citriodora 12,2 14,2 12,8 12,0 12,1

NOTA: (1/) A - Araraquara; B - Mogi-Guaçu; C - São Joaquim de Barra; D - São Simão; E - Araras.
Resolução:
a) Análise de Variância Conjunta:
 QM Re síduo
R=
 QM Re síduo
0,07775
=  2,09
0,03725
Verifica-se que a relação entre o maior e o menor QM Resíduos das análises

individuais é de aproximadamente 2,09. Logo, os cinco experimentos poderão ser
reunidos numa única análise conjunta, sem restrições.
429
Locais Totais de
Espécies _______________________________________ Espécies
A B C D E
E. saligna 17,9 (5) 20,3 17,9 17,7 18,0 91,8 (25)

E. tereticornes 19,7 19,8 19,4 19,7 20,0 98,6
E. alba 19,7 20,3 20,7 20,7 21,0 102,4
E. citriodora 12,2 14,2 12,8 12,0 12,1 63,3
Totais de Locais 69,5 (20) 74,6 70,8 70,1 71,1 356,1
t= 4
l = 5
r = 5
GL Espécies = t – 1 = 4 – 1 = 3
GL Locais = 1 – 1 = 5 – 1 = 4
GL Interações (E x L) = (t – 1) (l – 1) = (4 – 1) (5 – 1) = (3) (4) = 12
GL Resíduo Médio = N' = 16 x 5 = 80
N = t x r x l = 4 x 5 x 5 = 100
 E
2
 TE 2
SQ Espécies = 
r x l 
(91,8) 2  (98,6) 2  (102,4) 2  (63,3) 2 356,1

2
= 
5 x 5 100
8.427,24  9.721,96  10.485,76  4.006,89 126.807,21

= 
25 100
32.641,85 126.807,21
= 
25 100
= 1.305,674 – 1.268,0721 = 37,6019

430
 L
2
 TL 2
SQ Locais = 
r x t 
(69,5) 2  (74,6) 2  (70,8) 2  (70,1) 2  (71,1) 2 356,1

2
= 
5 x 4 100
4.830,25  5.565,16  5.012,64  4.914,01  5.055,21 126.807,21

= 
20 100
25.377,27 126.807,21
= 
20 100
= 1.268,8635 – 1.268,0721 = 0,7914
 EL
2
 TEL  2
SQ Interação (E x L) =  –
r 
(SQ Espécies + SQ Locais)
(17,9) 2  (20,3) 2  ...  (12,1) 2 356,1

2
=  –
5 100
(37,6019 + 0,7914)
320,41  412,09  ...  146,41 126.807,21

=   38,3933
5 100
6.537,67 126.807,21
=  – 38,3933
5 100
= 1.307,534 – 1.268,0721 – 38,3933 = 1,0686
SQ Espécies
QM Espécies =
GL Espécies
37,6019
= = 12,533967
3
SQ Locais
QM Locais =
GL Locais
0,7914
= = 0,197850
4

431
SQ Interação E x L 
QM Interação (E x L) =
GL Interação E x L 
1,0686
= = 0,089050
12
QM Resíduo Médio
QM Re síduo ( LA1 )  QM Re síduo ( LB )  ...  QM Re síduo ( LE )

=
l
0,07775  0,05050  0,06375  0,03725  0,04675

=
5
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 =
0,197850
=  2,22
0,089050
F Calculado para Interação (E x L) =
QM Re síduo Médio
0,089050
=  1,61
0,0552
F Tabelado (1%) para Espécies = 5,95
F Tabelado (5%) para Espécies = 3,49
F Tabelado (1%) para Locais = 5,41
F Tabelado (1%) para Interação (E x L)  2,4467
F Tabelado (5%) para Interação (E x L) = 1,89

432
TABELA 12.3 - ANÁLISE DA VARIÂNCIA CONJUNTA DAS ALTURAS (EM METROS) DE

PLANTAS DE ESPÉCIES DE EUCALIPTO COM TRÊS ANOS DE IDADE.
PIRACICABA - SP, 1982
Espécies (E) 3 37,6019 12,533967 140,75 **

Locais (L) 4 0,7914 0,197850 2,22 ns
Interação (E x L) 12 1,0686 0,089050 1,61 ns
Resíduo Médio 80 - 0,055200


Houve diferença significativa, no nível de 1% de probabilidade, entre as espécies
de eucalipto em relação à altura de plantas com três anos de idade.
Não houve diferença significativa, no nível de 5% de probabilidade, entre os
locais em relação à altura de plantas de eucalipto com três anos de idade.
interação (E x L), indicando que a altura das plantas das espécies de eucalipto com três
anos de idade independe dos locais onde as mesmas foram cultivadas.
Para Araraquara - SP:
 ( 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

433
27,884
=  8,02%
3,475
O coeficiente de variação em Araraquara - SP foi 8,02%, indicando uma ótima

Para Mogi-Guaçu - SP:
 ( 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
O coeficiente de variação em Mogi-Guaçu - SP foi 6,02%, indicando uma ótima

Para São Joaquim de Barra - SP:
 ( X )
m 
N
70,8
= = 3,54
20
s QM Re síduo
= 0,06375 = 0,25248
100 x s
CV = 
m

434
100 x 0,25248
=
3,54
25,248
=  7,13%
3,54
O coeficiente de variação em São Joaquim de Barra - SP foi 7,13%, indicando

uma ótima precisão experimental.
Para São Simão - SP:
 ( 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
O coeficiente de variação em São Simão - SP foi 5,51%, indicando uma ótima

Para Araras - SP:
 ( X )
m 
N
71,1
= = 3,555
20
s QM Re síduo
= 0,04675 = 0,21621

435
100 x s
CV = 
m
100 x 0,21621
=
3,555
21,621
=  6,08%
3,555
O coeficiente de variação em Araras - SP foi 6,08%, indicando uma ótima

c) Teste de Tukey:
Espécies:
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
4,20 x 0,0596824 = 0,250666
TABELA 12.4 - ALTURA MÉDIA (EM METROS) DE PLANTAS DE ESPÉCIES DE EUCALIPTO

COM TRÊS ANOS DE IDADE EM CINCO MUNICÍPIOS DO ESTADO DE SÃO
PAULO. PIRACICABA-SP, 1982
Espécies Médias (em metros) 1/
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.

436

A espécie E. citriodora apresentou a menor altura média de plantas com três anos
de idade.
As espécies E. alba e E. tereticornes não diferem estatisticamente entre si e
apresentaram as maiores alturas médias de plantas com três anos de idade, e poderão ser
recomendadas para os cinco municípios do Estado de São Paulo onde as mesmas foram
avaliadas.
A espécie E. saligna apresentou uma altura média de plantas intermediária entre
todas as espécies avaliadas.
Apresentar-se-á, agora, para discussão, a análise da variância conjunta

e a interpretação dos resultados de um grupo de experimentos com interação
significativa.
c) Fazer o desdobramento do número de graus de liberdade de progênies mais o
da interação progênies x locais;
de médias de progênies dentro de locais.
TABELA 12.5 - VALORES E SIGNIFICÂNCIAS DOS QUADRADOS MÉDIOS DAS ANÁLISES DA

VARIÂNCIA DAS ALTURAS (EM METROS) DE PLANTAS DAS PROGÊNIES
DE Eucaliptus grandis COM SETE ANOS DE IDADE
QM 1/
Causa de GL _________________________________________________
Variação A B C
Progênies 5 10,7007 ns 10,4324 ns 21,2114 * *
Resíduo 15 3,7831 3,7560 1,4354

NOTAS: (1/) A - Araraquara; B - Bento Quirino; C - Mogi-Guaçu.
(ns) Não significativo no nível de 5% de probabilidade pelo teste F.
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
437
4 – 2094** 90,0 51,9 96,7

5 – 9559*** 87,8 56,5 108,1
6 – 9575*** 78,0 47,9 85,4
NOTAS: (1/) A - Araraquara; B - Bento Quirino; C - Mogi-Guaçu.
(*) Procedente da África do Sul.
(**) Procedente de Rio Claro-SP.
(***) Procedente da Austrália.
Resolução:
a) Análise de variância conjunta:
 QM Re síduo
R=
 QM Re síduo
3,7831
=  2,64
1,4354

individuais é de aproximadamente 2,64. Logo, os três experimentos poderão ser reunidos
numa única análise conjunta, sem restrições.
Locais
Totais de
Progênies
Progênies
A B C
1 - Pretória 82,5 (4) 39,1 89,0 210,6 (12)

2 - 637 76,2 48,1 85,5 209,8
3 - 2093 92,1 56,0 85,0 233,1
4 - 2094 90,0 51,9 96,7 238,6
5 - 9559 87,8 56,5 108,1 252,4
6 - 9575 78,0 47,9 85,4 211,3
Totais de Locais 506,6 (24) 299,5 549,7 1.355,8
t = 6
l = 3
r = 4
GL Progênies = t – 1
= 6 –1 = 5
GL Locais = 1 – 1

438
= 3–1= 2
GL Interação = (P x L) = (t – 1) (l – 1)
= (6 – 1) (3 – 1)
= (5) (2) = 10
GL Resíduo Médio = N'

= 15 x 3 = 45
 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
44.352,36  44.016,04  ...  44.647,69 1.838.193,64

= 
12 72
307.987,42 1.838.193,64
= 
12 72
= 25.665,6183 – 25.530,4672 = 135,1511
 L
2
 TL 2
SQ Locais = 
r x t 
=
(506,6) 2  (299,5) 2  (549,7) 2

1.355,82
4 x 6 72
256.643,56  89.700,25  302.170,09 1.838.193,64


24 72
648.513,90 1.838.193,64
= 
24 72
= 27.021,4125 – 25.530,4672 = 1.490,9453
 AL
2
 T AL  2
SQ Interação (P x L) =  –
r 
(SQ Progênies + SQ Locais)

439
(82,5) 2  (39,1) 2  ...  (85,4) 2 1.355,8

2
=  –
4 72
(135,1511 + 1.490,9453)
6.806,25  1.528,81  ...  7.293,16 1.838.193,64

=   1.626,0964
4 72
108.932,54 1.838.193,64
=  – 1.626,0964
4 72
= 27.233,1350 – 25.530,4672 – 1.626,0964 = 76,5714
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
QM Re síduo ( LA )  QM Re síduo ( LB )  QM Re síduo ( LC )

=
l
3,7831  3,7560  1,4354

=
3
8,9745
= = 2,9915
3
QM Pr ogênies
F Calculado para Progênies =
QM Interação ( P x L)

440
27,03022
=  3,53
7,65714
QM Locais
F Calculado para Locais =
745,47265
=  97,36
7,65714
F Calculado para Interação (P x L) =
QM Re síduo Médio
7,65714
=  2,56
2,9915
F Tabelado (1%) para Progênies = 5,64
F Tabelado (5%) para Progênies = 3,33
F Tabelado (1%) para Interação (P x L)  2,7575
F Tabelado (5%) para Interação (P x L) = 2,0575
TABELA 12.7 - ANÁLISE DA VARIÂNCIA CONJUNTA DAS ALTURAS (EM METROS) DE

PLANTAS DE PROGÊNIES DE Eucaliptus grandis COM SETE ANOS DE
IDADE. PIRACICABA-SP, 1982
Espécies (E) 5 135,1511 27,03022 3,53 *

Locais (L) 2 1.490,9453 745,47265 97,36 **
Interação (P x L) 10 76,5714 7,65714 2,56 *


progênies de Eucaliptus grandis em relação à altura de plantas com sete anos de idade.
Houve diferença significativa, no nível de 1% de probabilidade, entre os locais
em relação à altura de plantas de Eucaliptus grandis com sete anos de idade.

441
Houve diferença significativa, no nível de 5% de probabilidade, para a interação

(P x L), indicando que a altura das progênies de Eucaliptus grandis com sete anos de
idade depende dos locais onde as mesmas foram cultivadas.
Para Araraquara - SP:
 ( 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
O coeficiente de variação em Araraquara - SP foi de 9,21%, indicando uma ótima

Para Bento Quirino - SP:
 ( 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

442
193,80402
 15,53%
12,4792
O coeficiente de variação em Bento Quirino - SP foi de 15,53%, indicando uma

precisão experimental regular.
Para Mogi-Guaçu - SP:
 ( 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
O coeficiente de variação em Mogi-Guaçu foi de 5,23%, indicando uma ótima

c) Desdobramento do Número de Graus de Liberdade de Progênies Mais o da
Interação Progênies x Locais:
 P dentro de L1
2
L 1  
2
SQ Progênies dentro do local A = 

r r xt
(82,5) 2  (76,2) 2  ...  (78,0) 2 506,6

2
= 
4 4x6
6.806,25  5.806,44  ...  6.084,00 256.643,56

= 
4 24
42.987,94 256.643,56
= 
4 24

443
= 10.746,9850 – 10.693,4817 = 53,5033
2
L 2   2
SQ Progênies dentro do local B = 

r r xt
(39,1) 2  (48,1) 2  ...  (47,9) 2 299,5

2
= 
4 4x6
1.528,81  2.313,61  ...  2.294,41 89.700,25

= 
4 24
15.158,69 89.700,25
= 
4 24
= 3.789,6725 – 3.737,5104 = 52,1621
2
L 3  
2
SQ Progênies dentro do local C = 

r r xt
(89,0) 2  (85,5) 2  ...  (85,4) 2 549,7 

2
= 
4 4x6
7.921,00  7.310,25  ... 7.293,16 302.170,09

= 
4 24
50.785,91 302.170,09
= 
4 24
= 12.696,4775 – 12.590,42 = 106,0575
SQ Pr ogênies dentro do local A

QM Progênies dentro do local A =
t 1
53,5033
=
6 1
53,5033
= = 10,70066
5
SQ Pr ogênies dentro do local B

QM Progênies dentro do local B =
t 1
52,1621
=
6 1

444
52,1621
= = 10,43242
5
SQ Pr ogênies dentro do local C

QM Progênies dentro do local C =
t 1
106,0575
=
6 1
106,0575
= = 21,2115
5
F Calculado para progênies dentro do local A
QM Pr ogênies dentro do local A

=
QM Re síduo Médio
10,70066
=  3,58
2,9915
F Calculado para progênies dentro do local B
QM Pr ogênies dentro do local B

=
QM Re síduo Médio
10,43242
=  3,49
2,9915
F Calculado para progênies dentro do local C
QM Pr ogênies dentro do local C

=
QM Re síduo Médio
21,2115
=  7,09
2,9915
F Tabelado (1%) para Progênies dentro dos locais = 3,4675
F Tabelado (5%) para Progênies dentro dos locais = 2,43
A TABELA 12.7, agora, fica da seguinte maneira:

445
TABELA 12.7 - ANALISE DA VARIÂNCIA CONJUNTA DAS ALTURAS (EM METROS) DE

PLANTAS DE PROGÊNIES DE Eucaliptus grandis COM SETE ANOS DE IDADE.
PIRACICABA-SP,1982
Locais (L) 2 1.490,9453 - -

Progênies dentro do local Araraquara 5 53,5033 10,70066 3,58 * *
Progênies dentro do local Bento Quirino 5 52,1621 10,43242 3,49 * *
Progênies dentro do local Mogi-Guaçu 5 106,0575 21,21150 7,09 * *

progênies de Eucaliptus grandis dentro dos locais Araraquara, Bento Quirino e Mogi-
Guaçu em relação à altura de plantas com sete anos de idade.
e) Teste de Tukey:
Progênies dentro do local Araraquara:
m̂ 1 = 20,625 m̂ 4 = 22,500
m̂ 2 = 19,050 m̂ 5 = 21,950
m̂ 3 = 23,025 m̂ 6 = 19,500
Progênies dentro do local Bento Quirino:
m̂ 1 = 9,775 m̂ 4 = 12,975
m̂ 2 = 12,025 m̂ 5 = 14,125
m̂ 3 = 14,000 m̂ 6 = 11,975
Progênies dentro do local Mogi-Guaçu:
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

446
2,9915
= 4,2125
4
= 4,2125 0,747875
= 4,2125 x 0,8647976 = 3,643
TABELA 12.8 – MÉDIAS DE ALTURAS (EM METROS) DE PLANTAS DE PROGÊNIES DE

Eucaliptus grandis COM SETE ANOS DE IDADE EM TRÊS MUNICÍPIOS DO
ESTADO DE SÃO PAULO. PIRACICABA-SP, 1982
Locais
Progênies
Araraquara 1/ Bento Quirino Mogi-Guaçu
1 - Pretória 20,625 ab 9,775 a 22,250 a

2 - 637 19,050 a 12,025 ab 21,375 a
3 - 2093 23,025 b 14,000 b 21,250 a
4 - 2094 22,500 ab 12,975 ab 24,175 ab
5 - 9559 21,950 ab 14,125 b 27,025 b
6 – 9575 19,500 ab 11,975 ab 21,350 a
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.

