Assunto 4 - Delineamento Quadrado Latino –

DQL

Professor: Marcos Toebe

Disciplina: AGR2039 - Experimentação Agrícola
Curso: Agronomia / Semestre: Terceiro
Campus: Frederico Westphalen - RS
1
 Síntese da aula
2

 Delineamento Quadrado Latino (DQL);

➢ Caracterização e uso;

➢ Modelo matemático e pressuposições;

➢ Estimação de parâmetros;

➢ Análise de Variância (ANOVA);

➢ Testes de hipóteses e conclusão.

 Delineamento Quadrado Latino (DQL)
(CARGNELUTTI FILHO et al., 2009; RESENDE, 2002; STORCK et al., 2004; 2006)
➢ Caracterização e uso

✓ Este delineamento permite o controle da heterogeneidade entre as

unidades experimentais (UE) quanto a dois fatores (ou dupla
classificação) de variação.

✓ É como se as UE fossem agrupadas segundo uma tabela de dupla

entrada, onde uma entrada classifica as UE quanto aos níveis do fator
C (coluna) de heterogeneidade e outra classifica as mesmas UE
quanto aos níveis do fator F (fila) de heterogeneidade.

✓ Deve-se ter filas = colunas = repetições = tratamentos, de forma que

número de UE = I2. 3
 Delineamento Quadrado Latino (DQL)
➢ Caracterização e uso (CARGNELUTTI FILHO et al., 2009; RESENDE, 2002; STORCK et al., 2004; 2006)

✓ Vantagens:

o Controle local poderá reduzir grande parte da variação que seria atribuída ao
erro experimental, mesmo em áreas com duplo gradiente de variabilidade;

✓ Desvantagens:

o É o delineamento que perde maior número de graus de liberdade do erro em

virtude da dupla restrição no sorteio;

o Em virtude do número de repetições ser igual ao de tratamento, limita sua

utilização em experimentos com poucos (≤ 4) ou muitos ( ≥ 8) tratamentos.
4
✓ Sorteio dos tratamentos sobre as UE no Delineamento Quadrado Latino

1) Distribuição sistemática dos tratamentos na diagonal.

➢ Exemplo:

Norte

(maior) Gradiente de Umidade

A B C D E

E A B C D

(menor)
Oeste
Leste

D E A B C

C D E A B

B C D E A

Sul

(menor) Gradiente de Fertilidade (maior)

5
✓ Sorteio dos tratamentos sobre as UE no Delineamento Quadrado Latino

2) Sorteio das colunas sobre a primeira distribuição sistemática.

➢ Exemplo: 3-2-4-5-1

Norte Norte

A B C D E C B D E A

E A B C D B A C D E
Oeste
Leste

Oeste
Leste
D E A B C A E B C D

C D E A B E D A B C

B C D E A D C E A B

Sul Sul

6
 ✓ Sorteio dos tratamentos sobre as UE no Delineamento Quadrado Latino

3) Sorteio das filas sobre o sorteio de colunas já realizado.

➢ Exemplo: 4-1-3-5-2

Norte Norte

C B D E A E D A B C

B A C D E C B D E A
Oeste
Leste

Oeste
Leste
A E B C D A E B C D

E D A B C D C E A B

D C E A B B A C D E

Sul Sul

7
 Delineamento Quadrado Latino (DQL)
(CARGNELUTTI FILHO et al., 2009; STORCK et al., 2004; 2006)
✓ Tabela 1 Esquema para as anotações dos resultados de um experimento no delineamento quadrado latino.

Parcela ou UE nO Coluna (j) Fila (k) Tratamento (i) Variável Resposta Y(i)jk
1 1 1 E Y(E)11
2 2 1 D Y(D)21
3 3 1 A Y(A)31
4 4 1 B Y(B)41
5 5 1 C Y(C)51
6 1 2 C Y(C)12
7 2 2 B Y(B)22
8 3 2 D Y(D)32
... ... ... ... ...
25=JK 5=J 5=K E Y(E)55

Y(i)jk é a variável resposta observada na UE que recebeu o tratamento i (i = A, B, C, D, E) avaliado no

nível j do fator C de variação (fertilidade) e no nível k do fator F de variação (umidade).
➢ Modelo matemático no Delineamento Quadrado Latino

Y(i)jk = m + t(i)jk + cj + fk + e(i)jk

em que: Y(i)jk é o valor observado do tratamento i no nível j do fator c e no nível k do fator f de

variação; m é uma constante (média) referente a todas as observações; t(i)jk é o efeito do
tratamento i aplicado na UE que originou Y(i)jk; cj é o efeito do nível j do fator c de variação; fk
é o efeito do nível k do fator f de variação; e(i)jk é a variação aleatória (erro experimental) que
incidiu na UE que deu origem à observação Y(i)jk.

