Disciplina: AGR2039-Experimentação Agrícola Professor: Marcos Toebe Curso: Agronomia

Exemplo Resolvido do Delineamentos de Blocos ao Acaso - DBA!

Questão 1) Considere os dados de produtividade de milho (em toneladas por hectare) obtidas de um
experimento conduzido no delineamento de blocos ao acaso com quatro tratamentos (cultivares) e
cinco repetições (blocos) apresentados a seguir. Realize a análise e interpretação desse experimento.
Para isso, apresente o modelo matemático adequado, realize a análise de variância e os testes de
hipótese adequado, considerando α = 5%. A seguir, conclua sobre o efeito de tratamentos, de blocos
e indique a precisão geral do experimento.

Totais de Médias de Efeito do

Tratamento Bloco
tratamento tratamentos tratamento
(Cultivares)
1 2 3 4 5 (Yi.) ̅ i. )
(Y (𝑡̂i̅ )
Cultivar 1 7 8 7 8 10 40 8 -2
Cultivar 2 10 9 11 11 14 55 11 1
Cultivar 3 9 9 12 11 14 55 11 1
Cultivar 4 8 11 10 9 12 50 10 0
Total de blocos Y.. = 200 ̅ .. 10
Y 𝛴𝑖 𝑡̂𝑖 = 0
(Y.j) 34 37 40 39 50
Média de blocos
8,5 9,25 10 9,75 12,5
(Y̅ .j )
Efeito do bloco j ∑ 𝑏̂𝑗 = 0
෡𝒋) -1,5 -0,75 0 -0,25 2,5
(𝒃 𝑗

Antes de resolver a questão, apenas alguns lembretes/destaques:

✓ Nesse exemplo usei os mesmos dados do exemplo do DIC para que vocês percebam as diferenças na
análise. Na prática não podemos analisar um determinado delineamento como se fosse outro
(exemplo DIC como se fosse DBA e vice-versa). A forma de análise sempre vai ser baseada na
implantação à campo ou laboratório do experimento. Depois de implantado, não tem como mudar a
forma de análise de variância. Sempre vai ser a do delineamento utilizado na implantação, por isso,
o experimento deve ser bem pensando antes da implantação.
✓ a letra i indica tratamento e a letra j repetições (nesse caso repetição = bloco);
✓ Yi. significa o total de um determinado tratamento i, por exemplo, Y1. = 7 + 8 + 7 + 8 + 10 = 40
toneladas por hectare representa o total do tratamento 1;
̅ i. representa a média de determinado tratamento i, obtido pelo seu total dividido pelo número de
✓ Y
̅ 1. = 40/5 = 8 toneladas por hectare representa a média do tratamento 1;
repetições (j), por exemplo, Y
✓ 𝑡̂𝑖 representa o efeito de um determinado tratamento i, por exemplo, 𝑡1̂ indica o efeito do tratamento
1, no caso = - 2 pois produziu duas toneladas a menos que a média geral. Alguns tratamentos
produzem acima da média outros abaixo da média, de forma que a soma dos efeitos sempre será zero
(𝛴𝑖 𝑡̂𝑖 = 0)
✓ Y.j significa o total de um determinado bloco j, por exemplo, Y.1 = 7 + 10 + 9+ 8 = 34 toneladas por
hectare representa o total do primeiro bloco (soma de todos os tratamentos dentro daquele bloco);
̅ .j representa a média de um determinado bloco j, obtido pelo seu total dividido pelo número de
✓ Y
̅ .1 = 34/4 = 8,5 toneladas por hectare representa a média do bloco 1;
tratamentos (i), por exemplo, Y
✓ 𝑏̂𝑗 representa o efeito de um determinado bloco j, por exemplo, 𝑏̂1 indica o efeito do bloco 1, no caso
= - 1,5 pois produziu uma tonelada e meia a menos que a média geral. Alguns blocos produzem acima
da média outros abaixo da média, de forma que a soma dos efeitos sempre será zero (𝛴𝑗 𝑏̂𝑗 = 0)
✓ Y.. indica a soma geral, ou seja, tudo o que foi produzido nas 20 parcelas (quatro tratamentos × cinco
repetições = blocos).
̅ .. = 𝑚
✓ Y ̂ indica a média geral do experimento, de 10 toneladas por hectare.