Em Araraquara, a progênie 2093 de Eucaliptus grandis apresentou a maior altura
de plantas com sete anos de idade, e diferiu estatisticamente da progênie 637, que
apresentou a menor altura de plantas. Neste mesmo local, as progênies Pretória, 2094,
9559 e 9575 de Eucaliptus grandis apresentaram uma altura de plantas intermediária
entre as progênies 2093 e 637.
Em Bento Quirino, as progênies 9559 e 2093 de Eucaliptus grandis apresentaram
as maiores alturas de plantas com sete anos de idade, e diferiram estatisticamente da
progênie Pretória, que apresentou a menor altura de plantas. Neste mesmo local, as

447
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
a) A partir dos dados das TABELAS 12.9 e 12.10, pede-se:

a.1) Fazer a análise da variância conjunta;
a.2) Obter os coeficientes de variação das análises da variância individuais;
comparação de médias de adubação e de locais;
a.4) Se a interação adubação x locais for significativa, fazer o desdobramento do
número de graus de liberdade de adubação mais o da interação adubação x locais;
comparação de médias de adubação dentro de locais.
TABELA 12.9 – VALORES E SIGNIFICÂNCIAS DOS QUADRADOS MÉDIOS DAS ANÁLISES DA

VARIÂNCIA DE ADUBAÇÃO DE PLANTAS DE ALGODOEIRO, CUJO
PARÂMETRO FOI A PRODUÇÃO (kg/parcela) EM CINCO LOCAIS (A, B, C, D, E)
QM
Causa de ____________________________________________________
Variação GL A B C D E
Adubação 4 1,2730 ** 7,8940 ** 2,1880 * 17,6350 **

1,3457 **
Resíduo 15 0,2700 0,6580 0,6830 0,6180 0,0115

NOTAS: (*) Significativo no nível de 5% de probabilidade pelo teste F.
TABELA 12.10 – TOTAIS DE PRODUÇÃO (kg/parcela) DOS ENSAIOS DE ADUBAÇÃO DE

PLANTAS DE ALGODOEIRO CONDUZIDOS EM CINCO LOCAIS (A, B, C, D,
E) NO DELINEAMENTO INTEIRAMENTE CASUALIZADO COM CINCO
TRATAMENTOS (ADUBAÇÃO) E QUATRO REPETIÇÕES
Totais
Tratamentos ________________________________________________________
(Adubação) A B C D E

448
N1PK1 14,6 45,0 27,5 33,4 6,88

N1PK2 11,8 39,0 32,0 30,0 9,85
N2PK1 12,8 42,0 26,5 33,2 10,70
N2PK2 11,8 42,5 33,5 31,0 11,41
Testemunha 8,4 30,5 30,5 13,4 6,24

449
EXPERIMENTOS EM BLOCOS
13 CASUALIZADOS COM ALGUNS
TRATAMENTOS COMUNS
Na pesquisa agropecuária ocorre de se ter, em determinadas situações, um grande

número de tratamentos a serem avaliados, principalmente quando se avaliam progênies,
clones, híbridos, etc., de qualquer espécie vegetal, durante a condução do programa de
melhoramento. Se fosse utilizado o delineamento em blocos casualizados tradicional,
com todos os tratamentos, acarretaria um tamanho excessivo de cada bloco,
comprometendo a aplicação do princípio do controle local.
Dentre as alternativas para se contornar o problema, destacam-se os
experimentos em blocos casualizados com alguns tratamentos comuns, que não é difícil,
e corresponde ao uso de um delineamento em blocos incompletos, de grande
flexibilidade, eficiência, simplicidade e robustez, pois são pouco afetados por perdas de
parcelas, de tratamentos ou de blocos, sendo mais vantajosos do que os reticulados
quadrados e cúbicos.
O procedimento de análise, em síntese, é o seguinte:

a) Os tratamentos são subdivididos em grupos;
b) Cada grupo de tratamentos constituirá um experimento em blocos
casualizados;
c) São tomados alguns tratamentos que integrarão todos os grupos, os quais são
denominados de tratamentos comuns (cultivares de elite, híbridos comerciais, etc.), e os
demais são denominados regulares (cultivares introduzidas numa determinada região,
genótipos promissores, etc.);
d) Procede-se à análise de variância da maneira usual, independentemente para
cada experimento;
e) Tendo como elo os tratamentos comuns, é feita a análise conjunta de todos os
experimentos.
A análise conjunta, por sua vez, teria o seguinte esquema:

450
Experimentos e–1 SQ Experimentos - -

Blocos Dentro de Exp. e (r – 1) SQ Blocos Dentro de Exp. - -
QM Tratamentos Ajustados
Tratamentos Ajustados e x tr + tc – 1 SQ Tratamentos Ajustados QM Tratamentos Ajustados
QM Re síduo
QM Int. Trat.Comuns x Exp.'
Int. Trat. Comuns x Exp.’ (tc – 1)(e – 1) SQ Int. Trat. Comuns x Exp.’ QM Int. Trat. Comuns x Exp.’
QM Re síduo
Resíduo e (r – 1)(tr + tc – 1) SQ Resíduo QM Resíduo
Total (tr + tc) e x r – 1 SQ Total
onde :
e = número de experimentos;
tr = número de tratamentos regulares por experimento;
tc = número de tratamentos comuns por experimento;

451
 X 2
SQ Total = X2  
onde:
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);
SQ Blocos Dentro de Experimentos
= SQ Blocos (E1) + SQ Blocos (E2) +...+ SQ Blocos (EN)
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;
SQ Resíduo = SQ Resíduo (E1) + SQ Resíduo (E2) +... + SQ Resíduo (EN)
onde:
SQ Resíduo (E) = soma de quadrados do resíduo do experimento respectivo.
Resta, agora, obter as outras somas de quadrados, o que se consegue através da

tabela de dupla entrada a seguir:
Tratamentos Comuns 1º Experimento 2º Experimento 3º Experimento Totais de Tratamentos

(E1) (E2) (E3) Comuns
(r) (e x r)
C1 TC1E1 TC1E2 TC1E3 TC1
(tc x r) (tc x e x r)
Totais de Experimentos TE1 TE2 TE3 TG

452
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;
SQ Interação (Tratamentos Comuns x Experimentos’)
=
 TCE 2

TG 2
– (SQ Tratamentos Comuns + SQ Experimentos’)

r tc x e x r
onde:
TCE = total de cada combinação (CE) entre tratamentos comuns e experimentos’;
SQ Tratamentos (ajustados) = SQ Total –
[SQ Experimentos + SQ Blocos Dentro de Experimentos +
SQ Interação (Tratamentos Comuns x Experimentos’) + SQ Resíduo]
SQ Re síduo
QM Resíduo =
GL Re síduo
QM Interação (Tratamentos Comuns x Experimentos’)
SQ Interação (Tratamentos Comuns x Experiment os' )

=
GL Interação (Tratamentos Comuns x Experiment os' )
SQ Tratamentos (ajustados )
QM Tratamentos (ajustados) =
GL Tratamentos (ajustados )
As comparações entre tratamentos seguem as regras seguintes:

a) Contraste entre dois tratamentos regulares do mesmo experimento:
2 2
s2 ( Yˆ ) = s
r

453
onde:
resíduo.
b) Contraste entre dois tratamentos regulares de experimentos diferentes:
2  1  2
s2 ( Yˆ ) = 1   s
r  tc 
c) Contraste entre dois tratamentos comuns:
2
s2 ( Yˆ ) = s2
e x r
d) Contraste entre um tratamento regular e um comum:
1  1 1 1  2
s2 ( Yˆ ) = 1    s
r  tc e tc x e 
As estimativas das médias de tratamentos se obtêm da seguinte maneira:

a) Para os tratamentos comuns: média aritmética dos dados respectivos, sem
nenhum ajuste;
b) Para os tratamentos regulares: média aritmética dos dados respectivos menos
uma correção K,
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
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.
13.2 Exemplo de Experimentos em Blocos Casualizados com Alguns Tratamentos

Comuns
A fim de apresentar-se a análise da variância e a interpretação dos resultados,

será discutido, a seguir, um exemplo de experimentos em blocos casualizados com alguns
tratamentos comuns.
de médias de variedades em relação a cada testemunha e na comparação de médias das
testemunhas.

455
TABELA 13.1 – DADOS DE PRODUÇÃO (t/ha) DE VARIEDADES DE CANA-DE-AÇÚCAR

Ensaio 1 Ensaio 2
Variedades B1 B2 Totais de Variedades B1 B2 Totais de
Variedades Variedades
T1 157,3 139,9 297,2 T1 141,0 145,7 286,7

T2 132,1 134,6 266,7 T2 109,6 124,8 234,4
V1 135,9 128,7 264,6 V9 118,2 123,0 241,2
V2 111,8 115,4 227,2 V10 86,0 89,4 175,6
V3 122,7 118,3 241,0 V11 123,6 118,6 242,2
V4 135,5 132,5 268,0 V12 151,4 146,2 297,6
V5 123,0 128,5 251,5 V13 95,0 108,3 203,3
V6 152,0 138,6 290,6 V14 131,6 126,2 257,8
V7 83,4 95,8 179,6 V15 120,2 135,1 255,3
V8 111,2 120,7 231,9 V16 142,5 139,8 282,3
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
T1 140,7 145,9 286,6 T1 134,9 136,0 270,9

T2 119,8 125,3 245,1 T2 129,6 114,6 244,2
V17 120,4 113,2 233,6 V25 131,6 130,4 262,0
V18 130,7 118,9 249,6 V26 117,8 123,7 241,5
V19 113,7 122,0 235,7 V27 117,6 122,3 239,9
V20 112,3 132,5 244,8 V28 103,9 109,8 213,7
V21 129,8 123,4 253,2 V29 115,9 114,6 230,5
V22 104,6 113,7 218,3 V30 108,4 103,4 211,8
V23 123,4 133,2 256,6 V31 106,1 111,8 217,9
V24 121,8 122,2 244,0 V32 145,2 140,7 285,9
Totais de Totais de
Blocos 1.217,2 1.250,3 2.467,5 Blocos 1.211,0 1.207,3 2.418,3
TABELA 13.2 – VALORES E SIGNIFICÂNCIA DOS QUADRADOS MÉDIOS DAS ANÁLISES DA

VARIÂNCIA DAS PRODUÇÕES (t/ha) DE VARIEDADES DE CANA-DE-
AÇÚCAR
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

NOTAS: (*) Significativo no nível de 5% de probabilidade pelo teste F.

456
Resolução:
a) Análise de Variância Conjunta:
 QM Re síduo
R=
 QM Re síduo
46,77
=  2,12
22,08

individuais é de aproximadamente 2,12. Logo, os quatro ensaios poderão ser reunidos
numa única análise conjunta, sem restrições.
Procede-se à análise conjunta, conforme se segue:
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
GL Blocos Dentro de Experimentos = e (r – 1)
= 4 (2 – 1)
= 4 (1) = 4
GL Variedades (ajustados) = e x tr + tc – 1
= 4x8 + 2–1
= 32 + 2 – 1 = 33

457
GL Interação Tratamentos Comuns x Experimentos’ = (tc – 1) (e – 1)
= (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
GL Total = (tr + tc) e x r – 1
= (8 + 2) 4 x 2 – 1
= (10) 8 – 1
= 80 – 1 = 79
X = (157,3) + (139,9) + ... + (120,7) + (141,0) + (145,7) + ... +
(139,8) + (140,7) + (145,9) + ... + (122,2) + (134,9) +
(136,0) + ... + (140,7) = 9.880,1
X2 = (157,3)2 + (139,9)2 + ... + (120,7)2 + (141,0)2 +
(145,7)2 + ... + (139,8)2 + (140,7)2 + (145,9)2 + ... + (122,2)2 +
(134,9) 2 + (136,0)2 + ... + (140,7) 2
= 24.743,29 + 19.572,01 + ...+ 14.568,49 + 19.881,00 + 21.228,49 +...+
19.544,04 + 19.796,49 + 21.286,81 +...+ 14.932,84 + 18.198,01 +
18.496,00 +...+ 19.796,49 = 1.237.863,13
X
2
SQ Total = X 2


2
(9.880,1)
= 1.237.863,13 
80
97.616.376,01
= 1.237.863,13 
80

458
= 1.237.863,13 – 1.220.204,700125 = 17.658,429875
SQ Experimentos =
 E2

 X 
2
r (tc  tr ) 
(2.517,9) 2  (2.476,4) 2  (2.467,5) 2  (2.418,3) 3 9.880,1

2
= 
2 (2  8) 80
6.339.820,41  6.132.556,96  6.088.556,25  5.848.174,89 97.616.376,01
= 
2 (10) 80
24.409.108,51 97.616.376,01
= 
20 80
= 1.220.455,4255 – 1.220.204,700125 = 250,725375
SQ Blocos Dentro de Experimentos = SQ Blocos (E1) +
SQ Blocos (E2) + SQ Blocos (E3) + SQ Blocos (E4)
 (1.264,9) 2  (1.253,0) 2 (2.517,9) 2   (1.219,3) 2  (1.257,1) 2 (2.476,4) 2 

=   +  +
 82 (8  2) 2  
 82 (8  2) 2 
 (1.217,2) 2  (1.250,3) 2 (2.467,5) 2   (1.211,0) 2  (1.207,3) 2 (2.418,3) 2 

   +  
 8 2 (8  2) 2   82 (8  2) 2 
 3.169.981,01 6.339.820,41   3.066.992,9 6.132.556,96 

=    +    +
 10 20   10 20 
 3.044.825,93 6.088.556,25   2.924.094,29 5.848.174,89 

   +   
 10 20   10 20 
= (316.998,101 – 316.991,0205) + (306.699,29 – 306.627,848) +
(304.482,593 – 304.427,8125) + (292.409,429 – 292.408,7445)
= 7,0805 + 71,442 + 54,7805 + 0,6845 = 133,9875
SQ Resíduo = SQ Resíduo (E1) + SQ Resíduo (E2) +
SQ Resíduo (E3) + SQ Resíduo (E4)
= [GL Resíduo (E1) x QM Resíduo (E1)] +
[GL Resíduo (E2) x QM Resíduo (E2)] +

459
[GL Resíduo (E3) x QM Resíduo (E3)] +
[GL Resíduo (E4) x QM Resíduo (E4)]
= (9 x 46,77) + (9 x 35,06) + (9 x 46,43) + (9 x 22,08)
= 420,93 + 315,54 + 417,87 + 198,72 = 1.353,06
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
(1.141,4) 2  (990,4) 2 2.131,82

= 
4 x 2 2 x 4 x 2
1.302.793,96  980.892,16 4.544.571,24

= 
8 16
2.283.686,12 4.544.571,24
= 
8 16
= 285.460,765 – 284.035,7025 = 1.425,0625
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

2.131,82
2 x 2 2 x 4 x 2
317.983,21  271.545,21  282.704,89  265.328,01 4.544.571,24

= 
4 16

460
1.137.561,32 4.544.571,24
= 
4 16
= 284.390,33 – 284.035,7025 = 354,6275
SQ Interação (Tratamentos Comuns x Experimentos’)
=
 TCE 2

TG 2
– (SQ Tratamentos Comuns + SQ Experimentos’)

r tc x e x r
(297,2) 2  (286,7) 2  ...  (244,2) 2 2.131,8

2
=  – (1.425,0625 + 354,6275)
2 2 x 4 x 2
88.327,84  82.196,89  ...  59.633,64 4.544.571,24

=   1.779,69
2 16
571.831,00 4.544.571,24
=  – 1.779,69
2 16
= 285.915,5 – 284.035,7025 – 1.779,69 = 100,1075
SQ Variedades (ajustadas) = SQ Total –
[SQ Experimentos + SQ Blocos Dentro de Experimentos +
SQ Interação (Tratamentos Comuns x Experimentos’) + SQ Resíduo]
= 17.658,429875 – (250,725375 + 133,9875 + 100,1075 + 1.353,06)
= 17.658,429875 – 1.837,880375 = 15.820,5495
SQ Variedades (ajustadas )
QM Variedades (ajustadas) =
GL Variedades (ajustadas )
15.820,5495
= = 479,410591
33
QM Interação (Tratamentos Comuns x Experimentos’)
SQ Interação (Tratamentos Comuns x Experiment os' )

=
GL Interação (Tratamentos Comuns x Experiment os' )
100,1075
= = 33,369167
3

461
SQ Re síduo
QM Resíduo =
GL Re síduo
1.353,06
= = 37,585
36
F Calculado para Variedades (ajustadas)
QM Variedades (ajustadas )
=
QM Re síduo
479,410591
=  12,76
37,585
F Calculado para Interação (Tratamentos Comuns x Experimentos’)
QM Interação (Tratamentos Comuns x Experiment os' )

=
QM Re síduo
33,369167
=  0,888
37,585
F Tabelado (1%) para variedades (ajustadas) = 2,249
F Tabelado (5%) para variedades (ajustadas) = 1,765
F Tabelado (1%) para Interação (Tratamentos Comuns x Experimentos’) = 0,024
F Tabelado (5%) para Interação (Tratamentos Comuns x Experimentos’) = 0,071

TABELA 13.3 – ANÁLISE DA VARIÂNCIA CONJUNTA DAS PRODUÇÕES (t/ha) DE
VARIEDADES DE CANA-DE-AÇÚCAR. PIRACICABA-SP,1984
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


462

variedades de cana-de-açúcar em relação à produção.
Interação (Tratamentos Comuns x Experimentos’), indicando que os tratamentos comuns
se comportaram mais ou menos do mesmo modo em todos os ensaios em relação à
produção de cana-de-açúcar.
Para o Ensaio 1:
 ( 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
O coeficiente de variação do ensaio 1 foi de 5,43%, indicando uma ótima

Para o Ensaio 2:
 ( X )
m 
N
2.476,4
= = 123,82
20
= 35,06  5,921149

463
100 x s
CV = 
m
100 x 5,921149
=
123,82
592,1149
=  4,78%
123,82

Para o Ensaio 3:
 ( X )
m 
N
2.467,5
= = 123,375
20
= 46,43  6,813956
100 x s
CV = 
m
100 x 6,813956
=
123,375
681,3956
=  5,52%
123,375

