Você está na página 1de 563

1

1
INTRODUO ESTATSTICA
EXPERIMENTAL
Na pesquisa em cincias agrrias, a Estatstica Experimental uma
ferramenta indispensvel aos pesquisadores na elucidao de princpios
biolgicos e na soluo de problemas agropecurios; para empreg-la
eficientemente essencial uma completa compreenso do assunto na qual se
vai aplic-la. Desse modo, as consideraes prticas so to importantes como
os requisitos tericos, para determinar o enfoque estatstico ao problema.
1.1 Consideraes Gerais
A Estatstica Experimental a parte da matemtica aplicada aos
dados experimentais obtidos de experimentos.
Os experimentos ou ensaios so pesquisas planejadas para obter
novos fatos, negar ou confirmar hipteses ou resultados obtidos anteriormente.
Em outras palavras, so pesquisas planejadas, que seguem determinados
princpios bsicos, com o objetivo de fazer comparaes dos efeitos dos
tratamentos.
Os experimentos, quanto ao nmero de tratamentos, podem ser:
a) Absoluto - quando tem apenas um tratamento;
b) Comparativo - quando possui mais de um tratamento.
Os tratamentos so as condies impostas s parcelas cujos efeitos
desejam-se medir ou comparar em um experimento. Eles podem ser
qualitativos ou quantitativos.
Os tratamentos so denominados qualitativos quando no podem ser
ordenados segundo algum critrio numrico e se diferenciam por suas
qualidades. Por exemplo: espcies de eucalipto; variedades de cana-de-acar;
mtodos de preparo de solo na cultura da batata-doce; mtodos de irrigao na
cultura do melo; tipos de adubos qumicos na cultura da soja; tipos de adubos
orgnicos na cultura do capim elefante; sistemas de plantio na cultura do
milho; fitohormnios para quebrar dormncia de bulbos de cebola; fungicidas
para controlar o agente causador da mancha prpura em alho; herbicidas para
controlar plantas invasoras na cultura do tomate; inseticidas para controlar a
2
vaquinha na cultura do pimento; espcies de peixe; raas de caprino de corte;
raes para alimentao de sunos; vermfugos 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 so quantitativos quando podem ser ordenados
segundo algum critrio numrico. Por exemplo: nveis de nitrognio para a
cultura do trigo; espaamentos entre fileiras para a cultura do arroz; pocas de
plantio para a cultura da ervilha; doses de um inseticida para controlar a
lagarta do cartucho na cultura do milho; doses de um herbicida para controlar
plantas invasoras na cultura do sorgo; densidades de semeadura na cultura da
soja; doses de um vermfugo no controle de verminose em caprinos; nveis de
lisina na nutrio de frangos de corte; nveis de casena iodada na nutrio de
vacas leiteiras; etc..
Quando os tratamentos so escolhidos pelo pesquisador, de modo que
o experimento possa ser repetido com os mesmos tratamentos, so
denominados de efeito fixo. Quando, porm, os tratamentos so obtidos como
uma amostra aleatria de uma populao de tratamentos, de modo que o
experimento no possa ser repetido com os mesmos tratamentos, so
denominados de efeito aleatrio.
A classificao dos tratamentos em efeito fixo ou efeito aleatrio tem
implicao direta na interpretao dos resultados da pesquisa. Para tratamentos
de efeito fixo as concluses so vlidas somente para os tratamentos
estudados, enquanto para tratamentos de efeito aleatrio as concluses so
para toda a populao de onde os tratamentos foram retirados aleatoriamente.
As parcelas so as unidades em que feita a aplicao casualizada
dos tratamentos, de modo a fornecer os dados experimentais que devero
refletir seus efeitos. Em outras palavras, so as menores pores do material
experimental onde os tratamentos so avaliados. Por exemplo, uma parcela
pode ser: uma folha de uma planta; uma parte da copa de uma rvore ou a
copa inteira; uma nica planta ou um grupo delas; uma rea 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 nico animal ou um grupo deles; etc..
De um modo geral, o nmero de indivduos ou rea de uma parcela
depende do grau de heterogeneidade do material a ser pesquisado, ou seja,
quanto maior for a heterogeneidade, maior dever ser o nmero de indivduos,
a fim de bem representar o tratamento.
O estudo dos experimentos, desde o seu planejamento at o relatrio
final, constitui o objetivo da Estatstica Experimental.
1.2 Classificao dos Experimentos
Os experimentos so classificados em:
3
a) Aleatrios so aqueles em cujo planejamento entra o acaso. Os
mais importantes so: Delineamento Inteiramente Casualizado, Delineamento
em Blocos Casualizados e Delineamento em Quadrado Latino.
b) Sistmicos so aqueles em cujo planejamento no entra o acaso,
ou seja, so aqueles em que os tratamentos a serem avaliados so colocados
juntos.
Os experimentos sistmicos eram muito usados antes da Cincia
Estatstica. Eles s tinham o princpio bsico da repetio. Em funo disso,
tais experimentos levavam a um erro experimental muito grande, devido aos
fatores aleatrios (solo, topografia, manchas de solo, gua, etc.).
A diferena entre os experimentos aleatrio e sistmico encontra-se na
FIGURA 1.1. Observa-se que no experimento aleatrio todos os trs
tratamentos encontram-se nas mesmas condies, ou seja, numa faixa de alta
fertilidade, numa faixa intermediria de fertilidade e numa faixa de baixa
fertilidade. J no experimento sistmico, o tratamento A est sendo favorecido
e o tratamento C est sendo prejudicado. Se potencialmente o tratamento C
fosse superior ao tratamento A, no caso do experimento sistmico, ele no
poderia manifestar todo o seu potencial, por no estar sendo comparado em
condies de igualdade. por isso que os experimentos sistmicos apresentam
um erro experimental muito alto e as concluses obtidas desses experimentos
no so confiveis.
FIGURA 1.1 DIFERENA ENTRE OS EXPERIMENTOS ALEATRIO E SISTMICO
Experimento Aleatrio Experimento Sistmico
G
r
a
d
i
e
n
t
e
d
e

F
e
r
t
i
l
i
d
a
d
e
+F
-F
A C B

A A A
B A C B B B
A B C C C C
1.3 Tipos de Experimentos
Existem trs tipos de experimentos:
a) Preliminar aquele conduzido dentro de estaes experimentais
para a obteno de novos fatos. cientfico, mas apresenta baixa preciso.
Prprio para ensaios de introduo de variedades de espcies cultivadas, ou
4
quando se dispe de um elevado nmero de tratamentos e necessrio fazer
uma triagem.
b) Crtico aquele que tem por objetivo negar ou confirmar uma
hiptese obtida no experimento preliminar e conduzido dentro ou fora das
fronteiras das estaes experimentais. cientfico e apresenta maior preciso
que o experimento anterior. Serve para comparar vrios tratamentos por meio
dos delineamentos experimentais, usando as tcnicas estatsticas
recomendadas.
c) Demonstrativo aquele lanado pela rede de extenso rural.
de cunho demonstrativo, pois tem por objetivo demonstrar junto aos
agricultores e/ou pecuaristas os melhores resultados do experimento crtico.
Geralmente apenas comparativo, pois compara uma nova tcnica
agropecuria com uma tradicional.
As FIGURAS 1.2 e 1.3 apresentam, esquematicamente, os trs tipos
de experimentos nas culturas do feijo e do gado bovino de corte,
respectivamente.
FIGURA 1.2 ESQUEMA MOSTRANDO OS TRS TIPOS DE EXPERIMENTOS NA
CULTURA DO FEIJO (Phaseolus vulgaris L.)
Introduo de Variedades de Feijo
...
1 2 3 4 5 6 7 8 9 10 100
Seleo das 10 Melhores Variedades
7 89 2 27 VL 54 33 64 29 93 15
VL 29 33 7 93 2 27 15 89 54 64
27 54 64 15 33 89 29 93
VL
7 2
VL 7 64
BLOCO
I
BLOCO
II
BLOCO
III
Experimento
Preliminar
Experimento
Demonstrativo
Experimento
Crtico
E
s
t
a

o

E
x
p
e
r
i
m
e
n
t
a
l
F
a
z
e
n
d
a
E
s
t
a

o
E
x
p
e
r
i
m
e
n
t
a
l
5
FIGURA 1.3 ESQUEMA MOSTRANDO OS TRS TIPOS DE EXPERIMENTOS NA
CULTURA DO GADO BOVINO DE CORTE
Na FIGURA 1.2, inicialmente foram introduzidas 100 variedades de
feijo e selecionadas as dez melhores (Experimento Preliminar),
posteriormente as dez melhores variedades de feijo mais a variedade local
foram avaliadas no delineamento em blocos casualizados com trs repeties
(Experimento Crtico) e, em seguida, as duas melhores variedades de feijo
foram comparadas com a variedade local junto aos agricultores (Experimento
Demonstrativo).
Na FIGURA 1.3, inicialmente foram introduzidas 50 raas de gado
bovino de corte e selecionadas as dez melhores (Experimento Preliminar),
posteriormente as dez melhores raas de gado bovino de corte mais a raa
local foram avaliadas no delineamento em blocos casualizados com trs
repeties (Experimento Crtico) e, em seguida, as duas melhores raas de
gado bovino de corte foram comparadas com a raa local junto aos pecuaristas
(Experimento Demonstrativo).
1.4 Tipos de Variaes
Na experimentao agropecuria ocorrem trs tipos de variaes nos
dados experimentais, a saber:
a) Variao premeditada aquela que se origina dos diferentes
tratamentos, deliberadamente introduzidos pelo pesquisador, com o propsito
de fazer comparaes. Por exemplo, num estudo de competio de variedades
de milho e/ou de avaliao de raas de gado bovino de leite j existe uma
variao entre elas devido prpria natureza dos tratamentos, o que ir refletir
nos dados experimentais. Outro exemplo, num estudo de avaliao de
Introduo de Raas de Gado Bovino de Corte
1 2 3 4 5 6 7 8
. . .
50
Seleo das 10 Melhores Raas
7 39 2 27 RL 50 33 46 29 13 15
RL 29 33 7 13 2 27 15 39 50 46
27 50 46 15 33 39 29 13
RL
7 2
RL 7 46
BLOCO
I
BLOCO
II
BLOCO
III
Experimento
Preliminar
Experimento
Demonstrativo
Experimento
Crtico
E
s
t
a

o

E
x
p
e
r
i
m
e
n
t
a
l
F
a
z
e
n
d
a
E
s
t
a

o
E
x
p
e
r
i
m
e
n
t
a
l
6
inseticidas no controle da lagarta do cartucho do milho e/ou de avaliao de
carrapaticidas no controle de carrapatos de vacas leiteiras j existe, tambm,
uma variao entre eles devido constituio qumica dos tratamentos, o que
ir provocar uma variao nos dados experimentais.
b) Variao externa aquela devido a variaes no intencionais
de causas conhecidas, que agem de modo sistemtico, podendo ser controlada
pelo pesquisador atravs do uso de blocos. Caso no seja controlada, esta
variao ficar embutida no resduo, aumentando, assim, o erro experimental
e, em conseqncia, diminuindo a preciso experimental e tornando os testes
de hipteses menos sensveis para detectar diferenas significativas entre os
tratamentos. Por exemplo, a heterogeneidade do solo uma variao desse
tipo, pois as parcelas localizadas em solos mais frteis produzem mais que as
localizadas em terrenos pobres. Outro exemplo, dentro de uma casa-de-
vegetao, as condies de temperatura, umidade e insolao podem variar
consideravelmente de uma posio para outra, alterando o comportamento das
plantas. Ainda, um outro exemplo, dentro de um estbulo, ocorrendo uma
variao 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) Variao acidental aquela devido a variaes no intencionais
de causas desconhecidas, que agem de modo aleatrio, no estando sob o
controle do pesquisador. Tal variao que constitui o chamado erro
experimental. Esta variao promove diferena entre as parcelas que recebem
o mesmo tratamento. Entre as variaes acidentais podem-se citar: diferena
na constituio gentica das plantas e dos animais; variaes ligeiras no
espaamento, na profundidade de semeadura, na quantidade de adubos
aplicados, na quantidade de gua de irrigao aplicada, etc., para o caso dos
vegetais; variaes ligeiras na quantidade de rao ministrada, na quantidade
de gua fornecida, na quantidade de vermfugo aplicado, na quantidade de
carrapaticida aplicado, etc., para o caso dos animais.
Os efeitos da variao acidental, sempre presentes, no podem ser
conhecidos individualmente e alteram, pouco ou muito, os resultados obtidos
experimentalmente. Assim, ao comparar, no campo, a produo de duas
variedades de cana-de-acar, a inferior poder por simples acaso exceder a
melhor variedade, por ter sido favorecida por uma srie de pequenos fatores
no controlados. E ao comparar duas raes potencialmente semelhantes na
alimentao de leitoas, uma delas pode promover um maior ganho de peso em
relao outra. Em virtude disso, o pesquisador tem obrigao de fazer tudo o
que for possvel para reduzir o erro experimental, a fim de no incorrer em
resultados dessa natureza. Cabe a ele, pois, verificar se as diferenas
observadas no experimento tm ou no valor, ou seja, se so significativas ou
no-significativas.
7
Uma diferena significativa indica que os tratamentos avaliados so
potencialmente diferentes, enquanto que uma diferena no-significativa
indica que os tratamentos avaliados so potencialmente semelhantes e que a
diferena observada entre eles foi devido variao acidental.
Para que um experimento estivesse livre das variaes acidentais,
seria necessrio realiz-lo em condies inteiramente uniformes de solo,
plantas com a mesma constituio gentica, o mesmo nmero de plantas por
parcela, plantas com a mesma idade, irrigao uniforme, ausncia de insetos-
praga, doenas e plantas invasoras, adubao uniforme, etc., para o caso dos
vegetais; e animais com mesma constituio gentica, o mesmo nmero de
animais por parcela, animais com o mesmo peso, sexo e idade, mesma
quantidade de gua e de rao administradas, mesma quantidade de vermfugo
aplicado, ambiente inteiramente uniforme, etc., para o caso dos animais.
Todavia, isso praticamente impossvel, e independe do local onde se est
conduzindo o experimento (campo, estbulo, laboratrio, casa-de-vegetao,
etc.). Em funo disso, a nica alternativa do pesquisador aplicar todo o seu
conhecimento para minimizar as variaes acidentais no experimento.
1.5 Pontos Considerados na Reduo do Efeito da Variao Acidental
A fim de reduzir o efeito da variao acidental nos experimentos, o
pesquisador deve dar especial importncia aos seguintes pontos: forma da
parcela, tamanho da parcela, orientao das parcelas, efeito bordadura entre as
parcelas, falhas de plantas nas parcelas, nmero de repeties dos
experimentos, delineamentos experimentais e forma de conduo dos
experimentos.
1.5.1 Forma da parcela
A forma da parcela refere-se razo entre o comprimento e a largura
da parcela. A melhor forma da parcela ser, para cada caso, a que melhor
controle as variaes acidentais e a que se adapte natureza dos tratamentos a
estudar.
No delineamento em blocos casualizados, o melhor que a forma da
parcela seja retangular, para que cada bloco tenha a forma a mais quadrtica
possvel; enquanto que, ao contrrio, no delineamento em quadrado latino, a
parcela deve aproximar-se o mais possvel da forma quadrtica, para que todas
as repeties no conjunto se aproxime do quadrado.
Tratando-se de parcelas pequenas, a forma tem pouca ou nenhuma
influncia sobre o erro experimental. Em parcelas grandes, a forma tem uma
influncia notvel. Em geral, as parcelas longas e estreitas so as mais
recomendveis: assim, as parcelas de uma repetio tendero a participar de
todas as grandes manchas de fertilidade do terreno que ocupam, e tambm,
8
quando for grande o nmero de tratamentos, o bloco no se afastar muito da
forma quadrtica, que outra recomendao para diminuir o efeito da variao
ambiental.
A forma da parcela tambm influenciada pelo efeito bordadura e
pela heterogeneidade do solo. No primeiro caso, em experimentos onde tal
efeito possa ser aprecivel, parcelas quadradas so desejveis porque elas
possuem um permetro mnimo, para um dado tamanho da parcela. Por
exemplo, uma parcela retangular com rea de 9 m x 4 m = 36 m
2
ter
permetro igual a 26 m. Por outro lado, uma parcela quadrtica com a mesma
rea de 6 m x 6 m = 36 m
2
apresentar permetro de apenas 24 m. Isso implica
num menor nmero de plantas a serem eliminadas e, consequentemente, numa
maior rea til de parcela (rea onde so coletados os dados experimentais), o
que ir representar melhor o tratamento. Quanto ao segundo caso, a escolha da
forma da parcela no crtica quando a variao do solo grande, tanto em
uma direo como em outra. Por outro lado, se existe um gradiente, as
parcelas devero ser retangulares. Quando o padro de fertilidade da rea
experimental for desconhecido, mais seguro usar as parcelas quadrticas
(elas no daro a melhor preciso, mas tambm no daro a pior).
Existe uma srie de mtodos utilizados para determinar a forma ideal
de parcela, os quais sero abordados no prximo item.
1.5.2 Tamanho da parcela
O tamanho da parcela compreende no apenas a rea colhida, mas
toda a rea que recebeu o tratamento. O melhor tamanho da parcela ser
aquele que proporcione uma menor variao acidental, desde que no afete a
preciso do experimento. Geralmente, tal variao diminui com o aumento do
tamanho da parcela. Contudo, se for aumentado demais o tamanho das
parcelas, o nmero das mesmas ser diminudo, havendo uma diminuio na
preciso do experimento. Por exemplo, na determinao do carter produo,
usualmente se registra uma diminuio na preciso mediante o emprego de
parcelas maiores que 400 m
2
; para a maioria das plantas cultivadas, as reas
compreendidas entre 20 - 40 m
2
registram uma boa preciso.
No caso dos animais, a variao acidental tambm diminui com o
nmero crescente de indivduos por parcela. Todavia, se for aumentado
demais o nmero de indivduos por parcela, o nmero das mesmas poder ser
diminudo, pela dificuldade de se encontrar um lote homogneo, ocorrendo,
assim, uma reduo na preciso experimental. Por outro lado, se os animais
podem ser manipulados individualmente, recomenda-se, para se ter uma maior
preciso experimental, a utilizao de um maior nmero de repeties do que
um maior nmero de indivduos por parcela.
Convm frisar que se utiliza, geralmente, um indivduo por parcela no
caso de animais de grande porte, como bfalos, bovinos de corte e de leite,
9
avestruzes, etc., e, geralmente, mais de um indivduo por parcela no caso de
animais de mdio e pequeno portes. No caso de animais de mdio porte, como
ovinos, caprinos de corte e de leite e sunos, se utiliza de um a quatro
indivduos por parcela, predominando dois indivduos por parcela. J no caso
de animais de pequeno porte, encontra-se uma variao muito grande na
literatura especializada em relao ao nmero de indivduos por parcela, tanto
entre como dentro das espcies. Por exemplo, em frangos de corte o nmero
de animais por parcela varia de > 10 < 20; em codorna, varia de > 5 < 25
animais por parcela; em peixes, a variao bem maior entre as espcies:
tilpia > 4 < 60, predominando em torno de 10 animais por parcela;
tambaqui > 4 < 25 animais por parcela; piauu > 4 < 15 animais por
parcela.
Alm de que j foi discutido, existem outros fatores que devem ser
considerados na escolha do tamanho da parcela. So eles:
a) Tipo de experimento As prticas culturais relacionadas ao
experimento podem determinar o tamanho da parcela nos vegetais. Ensaios
com fertilizantes requerem parcelas maiores que estudos de avaliao de
cultivares. Experimentos com irrigao ou com prticas 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) Espcie em estudo Tanto nas espcies vegetais como nas
espcies animais, mesmo usando o mesmo nmero de indivduos por parcela,
o tamanho das parcelas depende do porte das espcies 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, bfalos, etc..
c) Heterogeneidade do solo Quando a heterogeneidade do solo do
tipo em retalhos, isto , quando a correlao entre produtividade de reas
adjacentes baixa, uma grande parcela deve ser usada.
d) Efeito bordadura Quando tal efeito grande, o tamanho da
parcela tambm 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 propgulos
vegetativos, poucos animais, rea experimental reduzida, etc., forosamente,
as parcelas devero ser menores.
10
f) Caractersticas avaliadas Quando diversas caractersticas devem
ser medidas, o pesquisador pode necessitar de muitas plantas adicionais para
amostragens, especialmente quando a avaliao requer a destruio de plantas
nos estgios iniciais de crescimento. Nesse caso, a rea da parcela deve ser
grande o bastante para se dispor de proteo contra a competio intraparcela,
que ocorrer quando as plantas amostradas forem retiradas.
Neste momento, oportuno fazer um comentrio sobre amostragem
de parcelas. A amostragem de parcela um procedimento para seleo de
uma frao de plantas ou animais de uma parcela experimental, para a
representao dessa parcela com preciso. Uma tcnica de amostragem de
parcelas considerada boa, se os valores das caractersticas medidos na
amostra esto muito prximos daqueles que teriam sido obtidos, se as
mensuraes tivessem sido efetuadas em todas as plantas ou animais da
parcela. A amostragem de parcela usada quando o processo de mensurao
em toda a parcela muito caro e trabalhoso. Alguns fatores devem ser levados
em conta, quando da amostragem de parcelas. So eles: unidade amostral,
tamanho amostral e mtodo de amostragem.
A unidade amostral refere-se a unidade na qual sero feitas as
mensuraes. Essa unidade pode ser uma planta ou um animal, um grupo de
plantas ou de animais, etc.. O tamanho amostral refere-se ao nmero de
unidades amostrais que sero tomadas em cada parcela. O mtodo de
amostragem a maneira pela qual as unidades amostrais so escolhidas na
parcela. Se possvel, essas unidades devem ser tomadas ao acaso.
Quando o procedimento da amostragem requer, para o caso dos
vegetais, a destruio das plantas amostradas e visitas freqentes s parcelas,
deve-se procurar separar a rea amostrada do tamanho da parcela. Isso pode
ser feito deixando-se uma rea no centro da parcela para colheita, uma para
amostragem, outra mais externa da parcela para bordadura, e a rea entre a do
centro e a da amostragem tambm como bordadura. Para a mensurao do
mesmo carter, como altura da planta, em diferentes estdios de crescimento,
as mesmas plantas devem ser usadas em todos os estdios de observao. Se a
amostragem muito freqente, deve-se mudar um tero ou um quarto das
amostras, em cada estdio de observao, para se evitar possveis efeitos de
freqentes manuseios das plantas amostradas.
Quanto aos mtodos utilizados para determinao da forma e tamanho
ideais de parcela, a preciso experimental o principal critrio de escolha dos
mesmos. Por outro lado, dois tipos de ensaios tm fornecido dados para uso
destes mtodos. So eles: ensaios de uniformidade e ensaios experimentais.
Para a conduo de um ensaio de uniformidade, uma rea
experimental semeada com um tratamento uniforme, se possvel uma
linhagem ou um hbrido simples, e recebe, uniformemente, as mesmas prticas
agrcolas. Na colheita, ela dividida em muitas pequenas parcelas, sendo
todas com as mesmas dimenses.
11
Entre os mtodos que utilizam dados oriundos de ensaios de
uniformidade, tem-se o Mtodo da Mxima Curvatura. Nele, dados do
rendimento das unidades bsicas so combinados, de modo a simularem
rendimentos de parcelas de vrios tamanhos. Para os vrios tamanhos de
parcela, calcula-se um ndice qualquer de variabilidade que pode ser a
varincia, o coeficiente de variao ou o erro padro da mdia. O ndice de
variabilidade e os tamanhos das parcelas so plotados em um sistema de eixos
coordenados. Uma curva a mo-livre traada atravs das coordenadas
resultantes, e o ponto de curvatura mxima determinado a partir do qual o
ndice de variabilidade se estabilizar. este o ponto que ir determinar a
forma e tamanho ideais da parcela, como exemplifica a FIGURA 1.4.
FIGURA 1.4 RELAO ENTRE O COEFICIENTE DE VARIAO E O NMERO DE
PARCELAS PARA DETERMINAR O PONTO DE CURVATURA
MXIMA, A PARTIR DE DADOS FICTCIOS DE RENDIMENTO

C.V. (%)
Nmero de Parcelas
O mtodo em referncia apresenta dois inconvenientes. Primeiro, no
considera os custos relativos de vrios tamanhos de parcela e, segundo, o
ponto de curvatura mxima no independente da menor unidade selecionada
ou da escala de mensurao usada.
O fato dos ensaios de uniformidade serem dispendiosos e trabalhosos
tem levado diversos pesquisadores a sugerir mtodos para a determinao de
tamanho e forma timos de parcela, baseados em dados experimentais.
Entre os mtodos que utilizam dados oriundos de ensaios
experimentais, tem-se o Mtodo da Mxima Curvatura Modificado por
Sanchez. O autor sugeriu uma modificao do mtodo da mxima curvatura,
utilizando dados experimentais. Ele chamou a ateno para o fato de que o
ponto de mxima determinado, em geral, por inspeo visual, mas que
possvel obter-se uma curva terica do parmetro em questo, que seja funo
2 4 6 8 10 12 14 16 18
100
90
80
70
60
50
40
30
20
10
12
do tamanho da parcela. Assim, o tamanho timo corresponder abscissa na
qual a derivada da tal funo seja igual a 1, isto , depois deste ponto, o
aumento de uma nova unidade da varivel independente (a unidade mnima de
tamanho da parcela ou o nmero de plantas) produzir uma reduo de
varivel dependente (por exemplo, o coeficiente de variao) menor que a
unidade, pelo que no seria vivel efetuar aumentos adicionais.
Mais detalhes sobre mtodos usados na determinao 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 Orientao das parcelas
A orientao das parcelas refere-se escolha da direo ao longo da
qual os comprimentos das parcelas sero colocados. Tal orientao,
evidentemente, no definida para parcelas quadradas.
A orientao 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 repetio ou bloco devem ser
colocadas com sua maior dimenso no sentido paralelo a tal gradiente. Veja-se
a comprovao matemtica desta recomendao. Na FIGURA 1.5 o gradiente
de fertilidade tem a direo da flecha. Se for colocado nesse terreno as
parcelas nas formas: A, B e C, veja-se o que se sucede:
Na distribuio A, em que a maior dimenso das parcelas
perpendicular ao gradiente de fertilidade, verifica-se que algumas parcelas tm
maior fertilidade do que outras; enquanto que na distribuio B, todas as
parcelas participam por igual das diferentes fertilidades do solo, pois todas
tero um extremo frtil e outro pobre. Na distribuio C, trs parcelas
participam da parte mais frtil, trs da parte intermediria e trs da parte
pobre.
FIGURA 1.5- INFLUNCIA DA FORMA DE COLOCAO DAS PARCELAS NO
BLOCO, QUANDO O CAMPO TEM UM GRADIENTE DE FERTILIDADE
CONSTANTE
NOTA: As flechas indicam o sentido do gradiente de fertilidade.
13
Se a variao do gradiente de fertilidade constante (caso ideal) e
igual a q de uma faixa ou parcela outra, as estimativas do desvio padro para
as distribuies A, B e C, obtidas atravs da seguinte frmula:
s =
1 N
SQD
onde:
SQD = soma dos quadrados dos desvios;
N = nmero de observaes ou de parcelas;
so:
1
=
N
SQD
s
A
=
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
1 9
4 3 2 1 0 1 2 3 4
2 2 2 2 2 2 2 2 2