Resolvendo a questão:

✓ Apresentar o modelo matemático: Yij = m + ti + bj + eij

Só precisa apresentar na questão, mas explicando: isso quer dizer que o valor produzido numa parcela
qualquer (Yij) é efeito de uma média geral do experimento + o efeito do tratamento aplicado naquela
parcela + o efeito do bloco no qual está a parcela + o erro experimental daquela parcela. O erro é a
diferença entre o que estava previsto (média geral mais efeito do tratamento e do bloco) e o que
efetivamente foi produzido naquela parcela. Por exemplo, a parcela Y11 (cultivar 1 no bloco 1)
produziu 7 toneladas por hectare. O valor esperado, se não tivesse erro experimental, seria a soma da
̂ = 10 toneladas por hectare), do efeito do tratamento 1 (𝑡1̂ = -2 toneladas por hectare)
média geral (𝑚
e do efeito do bloco 1 (𝑏̂1 = -1,5 toneladas por hectare), ou seja, o valor esperado nessa parcela seria
𝑌̂11 = 10 + (-2) + (-1,5) = 6,5 toneladas por hectare. Como o valor produzido foi de 7 toneladas por
hectare, o erro dessa parcela foi de 0,5 tonelada por hectare. No exemplo da semana passada o erro
dessa parcela era de -1,0 toneladas. Nesse sentido, parte do que estava sendo atribuído ao erro
experimental na verdade era devido a variação do bloco, ou seja, o uso do DBA nesse caso ajudou a
reduzir o erro experimental. Nossa missão é conduzir experimentos com alta precisão evitando que
os valores esperados e observados sejam muito diferentes. Sempre haverá erro experimental, mas
temos que ter controle do experimento para minimizar o erro experimental. O modelo matemático é
importante pois é a base da análise de variância de um determinado delineamento. No DBA,
precisamos saber que o valor observado de uma parcela para determinada variável sempre será a soma
 de uma média geral (comum a todas as parcelas) adicionado ao efeito de tratamento aplicado naquela
parcela e do bloco no qual a parcela está inserida. O que sobra é o erro experimental (eij = Yij - m -
ti - bj ), ou seja, erro experimental de uma parcela é o valor observado a campo menos o que é
explicado pela média geral, pelo efeito de tratamento e pelo efeito de bloco. Para a primeira parcela
e11 = 7 - 10 - (-2) - (-1,5) = 0,5 tonelada por hectare. Por fim, a soma dos erros sempre dará zero e a
soma de todos os erros ao quadrado dará origem a Soma de Quadrados do Erro (SQE).

✓ Realizar a Análise de Variância (ANOVA) - A ANOVA possui quatro colunas que precisam ser
preenchidas:

1. FV = Fonte de variação – é tudo o que varia numa parcela com base no modelo matemático Yij = m
+ ti + bj + eij. A média geral m é comum a todas as parcelas, logo não é fonte de variação. O que
varia entre parcelas é o efeito do tratamento, do bloco e do erro experimental, sendo que a soma destes
dará origem a variação total.

2. GL = Graus de liberdade.
Para tratamentos sempre será o número de tratamentos menos 1, ou seja, (I-1). Temos quatro
tratamentos (cultivares), logo o número de graus de liberdade de tratamentos será 3.
Para blocos sempre será o número de blocos menos 1, ou seja, (J-1). Temos cinco blocos, logo o
número de graus de liberdade de tratamentos será 4.
Para o erro experimental no DBA será número de tratamentos menos um vezes número de blocos
menos um, ou seja, (I-1) × (J-1) = (4-1)×(5-1) = 12. Note que do DIC para o DBA foram perdidos
graus de liberdade do erro, ou seja, 4 graus de liberdade do erro acabaram sendo alocados para a fonte
de variação do bloco.
Graus de liberdade total será o número de parcelas menos 1, ou seja, IJ-1 = 4×5-1=19

3. SQ = Soma de quadrado. É calculada por fórmulas:

Y..2
SQ TOTAL = ij Yij2 −
IJ
SQTotal = somatório de todos os valores observados ao quadrado menos o fator de correção (que é o
total geral ao quadrado dividido pelo número de parcelas).

SQTotal = (72+82+72+82+10+102+92+112+112+14+92+92+122+112+14+82+112+102+92+122) –
(2002/20) = 78
 1 Y..2
SQTRAT =  i . IJ
J i
Y 2
−

SQTrat= somatório dos totais de tratamentos ao quadrado dividido pelo número de repetições menos
o fator de correção (que é o total geral ao quadrado dividido pelo número de parcelas).
SQTrat = (402+552+552+502)/5 – (2002/20) = 30

1 Y..2
SQBloco =  j Y. j −
2

I IJ
SQBloco= somatório dos totais de blocos ao quadrado dividido pelo número de tratamentos menos o
fator de correção (que é o total geral ao quadrado dividido pelo número de parcelas).
SQBloco= (342+372+402+392+502)/4 – (2002/20) = 36,5