Para o Ensaio 4:
 ( X )
m 
N
2.418,3
= = 120,915
20

464
= 22,08  4,698936
100 x s
CV = 
m
100 x 4,698936
=
120,915
469,8936
=  3,89%
120,915

c) Teste de Tukey:
m̂ T1 = 142,68 m̂ 11 = 121,10 m̂ 23 = 128,30
m̂ T2 = 123,80 m̂ 12 = 148,80 m̂ 24 = 122,00
m̂ 1 = 132,30 m̂ 13 = 101,65 m̂ 25 = 131,00
m̂ 2 = 113,60 m̂ 14 = 128,90 m̂ 26 = 120,75
m̂ 3 = 120,50 m̂ 15 = 127,65 m̂ 27 = 119,95
m̂ 4 = 134,00 m̂ 16 = 141,15 m̂ 28 = 106,85
m̂ 5 = 125,75 m̂ 17 = 116,80 m̂ 29 = 115,25
m̂ 6 = 145,30 m̂ 18 = 124,80 m̂ 30 = 105,90
m̂ 7 = 89,60 m̂ 19 = 117,85 m̂ 31 = 108,95
m̂ 8 = 115,95 m̂ 20 = 122,40 m̂ 32 = 142,95
m̂ 9 = 120,60 m̂ 21 = 126,60
m̂ 10 = 87,80 m̂ 22 = 109,15
Os ajustes das médias dos tratamentos são feitos da seguinte maneira:

As médias das variedades padrões (T1 e T2) não precisam ser ajustadas;
As médias das variedades novas (tratamentos regulares) são ajustadas conforme
se segue:
Média de variedade nova = média aritmética – K

465
Os ajustes, neste caso, são:
Média das variedades padrões no ensaio 1 = 140,98
Média Geral das variedades padrões = 133,24
Então:
K1 = 140,98 – 133,24 = 7,74
K2 = 130,28 – 133,24 = – 2,96
K3 = 132,93 – 133,24 = – 0,31
K4 = 128,78 – 133,24 = – 4,46
Assim, tem-se:
m̂ T1 = 142,68 m̂ 11 = 124,06 m̂ 23 = 128,61
m̂ T2 = 123,80 m̂ 12 = 151,76 m̂ 24 = 122,31
m̂ 1 = 124,56 m̂ 13 = 104,61 m̂ 25 = 135,46
m̂ 2 = 105,86 m̂ 14 = 131,86 m̂ 26 = 125,21
m̂ 3 = 112,76 m̂ 15 = 130,61 m̂ 27 = 124,41
m̂ 4 = 126,26 m̂ 16 = 144,11 m̂ 28 = 111,31
m̂ 5 = 118,01 m̂ 17 = 117,11 m̂ 29 = 119,71
m̂ 6 = 137,56 m̂ 18 = 125,11 m̂ 30 = 110,36
m̂ 7 = 81,86 m̂ 19 = 118,16 m̂ 31 = 113,41
m̂ 8 = 108,21 m̂ 20 = 122,71 m̂ 32 = 147,41
m̂ 9 = 123,56 m̂ 21 = 126,91

466
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
= 0,5 (1 + 0,5 + 0,25 – 0,125) 37,585
= 0,5 (1,625) 37,585 = 30,537812
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
= 0,25 x 37,585 = 9,39625
9,39625
 2 (5%) = 5,856
2
= 5,856 4,698125
467
= 5,856 x 2,16751586  12,69
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).
TABELA 13.4 – PRODUÇÃO MÉDIA (t/ha) DE VARIEDADES DE CANA-DE-AÇÚCAR.

PIRACICABA-SP, 1984
Variedades Média (em t/ha) 1/ Variedades Média (em t/ha)
T1 142,68 A V22 122,71 Aa

T2 123,80 a V11 123,56 Aa
V9 81,86 Bb V13 124,06 Aa
V12 90,76 Bb V29 124,41 Aa
V15 104,61 Ba V3 124,56 Aa
V4 105,86 Ba V20 125,11 Aa
V10 108,21 Ba V28 125,21 Aa
V24 109,46 Ba V6 126,26 Aa
V32 110,36 Ba V23 126,91 Aa
V30 111,31 Ba V25 128,61 Aa
V5 112,76 Ba V17 130,61 Aa
V33 113,41 Ba V16 131,86 Aa
V19 117,11 Ba V27 135,46 Aa
V7 118,01 Ba V8 137,56 Aa
V21 118,16 Ba V18 144,11 Aa
V31 119,71 Ba V34 147,41 Ab
V26 122,31 Aa V14 151,76 Ab
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.

Dezoito variedades de cana-de-açúcar (V26, V22, V11, V13, V29, V3, V20, V28, V6,
V23, V25, V17, V16, V27, V8, V18,V34 e V14) foram semelhantes a testemunha T1 em relação
à produção.
Quatro variedades de cana-de-açúcar diferiram da testemunha T2 em relação à
produção, sendo duas inferiores (V9 e V12) e duas superiores (V34 e V14).
A testemunha T1 foi superior à testemunha T2 em relação à produção de cana-de-
açúcar.
13.3 Exercícios

468

a.1) Fazer as análises da variância individuais;
a.2) Obter os coeficientes de variação das análises da variância individuais;
a.3) Fazer a análise da variância conjunta;
comparação de médias de variedades de cana-de-açúcar.
TABELA 13.5 – EXPERIMENTOS DE COMPETIÇÃO DE VARIEDADES DE CANA-DE-AÇÚCAR
1º Experimento
Blocos
Totais de Variedades
Variedades
I II III
CP 34 – 120 46,6 45,7 49,6 141,9

NA 56 – 30 61,1 72,1 51,3 184,5
NA 56 – 79 74,2 74,3 100,7 249,2
TUC 5619 50,2 37,3 66,1 153,6
CP 44 – 101 40,3 38,7 35,1 114,1
NA 56 – 35 37,5 40,1 36,9 114,5
NA 56 – 68 69,6 61,0 59,3 189,9
Totais de Blocos 379,5 369,2 399,0 1.147,7
2º Experimento
Blocos
Variedades
Totais de Variedades
I II III
CP 34 – 120 55,2 51,2 48,0 154,4

NA 56 – 30 62,7 83,0 75,1 220,8
NA 56 – 79 63,4 81,7 110,3 255,4
TUC 5619 62,0 69,1 77,9 209,0
NA 56 – 62 71,0 72,9 81,6 225,5
NA 59 – 17 59,5 83,0 82,9 225,4
NA 59 – 44 73,2 98,6 81,0 252,8
NA 59 – 60 47,6 37,7 42,3 127,6
Totais de Blocos 494,6 577,2 599,1 1.670,9

469
ANÁLISE DE
14 COVARIÂNCIA
A análise de covariância é um método estatístico que combina os conceitos da

análise de variância e da regressão, de maneira a fornecer uma análise mais
discriminatória do que qualquer um desses métodos isoladamente. Ela envolve duas
variáveis concorrentes e correlacionadas, onde se avalia o grau de associação entre elas.
Nos fenômenos biológicos são raras as variáveis completamente independentes,
pois quase sempre ocorre alguma relação entre elas. Quando esta relação não existe ou é
muito pequena, a covariância tende a ser nula, isto é, igual à zero. Quando os grandes
valores de uma variável estão associados a pequenos valores de outra variável, a
covariância será negativa. Por outro lado, se grandes valores de uma variável estão
associados a grandes valores de outra variável, a covariância será positiva.
Na pesquisa agropecuária, a análise de covariância têm várias aplicações, entre
elas a principal é controlar o erro experimental e ajustar as médias de tratamentos.
É um desafio para qualquer pesquisador, quando da condução de seus
experimentos, obter estimativas das médias dos tratamentos avaliados com a maior
precisão possível. Para isso, é preciso que o erro experimental seja o menor possível.
Como o erro experimental depende de uma série de fatores, os quais já foram vistos no
Capítulo 1, e alguns deles são provocados pela variação externa, que promove uma
variabilidade entre as parcelas, como, por exemplo, a heterogeneidade do solo, as
condições de temperatura, umidade e insolação dentro de uma casa-de-vegetação, para o
caso dos vegetais, as condições de temperatura e luminosidade dentro de um estábulo,
para o caso dos animais, cabe ao pesquisador promover o controle local, através do uso
de um delineamento estatístico adequado, para reduzir a variabilidade entre as parcelas.
Contudo, sabe-se que mesmo agindo dessa maneira, não é possível eliminar
certos tipos de variabilidade entre parcelas, tais como: diferença no número de plantas
nas parcelas (quando o estande não é afetado pelos tratamentos, ou seja, quando os
tratamentos são aplicados após a cultura ter sido estabelecida, ou as plantas são perdidas
devido a erro mecânico na semeadura ou dano durante o cultivo, ou as plantas foram
danificadas aleatoriamente), pequenas manchas na fertilidade do solo, pequenas variações
de temperatura, umidade e insolação dentro de uma casa-de-vegetação, e diferenças na
ocorrência de insetos-praga e doenças (desde que os tratamentos não afetem a ocorrência
dos mesmos), para o caso dos vegetais; diferença no número de animais nas parcelas
(quando o estande não é afetado pelos tratamentos, ou seja, quando os tratamentos são
aplicados após a cultura animal ter sido estabelecida, ou os animais são mortos devido a
erro no manejo, ou os animais foram mortos aleatoriamente), pequenas diferenças de
temperatura e luminosidade dentro de um estábulo, e diferenças na ocorrência de
carrapatos, verminoses, etc. (desde que os tratamentos não afetem a ocorrência dos
470
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.
14.1 Esquema da Análise de Covariância
Para se efetuar uma análise de covariância devem-se seguir os seguintes passos:

a) Em primeiro lugar, considere um experimento com cinco tratamentos (A, B,
C, D, E) e quatro repetições, então se têm o seguinte quadro auxiliar da análise da
covariância:
Quadro Auxiliar da ANCOVA
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)

471
O esquema da análise da covariância é dado por:
Quadro da ANCOVA
Causa de Soma de Quadrados e de Produtos

GL QM Y F
Variação X 2
XY Y 2
Tratamentos t–1 SQTX SPTXY SQTY - -
Blocos r –1 SQBX SPBXY SQBY - -
Resíduo (t – 1) (r – 1) SQRX SPRXY SQRY
Total txr –1 SQTotalX SPTotalXY SQTotalY -
Trat. + Resíduo r (t – 1) SQSX SPSXY SQSY - -

Trat. + Resíduo* r (t – 1) – 1 SQSY* -
QM Tratamentos *Y
Tratamentos * t–1 SQTY* QMTY*
QM Re síduo *Y
Resíduo * (t – 1) (r – 1) – 1 SQRY* QMRY*
onde:
* = 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
 Y  2
SQ Total (Y) =  Y  2
onde:
Y = valor de cada observação da variável Y;
( X ) ( Y )
SP Total (XY) =  XY  

472
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 Resíduo (X) = SQ Total (X) – (SQ Tratamentos (X) + SQ Blocos (X))
SQ Resíduo (Y) = SQ Total (Y) – (SQ Tratamentos (Y) + SQ Blocos (Y))
SP Resíduo (XY) = SP Total (XY) – (SP Tratamentos (XY) + SP Blocos (XY))
SQ Tratamentos + Residuo (X) = SQ Tratamentos (X) + SQ Resíduo (X)
SQ Tratamentos + Residuo (Y) = SQ Tratamentos (Y) + SQ Resíduo (Y)
SP Tratamentos + Residuo (XY) = SP Tratamentos (XY) + SP Resíduo (XY)

473
SQ Resíduo (Y)* = SQ Resíduo (Y) –

SP Re síduo 
( XY )
2
SQ Re síduo( X )
SQ Tratamentos + Residuo (Y)*
= SQ Tratamentos + Residuo (Y) 

SP Tratamentos  Re síduo ( XY )  2
SQ Tratamentos  Re síduo ( X )
SQ Tratamentos (Y)*
= SQ Tratamentos + Residuo (Y)* – SQ Resíduo (Y)*
SQ Tratamentos(Y ) *
QM Tratamentos (Y)* =
GL Tratamentos *
SQ Re síduo (Y )*
QM Resíduo (Y)* =
GL Re síduo (Y )*
b) Em segundo lugar, verifica-se se as diferenças de estande não foram devidas

aos próprios tratamentos, ou seja, se o teste F para a variável X foi não significativo. Para
isto, basta apenas calcular os quadrados médios de tratamentos e do resíduo, a partir das
somas de quadrados e dos graus de liberdade respectivos do quadro da ANCOVA, para
obter-se o valor de F calculado.
c) Em terceiro lugar, obtêm-se as estimativas dos coeficientes de variação da
variável Y antes e após a análise de covariância, para verificar se a análise de covariância
melhorou a precisão experimental.
d) Em quarto lugar, faz-se o ajustamento das médias dos tratamentos ( Yî ), em
geral, se o teste F para a variável X foi não significativo, através da fórmula:
Yî  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 )
e) Por fim, calcula-se a estimativa média da variância aplicável a qualquer

 
contraste entre dois tratamentos s 2 (Yˆ ) , para uso nos testes de comparação de médias de
tratamentos ajustados da variável Y, através da fórmula:

474
2 QMRY *  SQTX 
s 2 (Yˆ ) = 1  
r  (t - 1) SQR X 
onde:
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
A fim de apresentar-se a análise da covariância e a interpretação dos resultados,

será discutido, a seguir, um exemplo.
a) Fazer a análise da covariância;
b) Verificar se o teste F para a variável X foi significativo.
c) Obter os coeficientes de variação;
d) Ajustar as médias dos tratamentos;
e) Aplicar, se necessário, o teste de Tukey, no nível de 5% de probabilidade, na
TABELA 14.1 PRODUÇÃO DE GRÃOS (kg/ha) DE CULTIVARES DE MILHO CONSORCIADAS COM

CULTIVARES DE FEIJÃO E NÚMERO DE PLANTAS DE MILHO POR PARCELA
(DADOS ENTRE PARÊNTESES)
Blocos
I II III
1 - BR 201 – F1 8.268,0 (20) 4.557,0 (16) 6.249,0 (20) 19.074,0 (56)
2 - BR 201 – F2 7.170,0 (20) 7.207,0 (20) 7.663,0 (19) 22.040,0 (59)
3 - BR 201 – F3 10.646,0 (23) 6.469,0 (20) 9.732,0 (23) 26.847,0 (66)
4 - Cruzeta – F1 4.211,0 (18) 5.430,0 (20) 5.166,0 (20) 14.807,0 (58)

475
5 - Cruzeta – F2 5.357,0 (20) 5.703,0 (20) 5.545,0 (19) 16.605,0 (59)
6 - Cruzeta – F3 5.589,0 (18) 5.128,0 (20) 6.027,0 (20) 16.744,0 (58)
7 - C 515 – F1 6.040,0 (21) 7.243,0 (20) 7.561,0 (19) 20.844,0 (60)
8 - C 515 – F2 7.006,0 (19) 7.956,0 (20) 6.826,0 (19) 21.788,0 (58)
9 - C 515 – F3 7.445,0 (20) 8.059,0 (20) 8.690,0 (21) 24.194,0 (61)
10 - C 606 – F1 7.392,0 (20) 6.464,0 (20) 6.063,0 (20) 19.919,0 (60)
11 - C 606 – F2 6.752,0 (20) 5.670,0 (18) 6.410,0 (19) 18.832,0 (57)
12 - C 606 – F3 4.520,0 (20) 7.194,0 (21) 7.336,0 (21) 19.053,0 (62)
Totais de Blocos 80.396,0 (239) 77.083,0 (235) 83.268,0 (240) 240.747,0 (714)
F0NTE: Adaptado de RAMALHO, FERREIRA e OLIVEIRA (2000).