+ + + + + + + +
=
8
16 9 4 1 0 1 4 9 16 + + + + + + + +
=
8
60
= 5 , 7 ~ 2,7386 g
1
=
N
SQD
s
B
=
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
1 9
0 0 0 0 0 0 0 0 0
2 2 2 2 2 2 2 2 2

+ + + + + + + +
=
8
0 0 0 0 0 0 0 0 0 + + + + + + + +
=
8
0
14
= 0 = 0,0000 g
1
=
N
SQD
s
C
=
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
1 9
3 3 3 0 0 0 3 3 3
2 2 2 2 2 2 2 2 2

+ + + + + + + +
=
8
9 9 9 0 0 0 9 9 9 + + + + + + + +
=
8
54
= 75 , 6 ~ 2,5981 g
Verifica-se, assim, que a distribuio A tem o maior desvio padro,
segue-se C e por ltimo B.
Portanto, se conhecido o gradiente de fertilidade do terreno, as
parcelas devem ser colocadas no campo com o lado mais comprido paralelo a
direo de tal gradiente. Se no for possvel adotar a distribuio B por
dificuldades de ordem prtica, ento se deve adotar a distribuio C, sendo a
distribuio A, a menos recomendvel.
1.5.4 Efeito bordadura entre as parcelas
Denomina-se efeito bordadura diferena em comportamento entre
plantas ao longo dos lados ou extremidades de uma parcela e as plantas do
centro dessa parcela. Essa diferena pode ser medida pela altura da planta,
resistncia s doenas e aos insetos-praga, rendimento de gros e de frutos,
etc.. O efeito bordadura pode ocorrer quando um espao no plantado
deixado entre blocos e entre parcelas. Estes espaos proporcionam maior
aerao, luz e nutrientes s plantas de bordaduras, e contribuem para aumentar
por este motivo a colheita, com isto o rendimento dos tratamentos ficam
superestimados em razo da maior produo das plantas de bordadura. Esta
influncia tanto maior, quanto maior a rea que circunda a parcela, e menor
a parcela.
As reas livres no s aumentam o rendimento, como tambm, o que
pior, os tratamentos no apresentam por igual esta influncia; assim nos
experimentos de competio de variedades, algumas variedades tendem a
aproveitar melhor que outras as reas livres, como ilustra a FIGURA 1.6.
15
Desse modo, alguns tratamentos podem estar inconvenientemente em
vantagem sobre outros nos experimentos, e dar lugar a concluses erradas.
FIGURA 1.6 EFEITO BORDADURA EM VARIEDADES DE MILHO DEVIDO A
REAS NO PLANTADAS ENTRE PARCELAS ADJACENTES
O efeito bordadura tambm pode ocorrer quando determinados
tratamentos influenciam nocivamente no comportamento dos tratamentos
vizinhos, como por exemplo: experimentos com competio de variedades,
principalmente se as variedades apresentam hbito de crescimento e
maturidade diferentes; experimentos com fertilizantes, inseticidas, fungicidas,
bactericidas, herbicidas; experimentos com sistemas de irrigao, etc.. A
FIGURA 1.7 ilustra muito bem como esse efeito pode ocorrer, se for utilizada
num experimento variedade de hbito 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 precaues:
a) Evitar o uso de reas no-plantadas para separar parcelas
experimentais.
b) O nmero de ruas no experimento deve reduzir-se ao mximo.
c) No medir caracteres agronmicos em fileiras-bordadura que,
provavelmente, sofreram os efeitos de competio entre parcelas.
16
d) Plantar umas poucas fileiras de um gentipo uniforme ao redor do
permetro do experimento, para minimizar o efeito de bordos no-plantados
sobre parcelas localizadas ao longo dos lados do campo experimental.
e) Quando as variedades a serem avaliadas diferem bastante quanto ao
hbito de crescimento, escolher um delineamento experimental que permita o
agrupamento de variedades homogneas, particularmente pela altura. Isto
reduzir o nmero de fileiras necessrias como bordadura, contra o efeito de
competio varietal.
f) A quantidade de fileiras a excluir depende do tipo de efeito
bordadura. Quando houver dvida e quando o tamanho da parcela for bastante
grande, excluir pelo menos duas fileiras.
No que pese todas as precaues anteriores, o pesquisador deve ter
conscincia que, no caso de experimentos de competio de variedades as
parcelas experimentais devem ter, no mnimo, trs fileiras, de modo que se
possa efetuar a colheita apenas na fileira central, a qual denominada de rea
til. Alm disso, ele deve eliminar as plantas cabeceiras, plantas estas que se
localizam nas extremidades da fileira, conforme ilustra a FIGURA 1.8. O ideal
que ele tenha uma amostra mais representativa dos tratamentos avaliados.
FIGURA 1.8 REA TIL DE UMA PARCELA DE NOVENTA COVAS
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
X X X
17
A recomendao acima se fundamenta em resultados experimentais
obtidos na literatura especializada em diversas culturas, onde mostram que, em
geral:
a) Existe competio entre variedades, na maioria dos estudos.
b) A competio, usualmente, confinada a uma fileira de cada lado
da parcela.
c) A competio entre variedades de hbitos de crescimento
semelhantes desprezvel.
d) Uma variedade altamente produtiva usualmente, um forte
competidor.
e) A competio complexa e varia com as condies ambientais.
Consequentemente, no se pode classificar variedades, quanto ao valor da
competio.
f) Os rendimentos de fileiras no-competitivas (fileira central de
parcelas de trs fileiras) so menos variveis que os rendimentos de fileiras
competitivas (parcela de uma nica 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 relao ao inicial, isto , apresenta covas sem
plantas, conforme se observa na FIGURA 1.9. As falhas de plantas nas
unidades experimentais so uma das principais causas do erro experimental.
Contudo, nem todas as falhas influem no erro experimental, s aquelas
extrnsecas aos tratamentos so as que influem, tal o caso de morte de
plantas devida s doenas e aos insetos-praga, ao empoamento de gua em
virtude dos desnveis do terreno, etc.. Por outro lado, as causas intrnsecas
devido aos tratamentos, tais como morte de plantas por um dos tratamentos,
queima ou maltrato das plantas, etc., no influem no erro experimental.
FIGURA 1.9 FALHAS EM UMA PARCELA EXPERIMENTAL DE SORGO
A presena de falhas em uma parcela significa que nem todas as
plantas da parcela esto sujeitas ao mesmo espaamento e competio. Alm
disso, existe uma correlao positivas entre nmero de plantas e produo, ou
18
seja, quanto maior o nmero de plantas, maior ser a produo; se ocorrer
falhas de plantas nas parcelas experimentais de um determinado tratamento, o
mesmo ser prejudicado porque no poder expressar todo o seu potencial,
ainda que as plantas vizinhas s falhas desenvolvam mais que as outras, como
mostra a FIGURA 1.9. Desse modo, a presena de falhas contribui para
aumentar o erro experimental, j que elas levam falta de uniformidade das
condies experimentais.
Muitas vezes, contudo, em que pese todas as precaues possveis,
ocorrem falhas em alguns experimentos, que podem ser de pequena ou grande
monta. Se forem de pequena monta, at 5%, em geral no constituem um fator
srio. Porm, se estiverem no intervalo de > 5% s 30%, necessrio recorrer
aos mtodos de correo de falhas. Se as falhas so mais de 30% da
populao de plantas, prefervel repetir o experimento.
Alguns mtodos usados na correo de falhas so apresentados a
seguir:
a) Ausncia de correo O pesquisador ignora a presena de falhas
e determina o rendimento da parcela com base na rea colhida. Aqui
assumido que o rendimento de uma falha totalmente compensado pelo
aumento em rendimento das covas vizinhas. Contudo, deve-se ressaltar que,
na prtica, a compensao no total. Em virtude disso, o rendimento da
parcela fica subestimado.
b) Regra de trs O pesquisador considera que o rendimento de uma
falha igual ao rendimento mdio das outras covas na parcela. Por esse
mtodo, admite-se que a presena de uma ou mais falhas no afeta a
performance das plantas vizinhas. Todavia, isso no ocorre na prtica, 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 trs, considerando-se a colheita apenas das plantas
competitivas Por esse mtodo, admite-se que a presena de uma ou mais
falhas afeta a performance das plantas vizinhas. Dessa forma, todas as plantas
imediatamente a uma falha sero eliminadas e o rendimento da parcela
obtido considerando-se apenas as plantas competitivas. Nesse mtodo, a
estimativa do rendimento da parcela corrigida ficaria muito prximo do valor
que seria obtido na parcela sem a presena de falhas.
d) Uso de frmulas de correo Por esse mtodo, utilizam-se
frmulas para efetuar a correo dos pesos de gros provenientes de parcelas
com falhas. Com essa finalidade, vrios Estatsticos desenvolveram frmulas
para correo de stands de plantas cultivadas. Por exemplo, ZUBER (1942), e
LENG e FINLEY (1957) desenvolveram, respectivamente, as seguintes
frmulas para correo de stands de milho:
19
CW = FW
M H
M H
|
.
|

