AULA 04 – PRINCÍPIOS BÁSICOS DA EXPERIMENTAÇÃO

“ Ninguém sonharia em testar a resposta de um tratamento comparando duas parcelas, uma com o tratamento
e outra sem o tratamento. Fisher e Wishart

Como em todo procedimento científico, também existem alguns princípios básicos que regem a experimentação, tais
princípios são: REPETIÇÃO, CASUALIZAÇÃO e CONTROLE DO LOCAL.

REPETIÇÃO - admite-se que existe maior precisão quando as estimativas são realizadas em função de um maior
número de repetições, pois essas cobrem com maior efetividade as variações da área experimental que podem ser
controladas e/ou influenciarem a variável resposta (variável dependente).
CASUALIZAÇÃO - Constatando-se que deve haver repetições por tratamentos na instalação de um experimento,
surge a questão: como as parcelas serão alocadas (repetidas) e quais tratamentos serão aplicados em cada repetição
na área experimental?
CONTROLE DO LOCAL - Existem situações nas quais os dois princípios básicos repetição e casualização não
são suficientes Para a redução do erro experimental, bem como para se obter estimativas das médias dos
tratamentos não tendenciosas. Por exemplo, a ocorrência de diferentes tipos de solos, declividades no terreno onde
o experimento vai ser implantado, idade das árvores, tratos silviculturais, etc., que não são considerados
tratamentos, podem afetar a variável resposta (variável dependente).
 PLANEJAMENTO EXPERIMENTAL

Definição dos objetivos Revisão de literatura Reconhecimento da área experimental

Escolha do delineamento experimental, formulação da hipótese

Erros Custos

Número de parcelas

Material e implantação do experimento Acompanhamento do experimento e tipos de medidas a

serem coletadas

Tabulação dos dados, processamento, análise estatística e relatório final

 TESTE DE HIPÓTESE
A hipótese nula nunca é provada ou estabelecida, mas possivelmente é rejeitada no curso da experimentação. Pode-se
dizer que todo experimento existe apenas para dar aos fatos uma chance de refutar a hipótese nula. Fisher

Testar uma hipótese significa aplicar um teste estatístico para confirmar ou rejeitar a pressuposição de que o parâmetro
populacional está enquadrado em um intervalo de confiança predeterminado pelo pesquisador.

Os processos ou método usados para aceitar ou rejeitar uma determinada hipótese são denominados de testes de hipóteses,
testes de significância ou regras de decisão.

Na execução de um teste de hipóteses, as seguintes etapas devem ser processadas:

• Estabelecer a hipótese de nulidade (H0) em função dos objetivos do experimento;
• Especificar o nível de significância (a) antes da análise dos dados;
• Definir um teste estatístico para testar a hipótese de nulidade de acordo com a distribuição de probabilidade da
população;
• Definir a região de rejeição;
• Calcular o valor da estatística (teste usando) e tomar uma decisão baseada no valor da estatística e na região de rejeição
predefinida
 Teste de Hipótese
• Ho : Hipótese de nulidade
• Ha : Hipótese alternativa

• H0: admite que não existe diferença significativa entre a população.

• H1: admite que existe diferença significativa entre a população.

 Teste de Hipótese
• Hipótese nula e alternativa permitem 2 possibilidades para
uma decisão, mutuamente exclusivas: rejeitar uma das
hipóteses implica em aceitar a outra hipótese.

• Para que H0 seja testável quantitativamente, ela deve ser

estabelecida da forma mais simples e objetiva possível.
 Teste de Hipótese - Exemplos
• Os métodos tradicionais de colheita em florestas tropicais têm impacto
sobre a estrutura da floresta. Em geral, a retirada de 10 árv./ha
(diâmetro > 50 cm) danifica 20% da cobertura da floresta. Métodos
alternativos afirmam que é possível uma redução sensível nesse
impacto quando a localização das árvores a serem retiradas é mapeada
(GPS) e as trilhas de entrada e saída das máquinas é planejada.

• H0: A colheita não danifica 20% da cobertura da floresta.

• H1: O dano da colheita é maior que 20% da cobertura florestal.
 Teste de Hipótese - Exemplos
• O conhecimento popular costuma dizer que o desmatamento
provoca seca. Entretanto, estudos indicam que, numa bacia
hidrográfica, o corte de florestas costuma aumentar a
quantidade de água nos rios, desde que o impacto sobre o
solo seja pequeno.