Resolução:
   20  16  ...  21  714
  2  (20)2 + (16)2 + ...+ (21)2
= 400 + 256 + ... + 441 = 14.216
 Y  8.268,0  4.557,0  ...  7.336,0  240.747,0
 Y 2  (8.268,0)2 + (4.557,0)2 + ...+ (7.336,0)2
= 68.359.824,0 + 20.766.249,0 + ... + 53.816.896,0 = 1.678.867.776,0
 Y  (20 x 8.268,0)  (16 x 4.557,0  ...  (21 x 7.336,0)  4.815.095,0
t = 12
r = 3
N = txr
= 12 x 3 = 36
GL Cultivares = t – 1
= 12 – 1 = 11
GL Blocos = r – 1

476
=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

477
= 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
= 1.678.867.776,0 – 1.609.975.500,25 = 68.892.275,75
( X ) ( Y )
SP Total (XY) =  XY  
(714) (240.747,0)
= 4.815.095,0 
36
171.893.358,0
= 4.815.095,0 
36
= 4.815.095,0 – 4.774.815,5 = 40.279,5
T  X 
2 2

(X )
SQ Cultivares (X) =
r 
(56) 2  (59) 2  ...  (62) 2 (714) 2

= 
3 36
3.136  3.481  ...  3.844 509.796

= 
3 36
42.560 509.796
= 
3 36
= 14.186,6667 – 14.161 = 25,6667
T  Y 
2 2

(Y )
SQ Cultivares (Y) =
r 
(19.074,0) 2  (22.040,0) 2  ...  (19.053,0) 2 (240.747,0) 2

= 
3 36

478
363.817.476,0  485.761.600,0  ...  363.016.809,0 57.959.118.009,0

= 
3 36
4.954.641.805,0 57.959.118.009,0
= 
3 36
= 1.651.547.268,3333 – 1.609.975.500,25 = 41.571.768,0833
SP Cultivares (XY) =
T ( XY )

( X ) ( Y )
r 
(56) (19.074,0)  (59) (22.040,0)  ...  (62) (19.053,0) (714) (240.747,0)

= 
3 36
1.068.144,0  1.300.360,0  ...  1.181.286,0 171.893.358,0

= 
3 36
14.390.087,0 171.893.358,0
= 
3 36
= 4.796.695,6667 – 4.774.815,5 = 21.880,1667
B  X 
2 2

(X )
SQ Blocos (X) =
t 
(239) 2  (235) 2  (240) 2 (714) 2

= 
12 36
57.121  55.225  57.600 509.796

= 
12 36
169.946 509.796
= 
12 36
= 14.162,1667 – 14.161 = 1,1667
B  Y 
2 2

(Y )
SQ Blocos (Y) =
t 
(80.396,0) 2  (77.083,0) 2  (83.268,0) 2 (240.747,0) 2

= 
12 36
6.463.516.816,0  5.941.788.889,0  6.933.559.824,0 57.959.118.009,0

= 
12 36

479
19.338.865.529,0 57.959.118.009,0
= 
12 36
= 1.611.572.127,4167 – 1.609.975.500,25 = 1.596.627,1667
SP Blocos (XY) =
B ( XY )

( X ) ( Y )
t 
(239) (80.396,0)  (235) (77.083,0)  (240) (83.268,0) (714) (240.747,0)

= 
12 36
19.214.644,0  18.114.505,0  19.984.320,0 171.893.358,0

= 
12 36
57.313.469,0 171.893.358,0
= 
12 36
= 4.776.122,4167 – 4.774.815,5 = 1.306,9167

SQ Resíduo (X) = SQ Total (X) – (SQ Cultivares (X) + SQ Blocos (X))
= 55 – (25,6667 + 1,1667)
= 55 – 26,8334 = 28,1666
SQ Resíduo (Y) = SQ Total (Y) – (SQ Cultivares (Y) + SQ Blocos (Y))
= 68.892.275,75 – (41.571.768,0833 + 1.596.627,1667
= 68.892.275,75 – 43.168.395,25 = 25.723.880,5
SP Resíduo (XY) = SP Total (XY) – (SP Cultivares (XY) + SP Blocos (XY))
= 40.279,5 – (21.880,1667 + 1.306,9167)
= 40.279,5 – 23.187,0834 = 17.092,4166
SQ Cultivares + Residuo (X) = SQ Cultivares (X) + SQ Resíduo (X)
= 25,6667 + 28,1666 = 53,8333
SQ Cultivares + Residuo (Y) = SQ Cultivares (Y) + SQ Resíduo (Y)
= 41.571.768,0833 + 25.723.880,5 = 67.295.648,5833
SP Cultivares + Residuo (XY) = SP Cultivares (XY) + SP Resíduo (XY)
= 21.880,1667 + 17.092,4166 = 38.972,5833

480
SQ Resíduo (Y)* = SQ Resíduo (Y) –

SP Re síduo ( XY )
2
SQ Re síduo( X )
= 25.723.880,5 
17.092,41162
28,1667
292.150.534,3038
= 25.723.880,5 
28,1667
= 25.723.880,5 – 10.372.196,0437 = 15.351.684,4563
SQ Cultivares + Residuo (Y)*
= SQ Cultivares + Residuo (Y) 

SP Culti var es  Re síduo ( XY )  2
SQ Culti var es  Re síduo ( X )
= 67.295.648,5833 
38.972,5833
2
53,8333
1.518.862.249,0754
= 67.295.648,5833 
53,8333
= 67.295.648,5833 – 28.214.176,8956 = 39.081.471,6877
SQ Cultivares (Y)* = SQ Cultivares + Residuo (Y)* – SQ Resíduo (Y)*
= 39.081.471,6877 – 15.351.684,4563 = 23.729.787,2314
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 *

481
2.157.253,3847
=  2,95
731.032,5932
TABELA 14.2 ANÁLISE DE COVARIÂNCIA ENTRE PRODUÇÃO DE GRÃOS (kg/ha) DE

CULTIVARES DE MILHO CONSORCIADAS COM CULTIVARES DE FEIJÃO E
NÚMERO DE PLANTAS DE MILHO POR PARCELA
Causa de Variação Soma de Quadrados e de Produtos

GL QM Y F
X2 XY Y2
Cultivares 11 25,6667 21.880,1667 41.571.768,0833 - -
Blocos 2 1,1667 1.306,9167 1.596.627,1667 - -
Resíduo 22 28,1666 17.092,4166 25.723.880,5000 -
Total 35 55,0000 40.279,5000 68.892.275,7500
Cultivares + Resíduo 33 53,8333 38.972,5833 67.295.648,5833

Cultivares + Resíduo* 32 39.081.471,6877 -
Cultivares * 11 23.729.787,2314 2.157.253,3847 2,95*
Resíduo * 21 15.351.684,4563 731.032,5932
NOTA: (*) Significativo no nível de 5% de probabilidade.

probabilidade, entre as cultivares de milho consorciadas com cultivares de feijão quanto à
produção de grãos.
b) Teste F para a Variável X:
QM Culti var es ( X )
F Calculado (X) =
QM Re síduo ( X )

482
25,6667
= 11
28,1666
22
2,3333
=  1,82 ns
1,2803

probabilidade, entre as cultivares de milho consorciadas com cultivares de feijão quanto
ao número de plantas de milho, indicando que a variação existente no número de plantas
entre as parcelas foi aleatória e não influenciada pelas cultivares de milho. Portanto, a
covariância deve ser usada para ajustar a produção de grãos de milho às diferenças no
número de plantas que ocorreram nas parcelas.
c) Coeficientes de Variação:
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
483
100 x s *
CV APÓS A COVARIÂNCIA =
mˆ
100 x 855,0044
=
6.687,4167
85.500,44
=  12,79%
6.687,4167
O coeficiente de variação antes da covariância foi 16,17%, indicando uma

precisão experimental regular, enquanto que o coeficiente de variação após a covariância
foi 12,79%, indicando uma boa precisão experimental. Portanto, o uso da covariância
proporcionou uma melhor precisão experimental.
d) Ajuste das Médias das Cultivares de Milho:
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

484
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

485
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

486
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 )
= 6.358,0000 – 606,8305 (18,6667 – 19,8333)
= 6.358,0000 – 606,8305 (– 1,1666)
= 6.358,0000 + 707,9285 = 7.065,9285
Yˆ2  Y2  bˆ ( X 2  X )
= 7.346,6667 – 606,8305 (19,6667 – 19,8333)
= 7.346,6667 – 606,8305 (– 0,1666)
= 7.346,6667 + 101,0980 = 7.447,7647
Yˆ3  Y3  bˆ ( X 3  X )

487
= 8.949,0000 – 606,8305 (22,0000 – 19,8333)
= 8.949,0000 – 606,8305 (2,1667)
= 8.949,0000 – 1.314,8196 = 7.634,1804
Yˆ4  Y4  bˆ ( X 4  X )
= 4.935,6667 – 606,8305 (19,3333 – 19,8333)
= 4.935,6667 – 606,8305 (– 0,5000)
= 4.935,6667 + 303,4153 = 5.239,0820
Yˆ5  Y5  bˆ ( X 5  X )
= 5.535,0000 – 606,8305 (19,6667 – 19,8333)
= 5.535,0000 – 606,8305 (– 0,1666)
= 5.535,0000 + 101,0980 = 5.636,0980
Yˆ6  Y6  bˆ ( X 6  X )
= 5.581,3333 – 606,8305 (19,3333 – 19,8333)
= 5.581,3333 – 606,8305 (– 0,5000)
= 5.581,3333 + 303,4153 = 5.884,7486
Yˆ7  Y7  bˆ ( X 7  X )
= 6.948,0000 – 606,8305 (20,0000 – 19,8333)
= 6.948,0000 – 606,8305 (0,1667)
= 6.948,0000 – 101,1586 = 6.846,8414
Yˆ8  Y8  bˆ ( X 8  X )
= 7.262,6667 – 606,8305 (19,3333 – 19,8333)
= 7.262,6667 – 606,8305 (– 0,5000)
= 7.262,6667 + 303,4153 = 7.566,0820

488
Yˆ9  Y9  bˆ ( X 9  X )
= 8.064,6667 – 606,8305 (20,3333 – 19,8333)
= 8.064,6667 – 606,8305 (0,5000)
= 8.064,6667 – 303,4153 = 7.761,2514
Yˆ10  Y10  bˆ ( X 10  X )
= 6.639,6667 – 606,8305 (20,0000 – 19,8333)
= 6.639,6667 – 606,8305 (0,1667)
= 6.639,6667 – 101,1586 = 6.538,5081
Yˆ11  Y11  bˆ ( X 11  X )
= 6.277,3333 – 606,8305 (19,0000 – 19,8333)
= 6.277,3333 – 606,8305 (– 0,8333)
= 6.277,3333 + 505,6719 = 6.783,0052
Yˆ12  Y12  bˆ ( X 12  X )
= 6.351,0000 – 606,8305 (20,6667 – 19,8333)
= 6.351,0000 – 606,8305 (0,8334)
= 6.351,0000 – 505,7325 = 5.845,2675
TABELA 14.3 PRODUÇÃO MÉDIA DE GRÃOS (kg/ha), NÃO AJUSTADA E AJUSTADA PELA
COVARIÂNCIA, DE CULTIVARES DE MILHO CONSORCIADAS COM
CULTIVARES DE FEIJÃO
Produção Média de Grãos Não Produção Média de Grãos Ajustada pela

Cultivares
Ajustada (kg/ha) Covariância(kg/ha)
1 - BR 201 – F1 6.358,0000 7.065,9285

2 - BR 201 – F2 7.346,6667 7.447,7647
3 - BR 201 – F3 8.949,0000 7.634,1804
4 - Cruzeta – F1 4.935,6667 5.239,0820

489
5 - Cruzeta – F2 5.535,0000 5.636,0980
6 - Cruzeta – F3 5.581,3333 5.884,7486
7 - C 515 – F1 6.948,0000 6.846,8414
8 - C 515 – F2 7.262,6667 7.566,0820
9 - C 515 – F3 8.064,6667 7.761,2514
10 - C 606 – F1 6.639,6667 6.538,5081
11 - C 606 – F2 6.277,3333 6.783,0052
12 - C 606 – F3 6.351,0000 5.845,2675
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 
= 487.355,06211  
 309,8326 
 25,6667 
= 487.355,06211  
 309,8326 
= 487.355,06211  0,0828
= 487.355,06211,0828
= 527.708,0612 = 726,4352

490
(5%)  q

s 2 Yˆ
2
726,4352
= 5,175
2
= 5,175 363,2176
= 5,175 x 19,0583 = 98,6267
TABELA 14.4 PRODUÇÃO MÉDIA DE GRÃOS (kg/ha), AJUSTADA PELA COVARIÂNCIA, DE

CULTIVARES DE MILHO CONSORCIADAS COM CULTIVARES DE FEIJÃO
Produção Média de Grãos Ajustada pela Covariância(kg/ha)

Cultivares
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

491
NOTA: (1/) As médias seguidas de uma mesma letra não diferem estatisticamente entre si pelo teste de

A cultivar de milho C 515 consorciada com a cultivar de feijão F3 difere
estatisticamente de todas as outras cultivares avaliadas e proporcionou a maior produção
de grãos.
As cultivares de milho C 515 consorciada com a cultivar de feijão F2 e BR 201
consorciada com a cultivar de feijão F3 não diferem estatisticamente entre si, mas
diferem de todas as outras cultivares avaliadas, e proporcionaram a segunda maior
A cultivar de milho BR 201 consorciada com a cultivar de feijão F2 difere
estatisticamente de todas as outras cultivares avaliadas e proporcionou a terceira maior
A cultivar de milho BR 201 consorciada com a cultivar de feijão F1 difere
estatisticamente de todas as outras cultivares avaliadas e proporcionou a quarta maior
As cultivares de milho C 515 consorciada com a cultivar de feijão F1 e C 606
diferem de todas as outras cultivares avaliadas, e proporcionaram a quinta maior
A cultivar de milho C 606 consorciada com a cultivar de feijão F1 difere
estatisticamente de todas as outras cultivares avaliadas e proporcionou a sexta maior
A cultivar de milho Cruzeta consorciada com a cultivar de feijão F1 difere
estatisticamente de todas as outras cultivares avaliadas e proporcionou a menor produção
de grãos.
A cultivar de milho Cruzeta consorciada com a cultivar de feijão F2 difere
estatisticamente de todas as outras cultivares avaliadas e proporcionou a segunda menor
As cultivares de milho Cruzeta consorciada com a cultivar de feijão F3 e C 606
diferem de todas as outras cultivares avaliadas, e proporcionaram a terceira menor
14.3 Exercício

492

493

493
EXPERIMENTOS COM
15 CONSORCIAÇÃO DE CULTURAS
O consórcio é um sistema de cultivo tradicional nos países em desenvolvimento,

e consiste no cultivo simultâneo de duas culturas numa mesma área. Todavia, as culturas
não são necessariamente plantadas ao mesmo tempo e a época da colheita pode ser bem
diferente, mas é imprescindível que elas sejam coincidentes por um determinado período
de crescimento. Enquanto esta prática é mais comum com outras culturas alimentares
anuais em condições áridas e semi-áridas, nos tópicos úmidos ela é feita com culturas
perenes e também com culturas nobres.
Quatro tipos de sistemas de consórcio podem ser classificados com base nos
objetivos para os quais as culturas são plantadas. São eles:
a) Uma cultura principal consorciada com uma cultura secundária – Neste
sistema, uma das culturas é mais importante que a outra. O agricultor não espera
nenhuma redução na produção da cultura principal devido ao consórcio e considera a
produção da cultura secundária como um lucro extra. A cultura principal pode ser uma
cultura alimentícia importante (exemplo: milho x guandu), uma cultura de alto valor
econômico (exemplo: soja x guandu) ou uma cultura de ciclo longo com grande
espaçamento que permita o consórcio sem ser afetada (exemplo: mamona x feijão-de-
corda). O critério de avaliação destas combinações deve calcular quanto à cultura
principal produz em relação ao plantio isolado e qual a produção adicional proporcionada
pela cultura secundária. O mesmo critério pode ser aplicado aos sistemas que têm
culturas perenes como principais.
b) Culturas com produtos semelhantes – As culturas componentes deste
sistema proporcionam produtos semelhantes com igual aceitação, como as misturas de
gramíneas para forragem (exemplo: capim elefante x sorgo forrageiro), de cereais para
alimentação (exemplo: sorgo granífero x milho) ou de culturas para extração de óleo
(exemplo: soja x amendoim). Nestes casos, a produção total é mais importante que a
produção individual de cada componente. Para que o consórcio seja vantajoso é
necessário que sua produção exceda a mais alta produção obtida no plantio isolado.
c) Culturas para propósitos diferentes – Neste sistema, geralmente se incluem
culturas que satisfaçam às diferentes necessidades dos pequenos agricultores, como um
cereal com uma leguminosa (exemplo: milho x feijão-de-corda), uma cultura alimentícia
e uma cultura de alto valor econômico (exemplo: milho x amendoim) ou uma cultura
alimentícia com uma cultura forrageira (exemplo: feijão-de-corda x palma). Nestes casos,
o consórcio será vantajoso se a produção das culturas excederem à soma das produções
de cada componente em plantio isolado. Esta é a situação mais comum e também a mais
difícil de ser comparada com o plantio isolado, devido à dificuldade de se combinarem

494
produções de diferentes espécies. Além disso, competição entre espécies altera a
produção proporcional em relação à proporção plantada.
d) Combinação com culturas “modificadoras” – Em tal sistema, uma das
culturas componentes do consórcio tem como finalidade melhorar a fertilidade do solo
(exemplo: cana-de-açúcar x leguminosa para incorporar ao solo), diminuir o ataque de
pragas e doenças na cultura principal (exemplo: cana-de-açúcar x crotalária para reduzir o
ataque de nematóide) ou modificar o microclima para melhorar o crescimento da outra
cultura (exemplo: café x planta sombreadoras). Para que este sistema seja mais produtivo
é necessário que as culturas “modificadoras”, além de serem eficientes nos objetivos
específicos, sejam também de valor econômico.
Este sistema de cultivo apresenta uma série de vantagens, tais como:
a) Uso mais eficiente da área de cultivo, pois permite que duas ou mais culturas
se desenvolvam na mesma superfície;
b) Reduz o número de capinas e/ou aplicações de herbicidas no controle das
ervas daninhas, por haver maior cobertura do solo pelas culturas;
c) Reduz os ricos devido a problemas climáticos, de pragas e doenças e de
flutuações do mercado;
d) Auxilia os pequenos e médios agricultores a alcançarem seus objetivos;
e) Distribui a necessidade de mão-de-obra em diferentes épocas do ano agrícola;
f) Reduz a aplicação de adubação nitrogenada quando leguminosas são incluídas
no consórcio;
g) Reduz os custos com capinas, pragas e doenças; etc..
Por outro lado, a consorciação de culturas apresenta as seguintes desvantagens:
a) Dificuldade em utilizar alto nível de tecnologia, principalmente determinadas
operações mecanizadas, tais como: capinas, aplicação de inseticidas, de fungicidas, de
herbicidas, adubação, irrigação, etc.;
b) Em culturas perenes, pode ser difícil regular a quantidade de sombra que a
cultura inferior necessita;
c) Devido ao uso intensivo do terreno, a fertilidade do solo pode esgotar-se
rapidamente.
15.1 Critérios de Avaliação dos Sistemas de Plantio Consorciados
Os sistemas de plantio consorciado podem ser avaliados através de vários

critérios. Abordar-se-á alguns deles a seguir:
a) Produção – A produção, por ser um produto básico de valor econômico, é a
mais importante variável, comumente considerada para avaliar os sistemas de plantio
consorciados. Além da produção de grãos, subprodutos como restolho de cereais e
leguminosas (exemplo: milho e feijão), caule de culturas arbóreas (exemplos: mamona e
guandu) e folhagem verde (exemplo: algodão arbóreo), podem ser considerados na
avaliação de tais sistemas. A produção de cada cultura no consórcio deve ser calculada
com base na área total ocupada pelo sistema e tem que ser expressa em condições de
umidade constante, no caso de produção de sementes, quando forem comparados
diferentes tratamentos.
A produção por hectare corrigida para uma umidade constante, por exemplo
12%, é calculada a partir da produção da parcela como a seguir:

495
Produção por hectare corrigida para 12% de umidade
 Pr odução por parcela (kg)  100 (% de umidade na amostra) 
= 10.000    
 Área da parcela (m ) 
2
 100  12 
As produções das culturas consorciadas podem ser combinadas e os sistemas são

avaliados com base nas produções combinadas se os produtos forem semelhantes: grãos
de cereais, como milho, e sorgo, sementes de oleaginosas e guandu, etc.. Se as culturas
tiverem produtos de diferentes naturezas, como milho x feijão-de-corda e mamona x
milho, as produções não podem ser combinadas diretamente.
Uma solução para os sistemas com produtos diferentes é transformar a produção
de uma cultura em uma unidade equivalente da outra cultura através de um fator de
conservação apropriada (r). Assim, por exemplo, em um experimento de milho e feijão, a
produção equivalente de milho pode ser calculada com o uso da seguinte equação de
transformação:
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:
Pr odução da cultura A no consórcio

UET  +
Pr odução da cultura A no plantio isolado
Pr odução da cultura B no consórcio

Pr odução da cultura B no plantio isolado
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.