\
|

3 , 0

e
CW = FW
H
M
|
.
|

\
| + 6 , 0 1
onde:
CW = peso corrigido;
FW = peso de campo;
M = nmero de falhas;
H = stand inicial.
Todavia, torna-se impossvel o estabelecimento de qualquer frmula
confivel, para correo de stands de plantas cultivadas, pois a porcentagem
de aumento em rendimento de gros rodeando uma falha varia com a
variedade, o espaamento, o nvel de fertilidade do solo, a poca de plantio,
etc..
e) Anlise de covarincia A anlise de covarincia um mtodo
estatstico que combina os conceitos da anlise de varincia e da regresso, de
maneira a fornecer uma anlise mais discriminatria do que qualquer um
desses mtodos isoladamente. Ela envolve duas variveis concorrentes e
correlacionadas as quais, no presente caso, so o rendimento e o nmero de
plantas por parcela.
Tal mtodo envolve conhecimentos de anlise de varincia e de
regresso. Contudo, se as pressuposies da anlise de covarincia forem
satisfeitas, ela , provavelmente, o melhor procedimento de ajuste de stands.
Mais detalhes, ver captulo especfico sobre o assunto.
1.5.6 Nmero de repeties dos experimentos
A necessidade de repeties foi reconhecida pelos pesquisadores a
partir do ano de 1846 e atualmente no se discute mais a sua importncia em
quase todos os experimentos. A repetio um dos princpios de
experimentao de que se vale o pesquisador para controlar a variabilidade do
meio.
De um modo geral, o nmero de repeties 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 nmero de repeties.
A variabilidade do meio pode influir mais sobre algumas caractersticas em
estudo do que sobre outras. Eis alguns exemplos: a heterogeneidade do solo
20
influi mais sobre os rendimentos do algodo do que sobre o peso e o
comprimento da fibra; a variao de luz influi mais sobre o consumo de rao
e ganho de peso de frangos de corte do que sobre a pigmentao da carcaa; a
variao de temperatura interfere mais na produo de leite de vacas leiteiras
do que no teor de gordura.
b) Nmero de tratamentos em estudo Experimentos com poucos
tratamentos necessitam de maior nmero de repeties, para se ter uma boa
preciso na estimativa do erro experimental. Por exemplo, na avaliao de
dois sistemas de produo de batata-doce so necessrias, no mnimo, dez
repeties. Quando, porm, o experimento apresenta muitos tratamentos,
como por exemplo, avaliao de 100 prognies de meios irmos de milho em
relao produo de gros, poucas repeties so usadas, em torno de duas a
trs repeties.
c) Natureza dos tratamentos Se, pela natureza dos tratamentos em
estudo, espera-se que haja poucas diferenas entre eles, o nmero de
repeties dever ser o maior possvel para que se possa medi-las com maior
preciso. Caso contrrio, o nmero de repeties poder ser diminudo dentro
de certos limites prudentes.
d) Disponibilidade do material experimental Quando se dispe de
grande quantidade do material experimental, tanto animal quanto vegetal,
pode-se aumentar o nmero de repeties do experimento, pois, com certeza,
aumentar a preciso experimental. Por outro lado, quando h uma limitao
do material experimental em funo de uma srie de fatores, tais como: pouca
quantidade de sementes e/ou de propgulos vegetativos, poucos animais,
limitao de recursos financeiros, etc., logicamente o nmero de repeties
deve ser reduzido.
e) Disponibilidade de rea experimental A rea das parcelas
tambm limita o nmero de repeties, pois quando se dispem de uma grande
rea experimental pode-se aumentar o nmero de repeties do experimento,
tendo, como conseqncia, o aumento da preciso experimental. Por outro
lado, quando h uma limitao de rea experimental, logicamente o nmero de
repeties deve-se ser reduzido. Todavia, isso no deve ser proporcional, pois
prefervel sacrificar a rea da parcela em favor do nmero de repeties,
dentro de certos limites prudentes.
f) Espcie a ser estudada O pesquisador, no caso de espcies
animais de mdio e grande portes, ter dificuldade de contar com um grande
grupo de animais homogneos (mesma raa, mesmo sexo, mesmo peso,
mesma idade, etc.), o que resultar num menor nmero de repeties do
experimento. J no caso das espcies animais de pequeno porte, essa
dificuldade praticamente no existe, possibilitando ao pesquisador aumentar o
nmero de repeties do experimento para alcanar uma melhor preciso
experimental. Quanto s espcies vegetais, as de grande porte, principalmente
as rvores frutferas e florestais, demandam parcelas maiores, o que resultar
21
num menor nmero de repeties do experimento; enquanto que as de
pequeno porte requerem parcelas menores, o que permitir ao pesquisador
aumentar o nmero de repeties do experimento para melhorar a preciso
experimental.
g) Custo de execuo das etapas do experimento O nmero de
repeties tambm afetado pelo custo de execuo das etapas do
experimento. Quanto maior o custo das etapas do experimento, menor ser,
logicamente, o nmero de repeties.
O nmero ideal de repeties em um experimento pode ser
determinado por meio de ensaios de uniformidade ou por meio de mtodos
baseados em resultados conseguidos em ensaios anteriores. Tais meios so
trabalhosos e nem sempre chegam a resultados satisfatrios.
Uma regra prtica para se determinar o nmero de repeties de um
experimento, que tem surtido bons resultados na experimentao agropecuria,
a de que os experimentos devem ter, no mnimo, 20 parcelas. Como o
nmero de parcelas de um experimento (N) depende do nmero de
tratamentos (t) e do nmero de repeties (r), ou seja, N = t x r, ento, dessa
forma, conhecendo-se o nmero de tratamentos chega-se ao nmero de
repeties. Por exemplo, se num experimento tm-se dez tratamentos, deve-se
ter duas repeties para se ter 20 parcelas, que o nmero mnimo exigido. Da
mesma forma, se o experimento tm dois tratamentos precisam-se de dez
repeties para se ter 20 parcelas. Ainda, se o experimento tm cinco
tratamentos, para se ter 20 parcelas so necessrias quatro repeties.
Tambm, uma outra forma bastante prtica, que pode ser usada para
se determinar o nmero de repeties de um experimento, atravs do nmero
de graus de liberdade do resduo ou erro experimental da anlise de varincia,
sendo dez graus de liberdade do resduo o valor mnimo para se ter, de um
modo geral, uma boa preciso experimental. Por exemplo, se num
experimento inteiramente casualizado tm-se dez tratamentos, deve-se ter duas
repeties para se ter, no mnimo, dez graus de liberdade do resduo, pois o
GL Resduo = t (r 1), onde t corresponde ao nmero de tratamentos e r o
nmero de repeties. Da mesma forma, se o experimento inteiramente
casualizado tivesse dois tratamentos seriam necessrias seis repeties para se
ter dez graus de liberdade do resduo. Ainda, se um experimento em blocos
casualizados tivesse cinco tratamentos seriam necessrias quatro repeties em
vez de trs repeties, pois o GL Resduo = (t 1)(r 1).
De um modo geral, a regra prtica baseada no nmero de parcelas
conduz a uma maior preciso experimental do que a regra baseada no nmero
de graus de liberdade do resduo. Contudo, se o pesquisador atender as duas
regras ao mesmo tempo, logicamente aumentar ainda mais a preciso
experimental. Por exemplo, se um experimento inteiramente casualizado
tivesse dois tratamentos seriam necessrias seis repeties para se ter dez
graus de liberdade do resduo, o que atenderia plenamente a regra baseada no
22
nmero de graus de liberdade do resduo. Por outro lado, no atenderia a regra
baseada no nmero de parcelas, pois o experimento s teria 12 parcelas em
vez de 20 parcelas, que seria o mnimo exigido. Entretanto, se o nmero de
repeties fosse igual a dez, o experimento teria 20 parcelas e 18 graus de
liberdade do resduo. Nessa situao, 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 reduo do erro experimental; destes, os mais utilizados so os
delineamentos: inteiramente casualizado, blocos casualizados e quadrado
latino.
O inteiramente casualizado o delineamento bsico, sendo os demais
modificaes deste, cada um dos quais tem uma ou mais restries na
distribuio dos tratamentos. Entre os delineamentos mais empregados, o
quadrado latino geralmente, o de maior preciso, sendo o inteiramente
casualizado o de menor preciso. Contudo, sob o ponto de vista prtico, o
delineamento em blocos casualizados o mais utilizado na experimentao de
campo e em outros ambientes heterogneos, enquanto que o delineamento
inteiramente casualizado o mais utilizado em experimentos conduzidos a
nvel de laboratrio, viveiro, casa-de-vegetao, galpo, estbulo, etc., desde
que as condies experimentais sejam homogneas.
Os principais delineamentos experimentais utilizados na pesquisa
agropecuria sero vistos em captulos separados, posteriormente.
1.5.8 Forma de conduo dos experimentos
A execuo de um experimento inicia-se com a eleio do terreno,
para o caso de espcies vegetais. fundamental que nesta eleio se tenha
presente que o terreno eleito deve ser o reflexo fiel das condies mdias da
regio ao qual se pretende estender as concluses obtidas do experimento. J
para o caso de espcies animais, a execuo do experimento inicia-se com a
eleio do ambiente de estudo (campo, galpo, tanque, etc.), que tambm deve
refletir as condies mdias da regio para a qual se pretende estender as
concluses obtidas do experimento.
V-se que, a fim de reduzir o erro experimental nos experimentos,
necessrio escolher terrenos e/ou ambientes o mais uniforme possvel, pela
mesma razo, a execuo dos diferentes trabalhos agropecurios devem ser
realizados tambm com a maior uniformidade.
Se ao realizar o plantio, umas parcelas so semeadas a maior
profundidade do que as outras, ou se aduba, irriga, amontoa, etc., umas mais
que as outras, tudo isto redundar no aumento da variabilidade e do erro
23
experimental. Pelo mesmo motivo deve-se cuidar para que haja uniformidade
do tamanho das parcelas.
Para evitar diferenas nos sulcos deve-se uniformizar o trabalho das
mquinas e dos homens que sero empregados nas diferentes operaes
culturais e manter uma estreita vigilncia durante o trabalho em toda sua
execuo.
No caso dos animais, ao se iniciar o experimento, umas parcelas
recebem mais gua do que outras, ou se coloca mais rao em umas do que em
outras, tudo isto tambm redundar no aumento da variabilidade e do erro
experimental.
Tambm se deve evitar que o mesmo homem seja empregado no
trabalho de todas as parcelas de um mesmo tratamento, pois, no que pese as
precaues que se tomem, pode haver diferenas notveis na forma de
trabalho das pessoas; neste caso, se no so tomadas s precaues
necessrias, o operrio que melhor trabalhar colocar em vantagem aquele
tratamento em todas as repeties. O recomendvel, ento, seria permutar os
operrios entre os tratamentos ao passar de um bloco a outro.
Se por algum motivo h necessidade de suspender os trabalhos para
continuar no dia seguinte, deve-se ter o cuidado de no interromper o trabalho
at que haja terminado o servio j iniciado em determinado bloco, caso
contrrio, isso pode influir aumentando o erro experimental, desde que variem
as condies ambientais no momento de continuar a operao.
De modo geral, importante quando se executam experimentos de
adubao, espcies, variedades, inseticidas, fungicidas, bactericidas,
antibiticos, herbicidas, vermfugos, vacinas, raas, raes, inibidores,
vitaminas, aminocidos, etc., conhecer a procedncia de cada um dos produtos
a ser estudado, frmulas qumicas, concentraes e demais caractersticas. Em
experimentos de competio de variedades e/ou espcies, deve-se determinar
previamente a natureza e o poder germinativo da semente. J em experimentos
de comportamento de raas e/ou espcies, deve-se avaliar previamente o
estado de sade dos animais.
Todos os experimentos devem ser semeados na poca propicia ao
cultivo sem nunca esquecer de incluir os tratamentos testemunhos, que no caso
especial de adubao devem ser dois: a adubao normal feita pelo agricultor e
o tratamento sem adubo.
Nos experimentos com rvores frutferas ou florestais, deve-se evitar o
emprego de rvores provenientes de sementes, pois, provavelmente, a
populao haver de ser mais heterognea do que quando provm do mesmo
tipo de enxerto. Quando isto no possvel, ento se deve selecionar no
campo as rvores da mesma variedade, idade e vigor, para conduzir o
experimento. Ajudar muito a selecionar as rvores o exame da produo de
cada rvore antes de se iniciar o experimento. Nos experimentos com culturas
perenes deve-se redobrar a ateno para manter a maior uniformidade possvel
24
no campo experimental, j que esses experimentos demandam mais tempo e
dinheiro que as culturas anuais.
Nos experimentos com rvores, o nmero de plantas por parcela pode
variar de duas a dez, desde que haja regularidade no vigor, idade,
produtividade, estado sanitrio, etc., das rvores. Em caso contrrio, preciso
selecionar as plantas que tenham essa caracterstica, porm isso trar como
conseqncia o fato de as rvores selecionadas ficarem intercaladas com as
no selecionadas. Nestas condies j no possvel prosseguir com o
conceito de parcela experimental, devendo-se ento considerar cada rvore
como uma unidade, distribuindo-se os tratamentos ao acaso entre as unidades
no campo.
necessrio que o prprio pesquisador colete os dados do
experimento e no o capataz ou auxiliar, como muitas vezes ocorre sob
pretexto de que so trabalhos de rotina. Ao faz-lo, o prprio pesquisador ter
mais confiana nos dados coletados, ao mesmo tempo em que poder tomar
conhecimento de fatos imprevistos, que bem podem servir para explicar
resultados finais inesperados.
O pesquisador deve anotar pessoalmente os dados e observaes do
experimento em uma caderneta de campo e no 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 tirar concluses que
beneficiem a agropecuria e que desta forma fiquem justificados os recursos e
tempo empregados.
1.6 Qualidades de um Bom Experimento
As qualidades de um bom experimento so:
a) Simplicidade de execuo - 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 aps a instalao do
experimento o pesquisador teve que se ausentar por motivo superior. Caso
contrrio, os recursos e o tempo empregados sero inteis.
b) No apresentar erros sistemticos - Na instalao do experimento
o pesquisador deve evitar erros sistemticos na demarcao das parcelas e das
fileiras de plantas, de modo a proporcionar condies de igualdade para todos
os tratamentos no experimento. Por exemplo, se o espaamento da cultura do
pimento entre fileiras for de 0,80 m, o pesquisador deve iniciar a demarcao
das fileiras na parcela a partir de 0,40 m, que corresponde a metade do
espaamento utilizado, de modo que fique faltando a mesma distncia no final
da parcela. Da mesma forma, se o espaamento, na mesma cultura, for de
0,40 m entre as plantas dentro da fileira, o pesquisador deve iniciar a
25
demarcao das plantas dentro das fileiras a partir de 0,20 m, que corresponde
a metade do espaamento utilizado, de modo que fique faltando a mesma
distncia no final da fileira.
c) Ter alta preciso - Quanto maior a preciso do experimento,
menor ser o erro experimental e as concluses obtidas tero maior
credibilidade. atravs do coeficiente de variao que o pesquisador estima a
preciso experimental, ou seja, quanto menor for o coeficiente de variao
maior ser a preciso experimental.
d) Ser exato - Quanto mais prximos os dados experimentais
estiverem dos valores verdadeiros, ou seja, se a mdia estimada dos
tratamentos estiver bem prxima da mdia verdadeira, o experimento ser
mais exato. atravs do erro padro da mdia que o pesquisador avalia a
exatido do seu experimento, ou seja, quanto menor for o erro padro da
mdia, mais precisa ser a estimativa da mdia e o experimento ser mais
exato.
e) Fornecer amplos resultados - O experimento deve fornecer
amplos resultados, de modo que as concluses tiradas beneficiem a
agropecuria e justifiquem os recursos e tempo empregados. Por conta disso,
ele deve ser bem planejado e executado, para gerar dados experimentais
precisos que sero analisados e interpretados, visando o alcance dos objetivos
propostos. Se o experimento foi mal planejado, geralmente no h mais
soluo para a anlise estatstica e os resultados obtidos no permitem
alcanar os objetivos propostos. H perda de tempo e de recursos, com
prejuzos para todos. Da mesma forma, se o experimento no foi bem
conduzido no produzir dados experimentais confiveis e os prejuzos sero
os mesmos.
1.7 Qualidades de um Bom Pesquisador
Um bom pesquisador deve, entre outras, apresentar as seguintes
caractersticas:
a) Ser capaz de estabelecer prioridades, traar metas e gerenciar os
recursos humanos, fsicos e econmicos, de forma a atingir os objetivos da
pesquisa;
b) Ter conhecimento do material que ir trabalhar (planta, animal,
etc.) e da regio que ir desenvolver a pesquisa, pois, caso contrrio, no ir
resolver os problemas da regio, nem to pouco tirar concluses que
beneficiem a agropecuria;
c) Ter bons conhecimentos de estatstica experimental e saber
conduzir experimentos com a maior preciso possvel, pois s assim ele
poder planejar, conduzir, analisar e interpretar os resultados de seu
experimento;
26
d) Ler periodicamente para se manter atualizado, pois no possvel
realizar pesquisa que realmente contribua para o desenvolvimento da
agropecuria sem informao, alm de evitar perda de tempo e de recursos
com pesquisas cujos problemas que j foram solucionados por outros
pesquisadores;
e) Ser futurista, no sentido de se antecipar na soluo do problema,
objeto da pesquisa, antes que ocorra a sua difuso em nvel de propriedade
rural, sob pena do tema da pesquisa no ter mais sentido, uma vez que o
problema j 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 possvel fazer algo de novo, mantendo a capacidade criativa em
pleno funcionamento;
g) Ter dedicao e persistncia, mesmo encontrando alguns problemas
desanimadores;
h) Ter pacincia, pois a pressa inimiga da perfeio;
i) Ser observador, pois muitas descobertas de impacto para a
agropecuria resultaram do senso de observao de muitos pesquisadores,
alm de servir para explicar resultados inesperados na pesquisa;
j) Fazer uso do raciocnio e do bom senso, pois nem sempre o
pesquisador encontra as condies timas para conduzir suas pesquisas;
l) Ser honesto, antes de tudo, pois a sociedade depende do seu trabalho
digno para se desenvolver.
1.8 Princpios Bsicos da Experimentao
A pesquisa cientfica est constantemente se utilizando de
experimentos para provar suas hipteses. claro que os experimentos variam
de uma pesquisa para outra, porm, todos eles so regidos por alguns
princpios bsicos, dos quais depende a maior ou menor validez das
concluses obtidas. Tais princpios so: repetio, casualizao e controle
local.
1.8.1 Repetio
A repetio corresponde ao nmero de vezes que o tratamento aparece
no experimento. Quanto maior o nmero de repeties de um experimento,
menor probabilidade de erro ele ter. Normalmente, em quase todos os
experimentos, usa-se de quatro a seis repeties. Contudo, o nmero de
repeties de um experimento depende de uma srie de fatores, os quais j
foram vistos anteriormente (ver item 1.5.6 Nmero de repeties dos
experimentos).
O princpio da repetio tem por finalidade:
27
a) Permitir a estimativa do erro experimental;
b) Aumentar a preciso das estimativas;
c) Aumentar o poder dos testes estatsticos.
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 no suficiente para concluir-se que A mais
produtiva. Isso poder ter ocorrido por simples acaso ou por fatores acidentais.
Porm, se forem semeadas vrias parcelas com as variedades A e B,
mesmo assim verifica-se que a variedade A apresenta maior produtividade, j
um indcio de que ela seja mais produtiva.
Tambm, ao comparar-se, por exemplo, duas raas de gado bovino de
leite (X e Y), colocadas em duas parcelas (baias) com as mesmas dimenses, o
simples fato de X produzir mais leite do que Y no suficiente para concluir-
se que X mais produtiva. Isso poder ter ocorrido por simples acaso, ou seja,
a vaca que representou a raa X se encontrava bem acima da mdia da raa em
termos de produo de leite e a vaca que representou a raa Y se encontrava
no limite inferior da produo de leite da raa, visto que normal haver
diferena na constituio gentica dos animais de uma mesma raa. Como
nenhuma das vacas estava representando fielmente o potencial produtivo de
suas raas, a concluso no merece credibilidade.
Porm, se forem colocadas vrias parcelas com as raas X e Y e a raa
Y apresenta-se com a maior produo de leite, j um indcio de que ela seja
mais produtiva.
1.8.2 Casualizao
A casualizao consiste em se distribuir aleatoriamente os tratamentos
nas parcelas, de modo que cada um tenha a mesma chance de ocupar qualquer
parcela na rea experimental. A casualizao assegura a validade da estimativa
do erro experimental, pois permite uma distribuio independente do erro
experimental.
Embora considerando diversas parcelas de A e outras de B do
exemplo anterior, poder 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 frtil do solo.
Para evitar que uma das variedades, no caso em considerao, seja
favorecida sistematicamente por qualquer fator externo, procede-se
casualizao das parcelas.
Se, mesmo assim, a variedade A mais produtiva, mais um
indicativo de que ela seja mais produtiva.
Tambm, mesmo considerando diversas parcelas de X e outras de Y
do exemplo com as raas de gado bovino de leite, poder ocorrer que Y foi
mais produtiva por ter sido favorecida por algum fator qualquer, como, por
28
exemplo, todas as suas parcelas estarem agrupadas num ambiente onde a
temperatura foi mais favorvel.
Para evitar que uma das raas, no caso em considerao, seja
favorecida sistematicamente por qualquer fator externo, procede-se
casualizao das parcelas.
Se, mesmo assim, a raa Y apresentou a maior produo de leite,
mais um indicativo de que ela seja mais produtiva.
1.8.3 Controle Local
O controle local usado quando as parcelas, antes de receberem os
tratamentos, apresentam diferenas entre si. Dessa maneira, deve-se fazer o
agrupamento das parcelas homogneas em blocos, que tm por finalidade
diminuir o erro experimental. Os critrios para o agrupamento das parcelas
homogneas em blocos podem ser: idade, sexo, produo, peso, textura do
solo, declividade, localizao geogrfica, etc..
Algumas observaes se fazem necessrias:
a) Quando o ambiente reconhecidamente homogneo, dispensam-se
os blocos; entretanto, se houver dvidas quanto homogeneidade, recomenda-
se a sua utilizao.
b) Em certos tipos de experimentos, os blocos no contm todos os
tratamentos; so os chamados blocos incompletos.
c) Nos blocos, cada tratamento s aparece uma nica vez; em certos
casos, os blocos so constitudos de mais de uma repetio dos tratamentos.
d) A variao dentro dos blocos deve ser a menor possvel, ao passo
que a variao entre os blocos pode ser grande ou pequena, isto no importa.
e) Em experimentos de alimentao animal, principalmente de vacas
leiteiras, cada animal representa um conjunto de parcelas (bloco); so os
experimentos alternativos, onde se toma cada animal como um bloco, sobre o
qual se consideram vrias parcelas, que so perodos sucessivos de produo
de leite, de ovos, etc., cada um deles com algumas semanas de durao, tendo-
se o cuidado de desprezar a produo do animal na primeira semana que se
segue mudana de tratamento, para eliminar o efeito residual de um
tratamento sobre o tratamento subseqente.
Ainda que as variedades A e B de milho, do exemplo citado
anteriormente, tivessem sido semeadas em vrias parcelas, todas elas
casualizadas na rea experimental, poder acontecer que A foi mais produtiva
por ter sido favorecida por algum fator qualquer, como por exemplo, a maioria
de suas parcelas ficou, por acaso, numa parte mais frtil do solo.
Para evitar que isso acontea, procede-se o controle local.
Se ainda assim, a variedade A foi a mais produtiva, de se esperar que
essa concluso seja realmente vlida.
29
Tambm, mesmo que as raas X e Y de gado bovino de leite, do
exemplo citado anteriormente, tivessem sido colocadas em vrias parcelas,
todas elas casualizadas na rea experimental, poder acontecer que Y
apresentou a maior produo 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 favorvel.
Para evitar que isso acontea, aplica-se o princpio do controle local.
Se ainda assim, a raa Y apresentou a maior produo de leite, de se
esperar que essa concluso seja realmente vlida.
1.9 Exerccios
a) Pretende-se avaliar o comportamento de seis espcies de
leguminosas no Municpio de Macei-AL, com o objetivo de melhorar a
fertilidade do solo da regio de tabuleiro, atravs da adubao verde, e voc
foi o escolhido para realizar essa pesquisa. Mostre, de maneira esquemtica,
como voc instalaria o experimento no campo, se o mesmo fosse do tipo
aleatrio. E como ficaria se fosse do tipo sistmico. Qual dos tipos de
experimentos proporcionaria uma menor variao acidental? Justifique.
b) D exemplo de um ensaio e identifique os trs tipos de variaes.
c) Por que no procedimento de amostragem de parcelas deve-se
separar a rea amostrada do restante da parcela, no caso dos vegetais?
d) Mostre, de maneira esquemtica, como a orientao das parcelas e
o efeito bordadura so 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 no deve de
modo algum esquecer do efeito bordadura no seu planejamento. Mostre, de
maneira esquemtica, o efeito bordadura em cada um dos tipos de
experimentos.
f) Por que, nos experimentos de competio de variedades, as parcelas
experimentais devem ter, no mnimo, trs fileiras?
g) Para que servem os mtodos de correo de falhas? D um exemplo
fictcio, aplique cada um dos mtodos de correo de falhas, com exceo da
anlise de covarincia, compare os resultados obtidos e tire as devidas
concluses.
30
31
2
ETAPAS DE UM
EXPERIMENTO
O pesquisador das cincias agrrias est constantemente se utilizando
de experimentos para obter novos fatos, negar ou confirmar hipteses ou
resultados obtidos anteriormente. Tais experimentos, conforme j visto no
captulo anterior, so pesquisas planejadas, que tomam por base determinados
princpios bsicos, para resolver problemas da agropecuria. Em funo disso,
eles apresentam as seguintes etapas: elaborao do projeto, instalao do
experimento, execuo do experimento, anlise estatstica dos dados
experimentais, interpretao dos resultados e relatrio final.
2.1 Elaborao do Projeto
Todo pesquisador durante sua vida profissional elabora vrios projetos
de pesquisa. Tais projetos tm por objetivo obter recursos para a conduo da
pesquisa, alm de orientar as atividades durante o decorrer do trabalho.
A elaborao de um projeto de pesquisa no uma empreitada
simples, pois exige conhecimento e dedicao por parte do pesquisador. Ele
normalmente deve possuir um profundo conhecimento da espcie que ir
trabalhar em vrios aspectos, tais como: botnica, fisiologia vegetal, gentica
vegetal, manejo da cultura, problemas de insetos-praga e doenas e exigncia
de mercado, para o caso de espcies vegetais; e anatomia, fisiologia animal,
gentica animal, manejo do animal, problemas de parasitos e doenas e
exigncias de mercado, para o caso de espcies animais. Segundo
RAMALHO, FERREIRA e OLIVEIRA (2000), esse conhecimento
importante para a escolha do assunto que deve ser pesquisado, na identificao
da melhor alternativa para solucionar o problema e ter informaes do que j
foi realizado por outros pesquisadores na soluo do problema, evitando,
assim, que se repita o que outros j fizeram.
A dedicao na elaborao do projeto de pesquisa tambm
importante. preciso ter sempre em mente que a sua capacidade profissional e
a sua instituio esto sendo avaliadas pelo que est contido no projeto de
pesquisa. Como normalmente h necessidade de se elaborar o projeto de
32
pesquisa dentro de um perodo muito curto de tempo, por exigncia da
instituio financiadora do projeto, cabe ao pesquisador ter uma ateno
redobrada.
Alm do que foi visto, conveniente ressaltar que um projeto de
pesquisa deve ser muito bem elaborado, para que a anlise estatstica possa ser
efetuada de forma adequada e conduza a concluses vlidas; 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 est inserido. As instituies financiadoras de projetos, tanto
pblicas como privadas, possuem, geralmente, um roteiro prprio com
instrues especficas para montagem do projeto. O pesquisador deve ento se
submeter quele modelo. Em alguns casos, sobretudo quando se trata de
pesquisas importantes, o pesquisador deve recorrer aos tcnicos em
planejamento para auxili-lo na elaborao do projeto.
De um modo geral, na elaborao do projeto, deve ser especificado os
seguintes itens:
a) Ttulo - O ttulo do trabalho experimental deve ser o mais simples
possvel, de forma a no deixar dvida sobre o objetivo da experimentao. Na
realidade, o ttulo uma sntese dos objetivos do trabalho experimental.
Na definio do ttulo, o pesquisador deve evitar generalidades ou
idias vagas. Por exemplo, no se deve utilizar: "Estudo de relaes
fisiolgicas em sorgo sacarino" e sim "Avaliao do espaamento sobre a
produo de lcool etlico em trs cultivares de sorgo sacarino"; Estudo de
relaes fisiolgicas em gado bovino de leite e sim Avaliao da
temperatura sobre a produo de leite em quatro raas de gado bovino de
leite.
b) Responsvel e Colaboradores - Indicar as pessoas que elaboraram
o projeto e as que iro trabalhar na execuo do experimento, com as
respectivas titulaes, bem como as instituies envolvidas. O responsvel
principal, ou seja, o coordenador do projeto, deve ser o primeiro da lista.
c) Resumo - O resumo a apresentao concisa e freqentemente
seletiva do projeto, pondo em relevo os elementos de maior interesse e
importncia, ou seja, a importncia do assunto a ser pesquisado, os objetivos a
serem alcanados, a metodologia a ser usada e os resultados esperados.
d) Introduo - Nela deve conter, pela ordem: importncia do assunto
a ser pesquisado, descrio do problema e justificativa do trabalho.
Na importncia do assunto a ser pesquisado, deve ser ressaltado o
aspecto econmico e social do mesmo.
Na descrio do problema, o mesmo deve ser identificado e
caracterizado de forma clara, alm de manter coerncia com os objetivos e
metas do projeto.
33
Na justificativa do trabalho, as razes para a conduo do projeto
devem ser explicitadas, deve indicar a contribuio que o mesmo dar para a
soluo do problema, bem como devem ser abordados os aspectos tcnicos e
econmicos relacionados ao entendimento do problema.
e) Objetivos - O pesquisador deve expor claramente as questes que
devem ser respondidas pela pesquisa. Os objetivos devem ser realistas,
compatveis com os meios e mtodos disponveis, e manter coerncia com o
problema que deu origem ao projeto.
Um projeto de pesquisa, quando bem sucedido, normalmente d uma
pequena contribuio informao existente sobre o tema. Assim, projetos
com objetivos ambiciosos demais dificilmente so aprovados, pois os
consultores tm vivncia no assunto e sabem que a proposta de baixa
viabilidade. Muitas vezes, os objetivos so viveis, porm so em nmero
excessivo. Nesse caso, embora eles sejam viveis, o pesquisador pode se
perder no manuseio de toda a informao que gerada, e o projeto reduz sua
eficincia. 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..
f) Metas - O pesquisador deve evitar metas que extrapolam a
performance do projeto de pesquisa, ou seja, metas ilusrias, pois depe contra
o projeto de pesquisa, mostrando falta de conhecimento do pesquisador sobre
o assunto pesquisado.
nesse tpico onde o pesquisador detalha, quantifica e localiza os
objetivos no tempo.
Sempre que possvel explicitar as metas no cronograma de execuo
para facilitar o acompanhamento.
g) Hiptese Cientfica - A formulao da hiptese cientfica no
projeto deve ser bem fundamentada em conhecimentos tericos e raciocnios
lgicos.
A principal arma do pesquisador no o conhecimento existente nem
a reviso de literatura, mas sim a forma de como ele as utiliza para raciocinar e
deduzir criando sua hiptese cientfica.
A hiptese cientfica a proposio testvel do projeto. Em funo
disso, ela deve ser coerente com os objetivos e com a metodologia, isto , a
hiptese cientfica deve conter a proposta testvel dos objetivos, e a
metodologia apresentada deve ser capaz de test-la.
h) Reviso de Literatura - Nesse tpico o pesquisador deve expor
claramente o que j conhecido acerca do problema para o qual se procura a
resposta, quais as questes j respondidas por outras pesquisas e se esse
conhecimento acumulado no suficiente para ter a soluo via
difuso/transferncia de conhecimento ou tecnologia.
34
Para responder a essas questes, a reviso de literatura deve ter uma
abrangncia ampla, permitindo ainda verificar a adequao dos materiais e
mtodos do projeto para o alcance dos objetivos e metas propostas, bem como
a funo de fornecer subsdios para a formulao da hiptese cientfica e de
auxiliar a interpretao dos resultados.
A reviso de literatura no deve ser uma simples seqncia de outros
trabalhos. Ela deve incluir tambm uma contribuio do autor, para mostrar
que os trabalhos no foram meramente catalogados, mas sim examinados e
criticados objetivamente.
Deve-se incluir somente os trabalhos mais importantes desenvolvidos
sobre o assunto, dando preferncia queles publicados nos ltimos dez anos.
sempre aconselhvel referir-se somente aos assuntos que possuam
relao direta e especfica com os objetivos da pesquisa.
Deve-se evitar citaes referentes a assuntos j amplamente
divulgados, rotineiros ou de domnio pblico, bem como de natureza didtica
(apostilas, por exemplo) que reproduzam de forma resumida os trabalhos
originais. Nestes casos, aconselhvel, sempre que possvel, consultar e citar
o original. Isto no impede que sejam citados trabalhos didticos, quando
ofeream contribuies originais.
A citao dos trabalhos feita da seguinte maneira: No caso de um
autor, os trabalhos so citados com o sobrenome do autor em letras
maisculas, seguido do ano de publicao entre parnteses, como por
exemplo, FERREIRA (1983). No caso de dois autores, mencionam-se os
sobrenomes dos dois com letras maisculas unidos por "e" ou ";", como por
exemplo, FERREIRA e COSTA (1984) ou (FERREIRA; COSTA, 1984). No
caso de trs autores, mencionam-se os sobrenomes dos trs com letras
maisculas unidos por ", e e" ou por "; e ;", como por exemplo, BANZATTO,
BENINCASA e ORTOLANI (1986) ou (BANZATTO; BENINCASA;
ORTOLANI, 1986), porm se forem mais de trs autores, deve-se citar apenas
o sobrenome do primeiro em letras maisculas, seguindo pela expresso et al.
e do ano entre parnteses. Ex.: RAMALHO et al. (1983). Em caso de citao
de outra citao, o autor do trabalho original (no consultado) deve aparecer
em letra maiscula, seguindo-se, entre parnteses, o sobrenome em letras
maisculas do autor consultado, precedido pela expresso "apud" ou "citado
por" e acompanhado do ano de publicao, como por exemplo, BARROS
(apud SILVA, 1989) ou BARROS (citado por SILVA, 1989).
i) Material e Mtodos - Devem ser definidos em funo das hipteses
formuladas. aqui onde o pesquisador deve colocar o maior nmero possvel
de detalhes, porm sem exagero. Nesse tpico deve conter, pela ordem:
i.1) O lugar onde se realizar o experimento, se no laboratrio, casa-
de-vegetao, estbulo ou campo, especificando para qualquer um dos trs
primeiros locais as condies ambientais, em termos de temperatura ambiente,
35
umidade relativa do ar, luminosidade, etc., e no campo, o tipo do solo, o pH,
topografia, clima, coordenadas geogrficas, etc.;
i.2) Os tratamentos a serem avaliados, sendo indicados da forma mais
completa possvel;
i.3) O delineamento experimental que ser utilizado e o nmero de
repeties do experimento. Alm disso, a rea total e a rea til da parcela, o
nmero de plantas por parcela, o espaamento a ser utilizado, o nmero de
sementes ou mudas por cova ou por metro de sulco, para o caso dos vegetais, a
rea da parcela, o nmero 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 poca de semeadura, o sistema de plantio, a forma, poca e tipo de
adubao, o sistema e poca de irrigao, os tipos e pocas dos tratos culturais,
os controles preventivos contra os insetos-praga e s doenas, a forma e poca
de colheita, etc., e, para o caso dos animais, a idade, a raa, o sexo e o peso
dos mesmos, a rao utilizada e a forma de administr-la, os controles
preventivos contra os parasitos e doenas, etc.;
i.5) As variveis a serem determinadas, indicando claramente como as
mesmas sero realizadas e a metodologia a ser utilizada na sua determinao;
i.6) Os procedimentos estatsticos, indicando como ser feita a anlise
dos dados experimentais e os testes a serem utilizados, alm do modelo
matemtico das referidas anlises.
j) Bibliografia - Relacionar toda literatura utilizada efetivamente na
elaborao do projeto de pesquisa, obedecendo s normas da Associao
Brasileira de Normas Tcnicas (ABNT).
l) Oramento - Nesse tpico o pesquisador deve fornecer uma
estimativa dos gastos a serem realizados com materiais de consumo, mo-de-
obra, servios de terceiros, equipamentos, combustveis, manuteno de
equipamentos, dirias, construes, etc., o que no uma tarefa fcil.
Se houver uma instabilidade econmica no pas poder comprometer a
execuo do experimento, pois os recursos que foram previstos com dois a trs
anos de antecedncia podero sofrer uma defasagem quando a inflao atinge
nveis elevados. Por outro lado, mesmo no ocorrendo inflao no pas, o
pesquisador deve solicitar apenas o necessrio, atendendo aos itens de despesa
que a fonte financiadora normalmente exige, pois, caso contrrio, se a
solicitao for subestimada indica desconhecimento do assunto, e se for
superestimada cai-se no ridculo.
Sempre que possvel, o pesquisador deve justificar a aquisio de cada
equipamento, procurando evidenciar a sua importncia na execuo do
experimento para o alcance dos objetivos propostos. Da mesma forma, se for
solicitado a construo de um laboratrio, casa-de-vegetao, galpo, tanque,
etc., o pesquisador deve ressaltar a sua importncia na execuo do
experimento para o alcance dos objetivos propostos.
36
m) Cronograma de Execuo - O pesquisador deve escalonar, no
tempo, as fases e tarefas do experimento com muita preciso. Mesmo no se
dando muita ateno a esse tpico, um projeto de pesquisa bem planejado ter
naturalmente um cronograma de execuo bem definido.
A seguir ser apresentado um modelo de projeto de pesquisa.
37
UNIVERSIDADE FEDERAL DE ALAGOAS
CENTRO DE CINCIAS AGRRIAS
Avaliao de Clones de Batata-doce (Ipomoea batatas (L.) Lam), em Rio
Largo - Alagoas.
Projeto de pesquisa apresentado pelo
aluno de ps-graduao, Jair Tenrio
Cavalcante, Coordenao do Curso
de Mestrado em Agronomia: Produo
Vegetal do CECA/UFAL, referente
sua Dissertao de Mestrado.
Rio Largo/Alagoas
Setembro de 1999
38
Avaliao de Clones de Batata-doce (Ipomoea batatas (L.) Lam), em Rio
Largo - Alagoas.
Jair Tenrio Cavalcante (1)
Paulo Vanderlei Ferreira (2)
Lailton Soares (3)
1 RESUMO
Apesar da batata-doce ser uma das hortalias mais consumidas no
Brasil e especialmente em Alagoas, apresenta baixa produtividade em funo
dos seguintes fatores: ocorrncia de pragas e doenas, tecnologia de produo
inadequada e falta de cultivares selecionadas para a regio. Em funo destes
fatos e da extrema necessidade do Estado de Alagoas expandir o seu potencial
produtivo de hortigranjeiro, faz-se necessrias pesquisas no sentido de obter
para a regio cultivares de batata-doce adaptadas, com boas caractersticas
agronmicas, elevada capacidade produtiva e resistncia s principais pragas e
doenas que assolam a cultura. Com esse objetivo pretende-se avaliar 14
clones de batata-doce desenvolvidos em Alagoas, mediante anlise de
varincia, comparao de mdias e coeficiente de determinao genotpica
para oito caracteres, nas condies de solo e clima de Rio Largo-AL. Sero
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. Ser utilizado o
delineamento em blocos casualizados, com quatro repeties. A partir dos 90
dias aps o plantio e at a colheita dos tubrculos sero observados
quinzenalmente os danos causados pela presena de pragas e doenas, caso
venham a ocorrer, para avaliao do grau de resistncia dos referidos clones
de batata-doce. Aos 130 dias aps o plantio, na ocasio da colheita, ser
avaliado o rendimento dos clones (em kg ha
-1
), bem como ser feita uma
caracterizao dos tubrculos em termos de: peso (em g), dimetro (em cm) e
comprimento (em cm). Com a pesquisa espera-se aumentar a produtividade de
batata-doce em Alagoas atravs da seleo de cultivares produtivas e
adaptadas para a regio.
_______________________
(1) Eng
o
. Agr
o
. Professor da Escola Agrcola de Jundia da UFRN. Aluno do Curso de
Mestrado em Agronomia: Produo Vegetal da UFAL.
(2) Eng
o
. Agr
o
., M. Sc., Dr. Professor Adjunto 4 do FIT-CECA/UFAL. Orientador.
(3) Eng
o
. Agr
o
. M. Sc., Dr. Professor Adjunto 4 do FIT-CECA/UFAL. Co-Orientador.
39
2 INTRODUO
A batata-doce a quarta hortalia mais consumida no Brasil. uma
cultura tropical e subtropical, rstica, de fcil manuteno. Apresenta boa
resistncia seca e ampla adaptao. O custo de produo relativamente
baixo, com investimentos mnimos e de retornos elevados. tambm uma das
hortalias com maior capacidade de produzir energia por unidade de rea e
tempo (kcal ha
-1
dia
-1
) (MIRANDA et al., 1995).
Fatores como a ocorrncia de pragas e doenas, tecnologia de
produo inadequada e a falta de cultivares selecionadas so responsveis pela
baixa produtividade mdia brasileira, que est em torno de 8,7 t ha
-1
(SILVA e
LOPES, 1995). Por outro lado, a situao em Alagoas mais crtica, pois
apresenta produtividade mdia de 7,7 t ha
-1
e no existem cultivares
selecionadas para a regio (FIBGE, 1999).
So poucos os trabalhos de pesquisas visando selecionar e recomendar
cultivares de batata-doce para diferentes regies do pas (SILVA e LOPES,
1995). Sabe-se que tanto a introduo como a obteno de novas cultivares, de
qualquer espcie cultivada, constitui um trabalho contnuo e dinmico, pois as
novas cultivares selecionadas permanecem em uso durante um nmero
varivel de anos, para por sua vez serem substitudas por outras superiores.
Por outro lado, a avaliao de gentipos superiores feita geralmente
a partir de uma anlise de varincia e comparao de mdias para cada
varivel. Contudo, seria importante tambm incluir a anlise de um parmetro
gentico que venha dar suporte aos resultados alcanados. Um dos parmetros
genticos mais usados o coeficiente de determinao genotpica, pois o seu
conhecimento para um dado carter permite a quantificao da relao entre o
desempenho das plantas-mes e suas prognies em geraes subseqentes.
Alm disso, o seu conhecimento permite estabelecer os objetivos principais a
serem alcanados em programas de melhoramento de plantas (GONALVES
et al., 1983).
Considerando-se estes fatos e a extrema necessidade do Estado de
Alagoas expandir o seu potencial produtivo de hortigranjeiro, faz-se
necessrio um estudo no sentido de obter para a regio, atravs do
melhoramento gentico de plantas, cultivares de batata-doce adaptadas, com
boas caractersticas agronmicas, elevada capacidade produtiva e resistncia
s principais pragas e doenas que assolam a cultura. Isto decerto, ir
contribuir para o desenvolvimento scio-econmico da regio.
3 OBJETIVO
Avaliar clones de batata-doce desenvolvidos em Alagoas, mediante
anlise de varincia, comparao de mdias e coeficiente de determinao
genotpica para cada carter, nas condies de solo e clima de Rio Largo-AL.
40
4 META
Avaliar 14 clones de batata-doce desenvolvidos em Alagoas, mediante
anlise de varincia, comparao de mdias e coeficiente de determinao
genotpica para oito caracteres, nas condies de solo e clima de Rio Largo-
AL, no ano de 1999.
5 HIPTESE CIENTFICA
A baixa produtividade de batata-doce em Alagoas conseqncia da
ausncia de cultivares produtivas e adaptadas para a regio.
6 REVISO 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 dicotiledneas, famlia das convolvulceas,
gnero Ipomoea e espcie Ipomoea batatas (L.) Lam. (BARRERA, 1989)
uma planta herbcea, de crescimento rasteiro, podendo suas ramas
atingir de dois a trs metros, em algumas variedades pode chegar at dez
metros de comprimento, com colorao que variam de verde claro, escuro a
roxo e dimetro variando de cinco a oito milmetros. Suas folhas podem ser
classificadas como lobos profundos, lobos rasos e folhas inteiras, com
colorao de verde claro, escuro e at roxo. O comprimento do pecolo varia
de sete a 25 cm. As flores so grandes com cinco ptalas, apresentando
colorao branca, rsea ou arroxeada. O fruto uma cpsula em forma de
globo, contendo quatro lculos onde se localizam as sementes, que possuem
forma achatada, angulosa e negra, medindo cerca de trs milmetros de
comprimento, coberta por uma pelcula escura e resistente, causando um baixo
poder germinativo. O sistema radicular formado por uma raiz principal no
tuberosa, e por um nmero pequeno de razes secundrias, laterais, sendo que
algumas dessas ltimas se transformam em razes tuberosas. As cultivares que
tm maior aceitao no comrcio, so aquelas que apresentam epiderme rosa,
roxa ou branca e a polpa branca ou creme (BARRERA, 1989).
O crescimento e desenvolvimento da batata-doce so constitudos por
trs fases: Uma fase inicial, caracterizada pelo crescimento lento da parte
area (ramos e folhas) e razes absorventes; uma fase intermediria, onde a
taxa de crescimento da parte area e das razes absorventes elevado e onde
tambm ocorre o incio da formao e crescimento das razes tuberosas e uma
fase final, caracterizada pela reduo na taxa de crescimento da parte area e
41
das razes absorventes e um rpido crescimento das razes tuberosas (SILVA e
LOPES, 1995).
uma planta tropical, preferindo clima quente, alta luminosidade,
fotoperodo longo e com temperaturas em torno de 24
0
C e no tolera geadas;
produz bem em regies onde ocorrem precipitaes entre 750 a 1.000 mm/ano
ou 500 a 600 mm bem distribudos durante o ciclo da cultura. Entretanto, no
tolera encharcamento, pois pode causar razes tuberosas finas e alongadas,
quando h 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
mdia a alta fertilidade, bem estruturados e com boa aerao. Nesses solos as
razes so mais uniformes, apresenta pouca aderncia a terra na superfcie e
tendo melhor aparncia. Os solos argilosos, excessivamente compactados,
midos e frios, provocam deformaes nos tubrculos. Um excesso de
nitrognio 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 exigncias minerais da cultura so em ordem decrescente: potssio,
nitrognio, fsforo, clcio e magnsio.
A propagao da batata-doce se d atravs de sementes botnicas,
batatas, ramas, mudas, enraizamento de folhas destacadas ou cultura de
tecidos. A formao de viveiros para a produo de mudas ou ramas o
mtodo mais recomendado comercialmente, segundo SILVA e LOPES (1995).
Existe um grande nmero de cultivares de batata-doce no Brasil como
em outros pases. Em quase todos os estados brasileiros somam-se dezenas de
cultivares desses tubrculos (BARRERA, 1989). A recomendao dessas
cultivares esto estreitamente relacionadas ao local e poca de plantio,
adubao, finalidade do cultivo e preferncia do mercado consumidor.
Algumas regies tm indicaes prprias, tais como: Balo, Trs Quinas e
Jambo (Manaus, AM); Gonalves, Variedade 14, Arroba e Peanha Branca
(MG); Americana e Rama Roxa (Porto Alegre e regies prximas, RS);
Rosinha do Verdan (RJ); Ourinho e Batata-Salsa (SE); Rainha e Japonesa
(PA); Brasilndia Rosada e Coquinho (Braslia, DF), entre outras. 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 poca de plantio varia em funo das condies locais (temperatura,
luminosidade, fotoperodo) e da cultivar (precocidade, vigor e tipo de planta).
Deve-se considerar ainda a disponibilidade ou no de equipamento de
irrigao. Os espaamentos 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).
42
As ramas ou pedaos de hastes utilizados para o plantio comercial de
batata-doce, devem ter de oito a dez entrens e serem obtidas de viveiros
feitos com batatas ou lavouras novas (at 90 dias), enterrando de trs a quatro
entrens da base da rama no topo da leira (MIRANDA et al., 1995).
A irrigao recomendada quando os plantios forem feitos em pocas
de seca ou quando ocorrerem longos perodos de estiagem. O perodo crtico
da cultura os primeiros 40 dias aps o plantio, quando a superfcie do solo
deve estar com um bom teor de umidade para promover um bom pegamento
das ramas e um bom desenvolvimento vegetativo. Tambm nos ltimos 40
dias antes da colheita, no deve faltar gua no solo para haver uma boa
formao das razes tuberosas. A irrigao poder ser feita tanto por asperso
como por sulcos, observando certos cuidados neste ltimo (declividade, tipo
de solo, etc.) (SILVA e LOPES, 1995).
Segundo SILVA e LOPES (1995), o replantio deve ser feito at 15
dias aps o plantio, quando ocorrer mais de 12 a 15 % de falhas. Deve-se
manter a plantao livre de plantas invasoras, principalmente nos primeiros 45
dias aps o plantio, poca de maior competio por gua, luz, nutrientes e
espao fsico entre a cultura e as ervas. Evitar plantios sucessivos de batata-
doce em um mesmo local por mais de dois anos, pois aumenta a incidncia de
pragas e doenas e provocam queda de produtividade devido ao
desbalanceamento dos minerais no solo. E na destruio da soqueira aps a
colheita, orientam aplicar 2 kg/ha do ingrediente ativo de glifosato, promove
um bom controle. A adio de uria a 0,5 % calda melhora a atividade do
herbicida. Aps trs a quatro semanas fazer catao manual dos tubrculos e
raizames remanescentes.
A poca de colheita depende da finalidade da cultura, mesa, indstria
ou alimentao animal, geralmente se colhe entre quatro e cinco meses. Esta
pode ser feita manual (enxadas, enxades) ou mecanizada com equipamentos
prprios acoplados a tratores. De incio, faz-se a retirada da ramagem,
posteriormente procede-se o arranquio dos tubrculos, deixando-os expostos
ao sol por meia a trs horas para secar, quanto maior a temperatura, menor
ser o tempo de exposio. Depois, leva-se os tubrculos para o galpo onde
se procede o escovamento para a retirada da terra aderida, classificao,
embalamento e armazenamento. Sendo necessrio a prtica da cura para uma
melhor conservao do produto. Nesta, a temperatura ambiente deve est entre
28 a 30
o
C e alta umidade relativa do ar (85 a 90 %) por quatro a sete dias,
aps este perodo as batatas podem ser conservadas em locais com
temperaturas mais amenas (13 a 16
o
C), e alta umidade relativa do ar (85 a 90
%) e boa aerao. 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 so:
43
Broca da raiz (Euscepes postfasciatus) - os adultos medem de trs a
cinco milmetros de comprimento, tm colorao geral marrom ou castanha,
com uma mancha transversal sobre os litros. Este inseto pode aparecer
durante todo ciclo da cultura. Suas larvas so de cor branca ligeiramente
encurvadas e podas, danificando as razes tanto interna como externamente,
desvalorizando-as para o comrcio. As galerias abertas pelas larvas alteram o
aspecto fsico, odor e o sabor das razes, tornando-as imprestveis para o
consumo humano e at mesmo animal.
Vaquinha ou bicho-alfinete (Diabrtica speciosa) o adulto um
besourinho de cor verde, com cinco a oito milmetros de comprimento, que se
caracteriza pelas manchas amarelas localizadas nos litros. As larvas so
geralmente brancas, chegam a alcanar at dez milmetros de comprimento,
fazendo pequenos furos superficiais na raiz tuberosa, depreciando-a
comercialmente, alm de facilitar a entrada de patgenos como fungos e
bactrias. Os adultos eventualmente podem danificar as folhas pela destruio
do limbo folias.
Existem outras espcies de vaquinhas como: Sternocolaspis
quatuordecimcosta, Diabrotica bivitula. Os danos so os mesmos causados
pela D. speciosa.
Besouro Larva-arame (Conoderus sp.) os besouros tm colorao
castanha ou marrom, corpo alongado e achatado e mdia de 15 a 25 mm, As
larvas so marrom-claras ou escuras, cilndricas fortemente quitinizadas,
(duras como couraas), medem at 20 mm, provocando furos de at cinco
milmetros de dimetro, que so relativamente fundos, diminuindo o valor
comercial e facilitando a entrada de fungos e bactrias.
Broca-do-coleto (Megastes pusialis) os adultos so mariposas pardo-
escuras e medem at 45 mm de envergadura. As fmeas depositam seus ovos
no caule e haste da planta. Ao eclodirem, as larvas penetram no interior das
ramas, escavando galerias. No ltimo nstar, as larvas alcanam 40 a 50 mm
de comprimento e tm colorao predominantemente rosada, com pontuaes
dorsais negras. Geralmente as lagartas empupam dentro das hastes. Um
sintoma visual caracterstico o murchamento das folhas e ramas.
Existem outros insetos como besourinhos, pulges, bicho-bolo,
cigarrinhas, lagarta rosca e outras lagartas da folhagem que causam danos
eventuais, de importncia econmica secundria.
Como medidas gerais de controle das pragas, citam-se: plantar
cultivares resistentes a pragas do solo; fazer rotao 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 aps o
plantio para evitar danos de insetos do solo, roedores e eliminar ou queimar os
restos culturais para evitar a proliferao dos insetos.
Com relao s principais doenas da batata-doce, SILVA e LOPES
(1995) citam as seguintes:
44
a) Doenas provocadas por fungos:
Mal-do-p (Plenodomus destruens) inicialmente os sintomas
aparecem no caule ao nvel do solo, com pequenos pontos escuros, que vo
aumentando de tamanho at tomar toda base da planta que fica enegrecida.
Como conseqncia, a planta murcha e morre.
Ferrugem branca (Albugo ipomoea panduratae) se manifesta com
pequenas manchas amareladas na parte superior das folhas e com pstulas
esbranquiadas na parte inferior. Posteriormente as reas afetadas ficam
deformadas, como se fossem bolhas. O sintoma tambm pode aparecer no
caule.
Mancha-de-alternria (Alternria spp.) o sintoma principal o
amarelecimento das folhas, ocasionado pela toxina liberada pelo fungo em
desenvolvimento, leses no limbo e pecolo 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 so estrutura do
fungo. As vezes as leses se desprendem deixando a folha furada.
Sarna (Monilochaestes infuscans) ataca somente as razes, deixando
manchas escuras na pelcula, no atingindo a polpa, no entanto diminui o seu
valor comercial.
Podrido-mole (Rhizopus sp.) ocorre principalmente aps a colheita,
podendo tambm se apresentar antes. A raiz afetada pode ser facilmente
quebrada e no apresenta mal cheiro. No armazm as batatas atacadas
apresentam um mofo preto que se propaga facilmente para outras razes.
b) Doenas provocadas por vrus:
Mosaico comum (Feathery mottle ou vrus do mosqueado) os
sintomas so pequeno crescimento das folhas, folhas estreitas e amareladas. O
pulgo o principal transmissor do vrus.
Micoplasmose (Conhecida como doena do enraizamento) a planta
apresenta superbrotao e deformao do limbo foliar.
c) Doenas provocadas por nematides:
Rachaduras longitudinais em razes so sintomas do ataque do
nematide do gnero Meloidogyne, embora no sejam os nicos causadores
dessas doenas.
Como medidas gerais de controle das doenas, citam-se: plantar
apenas ramas ou mudas sadias; fazer viveiro para produo 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 regio; na
retirada das ramas evitar aquelas prximas ao colo da planta me; fazer
tratamento sanitrio do viveiro com fungicidas e inseticidas; evitar o plantio
em local muito mido ou mal drenado e adubar as plantas de forma
balanceada, evitando principalmente o excesso de nitrognio.
d) Distrbios fisiolgicos:
45
Rachaduras causadas por alta umidade do solo, seguida por longos
perodos de seca;
Escaldadura causada pela exposio das razes ao sol ou geadas;
Corao duro razes expostas a temperatura menores de 8 10
o
C
causa polpa dura aps o cozimento.
Fasciao fatores ainda desconhecidos causam achatamento do
caule.
6.2 Melhoramento Gentico na Cultura da Batata-Doce:
Apesar do aumento da produtividade agrcola ter se tornado o objetivo
principal do melhoramento gentico de plantas, no se pode desprezar a
qualidade dos produtos agrcolas produzidos, nem to 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 iro variar de
acordo com a finalidade, mas de um modo geral os seguintes caracteres devem
ser considerados: alto rendimento de razes tuberosas; grande contedo de
beta-caroteno; boas qualidades culinrias que incluem condies para
panificao, cozimento, doces, etc.; obteno de razes com formato ideal; boa
capacidade de armazenamento; alto contedo de matria seca; com resistncia
as principais pragas e doenas; resistncia a nematides; entre outros.
Existe, no Brasil, um nmero elevado de cultivares de batata-doce,
com enorme diversidade gentica entre elas. Esta diversidade costuma se
apresentar no s de uma cultivar para outra, como tambm entre diferentes
campos de lavoura de uma mesma cultivar e algumas vezes, at mesmo dentro
de uma mesma planta que no raro pode apresentar no mesmo p, folhas
diferentes, no comeo e na ponta da rama. Essa capacidade de sofrer
mudanas dada atravs de mutaes genticas (mutaes-somticas) e
tambm atravs de cruzamentos espontneos. exatamente neste ponto que o
papel do pesquisador-melhorista pode ser de mxima importncia. Estudando
as mutaes que ocorrem na natureza e muitas vezes tentando cruzar as
diferentes cultivares que j provaram ser de alta produtividade e resistncia,
poder desenvolver em poucos anos aquilo que dentro da natureza levaria
dcadas ou at mesmo sculos (BARRERA, 1989).
Segundo ALLEM (1988), a substituio regional de variedades
primitivas por variedades comerciais j uma realidade para um sem nmero
de gros, especialmente cereais. A mesma tendncia comea a esborar-se
para culturas de razes e tubrculos, tradicionalmente propagadas por via
clonal. A sugesto de que o agricultor adote formas vegetais melhoradas est
correta em tese, mas importante reconhecer-se que tal poltica implica numa
reduo da variabilidade gentica da cultura, a no ser que medidas paliativas
sejam tomadas para minorar o problema. E a principal delas a multiplicao,
46
caracterizao e conservao deste germoplasma em vias de perda em coleo
de germoplasma.
ALLEM (1988) cita ainda que a maioria das cultivares de batata-doce
auto-estril, apresentando alta percentagem de auto-incompatibilidade. A
polinizao natural por abelhas permite que dois progenitores auto-
incompatveis possam produzir sementes (JONES, 1980). E a maneira de se
preservar a variabilidade gentica a longo prazo melhor conseguida atravs
do armazenamento de sementes verdadeiras (YEN, 1970), as quais
conservam-se bem por perodos de at 20 anos (JONES, 1980; JONES e
DUKES, 1982). Alm disso, programas de melhoramento gentico baseiam-se
principalmente na seleo de variedades clonais produzidas a partir de
plntulas (MARTIN, 1983).
Em relao aos mtodos de melhoramento, nas espcies propagadas
assexuadamente so utilizados os seguintes: seleo clonal, autofecundao,
hibridao e policruzamento. No caso particular da batata-doce, por ser uma
espcie auto-incompatvel, o mtodo mais adequado de melhoramento parece
ser o da hibridao. O referido mtodo consiste no cruzamento entre duas
populaes clonais, plantio das sementes botnicas e seleo das plantas
individuais, retirada das mesmas dos rgos vegetativos usados na
multiplicao da espcie, avaliao dos clones em ensaios de campo e seleo
dos mais satisfatrios, os quais iro constituir as novas variedades. Este
mtodo se baseia no fato de que o cruzamento praticado em plantas
propagadas assexualmente j libera a variabilidade gentica presente na
populao na gerao seguinte, uma vez que tais plantas so altamente
heterozigticas, dando imediata oportunidade seleo. Alm disso, conforme
BORM (1997), o trabalho do fitomelhorista pode ser facilitado, uma vez que
identificado um tipo superior, ele pode ser perpetuado, mantendo a sua
identidade gentica. Por essa razo, segundo ALLARD (1971), o
melhoramento das espcies propagadas assexuadamente , em certos aspectos,
menos complicado do que o melhoramento de outras espcies.
7 MATERIAL E MTODOS:
O experimento ser realizado no Centro de Cincias Agrrias da
Universidade Federal de Alagoas, localizado no Campus Delza Gita, BR 104
Norte, km 85, Rio Largo Alagoas, no ano de 1999. O solo classificado
como Latossolo Vermelho de acordo com JACOMINE et al. (1975). O
municpio est situado a uma latitude de 9
o
27S, longitude de 35
o
27W e uma
altitude de 127 m acima do nvel do mar, com temperaturas mdias de mxima
29
o
C e mnima de 21
o
C, e pluviosidade mdia anual de 1.267,7 mm
(CENTENO e KISHI, 1994).
Sero avaliados 14 clones da batata-doce, obtidos a partir de sementes
botnicas de populaes de polinizao livre, em novembro/97. So eles:
47
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.
Ser utilizado o delineamento em blocos casualizados, com 14
tratamentos e quatro repeties. As parcelas experimentais sero constitudas
por trs leiras de 6,0 m de comprimento com 0,30 m de altura cada, com 15
plantas por leira, no espaamento de 0,80 m x 0,40 m, considerando-se como
rea til a fileira central, avaliando-se sete plantas alternativas e competitivas,
a partir da segunda.
Antes do plantio, sero retiradas amostras do solo para anlise
qumica, visando a correo da acidez, caso necessrio; no ser utilizado
adubao qumica ou orgnica para melhor caracterizar a situao atual do
cultivo na regio.
No plantio sero utilizadas ramas sadias com oito a dez entrens, dos
quais trs a quatro sero enterrados no topo da leira.
Sero efetuadas irrigaes por asperso quando necessrias, visto que
tais clones de batata-doce sero plantados no perodo de inverno.
As parcelas experimentais sero mantidas livres de ervas daninhas,
atravs de capinas manuais enxada.
No sero efetuados os controles de pragas e doenas que por ventura
apaream.
A partir dos 90 dias aps o plantio e at a colheita dos tubrculos
sero observados quinzenalmente os danos causados pela presena de pragas e
doenas, caso venham a ocorrer, para avaliao do grau de resistncia dos
referidos clones de batata-doce.
Aos 130 dias aps o plantio, na ocasio da colheita, ser avaliado o
rendimento dos clones (em kg ha
-1
), bem como ser feito uma caracterizao
dos tubrculos em termos de: peso (em g), dimetro (em cm) e comprimento
(em cm).
As anlises da varincia do ensaio no delineamento em blocos
casualizados seguiro as recomendaes de FERREIRA (1996). As
comparaes entre mdias de clones de batata-doce sero feitas pelo Teste de
Tukey no nvel de 5% de probabilidade. J as anlises dos coeficientes de
determinao genotpica sero feitas de acordo com CRUZ (1994).
8 BIBLIOGRAFIA
ALLARD. R. W. Princpios do melhoramento gentico de plantas. Rio de
Janeiro: Editora Edgard Blucher Ltda.. 1971. 381p.
48
ALLEM, A. C. Recursos genticos da batata-doce: situao atual e
perspectivas. In: SEMINRIO SOBRE A CULTURA DA BATATA-DOCE.
1988, Braslia. Anais. Braslia: EMBRAPA, 1988. p. 37-54.
BARRERA, P. Batata doce. 2. ed. So Paulo: CONE Editora Ltda. 1989.
93p.
BORM, A. Melhoramento de plantas. Viosa: UFV. 1997. 547p.
BRAGA, R. Plantas do nordeste, especialmente do Cear. 3. ed. Mossor:
Coleo Mossoroense . v. XLII, 1976. p. 77-79.
COSTA, C. P. da e PINTO, C. A. B. P. Melhoramento de hortalias.
Piracicaba: Departamento de Gentica da ESALQ/USP. 1977. 319p.
(Apostila).
CENTENO, J. A. S.; KISHI, R. T. Recursos hdricos do Estado de Alagoas.
Macei: Secretaria de Planejamento, Ncleo Estadual de Meteorologia e
Recursos Hdricos. 1994. 41p.
CRUZ, C. D. Mtodos biomtricos aplicados ao melhoramento gentico.
Viosa, MG: UFV, Imprensa Universitria. 1994. 390p.
FERREIRA, P. V. Estatstica experimental aplicada agronomia. 2. ed.
Macei: EDUFAL. 1996. 606p.
FUNDAO INSTITUTO BRASILEIRO DE GEOGRAFIA E
ESTATSTICA. Anurio estatstico do Brasil. Rio de Janeiro: Secretaria de
Planejamento da Presidncia da Repblica. v.59, p. 3-36, 1999.
GONALVES, P. de S.; ROSSETTI, A. G.; VALOIS, A. C. C.; VEIGAS, I.
de J. M. Coeficiente de determinao genotpica e possveis ganhos
genticos para caracteres utilizados na seleo de seringueira. Manaus:
SUDHEVEA/EMBRAPA, 1983. 15p.
JACOMINE, P. K. T.; CAVALCANTE, A. C.; PESSOA, S. C. C.;
SILVEIRA, C. O. da. Levantamento exploratrio-reconhecimento dos
solos do Estado de Alagoas. Recife: EMBRAPA, Centro de Pesquisas
Pedolgicas. 1975. 532p. (Boletim tcnico, 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.; FRANA, F. H.; CARRIJO, O. A.; SOUZA, A. F.
PEREIRA, W.; LOPES, C. A. e SILVA, J. B. C. A cultura da batata-doce.
Braslia: EMBRAPA. 1995. 94p. (Coleo Plantar).
SILVA, J. B. C. e LOPES, C. A. Cultivo da batata-doce. 3. ed. Braslia:
EMBRAPA.1995. 18p. (Instrues Tcnicas de CNPHortalilas7).
YEN, D. E. Sweet potato. In: FRANKEL, O. H. e BENNETT, E. (eds.),
Genetic Resources in Plants. London: Brlackweel. 1970. p. 341-351.
49
9 - ORAMENTO DO PROJETO ANO: 1999
Natureza da Despesa
1999 Valor Total
(R$) Quantidade Valor Unitrio (R$)
Placa do Identificao
Plaquetas
Preparo do Solo
Calcrio Dolomtico
Calagem
Confeco dos Canteiros
Plantio
Capinas
Kit de Irrigao
Colheita
01
56
01
5,00
0,50