O índice (i)jk aparece com parênteses porque o tratamento i não ocorre em todas as
combinações de j e k, ou melhor, o índice i varia dentro das combinações de j e de k.

➢ Pressuposições do modelo

a) Os diversos efeitos são aditivos, isto é, tem-se uma soma de efeitos e estes efeitos são
independentes; b) Os erros ou desvios eij são conjuntamente independentes, isto é, não são
correlacionados; c) Todos os erros eij tem a mesma variância ²; d) Os erros eij tem distribuição
(CARGNELUTTI FILHO et al., 2009; STORCK et al., 2004; 2006)
normal. 9
✓ Organização dos dados para análise no Delineamento Quadrado Latino

Gradiente entre colunas - Fertilidade

Totais de
Gradiente entre filas - umidade

Coluna 1 Coluna 2 Coluna 3 Coluna 4 Coluna 5 filas

Y(.).k
1 2 3 4 5
Fila 1
E D A B C
6 7 8 9 10
Fila 2
C B D E A
11 12 13 14 15
Fila 3
A E B C D
16 17 18 19 20
Fila 4
D C E A B
21 22 23 24 25
Fila 5
B A C D E
Totais de
Total Geral
Colunas
Y(.)..
Y(.)j.

Exemplo do Total do Tratamento Y(A).. = Y(A)13 + Y(A)25 + Y(A)31 + Y(A)44 + Y(A)52

➢ Estimativa dos parâmetros do modelo no Delineamento Quadrado Latino

Y(i)jk = m + t(i)jk + cj + fk + e(i)jk

Y . j.
Y . .. cොj = ො
− m
ො
m = k
JK
Yi .. Y
tƸ i jk = ො
− m fመk
. .k
= − mො
J J
ෝ − tመ i jk − cොj − 𝐟መk
eො i jk =Y i jk − m

 t̂  i i jk   j Ĉ j  k F̂k   jk ê i jk  0
(CARGNELUTTI FILHO et al., 2009; STORCK et al., 2004; 2006) 11
➢ Análise de Variância no Delineamento Quadrado Latino:
Fontes de Graus de Soma de
Quadrado Médio
Variação Liberdade Quadrados Fcalculado
( QM )
( FV ) ( GL ) ( SQ )

Colunas J-1 SQColunas QMColunas = SQColunas/GLColunas QMColunas/QME

Filas K-1 SQFilas QMFilas = SQFilas/GLFilas QMFilas/QME

QMTRAT = SQTRAT/GLTRAT
Tratamentos I-1 SQTRAT QMTRAT/QME
QME = SQE / GLE
Erro (I-1)(I-2) SQE

Total IJ-1 SQTOTAL

2 2
Y 1 Y(.)..
SQ TOTAL   jk Y 2
( i ) jk  (.)..
SQTRAT  i Y(2i ).. 
JK J JK
2 2
1 Y(.).. Y(.)..
SQColunas   j Y(.)2 j. 
1
SQFilas  k Y(.).
2
k 
K JK J JK
SQE = SQTotal - SQColunas - SQFilas - SQTrat
(CARGNELUTTI FILHO et al., 2009; STORCK et al., 2004; 2006) 12
➢ Teste de hipóteses para avaliar o efeito do uso de colunas no DQL

a) Estabelecer as hipóteses:

H0: c2 = 0 (colunas não heterogêneas).

H1: c2 ≠ 0 (colunas heterogêneas).

b) Estabelecer o nível de significância do teste, ou erro tipo I (α).

c) Calcular o valor de Fcal entre colunas:

Fcalc = QMColunas/QME

d) Ver o valor de Ftabelado = Fα (GLColunas; GLE);

(CARGNELUTTI FILHO et al., 2009; STORCK et al., 2004; 2006) 13

Tabela F - Contém os valores teóricos (f) da distribuição de F(n;m) em que P(F>f) =5%, para n graus de
liberdade do numerador e m graus de liberdade do denominador.
n = graus de liberdade do numerador - GLColunas
m - GLE 1 2 3 4 5 6 7 8 9 10
1 161,4 199,5 215,7 224,6 230,2 234,0 236,8 238,9 240,5 241,9
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35
14
➢ Teste de hipóteses para avaliar o efeito do uso de colunas no DQL

e) Decisão e conclusão

- se Fcalc ≥ Ftab, rejeitamos H0 e

concluímos que as colunas são
heterogêneas, em nível α de
probabilidade de erro ou de
significância, ou seja, o uso de
blocos no sentido de colunas foi
eficiente.