496
c) Uso Eficiente da Terra/Tempo (UET/T) – A comparação dos resultados
obtidos das culturas isoladas com os resultados das culturas consorciadas, através do
UET, não considera o tempo em que as culturas permanecem no campo. Portanto, o UET
não pode calcular o uso eficiente da terra, principalmente onde culturas isoladas
seqüenciadas podem ser plantadas com uma alternativa em vez do consórcio. O índice
UET/T é usado para quantificar a produção das culturas em diferentes sistemas por
unidade de área e por unidade de tempo, o qual é obtido através da seguinte fórmula:
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.
Considere-se o sistema de consórcio mandioca x milho x feijão com produções

de 20 t/ha de mandioca, 2,7 t/ha de milho e 0,75 t/ha de feijão, comparado com as
respectivas produções no plantio isolado de 25 t/ha, 3,0 t/ha e 1,0 t/ha. A mandioca
amadurece em 300 dias, milho em 100 dias e feijão em 80 dias. Então, o cálculo do Uso
Eficiente da Terra/Tempo seria:
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

497
combinações ótimas para situações de preços diferentes possam ser conhecidas de
antemão. Às vezes os sistemas economicamente viáveis podem não ser vantajosos pelo
UET e vice-versa. Portanto, deve-se ter cuidado, quando do cálculo da vantagem,
escolhendo o critério apropriado.
15.2 Planejamento de Experimentos com Consorciação de Culturas
No planejamento de experimentos com consorciação de culturas devem-se

considerar os seguintes pontos:
a) Seleção dos tratamentos a serem avaliados – A inclusão ou não de parcelas
isoladas das culturas tem sido freqüentemente objeto de discussão. As culturas isoladas
servem com teste e também com unidades de padronização para a combinação de
produções dos componentes de um sistema consorciado. O plantio das culturas isoladas é
necessário no estágio inicial da experimentação com consórcio para confrontar as
culturas no consórcio com o melhor resultado obtido com o plantio isolado das mesmas.
Assim, somente os sistemas consorciados genuinamente vantajosos serão identificados
para serem usados nos futuros trabalhos. As culturas isoladas não são tão importantes em
um estágio mais avançado de pesquisa, principalmente quando diferentes tratamentos,
dentro de uma determinada combinação, devem ser comparados. As produções obtidas,
em áreas adjacentes ao experimento, com manejo semelhante, ou produções gerais de
estação experimental podem ser usadas como unidades padronizadas.
No caso de estudos com fertilizantes, é aconselhável que se incluam culturas
isoladas para cada nível de fertilizantes que está sendo estudado, para identificar
diferenças nas necessidades de fertilizantes das culturas no consórcio em relação ao
plantio isolado, e calcular a vantagem relativa do consórcio em cada nível de fertilidade
proporcionado. Os estudos com umidade no solo são semelhantes. A relação entre
vantagem relativa do consórcio e água é especificamente importante nas condições semi-
árida onde o consórcio é mais comum. Para avaliar a eficiência do uso de água pelo
consórcio é necessário que se tenham as culturas no plantio isolado, com todos os níveis
da água aplicados no plantio consorciado. O plantio isolado das culturas é essencial
também aos ensaios com controle de pragas e doenças para avaliar os efeitos do
consórcio na incidência destas.
Nos estudos de genótipos a necessidade de parcelas isoladas depende do estágio
da avaliação e do objetivo almejado. Quando se avalia o desempenho de diferentes
genótipos no consórcio, em relação aos tipos de plantas, para identificar os caracteres que
podem ser úteis como critérios de seleção, é necessário o uso de parcelas isoladas para
todos os genótipos avaliados. Nos estudos deste tipo devem-se testar genótipos de uma
espécie que apresente a maior variação possível nos caracteres das plantas, mas com
potencial produtivo semelhante, ou mais preferivelmente com a mesma origem genética,
contra um genótipo padrão ou alguns genótipos de outra cultura com características
típicas. Se o objetivo do estudo for apenas à identificação de genótipos promissores para
o consórcio, as parcelas isoladas podem ser dispensadas. As vantagens relativas das
combinações de diferentes genótipos podem ser avaliadas comparando com o melhor
genótipo existente no plantio isolado.
b) Parcelas experimentais – Assim com ocorre nos experimentos em
monocultivo, a escolha criteriosa das parcelas experimentais, no que se refere
principalmente ao seu tamanho e formato, é de importância fundamental para minimizar
o efeito da variação acidental no experimento, a qual é responsável pelo erro

498
experimental. A escolha do tamanho e formato ideais de parcelas experimentais depende,
evidentemente, de uma série de fatores, os quais já foram vistos, para o caso de
experimentos em monocultivo, no Capítulo 1. Quanto aos experimentos com
consorciação de culturas, a disponibilidade de estudos sugerindo o tamanho e formato
ideais de parcelas é muito pouca e os princípios gerais de experimentação com culturas
isoladas são aplicáveis com algumas restrições.
Quanto ao tamanho, o consórcio demanda parcelas bem maiores que aquelas em
monocultivo para que se tenha uma área útil de colheita representativa para cada cultura,
porque esta normalmente aumenta a variabilidade. De um modo geral, o tamanho de
parcela no consórcio é determinado pela cultura de maior porte, competitiva, ou que
tenha um espaçamento maior.
Tendo em vista que nos experimentos com consórcio as parcelas geralmente têm
áreas variáveis em função do arranjo usado, é importante ressaltar que, para as análises
estatísticas, os dados de cada parcela devem ser ajustados para uma mesma área padrão.
Com relação à forma, geralmente as parcelas retangulares são preferíveis, em vez
das quadrangulares, porque elas apresentam menor variabilidade e são mais convenientes
para as operações de campo.
c) Delineamento estatístico – Os delineamentos utilizados em experimentos de
consorciação de culturas não diferem daquelas usados para culturas isoladas. Os
princípios que regem, portanto, a escolha de um delineamento estatístico para
experimentos com culturas isoladas são os mesmos para culturas consorciadas.
Nos estudos de consórcio, o delineamento em blocos casualizados também é o
mais usado. Por outro lado, o delineamento em quadrado latino é pouco usado por causa
da restrição no número de tratamentos que podem ser incluídos neste delineamento.
d) Manejo da cultura – A seleção de uma boa área, por si só, não resultará em
um bom experimento: é necessário, também, o manejo apropriado das culturas. Todo
esforço deve ser efeito para reduzir a variação existente no material experimental, para
que a variação que venha a ocorrer seja provavelmente apenas dos efeitos de tratamentos.
Um bom manejo inclui:
d.1) Uso de corretivos de solo (micronutrientes, calcário, controle de nematóides
e insetos das raízes);
d.2) Plantio das culturas na época apropriada, especialmente nos experimentos de
sequeiro;
d.3) Desbaste na época apropriada, principalmente nas culturas que perfilham;
d.4) Replantio imediato das áreas falhadas;
d.5) Controle de pragas e doenças e capinas no momento oportuno;
d.6) Época certa de colheita do componente do consórcio que amadurece mais
cedo, para minimizar a competição para a cultura que amadurece depois.
O plantio de um experimento deverá ser preferivelmente, feito em um dia. Onde
for necessário mais de um dia, é aconselhável que seja programado o plantio de todos os
tratamentos de uma ou mais repetições em um só dia, em vez de plantar partes de uma
repetição em diferentes dias.
As culturas leguminosas deverão ser inoculadas com uma bactéria fixadora de
nitrogênio apropriada, quando for constatado que não ocorre incidência de populações
ótimas de microorganismos do solo.

499
A aplicação de uma pequena dose de nitrogênio mineral ajuda as culturas que
não são leguminosas a ter um bom desenvolvimento, evitando o ataque de pragas e
doenças no estágio inicial de crescimento das plantas.
O estabelecimento de um bom número de plantas da cultura é um pré-requisito
para um bom experimento. O melhor meio para que isto seja conseguido é aumentar em
duas ou três vezes o número de sementes normalmente usado no plantio e desbastar para
a população desejada depois que as plântulas tiverem passado do estágio de
vulnerabilidade a insetos e à seca.
Para se avaliar o efeito do consórcio nas plantas daninhas, nos insetos ou nas
doenças, é necessário que haja uma incidência uniforme e representativa. Se a ocorrência
de plantas daninhas não for uniforme, podem-se plantar sementes destas na área
experimental. No caso das doenças do solo, a melhor avaliação do efeito no consórcio é
feita em parcelas que tenham sido inoculadas com o patógeno específico.
e) Variáveis que devem ser observadas – Para uma interpretação mais
adequada dos resultados dos experimentos com consorciação de culturas, é essencial que
se observe não apenas a variável produção (de grãos, de raízes, de matéria seca final),
mas outras variáveis como: emergência de plântulas, emergência à floração, cobertura
total do solo pela cultura e maturação; incidência de pragas e doenças; precipitação
pluvial durante o experimento.
Nos estudos específicos com consorciação de culturas, além das observações
acima, devem-se incluir as seguintes determinações:
e.1) Estudos com adubação – fertilidade inicial do solo, absorção total de
nutrientes na colheita, condições nutricionais do solo após a colheita das culturas,
principalmente nos estudos de efeito residual e de nodulação da raízes de leguminosas
(fixação biológica de nitrogênio);
e.2) Estudos com Genótipos – mensurações em vários caracteres das plantas,
como altura, arquitetura das folhas e precocidade (floração);
e.3) Estudos com Umidade do Solo – amostragens periódicas do solo para
determinação da umidade e cálculo do uso de água pelas culturas, além de se ter uma
idéia da distribuição de raízes;
e.4) Estudos com Controle de Plantas Daninhas – intensidade de ocorrência e
matéria seca das plantas daninhas;
e.5) Estudos com Doenças e Insetos – número de insetos, índice de infestação e
controle, observações microclimatológicas como velocidade do vento, temperatura e
umidade sob a cobertura vegetal, quando for possível;
e.6) Estudos com Fisiologia Vegetal – determinações periódicas de matéria
seca, área foliar, interceptação de luz, absorção de água e nutrientes.
15.3 Instalação de Experimentos com Consorciação de Culturas
Tendo em vista que a instalação do experimento constitui o início da parte prática

do mesmo e considerando que os delineamentos utilizados em experimentos de
consorciação de culturas não diferem daqueles já estudados para culturas isoladas, o
pesquisador deve, então, seguir à risca o que determina as etapas do delineamento
estatístico escolhido, em termos de instalação de experimento, atendendo o que consta no
croqui do ensaio com consorciação de culturas.

500
15.4 Procedimentos para Análise Estatística de Experimentos Com Consorciação de
Culturas
A análise estatística de experimentos com consorciação de culturas difere da

análise de experimentos de monocultivo em função do caráter multivariado das respostas
na consorciação. Por exemplo, no consórcio algodão x fumo, cada parcela experimental
fornece duas respostas para cada variável que se estuda. Assim, algum critério deve ser
estabelecido “a priori”, no sentido de se determinar quais tratamentos proporcionarão as
melhores combinações das duas respostas. Naturalmente este critério é uma função das
necessidades a que está sujeito o agricultor. Estas necessidades são os limites mínimos de
produção de uma e outra cultura, e dependem, basicamente, do sistema de produção da
propriedade com um todo. Obviamente, há de se considerar também as vantagens
econômicas proporcionadas pelas combinações.
Portanto, o procedimento de análise para estes tipos de experimentos é o
seguinte:
a) Inicialmente é feita a análise de cada cultura separadamente, com ou sem a
respectiva cultura isolada, ignorando a presença da outra cultura, através dos
procedimentos da análise de variância padrão.
b) Posteriormente é feita a análise da variância das produções combinadas pelo
Uso Eficiente da Terra (UET), produção equivalente ou análise multivariada.
O Uso Eficiente da Terra e a produção equivalente já foram abordados
anteriormente.
Com relação à análise multivariada, tal método constitui importante ferramenta
estatística na investigação de sistemas consorciados. Contudo, apesar de alguns
estatísticos famosos defenderem o uso de tal análise em sistemas consorciados, é preciso
ter certa cautela no seu emprego, tendo em vista que só recentemente este método vem
sendo mais ou menos utilizado em experimentos de consorciação. Portanto, sua
recomendação só deve ser feita quando ele for usado mais largamente.
c) Se na análise da variância das produções combinadas o teste F detectar
diferença significativa entre os tratamentos avaliados, as médias dos mesmos podem ser
comparadas através de qualquer um dos testes de comparação de médias de tratamentos
já estudados.
Nos experimentos de consórcio, o coeficiente de variação é geralmente alto,
comparado com os experimentos com culturas isoladas. Portanto, a questão levantada
com freqüência é quanto ao valor limitante em porcentagem do coeficiente de variação
para que os resultados experimentais sejam confiáveis. Experimentos com coeficientes de
variação de até 20% podem ser considerados como bem conduzidos e seus resultados são
de boa qualidade. Coeficientes de variação de 20 a 30% são racionais e aceitáveis. Entre
30 e 35% deve-se ter muito cuidado quando da interpretação dos resultados, mas se o
valor exceder a 35%, não é aconselhável a divulgação dos resultados de tais ensaios.
15.5 Um Exemplo
A partir dos dados das TABELAS 15.1 e 15.2, pede-se:

a) Fazer as análises da variância das culturas do abacaxi e do feijão;
b) Obter os coeficientes de variação das culturas do abacaxi e do feijão;

501
c) Aplicar, se necessário, o teste de Tukey no nível de 5% de probabilidade na
comparação de médias dos tratamentos envolvendo as culturas do abacaxi e do feijão
isoladamente;
d) Fazer a análise da variância das produções combinadas pela produção
equivalente;
e) Obter o coeficiente de variação das produções combinadas;
f) Aplicar, se necessário, o teste de Tukey no nível de 5% de probabilidade na
comparação de médias das produções combinadas.
TABELA 15.1 – PRODUÇÃO DE FEIJÃO (Phaseolus vulgaris L.) EM kg/42,0 m2, CULTIVAR
CARIOCA, SOLTEIRO E CONSORCIADO COM ABACAXI (Ananas comosus L.)
Tratamentos * I II III IV V VI Totais de Tratamentos
1 4,58 5,28 3,13 5,07 4,32 5,22 27,60
4 2,90 3,10 3,51 3,60 3,77 3,80 20,68
5 3,99 3,99 3,90 4,24 1,64 4,43 22,19
6 2,50 2,45 3,07 2,63 4,15 2,88 17,68
7 2,73 2,48 3,42 3,10 3,72 3,02 18,47
Totais de Blocos 16,70 17,30 17,03 18,64 17,60 19,35 106,62
FONTE: FERREIRA e MARTINS (1985).