• H0: A quantidade de água no rio antes e depois não se

altera.
• H1: A quantidade de água no rio após o corte é maior
do que antes.
 Teste de Hipótese - Exemplos
• Estudos recentes indicam que a adubação com boro aumenta
marcantemente a sobrevivência das árvores de Eucalyptus sp.
durante períodos de seca.

• H0: A mortalidade de árvores durante a seca é a mesma

em florestas adubadas e não adubadas.

• H1: A mortalidade de árvores durante a seca é menor em

florestas adubadas.
 Que erros podemos cometer?
• Rejeitar H0 verdadeira (ou aceitar H1 falsa) à Erro Tipo I ou 𝜶

• Não rejeitar H0 falsa (ou rejeitar H1 verdadeira) à Erro tipo II ou 𝜷

ACEITA-SE H0 REJEITA-SE H0

H0 VERDADEIRA DECISÃO CORRETA ERRO DO TIPO I (𝛂)

H0 FALSA ERRO DO TIPO II (𝛃) DECISÃO CORRETA

 Como evitá-los?
• Os erros ocorrem e não se pode eliminá-los completamente.

• Causas principais: interpretação incorreta dos resultados,

proveniente de uma coleta de dados equivocada, ou de erros de
cálculo.

• Os erros podem ser reduzidos aumentando-se o tamanho da

amostra.
 Exemplos
• Hoje à noite você vai a uma festa. A previsão do tempo diz que há
80% de probabilidade de chover. Você leva um guarda-chuva?

• H0: Vai chover hoje à noite.

• H1: Não vai chover hoje a noite.

• Erro Tipo I: Você rejeita H0, e não leva guarda-chuva.

• Resultado: Choveu, e você se molha!

• Erro Tipo II: Você não rejeita H0, e aceita que vai chover.
• Resultado: Não choveu, e você passou toda a noite carregando o
guarda-chuva sem precisá-lo!
 Como se decide qual hipótese aceitar?
• Uma serraria vem utilizando um método tradicional de
processar toras. O novo engenheiro florestal deseja implantar
um novo método que seria mais eficiente, que reduziria a
sobra de madeiras (perdas).

• Hipóteses:

• H0: O novo método é tão eficiente quanto o tradicional.

• H1: O novo método é mais eficiente que o tradicional.
Como se decide qual hipótese aceitar?
• Questões:

• Se as perdas de madeira fossem exatamente iguais para os

dois métodos, qual você implantaria?

• Se as perdas no método novo fossem 5% menores que no

método tradicional, qual hipótese você aceitaria?

• Qual hipótese você aceitaria se a diferença fosse de 20% a

favor do novo método?

• Qual diferença entre o método tradicional e o novo método

lhe daria segurança suficiente para rejeitar H0?
 Nível de Significância
• Para que as decisões tomadas por diferentes pesquisadores
tenha coerência entre si, cada ramo de atividade estabelece a
probabilidade máxima de ocorrência do Erro Tipo I (α).

• Esse é conhecido como Nível de Significância (α).

• Na área florestal, é desejável que este valor seja inferior a 0,1

(10%), normalmente sendo utilizado α = 5%.

• Quanto menor o valor α, maior é a probabilidade de tomar uma

decisão correta.
 Testes Unilaterais e Bilaterais
• Existe outra forma de verificar quando a hipótese nula é rejeitada,
utilizando apenas a informação do nível de significância (α).

• Testes Monocaudais ou Unilaterais

• Testes Bicaudais ou Bilaterais

• Quando se considera apenas os valores de um lado da curva,

maiores ou menores que µ, diz-se que é um teste Unilateral.
Quando se consideram os valores extremos, isto é, dos dois lados
da curva, tem-se o teste Bilateral.
•Testes Monocaudais ou Unilaterais
•Testes Bicaudais ou Bilaterais
 Exemplo. Em um povoamento de Eucalyptus sp., aos seis anos, em uma amostra de tamanho 15, a média de
produtividade foi 120 m3.ha-1. Com base na amostra, como decidir se a amostra representa a espécie
considerada, a um nível a de significância?

Considerando-se um nível de significância a= 0,05, a representação gráfica da regra de decisão para este teste
bilateral seria:

-C 120 +C
A área de – C até +C (início das zonas críticas), corresponde à região de aceitação de H0 e as áreas fora deste
intervalo compõem a região crítica ou de rejeição. A soma das duas áreas extremas corresponde a 0,05 (5%) que é o
nível da significância do teste.