SQE = SQTotal - SQTrat - SQBloco = 78 - 30 - 36,5 = 11,5

4. QM = Quadrados médios. Para cada fonte de variação QM é sempre obtido pela divisão da soma de
quadrados pelos respectivos graus de liberdade.
QMBloco = SQBloco / GLBloco = 36,5/4 = 9,125
QMTRAT = SQTRAT/GLTRAT = 30/3 = 10
QME = SQE / GLE = 11,5/12 = 0,958
Com base nessas quatro colunas, completamos o quadro da análise de variância:
Fontes de Variação Graus de Liberdade Soma de Quadrados Quadrado Médio
(FV) (GL) (SQ) (QM)
QMBloco = SQBloco /
Blocos J-1 = 4 SQBloco= 36,5
GLBloco = 9,125
QMTRAT = SQTRAT/GLTRAT
Tratamentos I-1 = 3 SQTRAT = 30
= 10
Erro (I-1) × (J-1) = 12 SQE = 11,5 QME = SQE / GLE =0,958
Total IJ-1 = 19 SQTOTAL = 78
Que também pode ser apresentado de forma resumida:
FV GL SQ QM
Blocos 4 36,5 9,125
Tratamentos 3 30 10
Erro 12 11,5 0,958
Total 19 78
✓ Realizar os testes de hipóteses: essa é a última etapa da ANOVA e ela trará a informação mais
importante, ou seja, se os tratamentos diferem ou não e se os blocos são ou não heterogêneos. Se os
blocos forem de fato heterogêneos, o DBA foi eficiente. Se os blocos forem não heterogêneos,
significa que utilizamos o delineamento inadequado pois poderíamos ter usado o DIC. De outra
forma, perdemos graus de liberdade do erro (é ruim) sem reduzir a variação nas parcelas (erro
experimental). Se os tratamentos diferirem e forem qualitativos, aplicaremos um teste complementar
de médias (conteúdo mais adiante) para dizer quem são melhores e piores tratamentos. Se os
tratamentos diferirem e forem quantitativos, analisaremos complementarmente os tratamentos via
regressão (conteúdo mais adiante) em busca da melhor dose. Se os tratamentos não diferirem,
encerraremos a análise indicando que nenhum tratamento foi superior aos demais. Normalmente
estamos interessados em encontrar diferenças significativas entre tratamentos, mas em alguns casos,
a não diferença também é relevante. Por exemplo, se estamos testando diversos adubos e uma
testemunha sem adubo e, se ao final do experimento nenhum tratamento diferir estatisticamente,
poderemos indicar a supressão de uso desses adubos que não estão trazendo contribuição significativa
ao produtor rural.
✓ Vamos aplicar o teste de hipótese para o efeito de blocos no nosso exemplo passo a passo:
1. Estabelecer as hipóteses:
H0: b2 = 0 (blocos não heterogêneos).
H1: b2 ≠ 0 (blocos heterogêneos) – se aceitarmos essa hipótese o DBA foi eficiente.
2. Estabelecer o nível de significância do teste, ou erro tipo I (α) = 5% dado no exercício.
3. Calcular o valor de Fcal para blocos: esses dados vocês extraem da tabela da ANOVA
Fcalc = QMBloco/QME = 9,125 / 0,958 = 9,525
4. Ver o valor de Ftabelado = Fα (GLBloco; GLE) – Vocês podem utilizar as tabelas que estão disponíveis
dentro das próprias aulas em PDF. No nosso caso GL é 4 para blocos e 12 para erro, logo F5% (4; 12).
Assim na tabela F na linha superior vocês escolhem a coluna 4 e na lateral selecionem a linha 12 e,
cruzando os dados, terão o valor de Ftabelado = 3,26.
 n = graus de liberdade do numerador - GLBlocos
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
5. Decisão
17 e conclusão:
4,45 se Fcalc ≥
3,59 Ftab, rejeitamos
3,20 2,96 H0 e concluímos
2,81 2,70 que
2,61os blocos
2,55 são heterogêneos
2,49 2,45em
nível
18 de 5%4,41
de probabilidade
3,55 de erro ou
3,16 2,93de significância,
2,77 ou seja,2,58
2,66 o uso de2,51
blocos foi
2,46eficiente;
2,41 se
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38
Fcalc < Ftab, não rejeitamos H0 e concluímos que os blocos são não heterogêneos, ou seja, o uso de
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35
blocos não foi eficiente. Em próximos experimentos poderíamos utilizar o DIC, pois o bloqueamento
não foi eficiente.
No nosso exemplo, Fcalc (9,525) é maior que Ftab (3,26) e, assim, concluímos que os blocos são
heterogêneos em nível de 5% de probabilidade de erro ou de significância, ou seja, o uso de blocos
foi eficiente. Não se compara blocos para saber qual é melhor, simplesmente se diz que o DBA foi
eficiente.

