Delineamento em blocos ao

acaso
(DBC-Two-way)
Quando usar o
DBC?

Material
heterogêneo
 Princípios

Controle
Tratamentos
local
Em geral deve-se buscar maior
uniformidade dentro de blocos
(menor variação)
 Exemplos de blocagem

Animais

Épocas do ano

Currais

Classes de idade
Tipos de blocos em experimentação zootécnica
Vantagens e desvantagens do DBC
Vantagens Desvantagens
Quando o número de
Eliminação da variação tratamentos por bloco
devida a aumenta muito a
heterogeneidade do eficiência diminui, devido
material experimental a perda de
Ex: Blocagem de homogeneidade dos
animais por peso mesmos dentro de
bloco.

Sem limite do
número de Menos eficiente
repetições que DIC quando
número de
só depende da parcelas perdidas
disponibilidade de é alto
recursos

Blocos podem ser Exige mesmo

alocados em número de
locais ou épocas repetições por
diferentes tratamento

Análise simples
com parcelas
perdidas
facilmente
estimadas
 Modelo

Experimento de dois fatores com p níveis (geralmente

denominados tratamentos), b blocos e ri repetições.

Modelo:
yij = µ + ti + bj + eij , onde:
yij = valor observado na unidade experimental que recebeu
o tratamento i, repetição j;
µ = efeito da média geral;
ti = efeito do tratamento i;
bj = efeito do bloco j;
eij = erro aleatório (resíduo).
 Modelo

yij = µ + ti + bj + eij , onde:

yij = valor observado na unidade experimental que recebeu
o tratamento i, repetição j;
µ = média geral comum a todas as observações;
ti = efeito do tratamento i;
bj = efeito do bloco j;
eij = erro aleatório (resíduo).
Casualização dos tratamentos

Consiste em atribuir os
tratamentos aos blocos
aleatoriamente

– Experimentos com grande número de

tratamentos pode-se recorrer ao SAS para
fazer o sorteio dos tratamentos nos blocos.
 Aleatorização com auxílio do SAS
• Exemplo: 9 tratamentos e 6 blocos
Uso do PROC PLAN
• para sorteio dos
tratamentos
 Quadro de ANOVA
• O aluno deve montar esse quadro
F.V. G.L. S.Q Q.M F.
 Hipótese
• Ho=as médias dos tratamentos não
diferem entre si;
• H1= pelo menos uma média difere das
demais.
• Critério de rejeição da Hipótese Ho
– Rejeita-se Ho: µ1= µ2=µ3... (Fc≥Ft)
– Não rejeita Ho: µ1= µ2=µ3... (Fc<Ft)
 Explicação do critério de rejeição de
Ho
• Supondo α = 0,05 (5%)
• Sob hipótese de Ho, a probabilidade de ocorrência de um
valor Fc igual ou menor que Ft, é de apenas 5%, por simples
acaso;
• O nível de significância do teste mede a probabilidade de
rejeição de Ho, quando ela é verdadeira, ou seja, o nível de
significância mede a probabilidade de se tomar uma decisão
errada ao rejeitar Ho, sendo Ho verdadeira.
• Ao rejeitar Ho diz-se que existe pelo menos uma diferença
entre médias dos tratamentos.
• Quando número de tratamentos for ≥ 3 deve-se recorrer a
outros testes (testes de comparação de médias)
• Quando Ho não é rejeitada diz-se que os dados do
experimento não contrariam a hipótese de igualdade das
médias, o que não significa dizer que os tratamentos são
iguais (as médias podem não ser iguais mas mas apenas
que a Ho permanece de pé).
 Exemplo de DBC
(dados de contagem)
 Tabela de dados
BLOCOS
Total de trats
trat 1 2 3 4 5 6 7 8
A 211 1301 226 46 37 19 16 2 1858
B 270 1240 183 44 81 57 14 2 1891
C 224 1134 75 41 50 34 3 1 1562
D 61 522 22 28 22 16 7 1 679
E 81 240 62 26 12 17 5 1 444
F 81 197 23 28 19 23 7 1 379
total bl 928 4634 591 213 221 166 52 8 6813
 Rotina para análise no SAS
Title "delineamento em blocos";
data bloco;
input trat$ bl nc;
cards;
A 1 211
A 6 19
B 6 57 Análise sem
B 7 14
C 5 50 transformação
C 6 34
C 7 3 dos dados
D 7 7
D 8 1
E 1 81
E 2 240
E 7 5
E 8 1
F 1 81
F 2 197
F 7 7
F 8 1
;
proc glm;
class trat bl;
model nc=trat bl/ss3;
Means trat bl/duncan;
run;
Resultados com dados originais

Efeito não significativo

de tratamento?!!!
?
 Dados de
contagem exigem
transformação
log10
Como é
isso?
 Essa transformação estabiliza as
variâncias e conduz a aditividade
dos efeitos do modelo matemático
além de que normaliza a distribuição
dos erros.
• Title "delineamento em blocos-tranformação log10";
• data bloco;
• input trat$ bl nc;
• cards;
A 1 211
A 2 1301
A 7 16
A 8 2
B 5 81
B 6 57
C 1 224
C
C
6
7
34
3 Dados de contagem
C 8 1
D
D
1
2
61
522
(transformação log
D
D
3
4
22
28 na base 10)
D 5 22
D 6 16
D 7 7
D 8 1
E 1 81
E 2 240
E 3 62
E 7 5
E 8 1
F 6 23
F 7 7
F 8 1

data b; set bloco;

nct=log10(nc);
proc glm;
class trat bl;
model nct=trat bl/p ss3; run;
 Resultado-dados transformados

Efeito
significativo de
tratamento!!!
Agora exemplo de DBC
com parcela perdida
Exemplo com parcela perdida
(x e y)
raças BL.1 BL.2 BL.3 BL.4 totais de raças
A X 13.40 11.00 9.20 33.60+X
B 21.10 y 26.40 25.70 73.20+Y
C 22.60 29.90 24.20 25.10 101.80
D 15.40 11.90 10.10 12.30 49.70
E 12.70 18.00 18.20 17.10 66.00
F 20.00 21.10 20.00 28.0 89.10
G 23.10 24.20 26.40 16.30 90.00
H 18.00 24.60 24.00 24.60 91.20
TOTAL BL 132.90+X 143.10+Y 160.30 158.30 594.60+Y+X
Parcelas
perdidas
Novo procedimento
para cálculo da
parcela perdida

Criacao do

arquivo b
Novo procedimento
para cálculo da
parcela perdida

Criacao do

arquivo c
ta d; merge a b c; Uso do procedimento
oc glm data =d; MERGE para criação
do arquivo d
ss trat bl;
odel rend= trat bl x y/ss3 ss4 solution;
n;
Com parcelas perdidas

SQ e QM
QM

Parcelas perdidas
calculadas
Parcelas calculadas
e
incluídas no arquivo
SQ e QM