Então, a hipótese de nulidade H0 seria rejeitada se a estimativa da média obtida a partir da amostra, fosse maior que
+C ou menor que –C.
Supondo que tal espécie apresente uma produtividade superior a 120 m3.ha-1, a hipótese ideal
seria: H0 = 120 m3.ha-1 versus H1 = >120 m3.ha-1 .
Considerando-se α= 0,05 de significância, ter-se-ia:

Rejeitar-se-ia H0 se > +C

+C

Poder-se-ia supor que tal variedade possuísse uma produtividade inferior a 120 m3.ha-1.
Considerando-se o mesmo nível de significância, ter-se-ia:

Rejeitando-se H0 caso < - C

-C

 H1 H0 H1 Para α = 0,05

H1 H0 H1 Para α = 0,01

O teste estatístico que que calcula os valores críticos é denominado teste de F de Snedecor ou de Fisher,
sendo que alguns autores denominam teste de F de Snedecor-Fisher.
TESTE DE t DE STUDENT PARA COMPARAÇÃO DE DUAS MÉDIAS

a) Amostras não pareadas

Diz-se que as amostras não são pareadas quando além da fonte e variação
considerada, podem existir outras.

EXEMPLO: Comparar duas espécies diferentes de Pinus sp., plantadas em

locais distintos.

Nota-se que além do parâmetro a ser estudado, que poderia ser volume,
altura, etc. ainda pode existir outro tipo de variação proveniente da
influencia do tipo de solo, uma vez que são distintos.
 X$ -X&
t=
1 1
s +
J$ J&

∑ . , ∑ . ,
. , /0+ X + . , /0+ X,
∑/0+ X+ − + ∑/0+ X, −
J+ J,
s=
J+ + J, − 2
Ex: Em dois povoamentos florestais de Pinus sp., deseja-se saber se duas espécies
distintas de tal gênero, diferem significantemente em termos de produção volumétrica aos
8 anos de idade, sabendo-se que os tipos de solos são diferentes para cada espécie.
3 3
Espécie A (m ) Espécie B (m )
160 142
140 128
180 133
165 150
150 143
172 144
184 139
160 150
165 120
158 129
TOTAIS 1634 1383
MÉDIAS 163,4 138,3
 é 2 (1534 )
2
ù é æ 1383 ö ù
2

ê160 + 140 + ... + 158 - ú + ê142 + 126 + ... + 129 - ç

2 2 2 2 2
÷ ú
ë 10 û êë è 10 ø úû
S=
10 + 10 - 2

1553,4 + 970,1 =11,85

S=
18

163,4 - 138,3 25,0

t= = = 4,7 **
1 1 5,3
11,85 +
10 10

t(0,01;18) =2,88
 b) Amostras pareadas
Já nas amostras pareadas, a única fonte de variação existente deve ser a
estudada. No exemplo anterior, para que as amostras fossem pareadas, os dois
tipos de solos deveriam ser semelhantes.

d
t=
s%

Em que: d = diferença média entre os valores considerados

s% = erro padrão das diferenças médias.
Neste caso, como as amostras são comparadas duas a duas, o número de repetições para os
dois tratamentos deve ser igual.

Ex: Considerando uma situação semelhante a anterior, onde as duas espécies distintas
estavam plantadas num mesmo tipo de solo.

Espécie A (m3) Espécie B (m3) (A – B)

180 192 -12
128 144 -16
160 156 4
142 142 0
165 160 5
150 149 1
172 160 12
174 174 0
144 150 -6
139 120 19
7
 n

åd
i =1
i
7
d= = = 0,7
n 10
2
æ ö n
ç å di ÷
n ç i =1 ÷
è ø
2
å
i =1
d 2
1
-
n
Sd =
n -1

(- 12 )2 + (- 16 )2 + ... + (19 )2 - (7 )2

Sd2 = 10 = 983 - 4,9 = 108,678

10 - 1 9
 108,678 = 3,3
sd =
10

0,7
t=
3,3
n.s
t = 0,21

Como o valor calculado é inferior ao valor tabelado nos diversos níveis de significância, se aceita
a hipótese de nulidade H0, aceitando a idéia de que m1 não difere de m2. Isto não quer dizer que
sejam iguais, apenas não podemos afirmar que elas sejam diferentes.
 DELINEAMENTO INTEIRAMENTE CASUALIZADO
Os experimentos no delineamento inteiramente casualizado se caracterizam pelo fato
das repetições dos tratamentos serem atribuídas as parcelas sem nenhuma restrição,
isto é, o sorteio das repetições dos tratamentos é feito de forma casualizada e sem
restrição em toda a área experimental.
VANTAGENS:

1) Para um mesmo número de parcelas N, é o experimento que apresenta o maior

número de graus em liberdade para o resíduo;
2) Não exige, embora seja preferível, que os tratamentos tenham todos o mesmo número
de repetições.