3.000,00
5,00
3.000,00
Total
10 - CRONOGRAMA DE EXECUO
Atividades jan fev Mar abr maio jun jul ago set out nov dez
Reviso de
Literatura X X X
Elaborao
do Projeto X
Implantao
do Projeto X X
Tratos
Culturais X X X X
Coleta de
Dados X X X
Anlise de
Dados X
Interpretao
de Dados X
Relatrio
Final X
50
2.2 Instalao do Experimento
A instalao do experimento nada mais do que o transporte para a
prtica (campo, laboratrio, casa-de-vegetao, estbulo, etc.) do que foi
idealizado, estudado e planejado. Esta etapa constitui o incio da fase prtica
do experimento e deve ser realizada com os mesmos cuidados e ateno com
que foi elaborado o projeto experimental.
Na instalao do experimento, o pesquisador deve seguir risca o que
consta no croqui, conforme mostra a FIGURA 2.1. Contudo, quando algum
fator (por exemplo, condies locais de solo, topografia, etc.) impede a sua
instalao da forma como foi planejado, o pesquisador deve usar o bom senso
para direcionar os trabalhos, indicando a forma de instalao do experimento,
sem afetar os objetivos bsicos do mesmo e sem reduzir a sua preciso.
FIGURA 2.1 CROQUI DO EXPERIMENTO SOBRE AVALIAO DE CLONES DE
BATATA-DOCE (Ipomoea batatas (L.) Lam.), EM RIO LARGO -
ALAGOAS
33,6 m
14 5 4 7 11 6 2 8 13 3 12 1 9 10
9 11 13 12 8 6 14 1 3 10 7 5 2 4
12 5 3 10 1 13 8 2 4 7 6 9 14 11
3 13 9 7 14 5 4 8 2 12 11 6 10 1
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.
rea Total do Experimento: 907,2 m
2
.
rea do Bloco: 201,6 m
2
.
rea da Parcela: 14,4 m
2
.
Nmero de Fileiras/Parcela: 3.
Espaamento: 0,80 m x 0,40 m.
BLOCO I
6,0 m
1,0 m
BLOCO II
BLOCO III
BLOCO IV
51
Sempre que qualquer alterao seja feita no projeto para possibilitar a
sua instalao, a mesma deve ser transportada para o plano inicial, a fim de
que o mesmo sempre represente o que est sendo executado no campo, para
possibilitar a interpretao e divulgao dos resultados, principalmente nos
projetos de longa durao.
Como a instalao do experimento constitui o incio da sua fase
prtica, todo o cuidado pouco por parte do pesquisador, para se alcanar uma
boa preciso do experimento. Dessa forma, ele deve evitar os erros
sistemticos, aplicar corretamente os princpios da experimentao e usar toda
sua experincia para obter tal preciso experimental.
2.3 Execuo do Experimento
A execuo do experimento a forma de conduzir, no campo,
laboratrio, casa-de-vegetao, estbulo, etc., o plano experimental. Esta etapa
no obedece a normas fixas, pelo contrrio, extremamente malevel,
devendo adaptar-se s condies encontradas, procurando obter sempre o
mximo de informaes e de eficincia.
Na execuo do experimento, o pesquisador deve anotar pessoalmente
os dados e observaes do experimento em fichas, anexadas em um caderno
de campo para no perd-los. Alguns modelos dessas fichas sero
apresentados a seguir.
52
Ficha de Observao de Campo