✓ Vamos aplicar o teste de hipótese para o efeito de tratamentos no nosso exemplo passo a passo:
1. Estabelecer as hipóteses:
a. H0: ti = 0 (para todo e qualquer i), ou seja, as médias de tratamentos não diferem.
b. H1: ti ≠ 0, (para algum i), ou seja, pelo menos um contraste de médias de tratamento difere.
2. Estabelecer o nível de significância do teste, ou erro tipo I (α) = 5% dado no exercício.
3. Calcular o valor de Fcal entre tratamentos (grupos): esses dados vocês extraem da tabela da ANOVA
Fcalc = QMTRAT/QME = 10 / 0,958 = 10,438
4. Ver o valor de Ftabelado = Fα (GLTRAT; GLE) – Vocês podem utilizar as tabelas que estão disponíveis
dentro das próprias aulas em PDF. No nosso caso GL é 3 para tratamento e 12 para erro, logo F5% (3;
12). Assim na tabela F na linha superior vocês escolhem a coluna 3 e na lateral selecionem a linha 16
e, cruzando os dados, terão o valor de Ftabelado = 3,49.
 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
5. Decisão e conclusão: se Fcalc ≥ Ftab, rejeitamos H0 e concluímos que as médias dos tratamentos 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
(grupos)
18 diferem
4,41 entre
3,55si, em nível
3,16 de 5%
2,93de probabilidade
2,77 2,66de erro ou
2,58 de significância.
2,51 2,46 A diferença
2,41
existente
19 não4,38
pode ser3,52
atribuída à variação
3,13 2,90do acaso;
2,74 se Fcalc
2,63 < Ftab, não rejeitamos
2,54 2,48 H2,42
0 e concluímos
2,38
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35
que as médias dos tratamentos (grupos) não diferem entre si, ou seja, a diferença entre as médias dos
grupos pode ser atribuída ao acaso.
No nosso exemplo, Fcalc (10,438) é maior que Ftab (3,49) e, assim, concluímos que as cultivares
diferem entre si. Encerramos a ANOVA no DBA e futuramente veremos como discriminaremos as
cultivares para dizer qual(is) é(são) a(s) melhor(es) e pior(es).

Para encerrar a análise, avaliamos a qualidade experimental via o coeficiente de variação

experimental:

√QME √0,958
CV= ×100= ×100 =9,788%
m̂ 10

CV(%) Classificação da Precisão

Classificação do CV
Experimental
CV < 10% Baixo Alta
10% ≤ CV < 20% Médio Média
20% ≤ CV < 30% Alto Baixa
CV > 30% Muito Alto Muito Baixa

Como o CV foi de 9,788% podemos afirmar que a precisão experimental foi alta.
Observação: Quanto maior for o erro experimental, maior será o QME e o CV e, por consequência,
menor será a precisão experimental e mais difícil será provar a diferença significativa entre
tratamentos. Se recapitularem lá do início, o erro experimental é originado na diferença entre os
valores previstos e observados em cada parcela, ou seja, variações não controladas que fazem com
que o que observamos seja diferente do esperado (valor da média geral + efeito do tratamento aplicado
na parcela + efeito do bloco). Muitos fatores atuam sobre as parcelas, mas vocês sempre precisam ter
o controle das condições de condução experimental. Falo isso pois muitos alunos se decepcionam nos
seus trabalhos de conclusão de curso por não conseguirem provar estatisticamente diferenças
numéricas entre tratamentos (por vezes grandes diferenças numéricas). Talvez os tratamentos de fato
diferissem, mas os experimentos foram conduzidos com baixa qualidade, de forma que a prova
estatística não permite inferir sobre a diferença, atribuindo a mesma ao acaso. Fiquem espertos quanto
a isso.

Concluindo nosso experimento: as cultivares de milho diferem entre si em relação a produtividade de

grãos (ainda não sabemos nesse momento quais são melhores/piores, a precisão do nosso experimento
foi alta e o delineamento de blocos ao acaso foi adequado e deve ser mantido em experimentos futuros
nessa área experimental.
Se fossemos resumir tudo numa única tabela, teríamos:
Fontes de Graus de Soma de Quadrado Fcalculado Ftabelado
Variação Liberdade Quadrados Médio
Blocos 4 36,5 9,125 9,525* 3,26
Tratamentos 3 30 10 10,438* 3,49
Erro 12 11,5 0,958 - -
Total 19 78 - - -
CV = 9,788% Média Geral = 10 toneladas por hectare
* Significativo a 5% de probabilidade pelo teste F.