DESVANTAGEM:

A principal desvantagem deste delineamento é que, usado em casos onde as condições

experimentais não sejam uniformes, todas as variações que não sejam atribuídas a
tratamentos são incorporadas ao resíduo, comprometendo a precisão do experimento.
 O MODELO MATEMÁTICO
O modelo matemático para o delineamento inteiramente casualizado é o seguinte:

Yij = µ + 𝝉𝒊 + eij
( i = 1, 2, ..., I; j = 1, 2, ..., J)

Em que:
Yij = observação relativa a j-ésima repetição do i-ésimo tratamento;
µ = média geral do experimento
𝝉𝒊 = efeito do i-ésimo tratamento
eij = erro experimental associado ao valor observado Yij
 REQUISITOS DA ANÁLISE DA VARIÂNCIA
a) Os efeitos dos tratamentos são aditivos;

b) Os erros experimentais devem ter uma variância comum, ou seja, devem ser
homocedásticos;

c) Os erros experimentais devem ser independentes, ou seja, a probabilidade de que

um erro de uma observação qualquer ter um determinado valor, não deve depender
dos valores dos erros de outras observações;

d) Os erros experimentais devem ser normalmente distribuídos com média zero e

variância s2
 A ESTIMAÇÃO DOS PARÂMETROS

Partindo-se do modelo Yij = µ + 𝝉𝒊 + eij, e isolando os erros temos: eij = Yij - µ - 𝝉𝒊 .

Assim, chamando de Z a soma de quadrados destes erros temos:

=Z
I, J
¶Z
¶µ
(
= 2 å Yij - m - t i ( -1) =0 ( 2) )
i = j=1
J
¶Z
¶ ii
(
= 2å Yij - m - t i ( -1) =0 (3) )
j=1
 ,
>,@
∑>,@
/0=0+ Y/=
>,@
G ,
>,@

SQT = ; Y/=, − = ; Y/=, − = ; Y/=, − C

IJ IJ
/0=0+ /0=0+ /0=0+

SOMA DE QUADRADO TOTAL

>,@
1
SQTrat = ; T/, − C para o mesmo número de repetições
J
/0=0+
>,@
T+, T,, T/,
SQTrat = ; + + ⋯+ − C para diferente número de repetições
J+ J, J/
/0=0+
SOMA DE QUADRADO DE TRATAMENTOS

>,@ >,@
, 1
SQRes = SQT − SQTrat = ; Y/= − C − ; T/, − C
J
/0=0+ /0=0+
>,@ >,@
T+, T,, T/,
SQRes = SQT − SQTrat = ; Y/=, − C − ; + + ⋯+ − C
J+ J, J/
/0=0+ /0=0+

SOMA DE QUADRADO DE RESÍDUOS

 ANÁLISE DA VARIÂNCIA - ANOVA

_________________________________________________________
F.V. G.L S.Q Q.M F0
________________________________________________________
Tratamentos I -1 SQT SQT/(I-1) QMT/QMR
Resíduo I(J -1) SQR SQR/[I(J-1)]
_________________________________________________________
Total IJ - 1 SQ Total
_________________________________________________________
Exemplo: Em um local com condições ecológicas semelhantes foi realizado um estudo de crescimento em
termos de altura, de três clones de Eucalyptus sp., na idade de sete anos, cada tratamento repetido cinco
vezes. Os dados são os seguem:
R E P / T R AT A B C
1 16 12 20
2 20 11 28
3 22 12 14
4 17 13 16
5 18 10 19
T O T A L 93 58 87 G = 93 + 58 + 87 = 238

SQTOTAL=162 + 122 + ... + 192 – (238)2 /15= 191, 73

SQTRATAMENTO = (1/5)(932 + 582 + 872) - (238)2 /15 = 140,13; SQRESÍDUO = 191,73 – 140,13 = 51,60
FV GL SQ QM F

Tratamento 2 140,13 70,06 16,73**

Resíduo 12 50,60 4,22

Total 14 191,73
F(0,01; 2,12) = 6,93
 𝐐𝐌𝐑𝐞𝐬 𝟒, 𝟐𝟐
𝐂𝐕 = = = 𝟎, 𝟏𝟐𝟗𝟒 = 𝟏𝟐, 𝟗𝟒%
]
𝐘 𝟏𝟓, 𝟖𝟕