Ano Agrcola: ________
Projeto: __________________________________________________________________
Experimento: ______________________________________________________________
Local de
Execuo:_________________________________________________________________
N


d
a

P
a
r
c
e
l
a
Tratamento
E
m
e
r
g

n
c
i
a

d
e

P
l

n
t
u
l
a
s

(
d
a
t
a
)
S
t
a
n
d

I
n
i
c
i
a
l

(
c
o
n
t
a
g
e
m

a
p

s

d
e
s
b
a
s
t
e
)
A
p
a
r
e
c
i
m
e
n
t
o

d
a
s

1
a
s

F
l
o
r
e
s

(
d
a
t
a
)
A
p
a
r
e
c
i
m
e
n
t
o

d
o
s
1
o
s

F
r
u
t
o
s

(
d
a
t
a
)
S
t
a
n
d

F
i
n
a
l

(
c
o
n
t
a
g
e
m

a
p

s

c
o
l
h
e
i
t
a
s
)
A
l
t
u
r
a

M

d
i
a

d
e

P
l
a
n
t
a

(
m
e
n
s
u
r
a

e
s

n
o

f
i
n
a
l

d
a

c
o
l
h
e
i
t
a
)
53
Ficha de Manejo Cultural
Ano Agrcola ______
Projeto: _________________________________________________________
Experimento: _____________________________________________________
Local de Execuo: ________________________________________________
Textura do Solo: ________________________ pH do Solo: ______________
Anlise de Nutrientes do Solo:________________________________________
Exposio do Campo: ______________________________________________
Semeadura (data): ______ Transplante (data):______ Desbaste (data): _______
Controle de Pragas
Data Produto
Utilizado
Praga Combatida (Nomes
vulgar e cientfico)
Eficincia de
Controle
I R B
Controle de Doenas
Data Produto
Utilizado
Doena Combatida (Nome
da doena e agente causal)
Eficincia de
Controle
I R B
Controle de Ervas Daninhas
Data Implemento
e/ou Herbicida
Utilizado
Erva Daninha Combatida
(Nomes vulgar e cientfico)
Eficincia de
Controle
I R B
I = Ineficiente; B = Bom; R = Regular.
54
Ficha de Tabulao
Ano Agrcola ________
Projeto: _________________________________________________________
Experimento: _____________________________________________________
Local de Execuo: ________________________________________________
N


d
e

P
a
r
c
e
l
a
Tratamento
Perodos (dias) Produo (em g)
R
e
n
d
i
m
e
n
t
o

k
g
/
h
a
E
m
e
r
g

n
c
i
a

d
e

P
l

n
t
u
l
a
s
E
m
e
r
g

n
c
i
a


F
l
o
r
a

o
E
m
e
r
g

n
c
i
a


F
r
u
t
i
f
i
c
a

o
E
m
e
r
g

n
c
i
a

l
t
i
m
a

C
o
l
h
e
i
t
a
1
a
C
o
l
h
e
i
t
a
2
a
C
o
l
h
e
i
t
a
3
a
C
o
l
h
e
i
t
a
T
o
t
a
l
55
Mais detalhes a respeito da execuo do experimento podero ser
obtidos no captulo anterior.
Ficha de Acompanhamento Mensal de Projeto de Pesquisa
Ms/Ano:_______
Ttulo:_____________________________________________________
Elaborador do Projeto: ________________________________________
Executor do Projeto: _________________________________________
Ano de Incio: ___ Experimentos: a) Previstos: ____ b) Instalados:____
__________________________________________________________
Resumo descritivo das realizaes no ms - por experimento
(observaes realizadas, dificuldades encontradas, providncias tomadas,
aspectos tcnicos mais importantes, sugestes e outras informaes).
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
__________________________________________________________
56
2.4 Anlise Estatstica dos Dados Experimentais
A anlise estatstica dos dados experimentais uma fase muito
importante do experimento, pois nela que se verifica se os tratamentos
avaliados so ou no diferentes.
Vrios mtodos so utilizados na anlise estatstica de experimentos,
os quais sero objeto de outros captulos.
Independentemente do mtodo a ser utilizado na anlise estatstica do
experimento, o pesquisador deve ter em mente os seguintes pontos:
a) Antes de efetuar a anlise de varincia nos dados experimentais, ele
deve verificar se os mesmos atendem s suposies da anlise de varincia (os
efeitos devem ser aditivos, os erros devem ser independentes, devem
apresentar distribuio normal e as suas varincias devem ser homogneas),
sob pena das concluses obtidas no terem validade.
b) No processo de anlise estatstica dos dados experimentais, o
sistema de aproximao dos dados poder aumentar o erro experimental. Em
funo disso, no recomendado aproximar os dados durante a anlise
estatstica, e sim no final da mesma, deixando-se no mnimo, quatro casas
decimais.
c) Quando analisar quaisquer dados dever dar nfase aos resultados
biolgicos e no aos mtodos estatsticos. No incluir no trabalho detalhes
matemticos desnecessrios.
2.5 Interpretao dos Resultados
A interpretao dos resultados experimentais submetidos anlise
estatstica constitui uma das etapas fundamentais do plano de pesquisa.
Atravs do exame dos resultados parciais verifica-se se a pesquisa est
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 colorao e a turgescncia das folhas, a umidade do
solo, a temperatura ambiente, as precipitaes pluviais, a ocorrncia de
insetos-praga e doenas nos diferentes tratamentos, etc., fornecem
informaes muito valiosas sobre o desenrolar do experimento. A
interpretao desses resultados parciais, no momento em que ocorrem, permite
melhor compreenso do fato e facilita as concluses finais.
A exposio pura e simples dos resultados obtidos no experimento,
mesmo quando acompanhados de anlise estatstica, no merece o ttulo de
pesquisa. Para que isso ocorra, necessrio que se faa a interpretao dos
resultados para se chegar a um fato novo; necessrio que se chegue a uma
concluso nova, que venha solucionar um problema tcnico ou prtico.
A interpretao de resultados que conduza somente a concluses
especficas, sem possibilidades de generalizao, indica que a pesquisa ainda
57
no terminou, devendo serem pesquisados outros aspectos. Por exemplo, no
caso da irrigao na cultura do milho, os dados disponveis at o momento se
mostram desfavorveis a essa prtica, da forma e nas condies em que vem
sendo realizada. Tal pesquisa estar concluda apenas quando, analisados e
interpretados os dados de irrigao, temperatura, precipitao pluvial, etc., se
puder concluir sobre os fatores que tornam a irrigao desaconselhvel no
lugar e nas condies em que vem sendo realizada, e em que condies de
solo e clima a irrigao na cultura de milho poderia ser economicamente
praticada.
Os resultados de qualquer pesquisa devem ser profunda e
meticulosamente analisados e interpretados, constituindo as concluses e sua
meta fundamental.
2.6 Elaborao do Relatrio Final
Um projeto de pesquisa somente poder ser considerado concludo
quando gerar algum produto ou as informaes obtidas tenham domnio
pblico. Em funo disso, o pesquisador deve elaborar o relatrio final, tanto
para atender as exigncias da instituio financiadora do projeto de pesquisa
como para ser publicado numa revista especializada, bem como apresent-lo
em reunies cientficas, congresso ou similares.
De um modo geral, na elaborao do relatrio final, deve ser
especificado os seguintes itens:
a) Ttulo - Deve ser redigido com bastante cuidado para indicar
precisamente qual o contedo do trabalho cientfico. aqui onde mais se
exige clareza e conciso por parte do pesquisador. Lembre-se que o ttulo deve
ser bem ajustado ao objetivo do trabalho cientfico.
Os servios de indexao e de publicao de resumos (abstracts)
solicitam ttulos curtos e especficos, incluindo a natureza do estudo e os
organismos envolvidos. Algumas revistas no permitem mais que dez
palavras, outras limitam o ttulo a noventa caracteres e espaos. Se for
necessrio ultrapassar esses limites, desdobre-o em ttulo e subttulo.
Deve ser evitadas generalidades ou idias vagas, conforme visto na
etapa Elaborao do Projeto. Tambm, deve ser evitado expresses
suprfluas como: investigao sobre ..., estudo de ..., efeito de ...,
influncia da ..., contribuio para ..., sobre a natureza de ..., aspectos
de ..., introduo ao estudo de ..., anlise preliminar de ..., etc..
Sugere-se no inclui: nome cientfico da espcie juntamente com
nome vulgar, especialmente se essa j bem conhecida, optar pelo nome
vulgar; abreviaturas; poca em que foi desenvolvido o experimento (data), a
no ser que faa parte dos objetivos; frmulas qumicas; uso de aspas, barras
ou versus (x).
58
b) Autoria - O nome do autor (ou autores) deve constar logo abaixo
do ttulo, direita do mesmo. Deve ser iniciado, preferencialmente, pelo
sobrenome todo em letras maisculas, seguido pelas iniciais do nome. H
revistas que publicam o ttulo do autor (ou autores), o nome da Instituio
onde foi realizado o trabalho, ou ambos, logo abaixo do nome do mesmo.
Outras preferem trazer essas indicaes em rodap, na primeira pgina do
relatrio de pesquisa (artigo cientfico), o que assegura certa economia de
espao. Nesse caso, faz-se uma chamada por meio de asteriscos, ou melhor, de
nmeros-indces entre parnteses.
Parece-nos suprfluo acrescentar que os nomes figurando no
cabealho de um relatrio de pesquisa devem ser estritamente os dos autores
efetivos do trabalho; aqueles que participam do planejamento, instalao e
execuo do experimento, anlise estatstica dos dados experimentais e
interpretao dos resultados so, em maior ou menor grau, autores intelectuais
do trabalho. Essa classificao depende da importncia da contribuio no
trabalho cientfico, ou seja, o pesquisador que mais contribuiu tem seu nome
em primeiro lugar. Consentir na incluso de seu nome em outras
circunstncias ou a outro ttulo, ou colocar nomes de terceiros que no
preencham aqueles requisitos, infringir a tica do trabalho cientfico e
contribuir para a corrupo dos costumes nesse domnio.
Toda colaborao, ajuda material, apoio moral, crticas, etc., recebidos
de outras pessoas devem ser referidos nos Agradecimentos, no fim do
trabalho cientfico e antes das referncias bibliogrficas, de uma forma clara e
objetiva.
c) Resumo - O resumo a apresentao concisa e freqentemente
seletiva do texto, pondo em relevo os elementos de maior interesse e
importncia, ou seja, a natureza do assunto pesquisado, os resultados
importantes obtidos e as concluses principais a que se chegou.
A finalidade do resumo difundir o mais amplamente as informaes
(quer diretamente, quer atravs de sua reproduo nos peridicos
especializados em resumos, ou de sua incorporao ao acervo dos servios de
comunicao) e permitir a quem l, decidir sobre a convenincia de consultar
o texto completo. Por isso, ele deve ser bem redigido, at porque se espera que
ele seja lido cerca de 50 a 500 vezes mais do que o trabalho cientfico na
ntegra.
Deve ser redigido na forma impessoal do tratamento gramatical, bem
como deve ser evitado usar frases como: so descritos e ser apresentado.
Quanto sua extenso, no deve ir alm 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 traduo do resumo para o
ingls, em funo da necessidade de uma lngua de grande penetrao nos
meios especializados. Se o trabalho cientfico for apresentado em lngua
estrangeira (que no o espanhol), esse resumo ser em portugus.
59
Este tpico assume o papel de divulgador internacional das
contribuies cientficas.
e) Introduo - Nela deve conter, pela ordem: natureza e importncia
do assunto pesquisado, evoluo e situao do problema, e identificao dos
objetivos do trabalho cientfico. Quase todas as observaes sobre a redao
da introduo do projeto de pesquisa so vlidas aqui.
Quanto natureza e importncia do assunto pesquisado, deve ser
focalizados o problema com indicao daqueles fatos ou situaes que
evidenciem sua importncia. Por exemplo, se o assunto aumento da protena
em milho, mostrar porque importante que esse cereal tenha maior teor de
protena.
Na evoluo e situao do problema, deve ser feito um levantamento
dos estudos j feitos sobre o problema por outros pesquisadores, (reviso
bibliogrfica), de modo que mostre a real situao do problema na literatura
nacional e estrangeira, na poca em que se planejou a pesquisa. Contudo,
extensas revises da literatura no tm sentido, devendo ser substitudas por
referncias aos trabalhos mais recentes e mais importantes. Quando um
assunto muito pesquisado e h inmeras literaturas a esse respeito, cite trs, no
mximo quatro delas.
Na identificao dos objetivos do trabalho cientfico, deve ser exposto
claramente as questes que foram respondidas pela pesquisa.
f) Material e Mtodos - O material e mtodos deve ser feito da
mesma maneira como visto na etapa Elaborao do Projeto, alterando
apenas o tempo do verbo, do futuro para o passado. Alm disso, a descrio
dos mtodos usados deve ser breve, porm suficiente para possibilitar a outros
pesquisadores repetir a investigao; processo e tcnicas j publicados devem
ser apenas referidos por citao, sendo necessrio detalhar no caso de serem
novos ou pouco usual.
g) Resultados e Discusso - Primeiramente, deve ser apresentado os
resultados que se encontram em uma tabela (ou quadro) ou figura (grfico,
desenho, mapa, fotografia, etc.) de forma objetiva, exata, clara e lgica, com o
mnimo possvel de discusso ou interpretao pessoal.
As tabelas e/ou figuras podero vir logo aps a apresentao dos
resultados ou no final do trabalho cientfico.
Posteriormente, feita a discusso dos dados obtidos e dos resultados
alcanados luz da experincia do pesquisador, ligando os novos achados aos
conhecimentos anteriores.
Lembre-se de que, na apresentao dos resultados, se os dados forem
numricos, os mesmos devem vir acompanhados de anlise estatstica, sempre
que conveniente.
No apresente separadamente os resultados de uma grande nmero de
observaes similares ou experincias equivalentes, tal como analisar as
caractersticas de uma populao. As informaes adequadas podem estar
60
todas compreendidas, via de regra, quando se fornecem: o nmero de
observaes; a mdia aritmtica dos valores; o desvio padro e/ou erro padro
da mdia.
Tais informaes podem constar do texto ou das tabelas, da seguinte
forma: 275 2,8 (12), onde 275 representa a mdia, 2,8 representa o
desvio padro ou erro padro da mdia (indicar qual) e (12) corresponde ao
nmero de observaes, caso esse j no conste de outra coluna da tabela.
Quando forem apresentadas diferenas entre mdias (ou outros dados
estatsticos) de tratamentos, aplique o teste de significncia mais adequado.
Na discusso dos resultados, o autor (ou autores) deve:
g.1) estabelecer relaes entre causas e efeitos;
g.2) deduzir as generalizaes e princpios bsicos que tenham
comprovao nas observaes experimentais;
g.3) esclarecer as excees, modificaes e contradies das
hipteses, teorias e princpios diretamente relacionados com o trabalho
realizado;
g.4) indicar as aplicaes tericas ou prticas dos resultados obtidos,
bem como as suas limitaes;
g.5) procurar elaborar, quando possvel, uma teoria para explicar
certas observaes ou resultados obtidos;
g.6) sugerir, quando for o caso, novas pesquisas, tendo em vista
experincia adquirida no desenvolvimento do trabalho e visando sua
complementao.
Alm da discusso dos resultados entre si, cabe a discusso diante da
literatura, isto , a comparao dos resultados obtidos com os dos autores
citados. Cabe ao autor (ou autores) definir se seus resultados confirmam,
eqivalem ou desmentem os dos outros trabalhos mencionados.
Jamais oferea argumentos ou provas que se baseiam em
comunicaes privadas ou publicaes de carter restrito. Ainda que se
tolerem aluses e entrevistas orais ou a comunicaes pessoais, elas no
devem justificar afirmaes ou concluses apoiadas em fatos no
comprovados pelo autor (ou autores).
h) Concluses - Nela deve ser colocado os principais resultados
obtidos com a experimentao, de uma forma clara, objetiva, lgica e breve.
aqui onde esto situadas as contribuies do autor (ou autores) para
o avano da cincia, alm do que elas podero abrir perspectivas de novas
pesquisas.
As concluses, obviamente, tm que se basear somente em fatos
comprovados.
Na redao dessa parte do trabalho cientfico devem ser evitadas
expresses que indiquem reserva ou ressalva, tais como: houve indcios,
provavelmente, possivelmente, etc..
61
Em alguns peridicos no consta o item Concluses, sendo que as
mesmas aparecem em Resultados e Discusso.
i) Agradecimentos (Opcional) - Os agradecimentos devem ser feitos
a pessoas ou instituies que realmente colaboraram para o desenvolvimento
do trabalho cientfico.
Tambm, aqui, o estilo deve ser sbrio e claro, indicando as razes
pelas quais se fazem os agradecimentos.
Devem ser omitidos os agradecimentos a colaboraes rotineiras, tais
como: datilografia, desenhos eventuais, trabalhos de impresso, etc..
j) Literatura Citada - As informaes citadas pelo autor (ou autores)
de um trabalho cientfico, com o propsito de fundamentar, de comentar ou
ilustrar as asseres do texto e que j tenham sido publicadas (ou que estejam
sabidamente em publicao), devero ser acompanhadas de referncias,
permitindo ao autor comprovar os fatos ou ampliar seu conhecimento do
assunto mediante a consulta nas fontes.
Evidentemente, essa finalidade s ser atingida na medida em que a
referncia for correta e apresentada de forma inequvoca para o leitor, devendo
ainda atender s convenincias dos servios de bibliografia e bibliotecas, para
evitar perda de tempo e dificuldades na localizao do artigo para consulta ou
reproduo. Siga para isso as normas internacionais institudas pela
Organizao Internacional de Normalizao e pela Associao Brasileira de
Normas Tcnicas e editadas pelo Instituto Brasileiro de Bibliografia e
Documentao.
O prprio autor (ou autores) quem deve compilar a bibliografia que
ir citar, nela incluindo os trabalhos que efetivamente consultou e na medida
em que sejam necessrios exposio de suas idias ou resultados.
A seguir sero apresentados exemplos dos casos mais comuns de
referenciao.
Na citao de artigos de peridicos, os seguintes elementos devero
aparecer, pela ordem: sobrenome do(s) autor(es), iniciais do prenome (tudo em
letras maisculas); ttulo do artigo; ttulo do peridico (em negrito); local de
publicao do peridico; volume; nmero; pginas inicial e final do artigo;
ano de publicao. Exemplo:
LOPES, M. E. B. M.; KIMATI, H. Avaliao da resistncia de gentipos de
girassol (Helianthus annus L.) a Macrophomina phaseolina (Tass.) Goid.
no Estado de So Paulo. Summa Phytopathologica, Piracicaba, v. 13, n. 1/2,
p. 133-141, 1987.
No caso de um livro, a citao dever conter os seguintes elementos,
pela ordem: sobrenome do(s) autor(es) do captulo, iniciais do pronome (tudo
em letras maisculas); ttulo do livro (em negrito); nmero da edio (exceto a
62
1
a
); local da publicao do livro; editora; ano de publicao; nmero do
volume (quando houver); nmero total de pginas. Exemplo:
BANZATTO, D. A.; KRONKA, S. N. Experimentao agrcola.
Jaboticabal: FUNEP, 1989. 247p.
No caso de captulo de livro, os seguintes elementos devero constar
na citao, pela ordem: sobrenome do (s) autor (es), iniciais do prenome (tudo
em letras maisculas); ttulo do captulo ou parte referenciada; palavra In:;
sobrenome do autor ou editor do livro, iniciais do prenome (tudo em letras
maisculas); ttulo do livro (em negrito); nmero da edio (exceto a 1
a
); local
de publicao do livro; editora; ano de publicao; nmero do volume (quando
houver); nmero do captulo e/ou pgina inicial e final da parte referenciada.
Exemplo:
BANDEL, B. Gentica. In: PATERNIANI, E. Melhoramento e produo
de milho no Brasil. Piracicaba: Fundao Cargill, 1980. p. 97-121.
No caso de dissertao ou tese, a citao dever conter os seguintes
elementos, pela ordem: sobrenome do autor, iniciais do prenome (tudo em
maisculo); ttulo da dissertao ou tese (em negrito); local de apresentao
(cidade); instituio onde a dissertao ou tese foi defendida; ano da defesa;
nmero de pginas; dissertao ou tese; grau. Exemplo:
FERREIRA, P.V. Aspectos fisiolgicos e implicaes genticas da
cerosidade foliar em cebola ( Allium cepa L.) Piracicaba: ESALQ, 1983. 101
p. Tese, Doutoramento.
No caso de eventos (congressos, simpsios, reunies, etc.), a citao
dever conter os seguintes elementos, pela ordem: nome do evento (todo em
letras maisculas); nmero, ano e local de realizao do evento; ttulo (em
negrito); local de publicao; editora; ano de publicao; nmero de pginas
ou nmero de volumes. Exemplo:
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 devero aparecer,
pela ordem: sobrenome do(s) autor(es) do trabalho, iniciais do prenome (tudo
em letras maisculas); ttulo do trabalho, palavra In:; nome do evento (todo
em letras maisculas); nmero, ano e local de realizao do evento; ttulo (em
63
negrito); local de publicao; editora; ano de publicao; pgina inicial e final
da parte referenciada. Exemplo:
MELO, I.S. de. Controle biolgico de doenas de raiz. In: REUNIO
SOBRE CONTROLE BIOLGICO DE DOENAS DE PLANTAS, 1,1986,
Piracicaba. Anais. Campinas: Fundao Cargil, 1986. p. 7-12.
No caso de abstracts, a citao dever conter os seguintes elementos,
pela ordem: sobrenome do(s) autor(es) do artigo cientfico, iniciais do
prenome (tudo em letras maisculas); ttulo do artigo; ttulo do peridico (em
negrito); local de publicao; volume (nmero do fascculo); pgina inicial e
final da parte referenciada; ano de publicao do artigo cientfico seguido pela
expresso apud e ttulo do abstracts (em negrito apenas o ttulo do
abstracts); volume; nmero de referncia do artigo; nmero da pgina; ano de
publicao 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 relatrio de pesquisa, consultar, entre outros, IPARDES (2000).
A seguir ser apresentado um modelo de relatrio de pesquisa:
64
UNIVERSIDADE FEDERAL DE ALAGOAS
CENTRO DE CINCIAS AGRRIAS
Avaliao de Clones de Batata-doce (Ipomoea batatas (L.) Lam), em Rio
Largo - Alagoas.
Jair Tenrio Cavalcante
Paulo Vanderlei Ferreira
Lailton Soares
Relatrio de pesquisa apresentado
Revista Magistra da Escola de Agronomia
da Universidade Federal da Bahia para
publicao.
Rio Largo/Alagoas
Janeiro/ 2002
65
AVALIAO DE CLONES DE BATATA-DOCE
(Ipomoea batatas (L.) Lam.), EM RIO LARGO ALAGOAS
1
Jair Tenrio Cavalcante
2
; Paulo Vanderlei Ferreira
3
; Lailton Soares
3
2
Escola Agrcola de Jundia/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 so poucos os trabalhos de pesquisa com
batata-doce para o Estado de Alagoas, faz-se necessrio estudos no sentido de
se obter para a regio, atravs do melhoramento gentico de plantas, cultivares
adaptadas, com boas caractersticas agronmicas, elevada capacidade
produtiva e resistncia s principais pragas e doenas que assolam esta cultura.
O experimento foi realizado em Rio Largo Alagoas, em 1999, objetivando
avaliar clones de batata-doce, mediante anlise de varincia, comparao das
mdias e do coeficiente de determinao genotpica. Utilizou-se o
delineamento experimental em blocos casualizados, com 14 tratamentos e
quatro repeties, analisando-se as variveis: produtividade de razes
comerciais, produtividade de razes no comerciais, comprimento da raiz,
dimetro mdio da raiz e nmero de razes comerciais; peso da parte area;
resistncia broca do coleto e resistncia ferrugem branca. O clone 13
apresentou o maior rendimento de razes comerciais (19,97 t ha
-1
), maior
dimetro mdio de raiz (7,05 cm) e menor percentual de sintomas da broca do
coleto. As estimativas dos coeficientes de determinao foram elevadas (acima
de 70%); havendo assim pouca influncia do ambiente na expresso das
variveis. Os clones 13, 14, 03, 09 e 06 apresentaram os melhores
desempenhos, superando a produtividade mdia de razes comerciais de
batata-doce no Estado de Alagoas.
Palavras-chave: produtividade, razes, coeficiente de determinao genotpica.
EVALUATION OF SWEET POTATOES CLONES (Ipomoea batatas (L.)
Lam.), IN RIO LARGO ALAGOAS
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
____________
1
Parte da Dissertao do primeiro autor, apresentada Universidade Federal de Alagoas.
Magistra, Cruz das Almas-BA, v. 15, n.1, p. 13-17, jan./jun. 2003.
66
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
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.
INTRODUO
A batata-doce a quarta hortalia mais consumida no Brasil. uma
cultura tropical e subtropical, rstica, de fcil manuteno. Apresenta boa
resistncia seca e ampla adaptao. O custo de produo relativamente
baixo, com investimentos mnimos e de retornos elevados. tambm uma das
hortalias com maior capacidade de produzir energia por unidade de rea e
tempo (kcal ha
-1
dia
-1
) (MIRANDA et al., 1995).
Fatores como a ocorrncia de pragas e doenas, tecnologia de
produo inadequada e a falta de cultivares selecionadas so responsveis pela
baixa produtividade mdia brasileira, que est em torno de 8,7 t ha
-1
(SILVA e
LOPES, 1995). Por outro lado, a situao em Alagoas mais crtica, pois
apresenta produtividade mdia de 7,7 t ha
-1
e no existem cultivares
selecionadas para a regio (FIBGE, 1999).
So poucos os trabalhos de pesquisas visando selecionar e recomendar
cultivares de batata-doce para diferentes regies do pas (SILVA e LOPES,
1995). Sabe-se que tanto a introduo como a obteno de novas cultivares, de
qualquer espcie cultivada, constitui um trabalho contnuo e dinmico, pois as
novas cultivares selecionadas permanecem em uso durante um nmero
varivel de anos, para por sua vez serem substitudas por outras superiores.
Em programas de melhoramento gentico de plantas, alm de estudos
relacionados anlise de varincia e comparao de mdias, tambm deve-se
proceder anlise de um parmetro gentico que venha dar suporte aos
resultados alcanados. Um dos parmetros genticos mais usados o
coeficiente de determinao genotpica, pois o seu conhecimento para um
dado carter permite a quantificao da relao entre o desempenho das
67
plantas-mes e suas prognies em geraes subseqentes. Alm disso, o seu
conhecimento permite estabelecer os objetivos principais a serem alcanados
em programas de melhoramento de plantas (GONALVES et al., 1983).
Considerando-se estes fatos, o presente trabalho teve como objetivo
avaliar clones de batata-doce desenvolvidos em Alagoas, mediante anlise de
varincia, comparao das mdias e do coeficiente de determinao
genotpica, nas condies de clima e solo de Rio Largo-AL.
MATERIAL E MTODOS
O experimento foi realizado no Centro de Cincias Agrrias,
Universidade Federal de Alagoas, localizado no Campus Delza Gita, BR 104
Norte, km 85, Rio Largo Alagoas, no ano de 1999. O solo classificado
como Latossolo Vermelho de acordo com JACOMINE et al. (1975). O
municpio est situado a uma latitude de 9
o
27S, longitude de 35
o
27W e uma
altitude de 127 m, com temperaturas mdias de mxima 29
o
C e mnima de
21
o
C, e pluviosidade mdia anual de 1.267,7 mm (CENTENO e KISHI,
1994).
Foram avaliados 14 clones da batata-doce, obtidos a partir de
sementes botnicas de populaes de polinizao livre, em novembro/97. So
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 repeties. As unidades experimentais foram
constitudas por trs leiras de 6,0 m de comprimento com 0,30 m de altura
cada, com 15 plantas por leira, no espaamento de 0,80 m x 0,40 m,
considerando-se como rea til a fileira central, avaliando-se sete plantas
alternativas e competitivas, a partir da segunda.
Aps anlise de solo, procedeu-se o preparo do mesmo, onde foram
efetuadas duas gradagens: uma antes e outra aps a aplicao do corretivo; no
foi aplicado adubo qumico, visto que o solo apresentou uma boa fertilidade e
tambm para melhor caracterizar o cultivo na regio. Decorridos 30 dias,
levantaram-se as leiras com sulcador tratorizado. Para o plantio, foram
utilizadas ramas novas de at 90 dias, sadias, com oito a dez entrens, dos
quais trs a quatro enterrados no topo da leira, este executado em 11/06/1999.
Utilizou-se irrigao por asperso, visto que ocorreram veranicos nos
primeiros 60 dias aps o plantio.
As parcelas experimentais foram mantidas livres de ervas daninhas,
atravs de capinas enxada e no foram efetuados os controles de pragas e
68
doenas que ocorreram, pois um dos objetivos do presente trabalho foi a
avaliao da resistncia dos referidos clones de batata-doce s molstias.
A partir dos 90 dias aps o plantio e at a colheita das razes
tuberosas, foram quinzenalmente observados os danos causados pela presena
de pragas e doenas, anotando-se a percentagem de danos, para avaliao do
grau de resistncia dos referidos clones de batata-doce. Aos 130 dias aps o
plantio, foi efetuada a colheita das razes tuberosas na leira central.
As variveis relacionadas a seguir referem-se s mdias de sete
plantas competitivas da leira central de cada parcela experimental:
1 Produtividade de Razes Comerciais (PRC): refere-se ao peso
(t ha
-1
) das razes comerciais (acima de 80 g), com uso de balana de preciso.
2 Dimetro Mdio da Raiz (DMR): refere-se ao dimetro (cm), da
parte intermediria transversal da raiz, utilizando-se 20 tubrculos tomados
aleatoriamente. Nesta medio utilizou-se um paqumetro.
3 Comprimento da Raiz (CR): refere-se ao comprimento da raiz
(cm), utilizando-se os mesmos 20 tubrculos avaliados no DMR. Medio
feita com rgua milimtrica.
4 Nmero de Razes Comerciais por Planta (NRC): refere-se
quantidade de razes comerciais (acima de 80 g), por planta.
5 Produtividade de Razes No Comerciais (PRNC): refere-se ao
peso (t ha
-1
) das razes no comerciais (de 40 a 80 g), com uso de balana de
preciso.
6 Peso da Parte Area das Plantas (PPA): refere-se ao peso (t ha
-1
)
da parte area das plantas, retirando-se a trs cm do solo, usando-se balana de
preciso.
7 Resistncia Broca do Coleto (RBC): quinzenalmente foram
atribudas notas de 1 a 5, 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 Suscetvel (MS); 4 - (36 - 50%) Suscetvel (S) e 5 - (>
50%) Altamente Suscetvel (AS). Esta escala foi idealizada por AZEVEDO et
al. (1996).
8 Resistncia Ferrugem Branca (RFB): quinzenalmente foram
atribudas notas de 1 a 5, percentagem de rea 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 Suscetvel (MS); 4 - (26 - 50%) Suscetvel (S) e 5 - (> 50%)
Altamente Suscetvel (AS). Esta escala foi idealizada por PEIXOTO et al.
(1989).
Os resultados obtidos foram submetidos a anlise da varincia,
comparao das mdias pelo teste de Tukey (FERREIRA, 1996) e ao estudo
do coeficiente de determinao genotpica (CRUZ, 1994).
69
RESULTADOS E DISCUSSO
A anlise de varincia revelou existncia de diferenas significativas a
1% de probabilidade pelo teste F em todas as variveis, rejeitando-se a
hiptese de nulidade (Tabela 1). Deste modo, pelo menos dois tratamentos
(clones) possuem efeitos diferentes sobre a varivel analisada, a este nvel de
probabilidade, com um grau de confiana superior a 99% de probabilidade.
A maioria dos coeficientes de variao apresentou valores acima de
20%, como foram os casos das variveis PRC, PPA, NRC, PRNC e RBC,
enquanto que os demais variaram entre 7,77% e 13,28%. comum
encontrarem-se valores de coeficientes de variao elevados em variveis
relacionadas a rgos e/ou estruturas subterrneas, pois o controle do ambiente
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 anlise de varincia de oito variveis 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 (nota de
1 a 5) 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**
Resduo 39 11,5739 1,8254 0,2398 0,5146 0,2763 0,5455 0,6044 0,0318
_________________________________________________________________________________________________________________________________________
Mdia 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 Razes Comerciais; CR: Comprimento da Raiz; DMR: Dimetro
Mdio da Raiz; PPA: Peso da Parte Area; NRC: Nmero de Razes Comerciais; PRNC:
Produtividade de Razes No Comerciais; RBC: Resistncia Broca do Coleto; RFB:
Resistncia Ferrugem Branca.
A Tabela 2 apresenta as diferenas significativas pelo teste de Tukey a
5% de probabilidade entre as mdias dos 14 clones para cada varivel.
Com relao varivel PRC, o clone 13 apresentou a maior
produtividade de razes comerciais (19,97 t ha
-1
) e diferiu dos clones 02, 04,
05, 07, 08, 10 e 11que produziram em mdia 8,26 t ha
-1
. Observa-se que os
resultados so animadores, visto que PEIXOTO et al. (1989) avaliaram clones
de batata-doce provenientes de sementes botnicas em Formosa-GO e
70
obtiveram resultados inferiores ao presente trabalho (clone mais produtivo -
BDI 006 - 16,7 t ha
-1
), com ciclo de 146 dias e em condies mais favorveis,
pois foi utilizada adubao mineral. Observa-se tambm, que apenas dois
clones apresentaram produtividades inferiores mdia estadual, so eles: o
clone 07 (5,35 t ha
-1
) e o clone 11 (7,07 t ha
-1
).
Tabela 2 Mdias
1
de oito variveis dos 14 clones de batata-doce (Ipomoea batatas (L.)
Lam.). Rio Largo-AL, 1999.
_________________________________________________________________________________________________________________________________________
Clones PRC CR DMR PPA NRC PRNC RBC RFB
(t ha
-1
) (cm) (cm) (t ha
-1
) (unid.) (t ha
-1
) (nota de (nota de
1 a 5) 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
Mdias seguidas de pelo menos uma mesma letra, em cada coluna, no diferem entre si a
5% de probabilidade pelo teste de Tukey.
PRC: Produtividade de Razes Comerciais; CR: Comprimento da Raiz; DMR: Dimetro
Mdio da Raiz; PPA: Peso da Parte Area; NRC: Nmero de Razes Comerciais; PRNC:
Produtividade de Razes No Comerciais; RBC: Resistncia Broca do Coleto; RFB:
Resistncia Ferrugem Branca.
Quanto varivel 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 mdia de 16,03 cm.
Para a varivel DMR, o clone 13 apresentou o maior dimetro de raiz
(7,05 cm), diferindo estatisticamente de todos os outros clones.
Com relao varivel PPA, o clone 02 apresentou o maior peso da
parte area (3,06 t ha
-1
), diferindo estatisticamente dos clones 03, 04, 05, 06,
07, 08 e 10 que apresentaram, em mdia, 1,01 t ha
-1
.
Quanto varivel NRC, o clone 14 apresentou o maior nmero de
razes comerciais por planta (3,0) e diferiu estatisticamente apenas dos clones
05 e 07 que apresentaram, em mdia, 1,43 unidades.
71
O clone 11 apresentou a maior produtividade de razes no comerciais
(3,88 t ha
-1
), o que indesejvel, e diferiu estatisticamente dos clones 01, 03,
04, 05, 06, 07, 10, 12 e 13, cuja mdia foi de 1,53 t ha
-1
. Resultados
semelhantes tambm foram obtidos por PEIXOTO et al. (1989), em
experimentos realizados em Gois. Todos os clones produziram mais de uma
t ha
-1
de razes no comerciais. RESENDE e COSTA (1991), obtiveram com
a cultivar Brazilndia 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 relao a produtividade total de razes, 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 varivel RBC, o clone 13 apresentou o menor percentual de
plantas atacadas pela broca do coleto, sendo classificado como
moderadamente resistente (MR) praga e diferiu estatisticamente dos clones
03, 04, 06, 07, 08, 11 e 12, que apresentaram os maiores percentuais de ataque
desta praga.
Quanto varivel RFB, os clones 03 e 04 apresentaram os maiores
percentuais de sintomas da ferrugem branca, sendo classificados como
moderadamente suscetveis (MS) e diferiram estatisticamente dos demais
clones, os quais foram classificados como resistentes (R), visto que
apresentaram um percentual de sintoma da referida doena em torno de 1%.
Na Tabela 3 encontram-se as estimativas dos coeficientes de
determinao genotpica, parmetro gentico indispensvel na avaliao do
ganho gentico por seleo. De maneira geral, as estimativas foram elevadas
(acima de 70%), indicando que para todas as variveis, o componente gentico
expressivo. Os maiores ganhos so obtidos quando se dispe de altas
estimativas de coeficiente de determinao genotpica (H
2
).
Tabela 3 Estimativas dos coeficientes de determinao genotpica (H
2
) em clones de
batata-doce (Ipomoea batatas (L.) Lam.). Rio Largo-AL, 1999.
_________________________________________________________________________________________________________________________________________
Variveis Coeficiente de Determinao Genotpica (H
2
) em %
_________________________________________________________________________________________________________________________________________
Produtividade de Razes Comerciais 82
Comprimento da Raiz 86
Dimetro Mdio da Raiz 92
Peso da Parte Area 71
Nmero de Razes Comerciais 74
Produtividade de Razes No Comerciais 82
Resistncia Broca do Coleto 80
Resistncia Ferrugem Branca 99
_________________________________________________________________________________________________________________________________________
72
As estimativas de H
2
para todas as variveis estudadas mostraram que
estes sofreram pouca influncia do ambiente, indicando que facilmente
podero ser utilizados em programas de melhoramento gentico.
VENCOVSKY (1973) atribui os altos valores encontrados para as variveis
multiplicao vegetativa dos clones, em que o gentipo totalmente
transmitido integralmente aos descendentes. Resultados semelhantes foram
obtidos por RIBEIRO et al. (1984), estudando nove variveis de seringueira.
De acordo com os resultados, uma simples seleo fenotpica dar
bons resultados, visto que a propagao dos clones vegetativa.
Assim, espera-se que os clones que apresentaram os melhores
desempenhos fenotpicos para as variveis com maiores H
2
, sejam tambm
genotipicamente superiores.
.