- se Fcalc < Ftab, não rejeitamos H0 e

concluímos que as colunas não são
heterogêneas, ou seja, o uso de
blocos no sentido de colunas não foi
eficiente.

(CARGNELUTTI FILHO et al., 2009; STORCK et al., 2004; 2006) 15

➢ Teste de hipóteses para avaliar o efeito do uso de filas no DQL

a) Estabelecer as hipóteses:

H0: F2 = 0 (filas não heterogêneas).

H1: F2 ≠ 0 (filas heterogêneas).

b) Estabelecer o nível de significância do teste, ou erro tipo I (α).

c) Calcular o valor de Fcal entre filas:

Fcalc = QMFilas/QME

d) Ver o valor de Ftabelado = Fα (GLFilas; GLE);

(CARGNELUTTI FILHO et al., 2009; STORCK et al., 2004; 2006) 16

Tabela F - Contém os valores teóricos (f) da distribuição de F(n;m) em que P(F>f) =5%, para n graus de
liberdade do numerador e m graus de liberdade do denominador.
n = graus de liberdade do numerador - GLFilas
m - GLE 1 2 3 4 5 6 7 8 9 10
1 161,4 199,5 215,7 224,6 230,2 234,0 236,8 238,9 240,5 241,9
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35
17
➢ Teste de hipóteses para avaliar o efeito do uso de filas no DQL

e) Decisão e conclusão

- se Fcalc ≥ Ftab, rejeitamos H0 e

concluímos que as filas são
heterogêneas, em nível α de
probabilidade de erro ou de
significância, ou seja, o uso de
blocos no sentido de filas foi
eficiente.

- se Fcalc < Ftab, não rejeitamos H0 e

concluímos que as filas não são
heterogêneas, ou seja, o uso de
blocos no sentido de filas não foi
eficiente.

(CARGNELUTTI FILHO et al., 2009; STORCK et al., 2004; 2006) 18

➢ Recomendação para experimentos futuros com base nos resultados do DQL

Efeito de Coluna Efeito de Fila Recomendação

H0: c2 = 0 H0: F2 = 0 Utilizar o Delineamento

(colunas não heterogêneas) (filas não heterogêneas) Inteiramente Casualizado (DIC)

Utilizar o Delineamento de Blocos

H0: c2 = 0 H1: F2 ≠ 0
ao Acaso (DBA) com blocos no
(colunas não heterogêneas) (filas heterogêneas)
sentido das filas
Utilizar o Delineamento de Blocos
H1: c2 ≠ 0 H0: F2 = 0
ao Acaso (DBA) com blocos no
(colunas heterogêneas) (filas não heterogêneas)
sentido das colunas

H1: c2 ≠ 0 H1: F2 ≠ 0 Manter o uso do Delineamento

(colunas heterogêneas) (filas heterogêneas) Quadrado Latino

(CARGNELUTTI FILHO et al., 2009; STORCK et al., 2004; 2006) 19

➢ Interpretação para tratamentos de efeitos fixo no DQL

a) Estabelecer as hipóteses:

H0: ti = 0 (para todo e qualquer i), ou seja, as médias de tratamentos não diferem.

H1: ti ≠ 0, (para algum i), ou seja, pelo menos um contraste de médias de

tratamento difere.

b) Estabelecer o nível de significância do teste, ou erro tipo I (α).

c) Calcular o valor de Fcal entre tratamentos (grupos):

Fcalc = QMTRAT/QME

d) Ver o valor de Ftabelado = Fα (GLTRAT; GLE);

(CARGNELUTTI FILHO et al., 2009; STORCK et al., 2004; 2006) 20
Tabela F - Contém os valores teóricos (f) da distribuição de F(n;m) em que P(F>f) =5%, para n graus de
liberdade do numerador e m graus de liberdade do denominador.
n = graus de liberdade do numerador - GLTrat
m - GLE 1 2 3 4 5 6 7 8 9 10
1 161,4 199,5 215,7 224,6 230,2 234,0 236,8 238,9 240,5 241,9
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35
21
➢ Interpretação para tratamentos de efeitos fixo no Delineamento de Blocos ao
Acaso

e) Decisão e conclusão

-se Fcalc ≥ Ftab, rejeitamos H0 e

concluímos que as médias dos
tratamentos (grupos) diferem entre
si, em nível de 5% de probabilidade
de erro ou de significância. A
diferença existente não pode ser
atribuída à variação do acaso.