Como foi constatada diferença significativa entre os tratamentos, há necessidade de aplicar um teste de comparação
de médias. Portanto, tem que calcular as médias de cada tratamento

𝟗𝟑 𝟓𝟖 𝟖𝟕
𝑿𝟏 = = 𝟏𝟖, 𝟔 𝐦; 𝐗 𝟐 = = 𝟏𝟏, 𝟔 𝐦; 𝐗 𝟑 = = 𝟏𝟕, 𝟒 𝐦
𝟓 𝟓 𝟓
Teste de Tukey

𝐐𝐌𝐑
𝚫 = 𝐃𝐌𝐒 = 𝐪𝛂 para mesmo número de repetições por tratamento
𝐉

𝐪𝛂 é encontrado na tabela em função do nível de significância 𝛂, 𝐧ú𝒎𝒆𝒓𝒐 𝒅𝒆

Tratamentos e graus de liberdade do resíduo. q(0,01; 3, 12) = 5,05

𝟒,𝟐𝟐
𝚫 = 𝐃𝐌𝐒 = 𝟓, 𝟎𝟓 = 4,64
𝟓
Para comparar as médias é preciso as ordenar na ordem decrescente e comparar as diferenças
entre duas médias com o valor calculado da DMS (Diferença Mínima Significativa) (4,64)
do teste de Tukey. Se a diferença entre duas médias for igual ou superior ao valor da DMS se
assume que existe diferença significativa entre os dois tratamentos.

𝑿𝟏 𝟏𝟖, 𝟔 𝐦 a X# (18,6 m) X+ (17,4 m)

** **
𝑿𝟑 (𝟏𝟕, 𝟒 𝐦) a b X. (11,6 m) 7,0 5,8
n.s.
𝑿𝟐 (𝟏𝟏, 𝟔 𝐦) b X+ (17,4 m) 1,2
Conclusão: As médias dos tratamentos A e C diferem da média do tratamento B e são
semelhantes entre si, pelo teste de Tukey a nível de 1% de significância.

Considerando o mesmo exemplo, sendo que o tratamento A tivesse mais uma parcela 22,
o resultado seria:
 2
260
SQtotal = 16 2 + 20 2 + ! + 22 2 + ! + 19 2 - = 4452 - 4225 = 227,00
16
æ 1152 58 2 87 2 ö 2602
SQtratamento = çç + + ÷÷ - = 4390,77 - 4225 = 165,77
è 6 5 5 ø 16
SQResiduo == 227,00 - 165,77 = 61,23
Sqrespiduo
SQResiduo

FV GL SQ QM F
Tratamento 2 165,77 82,88 17,60**
Resíduo 13 61,23 4,71
TOTAL 15 227,00
O valor de F tabelado, considerando 2 graus de liberdade para tratamentos e 13
graus de liberdade para o resíduo, a nível de 1% de probabilidades é 6,70
indicando que ocorre diferença altamente significativa entre os tratamentos.
Na aplicação dos testes de Tukey e Duncan, ocorre uma nova situação,pois haverá comparação
entre médias de tratamentos com diferentes números de repetições, X A versus X B e X A versus
X C e para tratamentos com mesmo número de repetições, no caso X B versus 𝑋z𝑐
O valor de q com 3 tratamentos e 13 graus de liberdade para o resíduo a nível
de 1% de probabilidades é 4,96 para os dois casos.

4,71
D = 4,96 = 4,81
5

O valor 4,81 servirá para comparar médias de tratamentos com o mesmo

número de repetições:
 1æ1 1ö
D = 4,96 ç + ÷4,71 = 4,61
2è 6 5ø
será o valor indicado para comparar médias de tratamentos com diferentes números de
repetições. Então, tem-se:
115
XA = = 19,16 , X B = 11,6 e X C = 17,4
6
XA XC
19,16 17,4
** **
X B 11,6 7,56 5,8
1,76
X C 17,4

A conclusão seria semelhante ao exemplo anterior, isto é, as médias dos tratamentos A

e C diferem da média do tratamento B e são semelhantes entre si, pelo teste de Tukey a
nível de 1% de significância.