Bibliografia
ALLARD. R. W. Princpios do melhoramento gentico de plantas. Rio de
Janeiro: Editora Edgard Blucher Ltda.. 1971. 381p.
ALLEM, A. C. Recursos genticos da batata-doce: situao atual e
perspectivas. In: SEMINRIO SOBRE A CULTURA DA BATATA-DOCE.
1988, Braslia. Anais. Braslia: EMBRAPA, 1988. p. 37-54.
BARRERA, P. Batata doce. 2. ed. So Paulo: CONE Editora Ltda. 1989.
93p.
BORM, A. Melhoramento de plantas. Viosa: UFV. 1997. 547p.
BRAGA, R. Plantas do nordeste, especialmente do Cear. 3. ed. Mossor:
Coleo Mossoroense . v. XLII, 1976. p. 77-79.
COSTA, C. P. da e PINTO, C. A. B. P. Melhoramento de hortalias.
Piracicaba: Departamento de Gentica da ESALQ/USP. 1977. 319p.
(Apostila).
CENTENO, J. A. S.; KISHI, R. T. Recursos hdricos do Estado de Alagoas.
Macei: Secretaria de Planejamento, Ncleo Estadual de Meteorologia e
Recursos Hdricos. 1994. 41p.
CRUZ, C. D. Mtodos biomtricos aplicados ao melhoramento gentico.
Viosa, MG: UFV, Imprensa Universitria. 1994. 390p.
FERREIRA, P. V. Estatstica experimental aplicada agronomia. 2. ed.
Macei: EDUFAL. 1996. 606p.
FUNDAO INSTITUTO BRASILEIRO DE GEOGRAFIA E
ESTATSTICA. Anurio estatstico do Brasil. Rio de Janeiro: Secretaria de
Planejamento da Presidncia da Repblica. v.59, p. 3-36, 1999.
GONALVES, P. de S.; ROSSETTI, A. G.; VALOIS, A. C. C.; VEIGAS, I.
de J. M. Coeficiente de determinao genotpica e possveis ganhos
genticos para caracteres utilizados na seleo de seringueira. Manaus:
SUDHEVEA/EMBRAPA, 1983. 15p.
73
JACOMINE, P. K. T.; CAVALCANTE, A. C.; PESSOA, S. C. C.;
SILVEIRA, C. O. da. Levantamento exploratrio-reconhecimento dos
solos do Estado de Alagoas. Recife: EMBRAPA, Centro de Pesquisas
Pedolgicas. 1975. 532p. (Boletim tcnico, 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.; FRANA, F. H.; CARRIJO, O. A.; SOUZA, A. F.
PEREIRA, W.; LOPES, C. A. e SILVA, J. B. C. A cultura da batata-doce.
Braslia: EMBRAPA. 1995. 94p. (Coleo Plantar).
SILVA, J. B. C. e LOPES, C. A. Cultivo da batata-doce. 3. ed. Braslia:
EMBRAPA.1995. 18p. (Instrues Tcnicas de CNPHortalilas7).
YEN, D. E. Sweet potato. In: FRANKEL, O. H. e BENNETT, E. (eds.),
Genetic Resources in Plants. London: Brlackweel. 1970. p. 341-351.
74
2.7 Exerccios
a) Planeje um experimento na rea de produo vegetal, apresente o
ttulo e os objetivos, defina os tratamentos, o delineamento estatstico, o
nmero de repeties e a forma e tamanho das parcelas, apresente o croqui do
experimento, mostre como o mesmo ser instalado e como ser conduzido e
coletados os dados.
b) Faa o mesmo para a rea de produo animal.
75
3
MEDIDAS DE TENDNCIA CENTRAL
E DE VARIABILIDADE DE DADOS
Na pesquisa agropecuria, os pesquisadores utilizam a Estatstica
Experimental para obter, analisar e interpretar dados experimentais, obtidos de
experimentos, visando elucidao de princpios biolgicos bem como a
soluo de problemas agropecurios.
Na elucidao de tais princpios e na soluo de tais problemas, o
pesquisador define quais as caractersticas que ir utilizar para avaliar os
tratamentos, de modo que possa atingir os objetivos da pesquisa. Por exemplo,
na avaliao de variedades de milho e na avaliao de raas bovinas de leite, o
pesquisador pode definir as seguintes caractersticas: resistncia lagarta do
cartucho, perodo de maturao da espiga e rendimento de gros (kg/ha), no
caso do milho, e resistncia a carrapato, consumo alimentar e rendimento de
leite (kg/dia), no caso de bovino de leite, para avaliar seus tratamentos. Cada
caracterstica medida nas parcelas e denominada de varivel.
Uma varivel pode ser discreta ou contnua. Varivel discreta
aquela que somente pode ter certos valores da amplitude de variao, ou seja,
valores inteiros que se originam de contagens. Por exemplo, nmero de
plantas doentes por parcela, nmero de sementes por fruto, nmero de ovos
por galinha em determinado perodo, nmero de carrapatos por cavalo, etc..
Varivel contnua aquela que pode assumir qualquer valor dentro da
amplitude de variao, ou seja, valores decimais que se originam de medies.
Altura e rendimento de gros de plantas de milho, peso e produo de leite de
vacas leiteiras so exemplos desse tipo de varivel.
No linguajar estatstico, uma populao um conjunto de medies,
de uma nica varivel, efetuadas sobre todos os indivduos pertencentes a uma
classe. No nosso caso, por exemplo, o rendimento de gros (kg/ha) de todos os
campos de milho no Brasil, cultivados com a variedade CENTRALMEX,
constituiu uma populao. Da mesma forma, o rendimento de leite (kg/dia) de
todas as vacas holandesas criadas no Estado de Alagoas constitui uma
populao. As medies individuais de uma varivel recebem o nome de
elemento.
76
Uma amostra um conjunto de medies que constitui parte de uma
populao. A partir da amostra obtm-se informaes e fazem-se inferncias
acerca da populao. Por esta razo, importante que a amostra seja
representativa da populao.
As populaes so descritas mediante caractersticas denominadas
parmetros. Os parmetros so valores fixos; por exemplo, a mdia
aritmtica de todos os elementos de uma populao um parmetro. As
amostras so descritas pelas mesmas caractersticas, mas recebem a
denominao de estatstico. A mdia de uma amostra um estatstico.
Calculam-se os estatsticos das amostras para estimarem-se os parmetros da
populao. Obviamente, os estatsticos variam de amostra para amostra
enquanto que os parmetros tm apenas um valor.
3.1 Organizao de Dados
Diferentes valores de uma varivel apresentam distintas freqncias
de incidncia em sua populao. Para caracterizar convenientemente uma
populao, os dados provenientes de uma amostra grande, como, por exemplo,
os dados brutos de altura de planta (cm) de sorgo granfero 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, so organizados mediante a construo de
uma tabela de freqncia, um histograma de freqncia ou um polgono de
freqncia.
TABELA 3.1 DADOS BRUTOS DE ALTURA DE PLANTA (cm) DE SORGO
GRANFERO
_________________________________________________________________________________________________________________________________________
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
_________________________________________________________________________________________________________________________________________
77
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
475,3 477,9 469,0 499,3 452,9 477,2
____________________________________________________________________________________________________________________________________________________________________
3.1.1 Tabela de freqncia
A tabela de freqncia proporciona ao pesquisador um meio eficaz de
organizao dos dados para estudo do comportamento de variveis de
interesse.
Na construo de uma tabela dessa natureza, deve-se levar em conta
certas consideraes importantes:
a) O intervalo de classe ser de amplitude uniforme e de tamanho que
se manifestem as linhas caractersticas da distribuio. Assim, o intervalo de
classe no deve ser to grande para no se cometer um erro considervel ao
supor que o ponto mdio do intervalo o valor mdio da classe. No deve ser
to pequeno para no aparecerem demasiadas classes com freqncia zero ou
muito pequenas.
b) Se possvel, conveniente fazer com que o ponto mdio da classe
seja um nmero inteiro.
c) As freqncias das classes podem ser absoluta, relativa ou relativa
acumulada. Cabe ao pesquisador escolher a que mais lhe convier. A
freqncia absoluta da uma classe corresponde a quantidade de valores de uma
determinada varivel que pertence a referida classe. Esse tipo de freqncia
informa apenas o nmero absoluto de valores de um determinado intervalo de
classe. J a freqncia relativa de uma classe corresponde a freqncia
78
absoluta da referida classe dividida pela soma de todas as freqncias
absolutas, sendo expressa em porcentagem. Ela til quando se quer conhecer
a proporo de valores situados em um determinado intervalo de classe ou
quando se quer comparar conjuntos de dados que contenham nmeros
desiguais de observaes. Enquanto que a freqncia relativa acumulada de
uma classe corresponde a soma da freqncia relativa da referida classe e
todas as outras freqncias relativas anteriores. Esse tipo de freqncia til
quando se quer comparar conjuntos de dados que contenham nmeros
desiguais de observaes.
Para a construo de uma tabela de freqncia, primeiramente define-
se o nmero de classes, normalmente por meio da seguinte Frmula de
STURGES (citada por IPARDES, 2000):
k = 1 + 3,32 x log N
onde:
k = nmero de classes;
N = nmero total de observaes.
Sem considerar a frmula acima para se definir o nmero de classes,
SPIEGEL (1993) recomenda, como regra geral, que o nmero de classes esteja
entre cinco e 20. Por outro lado, MAGALHES e LIMA (2005), sem
adotarem nenhuma regra formal quanto ao nmero de classes, utilizam, em
geral, de cinco a oito classes.
Em seguida, determina-se a amplitude total dos dados, que a
diferena entre o maior e o menor valor da srie.
De posse desses valores, define-se o intervalo de classe, dividindo a
amplitude total pelo nmero de classes. Em seguida, so estabelecidos os
limites inferiores e superiores das classes, onde o limite inferior da segunda
classe igual ao limite superior 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 ltima classe.
Como exemplo tm-se as tabelas de freqncia de altura de planta
(cm) de sorgo granfero (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
trs tipos de freqncias (absoluta, relativa e relativa acumulada).
79
TABELA 3.3 TABELA DE FREQNCIAS ABSOLUTA, RELATIVA E RELATIVA
ACUMULADA DE ALTURA DE PLANTA (cm) DE SORGO
GRANFERO
__________________________________________________________________________

Freqncia Freqncia Freqncia Relativa
Intervalo de Classe Ponto Mdio Absoluta Relativa (%) Acumulada (%)
__________________________________________________________________________
46,00 54,00
54,00 62,00
62,00 70,00

50,00
58,00
66,00
3 3,33 3,33
7 7,78 11,11
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 FREQNCIAS ABSOLUTA, RELATIVA E RELATIVA
ACUMULADA DE PESO CORPORAL (g) DE UM LOTE MISTO DE
FRANGOS DE CORTE COM 15 DIAS DE IDADE
__________________________________________________________________________

Freqncia Freqncia Freqncia Relativa
Intervalo de Classe Ponto Mdio Absoluta Relativa (%) Acumulada (%)
__________________________________________________________________________
418,0 432,0
432,0 446,0
446,0 460,0

425,0
439,0
453,0
3 2,50 2,50
8 6,67 9,17
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 granfero esto distribudos pelos intervalos de classe.
Nota-se que as observaes variam de 46,00 at 110,00 cm, com relativamente
poucas medidas nas extremidades do intervalo e uma grande proporo dos
valores situados entre 62,00 e 94,00 cm. Os intervalos 70,00 78,00 cm e
78,00 86,00 cm contm as maiores freqncias, ou seja, 24 plantas de sorgo
granfero que corresponde a 26,67%, e 22 plantas de sorgo granfero que
80
corresponde a 24,44%, respectivamente. Por outro lado, metade das plantas de
sorgo granfero (50,00%) tem uma altura menor ou igual a 78,00 cm.
A TABELA 3.4 tambm fornece um quadro global de como os dados
de peso corporal de um lote misto de frangos de corte com 15 dias de idade
esto distribudos pelos intervalos de classe. As observaes variam de 418,0
at 530,0 g, com relativamente poucas medidas nas extremidades do intervalo
e uma grande proporo dos dados situados entre 446,0 e 502,0 g. Os
intervalos 460,0 474,0 g e 474,0 488,0 g contm as maiores freqncias,
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 informaes
importantes que auxiliam a entender a distribuio de altura de plantas de
sorgo granfero e a distribuio de peso corporal de um lote misto de frangos
de corte com 15 dias de idade.
3.1.2 Histograma de freqncia
O histograma de freqncia, tipo de grfico mais comumente usado,
tambm proporciona ao pesquisador um meio eficaz de organizao dos dados
para estudo do comportamento de variveis de interesse. Embora
freqentemente forneam menor grau de detalhe que as tabelas de freqncias,
so mais fceis de ler, proporcionando ao pesquisador um ganho no
entendimento dos dados.
Esse tipo de grfico consiste em um conjunto de retngulos que tem as
bases sobre um eixo horizontal (eixo dos X) com centro no ponto mdio e as
larguras iguais s amplitudes dos intervalos das classes; e o eixo vertical
(eixo dos Y), as reas proporcionais s freqncias das classes, podendo ser as
freqncias absolutas ou relativas.
Para a construo de um histograma de freqncia, inicialmente
traam-se as escalas dos eixos. A escala do eixo vertical deve comear do
zero; se isso no feito, as comparaes visuais entre os intervalos podem
ficar distorcidas. Uma vez que os eixos tenham sido desenhados, uma barra
vertical centrada no ponto mdio colocada sobre cada intervalo. A altura da
barra demarca a freqncia associada com o intervalo.
Como exemplo tm-se os histogramas de freqncias absoluta e
relativa de altura de planta (cm) de sorgo granfero (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).
81
FIGURA 3.1 HISTOGRAMA DE FREQNCIA ABSOLUTA DE ALTURA DE
PLANTA (cm) DE SORGO GRANFERO
FIGURA 3.2 HISTOGRAMA DE FREQNCIA RELATIVA DE ALTURA DE
PLANTA (cm) DE SORGO GRANFERO
FIGURA 3.3 HISTOGRAMA DE FREQNCIA ABSOLUTA DE PESO CORPORAL
(g) DE UM LOTE MISTO DE FRANGOS DE CORTE COM 15 DIAS DE
IDADE
82
FIGURA 3.4 HISTOGRAMA DE FREQNCIA RELATIVA DE PESO CORPORAL
(g) DE UM LOTE MISTO DE FRANGOS DE CORTE COM 15 DIAS DE
IDADE
As FIGURAS 3.1 e 3.2 fornecem as mesmas informaes da
TABELA 3.3 para as freqncias absoluta e relativa da altura de planta de
sorgo granfero, enquanto que as FIGURAS 3.3 e 3.4 fornecem as mesmas
informaes da TABELA 3.4 para as freqncias 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 distribuio de altura de plantas de sorgo granfero e da
distribuio de peso corporal de um lote misto de frangos de corte com 15 dias
de idade.
3.1.3 Polgono de freqncia
O polgono de freqncia, grfico de linha comumente usado, muito
semelhante ao histograma de freqncia, pois usa os mesmos dois eixos que
um histograma de freqncia e transmitem essencialmente as mesmas
informaes quando so usadas as freqncias absolutas ou relativas. A
diferena bsica entre o histograma e o polgono de freqncia est no fato de
este utilizar os pontos mdios das classes, enquanto o histograma considera os
limites reais das classes. Por outro lado, os polgonos de freqncia, por
poderem ser facilmente superpostos, so superiores aos histogramas quando se
quer comparar dois ou mais conjuntos de dados.
Para a construo de um polgono de freqncia, tanto para freqncia
absoluta como para freqncia relativa, basta apenas unir os pontos mdios de
cada classe de um histograma de freqncia, conforme FIGURAS 3.5 e 3.6,
para altura de planta (cm) de sorgo granfero e FIGURAS 3.7 e 3.8, para peso
corporal (g) de um lote misto de frangos de corte com 15 dias de idade.
83
FIGURA 3.5 POLGONO DE FREQNCIA ABSOLUTA DE ALTURA DE PLANTA
(cm) DE SORGO GRANFERO
FIGURA 3.6 POLGONO DE FREQNCIA RELATIVA DE ALTURA DE PLANTA
(cm) DE SORGO GRANFERO
FIGURA 3.7 POLGONO DE FREQNCIA ABSOLUTA DE PESO CORPORAL (g)
DE UM LOTE MISTO DE FRANGOS DE CORTE COM 15 DIAS DE
IDADE
84
FIGURA 3.8 POLGONO DE FREQNCIA RELATIVA DE PESO CORPORAL (g)
DE UM LOTE MISTO DE FRANGOS DE CORTE COM 15 DIAS DE
IDADE
As FIGURAS 3.5 e 3.6 fornecem essencialmente as mesmas
informaes das FIGURAS 3.1 e 3.2 para as freqncias absoluta e relativa da
altura de planta de sorgo granfero.
As FIGURAS 3.7 e 3.8 tambm fornecem essencialmente as mesmas
informaes das FIGURAS 3.3 e 3.4 para as freqncias absoluta e relativa do
peso corporal de um lote misto de frangos de corte com 15 dias de idade.
Pelo visto, as FIGURAS 3.5 e 3.6 e as FIGURAS 3.7 e 3.8
proporcionam o mesmo entendimento dos dados da distribuio de altura de
plantas de sorgo granfero e da distribuio 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.
Tambm, para a construo de um polgono de freqncia pode-se
usar a freqncia relativa acumulada, o qual chamado de polgono de
freqncia relativa acumulada ou Ogiva de Galton. Embora seu eixo
horizontal seja o mesmo de um polgono de freqncia padro, o seu eixo
vertical utiliza-se das freqncias relativas acumuladas. Um ponto colocado
no limite superior de cada intervalo de classe; a altura do ponto representa a
freqncia relativa acumulada associada ao intervalo de classe. Os pontos so
ento conectados por linhas retas. Como os polgonos de freqncia, os
polgonos de freqncia relativa acumulada podem ser usados para comparar
conjuntos de dados.
Como exemplos tm-se os polgonos de freqncia relativa acumulada
de altura de planta (cm) de sorgo granfero (FIGURA 3.9) e de peso corporal
(g) de um lote misto de frangos de corte com 15 dias de idade (FIGURA 3.10).
85
FIGURA 3.9 POLGONO DE FREQNCIA RELATIVA ACUMULADA DE
ALTURA DE PLANTA (cm) DE SORGO GRANFERO
FIGURA 3.10 POLGONO DE FREQNCIA RELATIVA ACUMULADA DE PESO
CORPORAL (g) DE UM LOTE MISTO DE FRANGOS DE CORTE
COM 15 DIAS DE IDADE
As FIGURAS 3.9 e 3.10 fornecem as mesmas informaes das
TABELAS 3.3 e 3.4 para, respectivamente, as freqncias relativas
acumuladas de altura de planta de sorgo granfero e de peso corporal de um
lote misto de frangos de corte com 15 dias de idade, porm proporcionam um
entendimento melhor dos dados que as referidas tabelas.
3.1.4 Curva normal
Se fossem construdos grficos a partir de freqncias, por exemplo,
do nmero de frutos por planta de 200 prognies de pimento, de leituras
refractomtricas de diversas cebolas, da altura de planta de sorgo granfero, do
peso corporal de frangos de corte, da produo de leite de vacas leiteiras, etc.,
os mesmos mostrariam diversas caractersticas importantes em comum. Todas
as curvas teriam seu ponto mais alto prximo ao meio, representando a classe
mais comum. Estas poderiam desviar-se bastante, simetricamente, sobre
86
qualquer de seus lados em direo s classes raras. A maioria dos dados
biolgicos apresenta curva deste tipo, conhecida como curva normal,
representadas pelas FIGURAS 3.11 e 3.12.
FIGURA 3.11 CURVA NORMAL DA DISTRIBUIO DE FREQNCIA DE
ALTURA DE PLANTA (cm) DE SORGO GRANFERO
FIGURA 3.12 CURVA NORMAL DA DISTRIBUIO DE FREQNCIA DE PESO
CORPORAL (g) DE UM LOTE MISTO DE FRANGOS DE CORTE
COM 15 DIAS DE IDADE
As curvas de distribuio normal podem diferir quanto posio do
ponto mdio (o ponto de maior freqncia) e disperso dos dados, conforme
FIGURAS 3.11 e 3.12, porm todas podem ser descritas, somente, mediante
os parmetros mdia e desvio padro. Os mtodos de estim-los sero
descritos nas sees seguintes.
87
3.2 Medidas de Tendncia Central
Aps serem os dados tabulados, necessrio encontrar valores tpicos
que possam representar a distribuio como um todo. Esses valores tendem a
se localizar em um ponto central e reproduzir as caractersticas da populao,
quanto mais homogneos forem os seus componentes.
Esses valores so chamados de medidas de tendncia central ou
medidas de posio.
Entre as medidas de tendncia central de uma distribuio de
freqncia, as mais conhecidas so: a mdia, a mediana e a moda.
3.2.1 Mdia
A mdia a mais importante das medidas de tendncia central. Entre
os vrios tipos de mdias, a mdia aritmtica, ou simplesmente mdia, a
que mais nos interessa, do ponto de vista estatstico, por ser a mais
representativa de uma amostra de dados. Ela apresenta as seguintes
caractersticas:
a) medida exata e rigorosamente definida;
b) Como medida de tendncia central de fcil compreenso e
descreve todos os dados da srie;
c) Serve de apoio a clculos posteriores como o das probabilidades,
desvio padro, coeficiente de variao, etc.;
d) a medida de tendncia central de maior emprego no campo da
anlise quantitativa.
A mdia aritmtica pode ser simples ou ponderada. Quando nada se
especifica, significa estar-se tratando de mdia simples.
Numa srie de dados no agrupados, isto , dados que no estejam
relacionados com distribuies de freqncias, a mdia aritmtica simples a
razo entre o somatrio dos valores da amostra (Xi) e o nmero de
observaes (N).
Assim, numa amostra de dados X
1
, X
2
, ... X
N
, tem-se:
m =
N
X X X
N
+ + + ...
2 1
=
N
X
i
Deve-se distinguir, neste caso, a mdia verdadeira, que obtida
quando se tomam todos os dados de uma populao, e a mdia estimada, que
obtida a partir de dados de uma amostra.
88
Exemplo 1: Calcular a mdia aritmtica simples a partir de dados da
TABELA 3.5.
TABELA 3.5 DADOS DE PRODUTIVIDADE (kg/ha) DE ALGODO HERBCEO,
VARIEDADE ALLEN 333/57, NO MUNICPIO DE VIOSA-AL, NO
ANO DE 1977
__________________________________________________________________________
rea 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 mdia ser:
m =
N
X