NOTA: (*) 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 de 0,30 m x 0,20 m x 2 com três fileiras.
TABELA 15.2 – PRODUÇÃO DE ABACAXI (Ananas comosus L.), EM kg/42,0 m2, CULTIVAR
PÉROLA, SOLTEIRO E CONSORCIADO COM FEIJÃO (Phaseolus vulgares L.)
2 48,0 60,3 80,9 62,7 43,2 36,0 331,1
3 46,8 39,5 87,4 47,9 28,1 18,4 268,1
4 51,7 70,2 56,7 35,1 35,2 23,0 271,9
5 40,5 62,4 80,9 53,5 38,3 14,5 290,1
6 18,6 64,6 51,8 56,6 45,5 20,0 257,1
7 35,4 74,3 50,7 15,3 21,6 19,0 216,3

502
Totais de Blocos 241,0 371,3 408,4 271,1 211,9 130,9 1.634,6

NOTA: (*) 2 - Abacaxi solteiro 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.
Resolução:
Cultura do Feijão:
t = 5
r = 6
N = txr
= 5 x 6 = 30
= 5 – 1 = 4
GL Blocos = r – 1
= 6 – 1 = 5
GL Resíduo = (t – 1)(r – 1 )
= (5 – 1)(6 – 1)
= (4)(5) = 20
= 5x6 –1
= 30 – 1 = 29
X = 4,58 + 5,28 + ... + 3,02 = 106,62
X2 = (4,58)2 + (5,28)2 + ... + (3,02)2

503
= 20,9764 + 27,8784 +…+ 9,1204 = 401,5424
( X )
2
SQ Total   X  2
(106,62)
= 401,5424 
30
11.367,8244
= 401,5424 
30
= 401,5424 – 378,92748 = 22,61492
T
2
 X  2
SQ Tratamentos  
r N
(27,60) 2  (20,68) 2  ...  (18,47) 2 (106,62) 2

= 
6 30
761,7600  427,6624  ...  341,1409 11.367,8244

= 
6 30
2.335,5418 11.367,8244
= 
6 30
= 389,25697 – 378,92748 = 10,32949
SQ Blocos 
B
2

 X  2
t N
(16,70) 2  (17,30) 2  ...  (19,35) 2 (106,62) 2

= 
5 30
278,8900  299,2900  ...  374,4225 11.367,8244

= 
5 30
1.899,8330 11.367,8244
= 
5 30
= 379,9666 – 378,92748 = 1,03912
= 22,61492 – (10,32949 + 1,03912)

504
= 22,61492 – 11,36861 = 11,24631
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
TABELA 14.3 – ANÁLISE DA VARIÂNCIA DA PRODUÇÃO DE FEIJÃO (Phaseolus vulgaris L.)

CULTIVAR CARIOCA, EM kg/42,0 m2, SOLTEIRO E CONSORCIADO COM
ABACAXI (Ananas comosus L.). ARAPIRACA – AL, 1985
Tratamentos 4 10,32949 2,582373 4,59 **
Blocos 5 1,03912 -
Resíduo 20 11,24631 0,562316
Total 29 22,61492

probabilidade, entre os tratamentos em relação à produção de feijão.
Cultura do Abacaxi:
t=6

505
r=6
N = t x r
= 6 x 6 = 36
= 6 – 1 = 5
GL Blocos = r – 1
= 6 – 1 = 5
GL Resíduo = (t – 1)(r – 1 )
= (6 – 1)(6 – 1)
= (5)(5) = 25
= 6x6 –1
= 36 – 1 = 35
X = 48,0 + 60,3 + ... + 19,0 = 1.634,6
X2 = (48,0)2 + (60,3)2 + ... + (19,0)2
= 2.304,00 + 3.636,09 +...+ 361,00 = 88.106,3
( X )
2
(1.634,6) 2
= 88.106,30 
36
2.671.917,16
= 88.106,30 
36
= 88.106,30 – 74.219,921 = 13.886,379
SQ Tratamentos 
T
2

 X  2
r N

506
(331,1) 2  (268,1) 2  ...  (216,3) 2 (1.634,6) 2
= 
6 36
109.627,21  71.877,61  ...  46.785,69 2.671.917,16

= 
6 36
452.478,54 2.671.917,16
= 
6 36
= 75.413,09 – 74.219,921 = 1.193,169
SQ Blocos 
B
2

 X 2
t N
(241,0) 2  (371,3) 2  ...  (130,9) 2 (1.634,6) 2

= 
6 36
58.081,00  137.863,69  ...  17.134,81 2.671.917,16

= 
6 36
498.266,88 2.671.917,16
= 
6 36
= 83.044,48 – 74.219,921 = 8.824,559
= 13.886,379 – (1.193,169 + 8.824,559)
= 13.886,379 – 10.017,728 = 3.868,651
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

507
238,6338
=  1,54
154,74604
TABELA 15.4 – ANÁLISE DA VARIÂNCIA DA PRODUÇÃO DE ABACAXI (Ananas comosus L.)

CULTIVAR PÉROLA, EM kg/42,0 m2, SOLTEIRO E CONSORCIADO COM
FEIJÃO (Phaseolus vulgaris L.). ARAPIRACA –AL, 1985
Tratamentos 5 1.193,169 238,63380 1,54 ns
Blocos 5 8.824,559 -
Resíduo 25 3.868,651 154,74604
Total 35 13.886,379

probabilidade, entre os tratamentos em relação à produção de abacaxi.
Cultura do Feijão:
mˆ 
X
N
106,62
=  3,554
30
s  QM Re síduo
= 0,562316 = 0,7498773

508
100 x s
CV 
mˆ
100 x 0,7498773
=
3,554
74,98773
=  21,10%
3,554
O coeficiente de variação para a produção de feijão foi 21,10%, indicando que os

resultados do ensaio são aceitáveis.
Cultura do Abacaxi:
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
O coeficiente de variação para a produção de abacaxi foi 27,40%, indicando que

os resultados do ensaio são aceitáveis.
c) Teste de Tukey:
Cultura do Feijão:
m̂1  4,60 m̂6  2,95
m̂4  3,45 m̂7  3,08
m̂5  3,70

509
s
 5%  q
r
0,7498773
= 4,23 x
6
0,7498773
= 4,23 x
2,4494897
= 4,23 x 0,3061361  1,29
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
Tratamentos 1/ Produção (kg/42,0 m2) 2/
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

O tratamento 1, apesar de não diferir estatisticamente dos tratamentos 4 e 5,
apresentou a maior produção de feijão.
Os tratamentos 6 e 7 diferiram estatisticamente do tratamento 1 e apresentaram
as menores produções de feijão.
510
Cultura do Abacaxi:
m̂2  55,18 m̂5  48,35
m̂3  44,68 m̂6  42,85
m̂4  45,32 m̂7  36,05
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
Tratamentos 1/ Produção (kg/42,0 m 2)
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
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.
Apesar de não haver diferença significativa entre os tratamentos em relação à

produção de abacaxi, houve uma variação de 36,05 kg por parcela, para 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 com três fileiras, até 55,18 kg por parcela, para abacaxi com fileiras
simples no espaçamento de 1,00 m x 0,30 m.
511
d) Análise da Variância das Produções Combinadas pela Produção Equivalente:
preço vigente do feijão

r
preço vigente do abacaxi
R$ 5,65
kg
= = 5,65
R$ 1,00
kg
Ye  Ya  rY f
Os valores da produção equivalente de abacaxi encontram-se na TABELA 15.7.
TABELA 15.7 – PRODUÇÃO EQUIVALENTE DE ABACAXI (Ananas comosus L.) EM kg/42,0 m2 ,

CULTIVAR PÉROLA
2 48,0 60,3 80,9 62,7 43,2 36,0 331,1

3 46,8 39,5 87,4 47,9 28,1 18,4 268,1
4 68,1 87,7 76,5 55,4 56,5 44,5 388,7
5 63,0 84,9 102,9 77,5 47,6 39,5 415,4
6 32,7 78,4 69,1 71,5 68,9 36,3 356,9
7 50,8 88,3 70,0 32,8 42,6 36,1 320,6
Totais de Blocos 309,4 439,1 486,8 347,8 286,9 210,8 2.080,8

NOTA: (*) 2 – Abacaxi solteiro 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.
t = 6
r = 6
N = txr

512
= 6 x 6 = 36
= 6 – 1 = 5
GL Blocos = r – 1
= 6 – 1 = 5
GL Resíduo = (t – 1)(r – 1 )
= (6 – 1)(6 – 1)
= (5)(5) = 25
= 6x6 –1
= 36 – 1 = 35
X = 48,0 + 60,3 + ... + 36,1 = 2.080,8
X2 = (48,0)2 + (60,3)2 + ... + (36,1)2
= 2.304,00 + 3.636,09 +…+ 1.303,21 = 135.049,90
( X )
2
(2.080,8) 2
= 135.049,90 
36
4.329.728,64
= 135.049,90 
36
= 135.049,90 – 120.270,24 = 14.779,66
SQ Tratamentos  
T
2

 X  2
r N
(331,1) 2  (268,1) 2  ...  (320,6) 2 (2.080,8) 2

= 
6 36

513
109.627,21  71.877,61  ...  102.784,36 4.329.728,64
= 
6 36
735.311,64 4.329.728,64
= 
6 36
= 122.551,94 – 120.270,24 = 2.281,70
SQ Blocos 
B
2

 X 2
t N
(309,4) 2  (439,1) 2  ...  (210,8) 2 (2.080,8) 2

= 
6 36
95.728,36  192.808,81  ...  44.436,64 4.329.728,64

= 
6 36
773.224,50 4.329.728,64
= 
6 36
= 128.870,75 – 120.270,24 = 8.600,51
= 14.779,66 – (2.281,70 + 8.600,51)
= 14.779,66 – 10.882,21 = 3.897,45
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

514
TABELA 15.8 – ANÁLISE DA VARIÂNCIA DA PRODUÇÃO EQUIVALENTE DE ABACAXI

(Ananas comosus L.) EM kg/42,0 m 2, CULTIVAR PÉROLA
Tratamentos 5 2.281,70 456,340 2,93 *
Blocos 5 8.600,51 -
Resíduo 25 3.897,45 155,898
Total 35 14.779,66


probabilidade, entre os tratamentos em relação à produção equivalente de abacaxi.
e) Coeficiente de Variação:
 X 
mˆ 
N
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
O coeficiente de variação para a produção equivalente de abacaxi foi 21,60%,

indicando que os resultados do ensaio são aceitáveis.
f) Teste de Tukey:
Cultura do Abacaxi:

515
m̂2  55,183 m̂5  69,233
m̂3  44,683 m̂6  59,483
m̂4  64,383 m̂7  53,433
s
 5%  q
r
12,485912
= 4,23 x
6
12,485912
= 4,23 x
2,4494897
= 4,23 x 5,0973523  21,562
TABELA 15.9 – PRODUÇÃO EQUIVALENTE MÉDIA DE ABACAXI (Ananas comosus L.) EM

kg/42,0 m 2, CULTIVAR PÉROLA
Tratamentos 1/ Produção equivalente média (kg/42,0 m2)
2 55,183 ab
3 44,683 a
4 64,383 ab
5 69,233 b
6 59,483 ab
7 53,433 ab

NOTAS: (1/) 2 - Abacaxi solteiro 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
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.

516
(2/) As médias com pelo menos uma mesma letra não diferem estatisticamente

O tratamento 5 difere estatisticamente do tratamento 3, e apresentou a maior
produção equivalente de abacaxi.
Os demais tratamentos se situaram numa faixa intermediária em termos de
produção equivalente de abacaxi.
Diante de tais resultados, conclui-se que o consórcio abacaxi x feijão é mais
vantajoso que o monocultivo de abacaxi.
15.5 Exercícios
a) A partir dos dados das TABELAS 15.10 e 15.11, pede-se:

a.1) Fazer as análises da variação das culturas do milho e do feijão;
a.2) Obter os coeficientes de variação das culturas do milho e do feijão;
a.3) Aplicar, se necessário, o teste de Tukey no nível de 5% de probabilidade na
comparação de médias dos tratamentos envolvendo as culturas do milho e do feijão
isoladamente;
a.4) Fazer a análise da variância das produções combinadas pelo Uso Eficiente da
Terra;
a.5) Obter o coeficiente de variação das produções combinadas;
a.6) Aplicar, se necessário, o teste de Tukey no nível de 5% de probabilidade na
comparação de médias das produções combinadas.
TABELA 15.10 – PRODUÇÃO DE DUAS CULTIVARES DE MILHO (Zea mays L.) EM kg de
grãos/ha, NOS SISTEMAS MONOCULTIVO E CONSORCIADO COM FEIJÃO
(Phaseolus vulgaris L.), EM DIFERENTES ARRANJOS DE PLANTIO
Cultivar de Arranjo Bloco I Bloco II Bloco III

Milho de
Plantio M C M C M C
A 8.520 4.047 6.353 5.893 6.553 7.193
B 6.342 6.625 7.142 6.545 5.193 7.787
CARGIL C 3.856 6.768 6.640 5.432 6.224 6.712

111
D 6.515 9.360 7.550 6.530 9.087 6.600
E 8.786 6.067 7.467 7.840 8.553 8.453
A 7.560 5.753 5.560 3.720 6.013 4.860
B 6.975 5.113 4.675 2.625 5.593 5.382
BR 105 C 4.864 4.400 5.544 4.480 5.712 5.184

517
D 7.375 5.930 5.255 6.190 5.670 5.625
E 7.587 8.140 9.060 6.740 6.700 7.653
FONTE: RAMALHO, OLIVEIRA e GARCIA (1983).

NOTA: M: Monocultivo, C: Consorciação
TABELA 15.11 – PRODUÇÃO DE FEIJÃO (Phaseolus vulgaris L.) EM kg de grãos/ha, EM

MONOCULTIVO E CONSORCIADO, EM DIFERENTES ARRANJOS DE
PLANTIO COM DUAS CULTIVARES DE MILHO (Zea mays L.)
Cultivar de Arranjo de Consorciação

Milho Plantio
Bloco I Bloco II Bloco III
A 333 307 233
B 378 349 495

CARGIL 111
C 464 440 576
D 147 233 233
E 250 200 267
A 520 453 507
B 393 496 422

518
BR 105
C 600 544 512
D 187 320 353
E 316 316 208
FONTE: RAMALHO, OLIVEIRA e GARCIA (1983).

519
TESTES
16 NÃO-PARAMÉTRICOS
A análise de variância, método estatístico amplamente usado na experimentação

agropecuária, para ter validade, conforme visto no Capítulo 4, é preciso que o
pesquisador atenda às seguintes suposições:
a) Os efeitos principais devem ser aditivos;
b) Os erros de observação devem ser independentes;
c) Os erros de observação devem ser normalmente distribuídos;
d) As variâncias das diferentes amostras devem ser homogêneas.
Estas condições são exigidas para que os testes paramétricos, mais conhecidos
como testes de hipóteses (teste F, teste t, teste LSD, teste de Dunnett, teste de Tukey,
teste de Duncan, etc.), os quais são usados para tomar decisões, das quais são tiradas as
conclusões acerca dos tratamentos, sejam válidos. 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. No entanto, há certos
casos que não existe nenhuma transformação que possibilite o uso da análise de
variância. Isto ocorre quando:
a) As médias são aproximadamente iguais e as variâncias heterogêneas;
b) As variâncias são homogêneas, porém os níveis dos tratamentos são
heterogêneos em forma;
c) As médias variam independentemente das variâncias.
Também há situações que a análise de variância não pode ser usada, devido as
suas limitações, como por exemplo, o número N de parcelas muito abaixo de 20, ou
quando se trata de dados não numéricos, como os que surgem quando consumidores
classificam, em ordem de preferência, produtos agropecuários (tipos de leite, de queijo,
de carne, etc.).
Se alguns destes casos ocorrem, a análise dos dados é feita através de testes não-
paramétricos.
Os testes não-paramétricos são aqueles cujos modelos não especificam
condições sobre os parâmetros da população da qual a amostra foi obtida. Mesmo quando
existem certas suposições, estas são mais brandas do que aquelas associadas aos testes
paramétricos.
Tais testes seguem o mesmo procedimento geral que os testes de hipóteses vistos
no Capítulo 5, porém são menos precisos que estes. Contudo, desde que seu emprego não
seja abusivo, são úteis aos pesquisadores em determinadas situações, devido a sua grande
simplicidade e versatilidade.

520
16.1 Teste do Qui-Quadrado
Entre os testes não-paramétricos, o teste do qui-quadrado (  2 ) é o mais

amplamente usado na pesquisa agropecuária, principalmente em trabalhos experimentais
cujos dados colhidos representam ocorrências de certos fenômenos (como plantas
atacadas e não atacadas por pulgão em variedades de pimentão ou acasalamentos
fecundos e infecundos em raças bovinas de leite) que se podem classificar numa tabela
chamada de contingência. Além disso, pode ser usado no estudo do ajustamento de
distribuições teóricas (como a curva normal) a dados observados ou no ajustamento de
freqüências observadas a proporções previstas por leis (como as leis da genética).
Ao aplicar o teste do qui-quadrado a tabelas de contingência de 2 x n, com n >
2, é preciso considerar o seguinte:
1) O referido teste não deve ser usado se a freqüência esperada mínima for
inferior a 1,0;
2) Só é permitido o seu uso em poucos casos, para freqüência esperada mínima
menor que 5,0.
Por outro lado, com n = 2, é preciso considerar o seguinte:
1) Não deve ser usado se a freqüência total N for menor que 20;
2) Também não deve ser usado se a freqüência total N estiver entre 20 e 40 e a
freqüência esperada mínima for menor que 5,0;
3) Em todos os casos a freqüência esperada mínima não deve ser inferior a 1,0.
( f0  fe )2
 =
2
fe
onde:
f0 = freqüência observada;
fe = freqüência esperada.
O valor de  2 calculado é comparado com o valor de  2 tabelado, com n1 =

nível de significância (o nível de 5% de probabilidade é o mais utilizado na prática) e n 2
= graus de liberdade [nas tabelas de contingência os graus de liberdade são obtidos assim:
(número de linhas – 1) (número de colunas – 1) e nas leis da genética é igual ao número
de classes fenotípicas – 1] (TABELA A.15).
Logo, tem-se:
 2 calculado >  2 tabelado (5%) - * (existe diferença significativa entre as
freqüências observadas e esperadas no nível de 5% de probabilidade, ou seja, com mais
de 95% de probabilidade rejeita-se H0);
 2 calculado <  2 tabelado (5%) - ns (não existe diferença significativa entre as
freqüências observadas e esperadas no nível de 5% de probabilidade, ou seja, com 95%
de probabilidade aceita-se H0).
Quando se aplica o teste do qui-quadrado está-se testando as seguintes hipóteses:
a) H0 : f0 = fe (freqüências semelhantes);
b) H1 : f0  fe (freqüências diferentes).