- se Fcalc < Ftab, não rejeitamos

H0 e concluímos que as médias dos
tratamentos (grupos) não diferem
entre si, ou seja, a diferença entre
as médias dos grupos pode ser
atribuída ao acaso.
(CARGNELUTTI FILHO et al., 2009; STORCK et al., 2004; 2006) 22
➢ Avaliação da qualidade do experimento – precisão experimental

A magnitude do erro experimental pode ser avaliada pelo coeficiente de

variação, calculado pela estatística:
QME
CV = × 100
mෝ
Como o "CV " é um coeficiente, sem unidade de medida, este pode ser
usado para comparar a precisão de diferentes experimentos.

Classificação da Precisão
CV(%) Classificação do CV
Experimental

CV < 10% Baixo Alta

10% ≤ CV < 20% Médio Média
20% ≤ CV < 30% Alto Baixa
CV > 30% Muito Alto Muito Baixa

(CARGNELUTTI FILHO et al., 2009; STORCK et al., 2004; 2006) 23

➢ Avaliação posterior ao teste de hipótese para efeito de tratamentos

Após o teste de hipótese para interpretarmos o efeito de tratamento

salientamos o seguinte: Se concluirmos que não há diferença entre as
médias de tratamento, ou seja, as diferenças existentes podem ser
atribuídas ao acaso, ou ainda, não rejeitamos H0 não precisamos fazer
mais nada.

Se concluirmos que há diferença significativa entre as médias de

tratamentos, ou seja, rejeitamos H0, o que sabemos é que no mínimo
duas médias (a maior e a menor média) diferem. Precisamos comparar
as demais médias de tratamento e para isso quando os tratamentos são
qualitativos usamos testes de comparação múltipla de médias (Tukey,
Duncan, Scott Knott, DMS, e outros) e quando os tratamentos são
quantitativos, com mais de dois níveis usa-se, mais apropriadamente, a
análise de regressão, que estabelece uma função entre a variável
dependente (medida no experimento) e a variável independente
(tratamento aplicado).
(CARGNELUTTI FILHO et al., 2009; STORCK et al., 2004; 2006) 24
 4 - Exercício Proposto para o Delineamento Quadrado Latino
DOSES COLUNA FILA PRODUTIVIDADE
Considere os dados de produtividade de 0 1 2 8
milho (em toneladas por hectare) de um 0 2 5 8
0 3 1 9
experimento conduzido no delineamento 0 4 4 9
0 5 3 10
quadrado latino com cinco tratamentos 50 1 5 9
50 2 3 8
(doses de nitrogênio em cobertura) e cinco 50 3 4 10
repetições apresentados a seguir. Realize a 50 4 2 10
50 5 1 12
análise e interpretação desse experimento. 100 1 3 10
100 2 1 10
Para isso, apresente o modelo matemático 100 3 2 11
100 4 5 12
adequado, realize a análise de variância e os 100 5 4 12
testes de hipótese adequados para 150 1 1 11
150 2 4 11
tratamentos, efeitos de filas e de colunas, 150 3 5 12
150 4 3 13
considerando α = 5%. A seguir, conclua 150 5 2 12
200 1 4 12
sobre o efeito de tratamentos, sobre o 200 2 2 12
200 3 3 10
delineamento escolhido e indique a precisão
200 4 1 11
geral do experimento. 200 5 5 11
Referências Bibliográficas

CARGNELUTTI FILHO, A. et al. Experimentação Agrícola e Florestal. Santa Maria:

UFSM, 2009. 204p.

RESENDE, M.D.V. de. Genética biométrica e estatística no melhoramento de

plantas perenes. Brasília: Embrapa Informação Tecnológica, 2002. 975 p.

STORCK, L. et al. Experimentação II. Santa Maria: UFSM, 2004. 3.ed. 207p.

STORCK, L. et al. Experimentação Vegetal. Santa Maria: UFSM, 2006. 2.ed. 198p.

26