=
6
0 , 453 ... 0 , 660 0 , 273 + + +
=
6
0 , 731 . 2
~ 455,17 kg/ha
O valor m ~ 455,17 kg/ha uma estimativa de produtividade da
populao de algodo herbceo, variedade ALLEN 333/57, no Municpio de
Viosa-AL, no ano de 1977, que desconhecida.
Exemplo 2: Calcular a mdia aritmtica simples a partir de dados da
TABELA 3.6.
89
TABELA 3.6 DADOS DE PESO AO NASCER (kg) DE BEZERROS MACHOS DA
RAA 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
_________________________________________________________________________________________________________________________________________
FONTE: GOMES (1985).
A mdia ser:
m =
N
X

=
12
0 , 40 ... 0 , 41 0 , 47 + + +
=
12
0 , 495
= 41,25 kg
Tambm, o valor m = 41,25 kg uma estimativa de peso ao nascer da
populao de bezerros machos da raa Charolesa que desconhecida.
Numa srie de dados grupados em classes, portanto numa distribuio
de freqncia, a mdia aritmtica simples a razo entre o somatrio dos
produtos dos pontos mdios pelas freqncias [ (Pm x f)] e o somatrio das
freqncias (f).
Assim, tem-se:

=
f
f x Pm
m
) (

90
Exemplo 3: Calcular a mdia aritmtica simples a partir de dados da
TABELA 3.3.
A mdia ser:

=
f
f x Pm
m
) (

=
( ) ( ) ( )
4 ... 7 3
4 0 , 106 ... 7 0 , 58 3 0 , 50
+ + +
+ + + x x x
=
( ) ( ) ( )
90
0 , 424 ... 0 , 406 0 , 150 + + +
=
90
0 , 060 . 7
~ 78,44 cm
O valor m ~ 78,44 cm uma estimativa de altura de planta da
populao de sorgo granfero que desconhecida. Esse valor, que se localiza
em um ponto central, representa a amostra de 90 dados da distribuio de
altura de planta de sorgo granfero.
Exemplo 4: Calcular a mdia aritmtica simples a partir de dados da
TABELA 3.4.
A mdia ser:

=
f
f x Pm
m
) (

=
( ) ( ) ( )
4 ... 8 3
4 0 , 523 ... 8 0 , 439 3 0 , 425
+ + +
+ + + x x x
=
( ) ( ) ( )
120
0 , 092 . 2 ... 0 , 512 . 3 0 , 275 . 1 + + +
=
120
0 , 978 . 56
~ 474,82 g
O valor m ~ 474,82 g uma estimativa de peso corporal de uma
populao mista de frangos de corte com 15 dias de idade que desconhecida.
Esse valor, que tambm se localiza em um ponto central, representa a amostra
91
de 120 dados da distribuio de peso corporal de um lote misto de frangos de
corte com 15 dias de idade.
Em certos casos no prprios de distribuies de freqncias, em que
os dados no possuem identidade de significao, devem-se equiparar os
dados entre si para obteno da mdia aritmtica. Esse tipo de mdia se
chama, especificamente, mdia aritmtica ponderada, ou s vezes,
simplesmente, mdia ponderada. A ponderao a nica 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 mdia, que ser uma razo entre o somatrio dos produtos de
cada valor pelo peso respectivo [ (P x X)] e o somatrio dos pesos (P).
Assim, tem-se:
( )

=
P
X x P
p m
Exemplo 5: Calcular a mdia aritmtica ponderada a partir de dados
da TABELA 3.7.
TABELA 3.7 DADOS DE STAND FINAL E DE NMERO DE FRUTOS DE ABACAXI
(Ananas comosus (L.) Merrill, VARIEDADE PROLA, EM REAS DE 42
m
2
, NO MUNICPIO DE ARAPIRACA-AL, NO ANO DE 1985
Lote Stand Final Nmero de Frutos
1
2
3
4
5
6
129,0
139,0
138,0
132,0
129,0
112,0

73,0
101,0
102,0
87,0
79,0
69,0
FONTE: FERREIRA e MARTINS, 1985.
A mdia ser:
( )

=
P
X x P
p m
( ) ( ) ( )
0 , 112 ... 0 , 139 0 , 129
0 , 69 0 , 112 ... 0 , 101 0 , 139 0 , 73 0 , 129
+ + +
+ + +
=
x x x
92
( ) ( ) ( )
0 , 779
0 , 728 . 7 ... 0 , 039 . 14 0 , 417 . 9 + + +
=
= ~
0 , 779
0 , 935 . 66
85,92 frutos
O valor p m ~ 85,92 frutos uma estimativa de nmero de frutos por
lote de 42 m
2
da populao de abacaxi, variedade PROLA, no Municpio de
Arapiraca-AL, que desconhecida. Esse valor representa melhor a amostra de
seis lotes de 42 m
2
da distribuio de nmero de frutos da populao de
abacaxi, variedade PROLA, no Municpio de Arapiraca-AL, do que a mdia
aritmtica simples ( m ~ 85,17 frutos), pois levado em conta o nmero de
plantas por lote no clculo da mdia do nmero de frutos de abacaxi, enquanto
que na mdia aritmtica simples isso no ocorre. Sabe-se que numa mesma
rea, quanto maior o nmero de plantas maior ser o nmero de frutos.
Portanto, o valor p m ~ 85,92 frutos traduz melhor a realidade.
Exemplo 6: Calcular a mdia aritmtica ponderada a partir de dados
da TABELA 3.8.
TABELA 3.8 DADOS DE NMERO DE POEDEIRAS ISA BROWN POR PARCELA E
DE NMERO DE OVOS PRODUZIDOS DURANTE UM PERODO DE
60 DIAS
Parcela Nmero de Aves Produo de Ovos
1
2
3
4
5
8,0
7,0
7,0
6,0
8,0

468,0
410,0
416,0
351,0
460,0

A mdia ser:
( )

=
P
X x P
p m
( ) ( ) ( )
0 , 8 ... 0 , 7 0 , 8
0 , 460 0 , 8 ... 0 , 410 0 , 7 0 , 468 0 , 8
+ + +
+ + +
=
x x x
93
( ) ( ) ( )
0 , 36
0 , 680 . 3 ... 0 , 870 . 2 0 , 744 . 3 + + +
=
= ~
0 , 36
0 , 312 . 15
425,33 ovos
O valor p m ~ 425,33 ovos tambm uma estimativa de nmero de
ovos por parcela da populao de poedeiras Isa Brown durante um perodo de
60 dias, que desconhecida. Esse valor representa melhor a amostra de cinco
parcelas da distribuio de nmero de ovos por parcela de poedeiras Isa
Brown durante um perodo de 60 dias, do que a mdia aritmtica simples
( m ~ 421,0 ovos), pois levado em conta o nmero de aves por parcela no
clculo da mdia do nmero de ovos de poedeiras Isa Brown, enquanto que na
mdia aritmtica simples isso no ocorre. Sabe-se que numa mesma rea,
quanto maior o nmero de galinhas poedeiras maior ser o nmero de ovos.
Portanto, o valor p m ~ 425,33 ovos traduz melhor a realidade.
3.2.2 Mediana
A mediana de um conjunto ordenado de dados o valor que ocupa
exatamente o centro da srie ou a mdia aritmtica dos dois valores centrais,
sendo insensvel ao valor de cada observao, o que pode ser uma vantagem,
quando a distribuio dos dados for assimtrica. Esta medida de tendncia
central serve para representar e analisar uma srie de dados grupados ou no,
dividindo a srie em duas partes iguais, isto , forma uma dicotomia de rea.
Numa srie de dados no agrupados, a mediana facilmente
localizvel, tanto quanto as demais medidas de tendncia central. Neste caso
especfico, como foi dito, a mediana (m
e
) ficar no centro da srie.
Considerando os dados do Exemplo 1, a mediana ser:
m
e
=
2
4 3
X X +
=
2
0 , 453 0 , 355 +
=
2
0 , 808
= 404,0 kg/ha
O valor m
e
= 404,0 kg/ha uma estimativa de produtividade da
populao de algodo herbceo, variedade ALLEN 333/57, no Municpio de
Viosa-AL, no ano de 1977, que desconhecida. Esse valor foi bem inferior
94
ao valor da mdia aritmtica ( m ~ 455,17 kg/ha), tendo uma diferena de
51,17 kg/ha. Como houve uma variao muito grande entre os dados de
produtividade de algodo herbceo, onde o maior valor (675,0 kg/ha) foi,
aproximadamente, 2,5 vezes maior que o menor valor (273,0 kg/ha) e a mdia
aritmtica sensvel a esse tipo de variao, a mediana, nesse caso, seria a
medida de tendncia central que traduz melhor a realidade por ser mais
robusta, ou seja, muito menos sensvel a esse tipo de variao.
Considerando, tambm, os dados do Exemplo 2, a mediana ser:
m
e
=
2
7 6
X X +
=
2
0 , 45 0 , 41 +
=
2
0 , 86
= 43,0 kg
O valor m
e
= 43,0 kg uma estimativa de peso ao nascer da populao
de bezerros machos da raa Charolesa que desconhecida. Esse valor foi
ligeiramente superior ao valor da mdia aritmtica ( m = 41,25 kg), tendo uma
diferena de apenas 1,75 kg por animal. Nesse caso, tanto a mediana como a
mdia aritmtica traduzem a realidade.
Numa srie de dados grupados em classes, a mediana (m
e
) obtida
atravs da seguinte frmula:
m
e
=
|
|
|
|
.
|

\
|

+

e
fm
f
N
Li
'
2
x Ic
onde:
Li = limite inferior da classe mediana;
N = total de freqncia;
f = soma de todas as freqncias das classes inferiores mediana;
fm
e
= freqncia da classe mediana;
Ic = amplitude do intervalo da classe mediana.
Considerando os dados do Exemplo 3, a mediana ser:
95
m
e
=
|
|
|
|
.
|

\
|

+

e
fm
f
N
Li
'
2
x Ic
=
|
|
|
|
.
|

\
|

+
23
45
2
90
0 , 74 x 8,0
=
|
.
|

\
|
+
23
45 45
0 , 74 x 8,0
=
|
.
|

\
|
+
23
0
0 , 74 x 8,0
= 74,0 + (0) x 8,0
= 74,0 + 0 = 74,0 cm
O valor m
e
= 74,0 cm uma estimativa de altura de planta da
populao de sorgo granfero que desconhecida. Esse valor foi ligeiramente
inferior ao valor da mdia aritmtica ( m ~ 78,44 cm), tendo uma diferena de
apenas 4,44 cm por planta. Nesse caso, tanto a mediana como a mdia
aritmtica traduzem a realidade.
Considerando, tambm, os dados do Exemplo 4, a mediana ser:
m
e
=
|
|
|
|
.
|

\
|

+

e
fm
f
N
Li
'
2
x Ic
=
|
|
|
|
.
|

\
|

+
31
58
2
120
0 , 467 x 14,0
= |
.
|

\
|
+
31
58 60
0 , 467 x 14,0
96
=
|
.
|

\
|
+
31
2
0 , 467 x 14,0
= 467,0 + (0,0645) x 14,0
= 467,0 + 0,903 ~ 467,90 g
O valor m
e
~ 467,90 g uma estimativa de peso corporal da populao
de um lote misto de frangos de corte com 15 dias de idade que desconhecida.
Esse valor foi ligeiramente inferior ao valor da mdia aritmtica
( m ~ 474,82 g), tendo uma diferena de apenas 6,92 g por frango. Tambm,
nesse caso, tanto a mediana quanto a mdia aritmtica traduzem a realidade.
3.2.3 Moda
A moda de um conjunto de dados o valor que ocorre com maior
freqncia, ou seja, o valor mais comum. A moda pode no existir e, mesmo
que exista, pode no ser nica.
Numa srie de dados no grupados, quando todos os valores da srie
ocorrem com a mesma freqncia, como no Exemplo 1, a moda (m
o
) no
existe. Quando a srie possuir apenas um valor como sendo o mais freqente,
este ser a moda, denominando-se unimodal. Contudo, quando a srie possuir
mais de um valor como sendo os mais freqentes, 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.
97
TABELA 3.9 DADOS DE EMERGNCIA DE PLNTULAS, DE EMERGNCIA DA 1
a
VAGEM E DE MATURAO DE VAGENS DE CULTIVARES DE
SOJA (Glicine max (L.) Merrill) NO MUNICPIO DE VIOSA-AL, NO
ANO DE 1984
Cultivar Emergncia de
Plntulas (em dias)
Emergncia da
1
a
Vagem (em dias)
Maturao de Vagens
(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
PARAN 5 35 85
PROLA 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
VIOJA 7 36 93
FONTE: FERREIRA e OLIVEIRA (1985).
No caso da emergncia de plntulas, a moda ser:
m
o
= 6 dias
No caso da emergncia da 1
a
vagem, as modas sero:
m
o
= 36 dias
m
o
= 37 dias
m
o
= 42 dias
E, no caso da maturao de vagens, as modas sero:
m
o
= 93 dias
98
m
o
= 99 dias
No caso da emergncia de plntulas, o valor m
o
= 6,0 dias uma
estimativa da populao de soja no Municpio de Viosa-AL, no ano de 1984,
que desconhecida. Esse valor foi bastante prximo do valores da mdia
aritmtica ( m ~ 5,44 dias) e da mediana (m
e
= 5,5 dias). Assim sendo,
qualquer uma dessas medidas de tendncia central traduz a realidade quanto
emergncia de plntulas de soja em Viosa-AL.
Tambm, no caso da emergncia da 1
a
vagem, os valores: m
o
= 36,0
dias, m
o
= 37,0 dias e m
o
= 42,0 dias so estimativas da populao de soja no
Municpio de Viosa-AL, no ano de 1984, que so desconhecidas. Esses
valores foram bastante diferentes do valor da mdia aritmtica ( m ~ 39,94
dias) e do valor da mediana (m
e
= 39,5 dias). Por outro lado, a mdia
aritmtica e a mediana apresentaram valores bem prximos. Desse modo,
apenas a mdia aritmtica e a mediana, nesse caso, como medidas de
tendncia central, traduzem melhor a realidade quanto emergncia da 1
a
vagem de soja em Viosa-AL.
Ainda, no caso de maturao de vagens, os valores: m
o
= 93,0 dias e
m
o
= 99,0 dias so estimativas da populao de soja no Municpio de Viosa-
AL, no ano de 1984, que so desconhecidas. Esses valores foram bastante
diferentes do valor da mdia aritmtica ( m ~ 97,78 dias) e do valor da
mediana (m
e
= 97,0 dias). Por outro lado, a mdia aritmtica e a mediana
apresentaram valores bem prximos. Desse modo, como no caso anterior,
apenas a mdia aritmtica e a mediana, como medidas de tendncia central,
traduzem melhor a realidade quanto maturao de vagens de soja em Viosa-
AL.
Considerando os dados do Exemplo 2, as modas sero:
m
0
= 40,0 kg
m
0
= 45,0 kg
m
0
= 47,0 kg
Os valores: m
o
= 40,0 kg, m
o
= 45,0 kg e m
o
= 47,0 kg so estimativas
de peso ao nascer da populao de bezerros machos da raa Charolesa que so
desconhecidas. Esses valores foram bastante diferentes do valor da mdia
aritmtica ( m = 41,25 kg) e do valor da mediana (m
e
= 43,0 kg). Por outro
lado, a mdia aritmtica e a mediana apresentaram valores bem prximos.
Ento, dessa forma, tanto a mdia aritmtica quanto mediana traduzem
melhor a realidade em relao ao peso ao nascer de bezerros machos da raa
Charolesa.
99
Numa srie de dados grupados em classes, chama-se classe modal a
classe que possui a maior freqncia. Neste caso, existem vrios processos
para se determinar moda (m
o
). Contudo, sero vistos os mais utilizados:
a) Processo de KING A moda (m
o
) calculada atravs da seguinte
frmula:
|
|
.
|

\
|
+
+ =
fp fa
fp
Li m
o
' x Ic
onde:
Li= limite inferior da classe modal;
fp = freqncia posterior classe modal;
fa = freqncia anterior classe modal;
Ic = amplitude do intervalo da classe modal.
Considerando os dados do Exemplo 3, a moda ser:
|
|
.
|

\
|
+
+ =
fp fa
fp
Li m
o
' x Ic
=
|
.
|

\
|
+
+
22 11
22
0 , 70 x 8,0
=
|
.
|

\
|
+
33
22
0 , 70 x 8,0
= 70,0 + (0,6667) x 8,0
= 70,0 + 5,3336 ~ 75,33 cm
Considerando, tambm, os dados do Exemplo 4, a moda ser:
|
|
.
|

\
|
+
+ =
fp fa
fp
Li m
o
' x Ic
=
|
.
|

\
|
+
+
17 30
17
0 , 474 x 14,0
=
|
.
|

\
|
+
47
17
0 , 474 x 14,0
100
= 474,0 + (0,3617) x 14,0
= 474,0 + 5,0638 ~ 479,06 g
b) Processo de CZUBER - A moda (m
o
) calculada atravs da
seguinte frmula:
m
o
= Li +
(

) ( 2 fp fa fm x
fa fm
o
o
x Ic
onde:
Li= limite inferior da classe modal;
fp = freqncia posterior classe modal;
fa = freqncia anterior classe modal;
fm
o
= freqncia da classe modal;
Ic = amplitude do intervalo da classe modal.
Considerando os dados do Exemplo 3, a moda ser:
m
o
= Li +
(

) ( 2 fp fa fm x
fa fm
o
o
x Ic
= 70,0 +
(

) 22 11 ( 24 2
11 24
x
x 8,0

= 70,0 +
(

) 33 ( 48
13
x 8,0
= 70,0 +
(

15
13
x 8,0
= 70,0 + (0,8667) x 8,0
= 70,0 + 6,93360 = 76,93 cm
Considerando, tambm, os dados do Exemplo 4, a moda ser:
m
o
= Li +
(