521
Exemplo 1: Verificar pelo teste do qui-quadrado se existe ou não diferença
TABELA 16.1 – Efeito de fungicidas na incidência de plantas doentes de feijão (Phaseolus vulgaris L.)
(dados fictícios)
Plantas Doentes Plantas Sadias
Fungicida A 6 54 60
Fungicida B 12 48 60
Sem Fungicida 36 24 60
54 126 180
Então, começam-se calculando as freqüências esperadas, admitindo-se a hipótese

de que todos os tratamentos se comportam igualmente. Para isto, fazem-se as regras de
três. No caso do Fungicida A, o número x de plantas doentes será:
Para o total de 180 plantas - têm-se 54 plantas doentes;

Para 60 plantas submetidas ao Fungicida A - têm-se x plantas doentes.
Logo, tem-se:
60 x 54
x=
180
3.240
= = 18,0
180
O número correspondente de plantas sadias submetidas ao Fungicida A obtém-se

por subtração, ou seja:
60 – 18,0 = 42,0
No caso do Fungicida B, o número x de plantas doentes será:

Para 60 plantas submetidas ao Fungicida B - têm-se x plantas doentes.
Logo, tem-se:
60 x 54
x=
180

522
3.240
= = 18,0
180
O número correspondente de plantas sadias submetidas ao Fungicida B obtém-se

60 – 18,0 = 42,0
No caso do Sem Fungicida, o número x de plantas doentes será:

Para 60 plantas Sem Fungicida - têm-se x plantas doentes.
Logo, tem-se:
60 x 54
x=
180
3.240
= = 18,0
180
O número correspondente de plantas sadias Sem Fungicida obtém-se por

subtração, ou seja:
60 – 18,0 = 42,0
Com as freqüências esperadas, calcula-se o valor do qui-quadrado pela fórmula:
( 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
(12,0) 2 (12,0) 2 ( 6,0) 2 (6,0) 2 (18,0) 2 ( 18,0) 2

     
18,0 42,0 18,0 42,0 18,0 42,0
144 144 36 36 324 324

     
18,0 42,0 18,0 42,0 18,0 42,0
= 8,0 + 3,4286 + 2,0 + 0,8571 + 18,0 + 7,7143 = 40,0
A TABELA A.15 com n1 = 5% e n 2 = 2 fornece o seguinte valor: 5,99.

Logo,  2 calculado (40,0) >  2 tabelado (5,99) - *. Assim, chega-se à conclusão
que existe diferença significativa, no nível de 5% de probabilidade, pelo teste do Qui-
quadrado, no efeito de fungicidas em relação à incidência de plantas doentes de feijão.

523
Dando prosseguimento, já que não se sabe qual foi o tratamento que
proporcionou uma menor incidência de plantas doentes e diferiu estatísticamente dos
demais, a tabela de contingência 3 X 2 pode ser desdobrada em duas tabelas de
contingência 2 X 2, conforme se verificam a seguir:
Fungicida A ou B 18 102 120

Sem Fungicida 36 24 60
54 126 180
Também, começam-se calculando as freqüências esperadas para esta tabela de

contingência 2 X 2, admitindo-se a hipótese de que todos os tratamentos se comportam
igualmente. Para isto, fazem-se as regras de três. No caso do Fungicida A ou B, o número
x de plantas doentes será:

Para 120 plantas submetidas ao Fungicida A ou B - têm-se x plantas doentes.
Logo, tem-se:
120 x 54
x=
180
6.480
= = 36,0
180
O número correspondente de plantas sadias submetidas ao Fungicida A ou B

obtém-se por subtração, ou seja:
120 – 36,0 = 84,0
No caso do Sem Fungicida, o número x de plantas doentes será:

Para 60 plantas Sem Fungicida - têm-se x plantas doentes.
Logo, tem-se:
60 x 54
x=
180
3.240
= = 18,0
180

524
O número correspondente de plantas sadias Sem Fungicida obtém-se por

subtração, ou seja:
60 – 18,0 = 42,0
( f0  fe )2
2 =  f
e
(18  36,0) 2 (102  84,0) 2 (36  18,0) 2 (24  42,0) 2

   
36,0 84,0 18,0 42,0
(18,0) 2 (18,0) 2 (18,0) 2 ( 18,0) 2

   
36,0 84,0 18,0 42,0
324 324 324 324

   
36,0 84,0 18,0 42,0
= 9,0 + 3,8571 + 18,0 + 7,7143 = 38,5714

Logo,  2 calculado (38,5714) >  2 tabelado (3,84) - *. Assim, chega-se à
do qui-quadrado, no efeito de fungicida em relação à incidência de plantas doentes de
feijão.
Desse modo, tem-se:
Para 120 plantas submetidas ao Fungicida A ou B - têm-se 100%;

Para 18 plantas doentes submetidas ao Fungicida A ou B - têm-se x.
Logo, tem-se:
18 x 100
x=
120
1.800
= = 15,0%
120
Para 60 plantas não submetida a Fungicida - têm-se 100%;

Para 36 plantas doentes não submetida a Fungicida - têm-se x.
Logo, tem-se:
36 x 100
x=
60

525
3.600
= = 60,0%
60
Portanto, o uso de fungicida (A ou B) proporcionou uma menor incidência de

plantas doentes (15,0%) do que a ausência de fungicida (60%) em feijão.
Fungicida A 6 54 60
Fungicida B 12 48 60
18 102 120
Ainda, começam-se calculando as freqüências esperadas para esta outra tabela de

contingência 2 X 2, admitindo-se a hipótese de que todos os tratamentos se comportam
igualmente. Para isto, fazem-se as regras de três. No caso do Fungicida A, o número x de
plantas doentes será:

Para 60 plantas submetidas ao Fungicida A - têm-se x plantas doentes.
Logo, tem-se:
60 x 18
x=
120
1.080
= = 9,0
120
O número correspondente de plantas sadias submetidas ao Fungicida A obtém-se

60 – 9,0 = 51,0
No caso do Fungicida B, o número x de plantas doentes será:

Para 60 plantas submetidas ao Fungicida B - têm-se x plantas doentes.
Logo, tem-se:
60 x 18
x=
120

526
1.080
= = 9,0
120
O número correspondente de plantas sadias submetidas ao Fungicida B obtém-se

60 – 9,0 = 51,0
( f0  fe )2
2 =  f
e
(6  9,0) 2 (54  51,0) 2 (12  9,0) 2 (48  51,0) 2

   
9,0 51,0 9,0 51,0
( 3,0) 2 (3,0) 2 (3,0) 2 ( 3,0) 2

   
9,0 51,0 9,0 51,0
9 9 9 9
   
9,0 51,0 9,0 51,0
= 1,0 + 0,1765 + 1,0 + 0,1765 = 2,353

Logo,  2 calculado (2,353) <  2 tabelado (3,84) - ns. Assim, chega-se à
conclusão que não existe diferença significativa, no nível de 5% de probabilidade, pelo
teste do qui-quadrado, no efeito dos Fungicidas A e B em relação à incidência de plantas
doentes, ou seja, os dois fungicida (A e B) são eficientes e proporcionam a mesma
incidência de plantas doentes ( m̂ =15,0%) em feijão.
Exemplo 2: Verificar pelo teste do qui-quadrado se existe ou não diferença
TABELA 16.2 – Efeito de raças na freqüência de acasalamentos fecundos em bovinos
Natureza das Acasalamentos Acasalamentos Totais de

Vacas Fecundos Infecundos Acasalamentos
Charolesa 515 1.287 1.802

Indubrasil 506 665 1.171
1.021 1.952 2.973

527
Então, começam-se calculando as freqüências esperadas, admitindo-se a hipótese
de que todos os tratamentos se comportam igualmente. Para isto, fazem-se as regras de
três. No caso da raça Charolesa, o número x de acasalamentos fecundos será:
Para o total de 2.973 vacas - têm-se 1.021 acasalamentos fecundos;

Para 1.802 vacas Charolesa - têm-se x acasalamentos fecundos.
Logo, tem-se:
1.802 x 1.021
x=
2.973
1.839.842
= = 618,85
2.973
O número correspondente de acasalamentos infecundos da raça Charolesa

1.802 – 618,85 = 1.183,15
No caso da raça Indubrasil, o número x de acasalamentos fecundos será:
Para o total de 2.973 vacas - têm-se 1.021 acasalamentos fecundos;

Para 1.171 vacas Indubrasil - têm-se x acasalamentos fecundos.
Logo, tem-se:
1.171 x 1.021
x=
2.973
1.195.591
= = 402,15
2.973
O número correspondente de acasalamentos infecundos da raça Indubrasil

1.171 – 402,15 = 768,85
( f0  fe )2
 =
2
fe
(515  618,85) 2 (1.287  1.183,15) 2 (506  402,15) 2 (665  768,85) 2

   
618,85 1.183,15 402,15 768,85

528
(103,85) 2 (103,85) 2 (103,85) 2 ( 103,85) 2
   
618,85 1.183,15 402,15 768,85
10.784,822 10.784,822 10.784,822 10.784,822

   
618,85 1.183,15 402,15 768,85
= 17,4272 + 9,1153 + 26,8179 + 14,0272 = 67,3876

Logo,  2 calculado (67,3876) >  2 tabelado (3,84) - *. Assim, chega-se à
do qui-quadrado, no efeito de raças em relação a acasalamentos fecundos.
Desse modo, tem-se:
Para 1.802 acasalamentos da raça Charolesa - têm-se 100%;

Para 515 acasalamentos fecundos da raça Charolesa - têm-se x.
Logo, tem-se:
515 x 100
x=
1.802
51.500
= = 28,58%
1.802
Para 1.171 acasalamentos da raça Indubrasil - têm-se 100%;

Para 506 acasalamentos fecundos da raça Indubrasil - têm-se x.
Logo, tem-se:
506 x 100
x=
1.171
50.600
= = 43,21%
1.171
Portanto, a raça Indubrasil proporcionou uma maior porcentagem de

acasalamentos fecundos (43,21%) do que a raça Charolesa (28,58%%) em bovinos.
Exemplo 3: Verificar pelo teste do Qui-quadrado se existe ou não diferença
significativa entre as freqüências observadas e as esperadas pela lei da segregação
independente (Segunda Lei de Mendel) a partir dos dados da TABELA 16.3.
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
Tipos de Ervilhas Freqüências Observadas de Tipos de Sementes

529
Amarelas Lisas 315

Verdes Lisas 108
Amarelas Rugosas 101
Verdes Rugosas 32
Total 556
Então, começam-se calculando as freqüências esperadas, admitindo-se que a lei

da segregação independente prevê que as proporções esperadas para esses tipos de
ervilha são: 9/16, 3/16, 3/16, 1/16, respectivamente. Para isto, fazem-se as regras de três.
No caso das ervilhas Amarelas Lisas, o número x de sementes será:
Para a proporção total de 16 sementes - têm-se 556 sementes;

Para a proporção de 9 sementes amarelas lisas - têm-se x sementes esperadas.
Logo, tem-se:
9 x 556
x=
16
5.004
= = 312,75
16

Para a proporção de 3 sementes verdes lisas - têm-se x sementes esperadas.
Logo, tem-se:
3 x 556
x=
16
1.668
= = 104,25
16

Para a proporção de 3 sementes amarelas rugosas - têm-se x sementes esperadas.
Logo, tem-se:
3 x 556
x=
16

530
1.668
= = 104,25
16

Para a proporção de 1 semente verde rugosa - têm-se x sementes esperadas.
Logo, tem-se:
1 x 556
x=
16
556
= = 34,75
16
( f0  fe )2
2 =  f
e
(315  312,75) 2 (108  104,25) 2 (101  104,25) 2 (32  34,75) 2

   
312,75 104,25 104,25 34,75
(2,25) 2 (3,75) 2 ( 3,25) 2 ( 2,75) 2

   
312,75 104,25 104,25 34,75
5,0625 14,0625 10,5625 7,5625

   
312,75 104,25 104,25 34,75
= 0,0162 + 0,1349 + 0,1013 + 0,2176 = 0,47

Logo,  2 calculado (0,47) <  2 tabelado (7,82) - ns. Assim, chega-se à
conclusão que não existe diferença significativa, no nível de 5% de probabilidade, pelo
teste do qui-quadrado, entre as freqüências observadas e as esperadas pela lei da
segregação independente (Segunda Lei de Mendel), ou seja, os caracteres cor e textura da
semente em ervilha segregam independentemente, pois os seus genes estão localizados
em cromossomos homólogos diferentes.
16.2 Teste do Sinal
O teste do sinal é um teste não-paramétrico que pode ser usado na pesquisa

agropecuária quando, em ensaios em blocos casualizados, se têm apenas dois tratamentos
e geralmente os dados experimentais não são numéricos, ou seja, dados que surgem
quando consumidores classificam, em ordem de preferência, produtos agropecuários
(tipos de leite, de queijo, de manteiga, de ovos, de carne, de mortadela, de presunto, de
bebida láctea, de uva, de maçã, de laranja, de manga, de café, de suco, etc.). Em alguns
casos, também pode ser usado o teste do sinal, quando são testados produtos

531
agropecuários nas mesmas condições do caso anterior (aditivo na ração, no solo, no
substrato, etc.), porém os dados experimentais são numéricos.
Ao aplicar o teste do sinal é preciso considerar o seguinte:
1) Para N > 20, aplica-se o referido teste a 5% de probabilidade com infinitos
graus de liberdade (TABELA A.7);
2) Para N < 20, faz-se necessário o uso de tabelas especiais (usa o valor de B
menor) para achar o nível de probabilidade com infinitos graus de liberdade (TABELA
A.16), a fim de verificar se a hipótese da nulidade será ou não rejeitada em função da
probabilidade de se ter freqüência n de ocorrência menor ou igual ao valor observado B,
ou seja, P (n < B).
2xBN
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.
O valor de t calculado é comparado com o valor de t tabelado, com n1 = nível de

significância (o nível de 5% de probabilidade é o mais utilizado na prática) e n2 =
infinitos graus de liberdade (TABELAS A.7 ou A.16).
Logo, tem-se:
t calculado > t tabelado (5%) - * (existe diferença significativa entre as
preferências dos produtos no nível de 5% de probabilidade, ou seja, com mais de 95% de
probabilidade rejeita-se H0);
t calculado < t tabelado (5%) - ns (não existe diferença significativa entre as
preferências dos produtos no nível de 5% de probabilidade, ou seja, com 95% de
probabilidade aceita-se H0).
Quando se aplica o teste do sinal está-se testando as seguintes hipóteses:
a) H0 : A = B (produtos com a mesma preferência);
b) H1 : A  B (produtos com preferências diferentes).
Exemplo 4: Verificar pelo teste do sinal se existe ou não diferença significativa
entre as preferências dos produtos a partir dos dados da TABELA 16.4.
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)
Queijo Coalho de Cabra (Sinal +) Queijo Coalho de Búfala (Sinal –) Total
58 22 80
Logo, tem-se:

532
2xBN
t =
N
2 x 58  80
=
80
116  80
=
8,9442719
36
= = 4,025
8,9442719
Logo, t calculado (4,025) > t tabelado (1,96) - *. Assim, chega-se à conclusão

que existe diferença significativa, no nível de 5% de probabilidade, pelo teste do sinal,
entre as preferências dos dois tipos de queijo coalho.
Desse modo, tem-se:
Para 80 pessoas pesquisadas - têm-se 100%;

Para 58 pessoas que preferiram o queijo coalho de cabra - têm-se x.
Logo, tem-se:
58 x 100
x=
80
5.800
= = 72,5%
80
O número correspondente de pessoas que preferiram o queijo coalho de búfala

100 – 72,5 = 27,5%
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

533
Então, começam-se calculando quantas vezes (Sinal +) o uso de aditivo superou a
ausência de aditivo (Sinal –) na ração em relação à produção de leite em cabras da raça
Murciana. No caso do uso de aditivo na ração, foi de 10 vezes; e no caso da ausência de
aditivo na ração, foi de 2 vezes.
Logo, tem-se:
2xBN
t =
N
2 x 10  12
=
12
20  12
=
3,4641
8
= = 2,309
3,4641
Considerando-se o número menor de observações (B = 2), na TABELA A.16, a

probabilidade de se ter um número de ocorrências n < 2, em N = 12 tentativas, é P =
0,0193, isto é, 1,93%. Tal resultado seria, pois, significativo ao nível de 5% de
probabilidade, uma vez que P < 5%.
Desse modo, t calculado (2,309) > t tabelado (5%) - *. Assim, chega-se à
do sinal, entre a presença e ausência de aditivo vitamínico na ração, ou seja, o uso de
aditivo vitamínico na ração proporcionou uma maior produção de leite ( m̂ =1,81
litros/dia) do que o não uso do aditivo vitamínico ( m̂ =1,64 litros/dia) em cabras da raça
Murciana no Semi-árido Nordestino.
16.3 Teste H de Kruskal-Wallis
O teste H de Kruskal-Wallis é um teste não-paramétrico que usa estatísticas de

ordem, podendo ser aplicado na pesquisa agropecuária em ensaios inteiramente
casualizados, quando há três ou mais tratamentos. No campo não-paramétrico, ele
substitui o teste F para verificar se existe ou não diferença significativa entre os
tratamentos avaliados.
O referido teste se baseia exclusivamente nos valores da ordem dos tratamentos,
sem levar em conta se as diferenças entre os dados originais são de pequena ou grande
monta. Por outro lado, avaliando diferenças apenas de ordem, sem nenhum critério
quantitativo mais preciso, a análise estatística deste tipo dificulta muito a interpretação
econômica dos resultados. Assim sendo, este teste e os demais testes não-paramétricos
que usam estatísticas de ordem não devem ser a primeira opção para uso.

534
12 Ri2
H=
N ( N  1)
 ri
 3 ( N  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);
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;
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.
O valor de H calculado é comparado com o valor de H tabelado, obtido na tabela

de limites de distribuição de H, com k = 3 tratamentos, r1 ≤ r2 ≤ r3 ≤ 6 (número de
repetições dos três tratamentos), e α = nível de significância (o nível de 5% de
probabilidade é o mais utilizado na prática) (TABELA A.17). Quando, porém, k > 3
tratamentos ou o número de repetições de um ou mais dos 3 tratamentos for > 6, o valor
de H tabelado é obtido na tabela de limites unilaterais de Qui-quadrado, com k – 1 graus
de liberdade (TABELA A.15).
Logo, tem-se:
H calculado > H tabelado (5%) - * (existe diferença significativa entre os
H calculado < H tabelado (5%) - ns (não existe diferença significativa entre os

535
Quando se aplica o teste H de Kruskal-Wallis está-se testando as seguintes
hipóteses:
Se H calculado > H tabelado (5%), ou seja, se estiver de acordo com a hipótese
alternativa (H1), há necessidade de comparar as médias de tratamentos duas a duas, para
se chegar ao melhor tratamento. Neste caso, há duas situações a considerar:
a) O experimento tem k = 3 tratamentos e no máximo 6 repetições para cada
tratamento (r1 ≤ r2 ≤ r3 ≤ 6);
b) O experimento tem k > 3 tratamentos ou mais de 6 repetições para alguns
deles ou todos.
Na primeira situação, começa-se por calcular as médias das ordens, cuja fórmula
é a seguinte:
R
Rˆ i  i
ri
onde:
R = soma das ordens de cada tratamento i;
r = número de repetições de cada tratamento i.
A seguir, calculam-se as diferenças mínimas significativas para cada contraste

simples ( Yî = Rˆ i  Rˆ j ), através da fórmula:
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.
Na segunda situação, começa-se por calcular as médias das ordens da mesma

forma do caso anterior.
A seguir, calculam-se as diferenças mínimas significativas para cada contraste
simples ( Yî = Rˆ i  Rˆ j ), no nível de probabilidade β = (1/2)k (k – 1)α, através da fórmula:
N ( N  1) 1 1
∆ij (β %) = t   
12 r r 
 i j 

536
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.
Em qualquer situação, o valor de cada contraste simples ( Yî = Rˆ i  Rˆ j ) é

comparado com o valor de ∆ij. Logo, tem-se:
Ŷ   (5% ou β) - * (existe diferença significativa entre os tratamentos no nível
de 5% ou β de probabilidade, ou seja, há uma probabilidade acima de 95% ou β de que o
contraste seja diferente de zero);
Ŷ <  (5% ou β) - ns (não existe diferença significativa entre os tratamentos no
nível de 5% ou β de probabilidade, ou seja, com 95% ou β de probabilidade o contraste
não difere de zero).
Quando o H calculado > H tabelado (5% ou β) e está-se comparando as médias
de tratamentos duas a duas, está-se testando as seguintes hipóteses:
Exemplo 6: Verificar pelo teste H de Kruskal-Wallis se existe ou não diferença
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
2.212,8 (13)* 2.195,2 (12) 1.770,3 (4)

2.025,3 (9) 2.031,5 (11) 1.800,0 (5)
1,989,0 (8) 1.876,5 (7) 1.852,8 (6)
2.232,8 (14) 1.750,3 (2) 1.769,0 (3)
2.027,8 (10) 1.060,3 (1)
R1 = 54 R2 = 33 R3 = 18
NOTA: (*) Os números entre parênteses representam as ordens das observações na classificação
conjunta.
Logo, tem-se:
12 Ri2
H=
N ( N  1)
 ri
 3 ( N  1)

537
12  (54) 2 (33) 2 (18) 2 

=      3 (14  1)
14 (14  1)  5 5 4 
12  2.916,0 1.089,0 324,0 

=      3 (15)
14 (15)  5 5 4 
=
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
Tabela 16.7 – Efeito de inseticidas no feijoeiro (Phaseolus vulgaris L.) em relação à produção (em kg/ha)
T1 (Testemunha) T2 (Ekatin) T3 (EPN)
1.012,0 (4)* 1.451,0 (6) 1.534,0 (9,5)

925,0 (2) 1.575,0 (11) 1.658,0 (13)
989,0 (3) 1.534,0 (9,5) 1.700,0 (14,5)
1.132,0 (5) 1.493,0 (7) 1.700,0 (14,5)
827,0 (1) 1.513,0 (8) 1.648,0 (12)
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:

538
12 Ri2
N ( N  1)
 r  3 ( N  1)
i
H=
1
 t i (t i2  1)
N ( N 2  1)
12  (15) 2 (41,5) 2 (63,5) 2 

     3 (15  1)
15 (15  1)  5 5 5 
=
1

2 (2 2  1)  2 (2 2  1) 
15 (15 2  1)
12  225,00 1.722,25 4.032,25 

     3 (16)
15 (16)  5 5 5 
=
1
2 (4  1)  2 (4  1)
15 (225  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
Logo, H calculado (11,837) > H tabelado (5,72) - *. Assim, chega-se à conclusão

que existe diferença significativa, no nível de 5% de probabilidade, pelo teste de H de
Kruskal-Wallis, no efeito de inseticidas no feijoeiro em relação à produção (em kg/ha).
Como houve diferença significativa entre os tratamentos, há necessidade de
comparar as médias de tratamentos duas a duas, para se chegar ao melhor tratamento.
Logo, tem-se:

539
R
Rˆ1  1
r1
15
= = 3,0
5
R
Rˆ 2  2
r2
41,5
= = 8,3
5
R
Rˆ 3  3
r3
63,5
= = 12,7
5
Como os tratamentos têm o mesmo número de repetições, o valor de ∆ij é o

mesmo para todos os contrastes. Desse modo, tem-se:
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

540
= 3,0 – 8,3 = 5,3 ns
Yˆ2 = Rˆ1  Rˆ 3
= 3,0 – 12,7 = 9,7 *
Yˆ3 = Rˆ 2  Rˆ 3
= 8,3 – 12,7 = 4,4 ns
De acordo com os resultados do teste H de Kruskal-Wallis, pode-se concluir:

a) Apenas um contraste foi significativo no nível de 5% de probabilidade, ou
seja, o inseticida EPN proporcionou uma maior produção no feijoeiro do que a
testemunha.
b) Os demais contrastes foram não significativos no nível de 5% de
probabilidade, ou seja, os tratamentos Ekatin e testemunha, e Ekatin e EPN foram
semelhantes quanto à produção de feijão.
16.4 Teste de Friedman
O teste de Friedman é um teste não-paramétrico que também usa estatísticas de

ordem, cuja ordenação é feita por bloco, podendo ser aplicado na pesquisa agropecuária
em ensaios em blocos casualizados, quando há três ou mais tratamentos. No campo não-
paramétrico, ele também substitui o teste F para verificar se existe ou não diferença
significativa entre os tratamentos avaliados.
O referido teste também se baseia exclusivamente nos valores da ordem dos
tratamentos, sem levar em conta se as diferenças entre os dados originais são de pequena
ou grande monta. Por outro lado, avaliando diferenças apenas de ordem, sem nenhum
critério quantitativo mais preciso, a análise estatística deste tipo dificulta muito a
interpretação econômica dos resultados. Assim sendo, este teste também não deve ser a
primeira opção para uso.
12
K=
bk (k  1)
 Ri2  3 b (k  1)
onde:
segunda o valor 2 e assim por diante, em cada bloco);
b = número de blocos do experimento;

541
k = tamanho do bloco, ou seja, número de parcelas e/ou de tratamentos que formam o
bloco.
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:
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.
O valor de K calculado é comparado com o valor de K tabelado, obtido na tabela

de limites de distribuição de K, com k = 3 tratamentos e b = 2 ≤ 15 blocos; k = 4
tratamentos e b = 2 ≤ 8 blocos; k = 5 tratamentos e b = 3 ≤ 5 blocos; e α = nível de
significância (o nível de 5% de probabilidade é o mais utilizado na prática) (TABELA
A.18). Quando, porém, k > 5 tratamentos ou o número de blocos está acima do previsto
na Tabela A.18, o valor de K tabelado é obtido na tabela de limites unilaterais de Qui-
quadrado, com k – 1 graus de liberdade (TABELA A.15).
Logo, tem-se:
K calculado > K tabelado (5%) - * (existe diferença significativa entre os
K calculado < K tabelado (5%) - ns (não existe diferença significativa entre os
Quando se aplica o teste de Friedman está-se testando as seguintes hipóteses:
Se K calculado > K tabelado (5%), ou seja, se estiver de acordo com a hipótese
alternativa (H1), há necessidade de comparar as médias de tratamentos duas a duas, para
se chegar ao melhor tratamento. Neste caso, o valor de cada contraste simples ( Yî = Ri –
Rj) é comparado com o valor de ∆1, obtido na Tabela A.19, com k = 2 ≤ 15 tratamentos, b

542
= 2 ≤ 15 blocos e α = nível de significância (o nível de 5% de probabilidade é o mais
utilizado na prática).
Logo, tem-se:
Ŷ   1 (5%) - * (existe diferença significativa entre os tratamentos no nível de
diferente de zero);
Ŷ <  1 (5%) - ns (não existe diferença significativa entre os tratamentos no nível
zero).
Quando o K calculado > K tabelado (5%) e está-se comparando as médias de
tratamentos duas a duas, está-se testando as seguintes hipóteses:
Exemplo 8: Verificar pelo teste de Friedman se existe ou não diferença
Tabela 16.8 – Efeito de variedades na incidência de plantas doentes (em %) de tomateiro

(Lycopersicum esculentum Mill.)
Blocos V1 V2 V3
Bloco I 20 (1)* 27 (2) 40 (3)

Bloco II 28 (2) 15 (1) 60 (3)
Bloco III 5 (1) 20 (3) 15 (2)
Bloco IV 40 (2) 35 (1) 60 (3)
Bloco V 18 (1) 20 (2) 25 (3)
R1 = 7 R2 = 9 R3 = 14
NOTA: (*) Nas linhas, os números entre parênteses representam as ordens das observações dentro de
cada bloco.
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)

543
=
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
Tabela 16.9 – Efeito de rações no ganho de peso (em kg) de ovinos (dados fictícios)
Ração A Ração B Ração C Ração D
Bloco I 6 (1)* 10 (2) 20 (3) 30 (4)

Bloco II 8 (1,5) 8 (1,5) 22 (3) 30 (4)
Bloco III 5 (1) 11 (2) 25 (3,5) 25 (3,5)
R1 = 3,5 R2 = 5,5 R3 = 9,5 R4 = 11,5
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)

544
12
3 x 4 (4  1)
 
(3,5) 2  (5,5) 2  (9,5) 2  (11,5) 2  3 x 3 (4  1)
=
1
  
(1) 3  (1) 3  (1) 3  (1) 3  4  (2) 3  (1) 3  (1) 3  4  (1) 3  (1) 3  (2) 3  4 
3 x 4 (4 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
Logo, K calculado (8,574) > H tabelado (6,936) - *. Assim, chega-se à conclusão

que existe diferença significativa, no nível de 5% de probabilidade, pelo teste de
Friedman, no efeito de rações em relação ao ganho de peso (em kg) de ovinos.
Como houve diferença significativa entre os tratamentos, há necessidade de
comparar as médias de tratamentos duas a duas, para se chegar ao melhor tratamento.
Logo, tem-se:
∆1  8,0
Como os tratamentos têm o mesmo número de repetições, o valor de ∆1 é o

mesmo para todos os contrastes. Desse modo, tem-se:
Yˆ1 = R1 – R2
= 3,5 – 5,5 = 2,0 ns
Yˆ2 = R1 – R3

545
= 3,5 – 9,5 = 6,0 ns
Yˆ3 = R1 – R4
= 3,5 – 11,5 = 8,0 *
Yˆ4 = R2 – R3
= 5,5 – 9,5 = 4,0 ns
Yˆ5 = R2 – R4
= 5,5 – 11,5 = 6,0 ns
Yˆ6 = R3 – R4
= 9,5 – 11,5 = 2,0 ns
De acordo com os resultados do teste de Friedman, pode-se concluir:

a) Apenas um contraste foi significativo no nível de 5% de probabilidade, ou
seja, a ração D proporcionou um maior ganho de peso em ovinos do que a ração A.
b) Os demais contrastes foram não significativos no nível de 5% de
probabilidade, ou seja, as rações A e B, A e C, B e C, B e D, e C e D foram semelhantes
quanto ao ganho de peso em ovinos.
16.5 Exercícios
a) Através do teste do qui-quadrado, pede-se para avaliar a efetividade da

vitamina C na resistência à gripe de frangos de corte durante um período de 45 dias, a
partir de uma amostra de 260 pintos de um dia da mesma linhagem, do mesmo sexo e
mesmo peso corporal, dos quais 130 pintos foram submetidos a uma dieta rica em
vitamina C, onde 18 ficaram gripados e 112 não ficaram gripados, e 130 pintos a uma
dieta com níveis normais de vitamina C, onde 80 ficaram gripados e 50 não ficaram
gripados.
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 -).
546

547

Estatística Experimental

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estatística Experimental

Enviado por

Direitos autorais:

Formatos disponíveis

1

Na pesquisa em ciências agrárias, a Estatística Experimental é uma ferramenta

1.1 Considerações Gerais

A Estatística Experimental é a parte da matemática aplicada aos dados

1.2 Classificação dos Experimentos

Os experimentos são classificados em:

Experimento Aleatório Experimento Sistêmico

1.3 Tipos de Experimentos

Existem três tipos de experimentos:

FIGURA 1.2 – ESQUEMA MOSTRANDO OS TRÊS TIPOS DE EXPERIMENTOS NA CULTURA

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 3

FIGURA 1.3 – ESQUEMA MOSTRANDO OS TRÊS TIPOS DE EXPERIMENTOS NA CULTURA

Introdução de Raças de Gado Bovino de Corte

Seleção das 10 Melhores Raças

Na FIGURA 1.2, inicialmente foram introduzidas 100 variedades de feijão e

1.4 Tipos de Variações

Na experimentação agropecuária ocorrem três tipos de variações nos dados

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 4

1.5 Pontos Considerados na Redução do Efeito da Variação Acidental

A fim de reduzir o efeito da variação acidental nos experimentos, o pesquisador

1.5.1 Forma da parcela

A forma da parcela refere-se à razão entre o comprimento e a largura da parcela.

1.5.2 Tamanho da parcela

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 6

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 7

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 8

C.V. (%) 100

O método em referência apresenta dois inconvenientes. Primeiro, não considera

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página 9

1.5.3 Orientação das parcelas

A orientação das parcelas refere-se à escolha da direção ao longo do qual os

FIGURA 1.5 - INFLUÊNCIA DA FORMA DE COLOCAÇÃO DAS PARCELAS NO BLOCO,

NOTA: As flechas indicam o sentido do gradiente de fertilidade.

Se a variação do gradiente de fertilidade é constante (caso ideal) e igual a q de

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página

Verifica-se, assim, que a distribuição A tem o maior desvio padrão, segue-se C e

1.5.4 Efeito bordadura entre as parcelas

Denomina-se efeito bordadura à diferença em comportamento entre plantas ao

FIGURA 1.6 – EFEITO BORDADURA EM VARIEDADES DE MILHO DEVIDO A ÁREAS NÃO

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página

O efeito bordadura também pode ocorrer quando determinados tratamentos

FIGURA 1.7 - EFEITO BORDADURA EM VARIEDADES DE MILHO DEVIDO A TRATAMENTOS

Para minimizar o efeito bordadura, o pesquisador deve tomar as seguintes

FIGURA 1.8 – ÁREA ÚTIL DE UMA PARCELA DE NOVENTA COVAS

A recomendação acima se fundamenta em resultados experimentais obtidos na

1.5.5 Falhas de plantas nas parcelas

FIGURA 1.9 – FALHAS EM UMA PARCELA EXPERIMENTAL DE SORGO

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página

A presença de falhas em uma parcela significa que nem todas as plantas da

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página

Todavia, torna-se impossível o estabelecimento de qualquer fórmula confiável,

1.5.6 Número de repetições dos experimentos

A necessidade de repetições foi reconhecida pelos pesquisadores a partir do ano

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página

1.5.7 Delineamentos experimentais

Existe grande quantidade de delineamentos experimentais apropriados para os

1.5.8 Forma de condução dos experimentos

A execução de um experimento inicia-se com a eleição do terreno, para o caso de

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página

1.6 Qualidades de um Bom Experimento

As qualidades de um bom experimento são:

Autor: PAULO VANDERLEI FERREIRA – CECA-UFAL, 2011. Página

1.7 Qualidades de um Bom Pesquisador