) ( 2 fp fa fm x
fa fm
o
o
x Ic
101
= 474,0 +
(

) 17 30 ( 32 2
30 32
x
x 14,0

= 474,0 +
(

) 47 ( 64
2
x 14,0
= 474,0 +
(

17
2
x 14,0
= 474,0 + (0,1176) x 14,0
= 474,0 + 1,6464 ~ 475,65 g
Observe-se que h uma diferena entre os valores encontrados, por
ambos os processos, tanto para altura de planta de sorgo granfero (Processo
de King m
o
~ 75,33 cm e Processo de Czuber m
o
= 76,93 cm) quanto para
peso corporal de um lote misto de frangos de corte com 15 dias de idade
(Processo de King m
o
~ 479,06 g e Processo de Czuber m
o
~ 475,65 g),
mas que em termos de moda no tem importncia.
Por outro lado, as estimativas da moda, pelo Processo de Czuber, para
os dois tipos de distribuio de freqncia ficaram mais prximas das
estimativas da mdia aritmtica (Altura de planta de sorgo granfero:
m ~ 78,44 cm e m
o
~ 76,93 cm; Peso corporal de um lote misto de frangos de
corte com 15 dias de idade: m ~ 474,82 g e m
o
~ 475,65 g), enquanto que
pelo Processo de King, apenas a estimativa da moda da Altura de planta de
sorgo granfero (m
o
= 75,33cm) ficou prxima da mediana (m
e
= 74,0 cm).
Assim sendo, como as estimativas da mdia aritmtica e da mediana
para os dois tipos de distribuio em estudo foram muito prximas e que as
estimativas da moda pelos dois processos esto em torno delas apenas para
Altura de planta de sorgo granfero, 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 prximas das estimativas da mdia
aritmtica, qualquer uma das medidas de tendncia central traduz a realidade
para altura de planta de sorgo granfero e para peso corporal de um lote misto
de frangos de corte com 15 dias de idade.
Por fim, vale ressaltar que na pesquisa agropecuria, as medidas de
tendncia central so utilizadas, de um modo geral, isoladamente, cabendo ao
pesquisador verificar qual delas mais conveniente para auxiliar a anlise dos
seus dados. Entretanto, em determinadas situaes, elas podem ser utilizadas
em conjunto.
A melhor medida de tendncia central para um determinado conjunto
de dados depende freqentemente da distribuio dos valores:
102
a) Se a distribuio de valores simtrica e unimodal, a mdia, a
mediana e a moda so aproximadamente as mesmas, onde, nesta situao,
qualquer uma delas poder ser usada convenientemente para analisar os dados,
conforme FIGURA 3.13 (a).
b) Se a distribuio de valores simtrica e bimodal, a mdia e a
mediana so aproximadamente as mesmas, porm no convenientes para
analisar os dados, pois se tratam de medidas improvveis de ocorrer, j que
seus valores se encontrariam entre os dois picos, segundo FIGURA 3.13 (b).
Uma distribuio bimodal indica freqentemente que a populao da qual os
valores so tomados consiste realmente de dois subgrupos distintos que
diferem na caracterstica medida, onde a moda seria a medida de tendncia
central mais conveniente para analisar os dados ou ento analisar os dois
subgrupos separadamente.
c) Quando os dados so assimtricos, tanto direita quanto
esquerda, a mediana freqentemente a melhor medida de tendncia central.
Por ser sensvel s observaes extremas, a mdia puxada em direo dos
valores atpicos e, conseqentemente, poderia terminar excessivamente
aumentada ou reduzida, em excesso. Quando os dados so assimtricos
direita, a mdia se encontra direita da mediana [FIGURA 3.13 (c)]; e quando
os dados so assimtricos esquerda, a mdia se encontra esquerda da
mediana [FIGURA 3.13 (d)].
FIGURA 3.13 TIPOS DE DISTRIBUIO DE VALORES DE UM DETERMINADO
CONJUNTO DE DADOS: (a) SIMTRICA E UNIMODAL; (b)
SIMTRICA E BIMODAL; (c) ASSIMTRICA DIREITA; (d)
ASSIMTRICA ESQUERDA
103
3.3 Medidas de Variabilidade de Dados
Na seo anterior, foi visto que entre as medidas de tendncia central,
a mdia a mais importante, do ponto de vista estatstico, por ser a mais
representativa de uma amostra de dados. Contudo, ela no 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 m = 10,0
(2) 8, 10, 12, 9, 11 m = 10,0
(3) 10, 3, 9, 17, 11 m = 10,0
(4) 17, 15, 7, 3, 8 m = 10,0
Ver-se que as amostras (1), (2), (3) e (4) tm a mesma mdia, mas
observa-se que na amostra (1) todos os valores so iguais a 10, ou seja, igual a
mdia aritmtica, logo todos os valores esto concentrados na mdia, no
existindo qualquer diferena entre cada valor e a mdia, consequentemente
no existe variabilidade dos dados, o que na prtica improvvel de ocorrer.
Ao passo que nas outras amostras existem diferenas em relao mdia.
Assim pode-se dizer que na mostra (1) no existe variabilidade nos dados,
havendo para todas as outras, sendo a amostra (4) a de maior variabilidade.
Portanto, alm da mdia, necessita-se de uma medida estatstica
complementar para melhor caracterizar cada amostra apresentada.
As medidas estatsticas responsveis pela variao ou disperso dos
valores de uma srie so as medidas de variabilidade ou medidas de
disperso, onde se destacam, em nosso caso, a amplitude total, a varincia,
o desvio padro, o erro padro da mdia e o coeficiente de variao.
3.3.1 Amplitude total
A amplitude total (At) a diferena entre os valores maior (ma) e
menor (me) de um conjunto de dados de uma determinada varivel.
Assim, numa amostra de dados X
1
, X
2
, ... , X
N
, tem-se:
At = X
ma
X
me
Considerando todas as amostras com mdia m = 10, do exemplo
citado anteriormente, ver-se que a mdia m = 10 no d por si s, uma
completa informao a respeito do comportamento dos dados. Entretanto, se
104
for tomado a diferena entre o maior e o menor deles, dentro de cada amostra,
isto , a amplitude total, ter-se- 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) so as mais
dispersas. No entanto, elas so bem distintas, faltando, consequentemente,
alguma informao a mais, que permita diferenci-las.
por isso que a amplitude total, mesmo sendo fcil de calcular, uma
medida de disperso de utilidade limitada, por depender somente dos valores
extremos de um conjunto de dados, desprezando assim os valores
intermedirios, o que a torna insensvel disperso dos demais valores entre o
maior e o menor.
Considerando os dados do Exemplo 1, a amplitude total ser:
At = X
ma
X
me
= 675,0 273,0 = 402,0 kg/ha
O valor At = 402,0 kg/ha uma estimativa de variabilidade dos dados
de produtividade de algodo herbceo, variedade ALLEN 333/57, no
Municpio de Viosa-AL, no ano de 1977, em torno da mdia aritmtica
( m ~ 455,17 kg/ha). Houve uma variao muito grande nos dados de
produtividade de algodo herbceo, em relao mdia aritmtica.
Considerando, tambm, os dados do Exemplo 2, a amplitude total
ser:
At = X
ma
X
me
105
= 48,0 25,0 = 23,0 kg
O valor At = 23,0 kg uma estimativa de variabilidade dos dados de
peso ao nascer de bezerros machos da raa Charolesa, em torno da mdia
aritmtica ( m = 41,25 kg). Houve uma variao grande nos dados de peso ao
nascer de bezerros machos, em relao mdia aritmtica.
Considerando, ainda, os dados do Exemplo 3, a amplitude total ser:
At = X
ma
X
me
= 110,0 46,0 = 64,0 cm
O valor At = 64,0 cm uma estimativa de variabilidade dos dados
de altura de planta de sorgo granfero, em torno da mdia aritmtica
( m ~ 78,44 cm). Houve uma variao muito grande nos dados de altura de
planta, em relao mdia aritmtica.
Considerando, por fim, os dados do Exemplo 4, a amplitude total ser:
At = X
ma
X
me
= 530,0 418,0 = 112,0 g
O valor At = 112,0 g 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 mdia aritmtica ( m ~ 474,82 g). Houve uma variao relativamente
grande nos dados de peso corporal, em relao mdia aritmtica.
3.3.2 Varincia
A varincia uma medida de variabilidade que leva em conta todos os
valores de um conjunto de dados. , indiscutivelmente, a melhor medida de
disperso.
Numa amostra de dados no grupados, como por exemplo, numa
amostra de dados X
1
, X
2
, ... , X
N
, a varincia (s
2
) obtida atravs da seguinte
frmula:
s
2
=
1 N
SQD

onde:
SQD = soma dos quadrados dos desvios em relao mdia aritmtica;
N = nmero de observaes.
106
oportuno observar que o denominador da frmula da varincia
acima equivalente ao nmero de graus de liberdade envolvido.
O nmero de graus de liberdade utilizado no clculo da varincia e
de outras medidas de variabilidade, quando as mesmas so obtidas a partir de
uma amostra de dados e a teoria prova que, quando a mdia verdadeira no
conhecida e faz-se o clculo de s
2
a partir de uma estimativa m , isto eqivale
exatamente perda de uma das observaes.
O nmero de graus de liberdade conceituado como o nmero de
valores num conjunto de dados que pode ser designado arbitrariamente. Por
exemplo, suponha que um pesquisador vai distribuir, atravs de sorteio, dez
vacas holandesas em um galpo contendo dez baias, para avaliar duas raes
comerciais em relao produo de leite. No primeiro sorteio, a chance de
qualquer uma das dez vacas ocupar a baia n
o
1 a mesma, pois tm-se dez
opes de escolha. Depois de sorteada a baia n
o
1, passa-se ao segundo sorteio,
onde a chance de qualquer uma das nove vacas ocupar a baia n
o
2 a mesma,
pois tm-se nove opes de escolha. Depois de sorteada a baia n
o
2, passa-se
ao terceiro sorteio, onde a chance de qualquer uma das oito vacas ocupar a
baia n
o
3 a mesma, pois tm-se oito opes de escolha, e assim
sucessivamente. Quando s restarem duas baias, passa-se ao nono sorteio,
onde a chance de qualquer uma das duas vacas ocupar a baia n
o
9 a mesma,
pois tm-se duas opes de escolha. Porm, depois de sorteada a baia n
o
9, a
ltima vaca j no tem mais opo de escolha, ou seja, ela ficar na baia n
o
10.
Portanto, o nmero de opes igual a 9, isto , N 1.
Considerando os dados das amostras do exemplo anterior, tem-se:
s
2
) 1 (
=
1 N
SQD

=
( ) ( ) ( ) ( ) ( )
1 5
0 0 0 0 0
2 2 2 2 2

+ + + +
=
( ) ( ) ( ) ( ) ( )
4
0 0 0 0 0 + + + +

=
4
0
= 0,0
s
2
) 2 (
=
1 N
SQD

=
( ) ( ) ( ) ( ) ( )
1 5
1 1 2 0 2
2 2 2 2 2

+ + + +
107
=
( ) ( ) ( ) ( ) ( )
4
1 1 4 0 4 + + + +
=
4
10
= 2,5
s
2
) 3 (
=
1 N
SQD

=
( ) ( ) ( ) ( ) ( )
1 5
1 7 1 7 0
2 2 2 2 2

+ + + +
=
( ) ( ) ( ) ( ) ( )
4
1 49 1 49 0 + + + +
=
4
100
= 25,0
s
2
) 4 (
=
1 N
SQD

=
( ) ( ) ( ) ( ) ( )
1 5
2 7 3 5 7
2 2 2 2 2

+ + + +
=
( ) ( ) ( ) ( ) ( )
4
4 49 9 25 49 + + + +
=
4
136
= 34,0
Um modo mais prtico de calcular a SQD o que se segue:
SQD =
( )
N
X
X
2
2


Assim, a frmula da varincia fica:
s
2
=
( )
1
2
2


N
N
X
X
108
Considerando o mesmo exemplo, tem-se:
s
2
(1)
=
( )
1
2
2


N
N
X
X
=
( ) ( ) ( ) ( ) ( )
( )
1 5
5
50
10 10 10 10 10
2
2 2 2 2 2

+ + + +
=
( ) ( ) ( ) ( ) ( )
( )
4
5
500 . 2 .
100 100 100 100 100 + + + +
=
4
500 500
=
4
0
= 0,0
s
2
(2)
=
( )
1
2
2


N
N
X
X
=
( ) ( ) ( ) ( ) ( )
( )
1 5
5
50
11 9 12 10 8
2
2 2 2 2 2

+ + + +
=
( ) ( ) ( ) ( ) ( )
( )
4
5
500 . 2
121 81 144 100 64 + + + +
=
4
500 510
=
4
10
= 2,5
s
2
(3)
=
( )
1
2
2


N
N
X
X
109
=
( ) ( ) ( ) ( ) ( )
( )
1 5
5
50
11 17 9 3 10
2
2 2 2 2 2

+ + + +

=
( ) ( ) ( ) ( ) ( )
( )
4
5
500 . 2
121 289 81 9 100 + + + +
=
4
500 600
=
4
100
= 25,0
s
2
(4)
=
( )
1
2
2


N
N
X
X
=
( ) ( ) ( ) ( ) ( )
( )
1 5
5
50
8 3 7 15 17
2
2 2 2 2 2

+ + + +
=
( ) ( ) ( ) ( ) ( )
( )
4
5
500 . 2
64 9 49 225 289 + + + +
=
4
500 636
=
4
136
= 34,0
A vantagem deste mtodo que se trabalha diretamente com os dados
originais, no havendo, pois, necessidade de calcular-se previamente a mdia e
os desvios em relao a ela.
interessante observar que as amostras (3) e (4) j referidas, embora
no pudessem ser diferenciadas pela amplitude total, podem perfeitamente ser
identificadas atravs da varincia. Neste caso, observa-se que a amostra (4)
mais dispersa que a amostra (3).
Considerando os dados do Exemplo 1, a varincia ser:
110
s
2
=
( )
1
2
2


N
N
X
X
=
( ) ( ) ( )
( )
1 6
6
0 , 731 . 2
0 , 453 0 , 660 0 , 273
2
2 2 2

+ + +
=
( ) ( ) ( )
5
6
) 0 , 361 . 458 . 7 (
0 , 209 . 205 0 , 600 . 435 0 , 529 . 74 + + +
=
( ) ( ) ( )
5
167 , 060 . 243 . 1 0 , 209 . 205 0 , 600 . 435 0 , 529 . 74 + + +
=
5
167 , 060 . 243 . 1 0 , 213 . 396 . 1
=
5
833 , 152 . 153
= 30.630,5666 (kg/ha)
2
O valor s
2
= 30.630,5666 (kg/ha)
2
uma estimativa de variabilidade
dos dados de produtividade de algodo herbceo, variedade ALLEN 333/57,
no Municpio de Viosa-AL, no ano de 1977, em torno da mdia aritmtica
( m ~ 455,17 kg/ha). Mesmo sendo uma unidade quadrtica, verifica-se que
houve uma variao relativamente grande nos dados de produtividade de
algodo herbceo em torno da mdia aritmtica.
Considerando, tambm, os dados do Exemplo 2, a varincia ser:
s
2
=
( )
1
2
2


N
N
X
X
=
( ) ( ) ( )
( )
1 12
12
0 , 495
0 , 40 0 , 41 0 , 47
2
2 2 2

+ + +
=
( ) ( ) ( )
( )
11
12
0 , 025 . 245
0 , 600 . 1 0 , 681 . 1 0 , 209 . 2 + + +
111
=
( ) ( ) ( )
11
75 , 418 . 20 0 , 600 . 1 0 , 681 . 1 0 , 209 . 2 + + +
=
11
75 , 418 . 20 0 , 919 . 20
=
11
25 , 500
~ 45,4773 kg
2
O valor s
2
~ 45,4773 kg
2
uma estimativa de variabilidade dos dados
de peso ao nascer de bezerros machos da raa Charolesa, em torno da mdia
aritmtica ( m = 41,25 kg). Mesmo sendo uma unidade quadrtica, verifica-se
que houve uma variao relativamente pequena nos dados de peso ao nascer
de bezerros machos em torno da mdia aritmtica.
Numa srie de dados grupados em classes, a varincia (s
2
) obtida
atravs da seguinte frmula:
s
2
=
( )
1
2

N
f x d
onde:
d = desvio de cada ponto mdio em relao mdia aritmtica da srie
(Pm m );
f = freqncia de cada classe;
N = nmero de observaes.
Considerando os dados do Exemplo 3, a varincia ser:
s
2
=
( )
1
2

N
f x d
=
( ) ( ) ( ) | |
1 90
4 44 , 78 0 , 106 7 44 , 78 0 , 58 3 44 , 78 0 , 50
2 2 2

+ + + x x x
=
( ) ( ) ( ) | |
89
4 56 , 27 7 44 , 20 3 44 , 28
2 2 2
x x x + + +
=
( ) ( ) ( ) | |
89
4 5536 , 759 7 7936 , 417 3 8336 , 808 x x x + + +
=
( ) ( ) ( ) | |
89
2144 , 038 . 3 5552 , 924 . 2 5008 , 426 . 2 + + +
112
=
89
2240 , 374 . 15
= 172,7440899 cm
2
O valor s
2
= 172,7440899 cm
2
uma estimativa de variabilidade dos
dados de altura de planta de sorgo granfero, em torno da mdia aritmtica
( m ~ 78,44 cm). Mesmo sendo uma unidade quadrtica, verifica-se que houve
uma variao pequena nos dados de altura de planta, em torno da mdia
aritmtica.
Considerando, tambm, os dados do Exemplo 4, a varincia ser:
s
2
=
( )
1
2

N
f x d
=
( ) ( ) ( ) | |
1 120
4 82 , 474 0 , 523 8 82 , 474 0 , 439 3 82 , 474 0 , 425
2 2 2

+ + + x x x
=
( ) ( ) ( ) | |
119
4 18 , 48 8 82 , 35 3 82 , 49
2 2 2
x x x + + +
=
( ) ( ) ( ) | |
119
4 3124 , 321 . 2 8 0724 , 283 . 1 3 0324 , 482 . 2 x x x + + +
=
( ) ( ) ( ) | |
119
2496 , 285 . 9 5792 , 264 . 10 0972 , 446 . 7 + + +
=
119
9680 , 583 . 55
= 467,0921681 g
2
O valor s
2
= 467,0921681 g
2
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 mdia aritmtica ( m ~ 474,82 g). Mesmo sendo uma
unidade quadrtica, verifica-se que houve uma variao muito pequena nos
dados de peso corporal, em torno da mdia aritmtica.
3.3.3 Desvio padro
A varincia, pela sua natureza, tem uma unidade quadrtica. A sua
raiz quadrada, que ainda uma medida de variabilidade, denominada desvio
padro.
O desvio padro uma medida de disperso muito usada pelo fato de
que permite a interpretao direta da variao dos dados, pois o mesmo
apresenta a mesma unidade dos dados originais e, consequentemente, da
113
mdia. O seu clculo muito importante, porque atravs dele o pesquisador
estima a variao acidental que ocorre nos dados experimentais.
Numa srie de dados no grupados, como por exemplo, numa amostra
de dados X
1
, X
2
, ... , X
N
, o desvio padro (s) obtido atravs das seguintes
frmulas:
s =
2
s
1 N
SQD
=

ou
s =
1
) (
2
2


N
N
X
X
=
2
s
Considerando os dados das amostras do exemplo anterior, tem-se:
s
) 1 (
=
2
s
= 0 , 0 = 0,0000
s
) 2 (
=
2
s
= 5 , 2 ~ 1,5811
s
) 3 (
=
2
s
= 0 , 25 = 5,0000
s
) 4 (
=
2
s
= 0 , 34 ~ 5,8310
Tambm, aqui, as amostras (3) e (4) podem perfeitamente ser
identificadas atravs do desvio padro, continuando a amostra (4) como sendo
a mais dispersa.
Considerando os dados do Exemplo 1, o desvio padro ser:
s =
2
s
114
= 5666 , 630 . 30 ~ 175,0159 kg/ha
O valor s ~ 175,0159 kg/ha uma estimativa de variabilidade dos
dados de produtividade de algodo herbceo, variedade ALLEN 333/57, no
Municpio de Viosa-AL, no ano de 1977, em torno da mdia aritmtica
( m ~ 455,17 kg/ha). Houve uma variao relativamente grande nos dados de
produtividade de algodo herbceo, em relao mdia aritmtica.
Considerando, tambm, os dados do Exemplo 2, o desvio padro ser:
s =
2
s
= 4773 , 45 ~ 6,7437 kg
O valor s ~ 6,7437 kg uma estimativa de variabilidade dos dados de
peso ao nascer de bezerros machos da raa Charolesa, em torno da mdia
aritmtica ( m = 41,25 kg). Houve uma variao relativamente pequena nos
dados de peso ao nascer de bezerros machos, em relao mdia aritmtica.
Numa srie de dados grupados em classes, o desvio padro (s)
obtido atravs da seguinte frmula:
s =
2
2
1
s
N
f x d
=

Considerando os dados do Exemplo 3, o desvio padro ser:


s =
2
s
= 7440899 , 172 ~ 13,1432 cm
O valor s ~ 13,1432 cm uma estimativa de variabilidade dos dados
de altura de planta de sorgo granfero, em torno da mdia aritmtica
( m ~ 78,44 cm). Houve uma variao pequena nos dados de altura de planta,
em relao mdia aritmtica.
Considerando, tambm, os dados do Exemplo 4, o desvio padro ser:
s =
2
s
= 0921681 , 467 ~ 21,6123 g
115
O valor s ~ 21,6123 g 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 mdia aritmtica ( m ~ 474,82 g). Houve uma variao muito
pequena nos dados de peso corporal, em relao mdia aritmtica.
3.3.4 Erro padro da mdia
Se ao invs de uma amostra tivessem vrias, provenientes de uma
mesma populao, seriam obtidas tambm diversas estimativas da mdia,
porm, distintas entre si.
A partir dessas diversas estimativas de mdia, pode-se estimar uma
varincia da mdia, considerando os desvios de cada mdia em relao
mdia de todas elas.
Entretanto, demonstra-se que a partir de uma nica amostra pode-se
estimar essa varincia [s
2
( m )], atravs da frmula:
s
2
( m ) =
N
s
2

onde:
s
2
= varincia de uma amostra de dados;
N = nmero de observaes.
A sua raiz quadrada denominada erro padro da mdia, s ( m ), ou
seja:
s ( m ) =
N
s
onde:
s = desvio padro de uma amostra de dados;
N = nmero de observaes.
O erro padro da mdia d uma perfeita idia da preciso da mdia,
isto , quanto menor ele for, maior preciso ter a mdia.
Considerando os dados das amostras do exemplo anterior, tem-se:
s ( m )
(1)
=
N
s

=
5
0 , 0

116
=
236068 , 2
0 , 0
= 0,0000
s ( m )
(2)
=
N
s

=
5
581139 , 1
=
236068 , 2
581139 , 1
~ 0,7071
s ( m )
(3)
=
N
s

=
5
0 , 5
=
236068 , 2
0 , 5
~ 2,2361
s ( m )
(4)
=
N
s

=
5
830952 , 5

=
236068 , 2
830952 , 5
~ 2,6077
Sempre que se cita uma mdia deve-se faz-la acompanhar-se de seu
erro padro. Assim, no caso das amostras de (1) a (4) exemplificadas, quando
acompanhadas de seus erros padres ficam:
(1) 10,0 0,0000
(2) 10,0 0,7071
(3) 10,0 2,2361
(4) 10,0 2,6077
117
o que mostra a menor preciso da mdia, na amostra (4).
Considerando os dados do Exemplo 1, o erro padro da mdia ser:
s ( m ) =
N
s
=
6
0159 , 175
=
449490 , 2
0159 , 175
~ 71,4499 kg/ha
O valor s ( m ) ~ 71,4499 kg/ha uma estimativa de variabilidade dos
dados de produtividade de algodo herbceo, variedade ALLEN 333/57, no
Municpio de Viosa-AL, no ano de 1977, em torno da mdia aritmtica
( m ~ 455,17 kg/ha). Houve uma variao muito grande entre a mdia
aritmtica dos dados de produtividade de algodo herbceo e seu erro padro,
indicando uma preciso muito baixa da mesma.
Considerando, tambm, os dados do Exemplo 2, o erro padro da
mdia ser:
s ( m ) =
N
s
=
12
7437 , 6
=
464102 , 3
7437 , 6
~ 1,9467 kg
O valor s ( m ) ~ 1,9467 kg uma estimativa de variabilidade dos
dados de peso ao nascer de bezerros machos da raa Charolesa, em torno da
mdia aritmtica ( m = 41,25 kg). Houve uma variao relativamente pequena
entre a mdia aritmtica dos dados de peso ao nascer de bezerros machos e seu
erro padro, indicando uma preciso relativamente alta da mesma.
Considerando, ainda, os dados do Exemplo 3, o erro padro da mdia
ser:
s ( m ) =
N
s
118
=
90
1432 , 13

=
486833 , 9
1432 , 13
~ 1,3854 cm
O valor s ( m ) ~ 1,3854 cm uma estimativa de variabilidade dos
dados de altura de planta de sorgo granfero, em torno da mdia aritmtica
( m ~ 78,44 cm). Houve uma variao pequena entre a mdia aritmtica dos
dados de altura de planta e seu erro padro, indicando uma alta preciso da
mesma.
Considerando, por fim, os dados do Exemplo 4, o erro padro da
mdia ser:
s ( m ) =
N
s
=
120
6123 , 21

=
954451 , 10
6123 , 21
~ 1,9729 g
O valor s ( m ) ~ 1,9729 g 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 mdia aritmtica ( m ~ 474,82 g). Houve uma variao muito
pequena entre a mdia aritmtica dos dados de peso corporal e seu erro
padro, indicando uma preciso muito alta da mesma.
Como foi visto anteriormente, a mdia sempre deve vir acompanha de
seu erro padro. Assim, no caso dos Exemplos de 1 a 4, tm-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 variao
O coeficiente de variao (CV) uma medida de variabilidade que
119
mede percentualmente a relao entre o desvio padro (s) e a mdia aritmtica
( m ), ou seja:
CV =
m
s x

100
Como s e m so expressos na mesma unidade, o coeficiente de
variao um nmero abstrato, isto , no tem unidade.
Esta medida de variabilidade pode ser empregada tanto em dados
grupados como no grupados. Se o desvio padro for calculado sobre a
mediana ou sobre a moda (que possvel, mas no se usa), outros coeficientes
podero ser obtidos.
Considerando os dados das amostras do exemplo anterior, tem-se:
CV
(1)
=
m
s x

100

=
10
0 , 0 100 x

=
10
0 , 0
= 0,0%
CV
(2)
=
m
s x

100

=
10
581139 , 1 100 x

=
10
1139 , 158
~ 15,81%
CV
(3)
=
m
s x

100

=
10
0 , 5 100 x

=
10
0 , 500
= 50,00%
120
CV
(4)
=
m
s x

100

=
10
830952 , 5 100 x

=
10
0952 , 583
~ 58,31%
Aqui, tambm, as amostras (3) e (4) podem, perfeitamente, ser
identificadas atravs do coeficiente de variao, mostrando novamente que a
amostra (4) a mais dispersa.
Considerando os dados do Exemplo 1, o coeficiente de variao ser:
CV =
m
s x

100
=
17 , 455
0159 , 175 100 x
=
17 , 455
59 , 501 . 17
~ 38,45%
O valor CV ~ 38,45% uma estimativa de variabilidade dos dados de
produtividade de algodo herbceo, variedade ALLEN 333/57, no
Municpio de Viosa-AL, no ano de 1977.
Considerando, tambm, os dados do Exemplo 2, o coeficiente de
variao ser:
CV =
m
s x

100
=
25 , 41
7437 , 6 100 x

=
25 , 41
37 , 674
~ 16,35%
O valor CV ~ 16,35% uma estimativa de variabilidade dos dados de
peso ao nascer de bezerros machos da raa Charolesa.
Considerando, ainda, os dados do Exemplo 3, o coeficiente de
variao ser:
121
CV =
m
s x

100
=
44 , 78
1432 , 13 100 x

=
44 , 78
32 , 314 . 1
~ 16,76%
O valor CV ~ 16,76% uma estimativa de variabilidade dos dados de
altura de planta de sorgo granfero.
Considerando, por fim, os dados do Exemplo 4, o coeficiente de
variao ser:
CV =
m
s x

100
=
82 , 474
6123 , 21 100 x
=
82 , 474
23 , 161 . 2
~ 4,55%
O valor CV ~ 4,55% uma estimativa de variabilidade dos dados de
peso corporal de um lote misto de frangos de corte com 15 dias de idade.
O coeficiente de variao serve tambm para anlise comparativa
envolvendo unidades e sries diferentes. Por exemplo, considerando os dados
dos Exemplos 1, 2, 3 e 4 tm-se:
Exemplo 1: Distribuio de produtividade de algodo herbceo:
m ~ 455,17 kg/ha
s ~ 175,0159 kg/ha
CV ~ 38,45%
Exemplo 2: Distribuio de peso ao nascer de bezerros machos da
raa Charolesa:
m = 41,25 kg
s ~ 6,7437 kg
122
CV ~ 16,35%
Exemplo 3: Distribuio de altura de planta de sorgo granfero:
m ~ 78,44 cm
s ~ 13,1432 cm
CV ~ 16,76%
Exemplo 4: Distribuio de peso corporal de um lote misto de frangos
de corte:
m ~ 474,82 g
s ~ 21,6123 g
CV ~ 4,55%
Verifica-se, assim, que entre as distribuies comparadas, a
distribuio de peso corporal de um lote misto de frangos de corte com 15 dias
de idade mais homognea (menos dispersa), enquanto que a distribuio de
produtividade de algodo herbceo a mais dispersa.
Uma desvantagem do coeficiente de variao que ele deixa de ser
til quando a mdia esta prxima de zero.
O coeficiente de variao d uma idia de preciso do experimento, ou
seja, quanto menor o coeficiente de variao maior ser a preciso do
experimento.
De um modo geral, quando o coeficiente de variao for inferior a
10%, diz-se que o experimento apresentou uma tima preciso experimental;
quando variar de 10 a 15%, diz-se que o experimento apresentou uma boa
preciso experimental; quando estiver no intervalo de > 15% s 20%, diz-se
que o experimento apresentou uma preciso experimental regular ou aceitvel;
quando estiver no intervalo de > 20% s 30%, diz-se que o experimento
apresentou uma pssima preciso experimental; e quando for superior a 30%,
diz-se que o experimento apresentou uma preciso experimental muito
pssima. Por conta disso, espera-se que os coeficientes de variao dos ensaios
agropecurios, principalmente aqueles conduzidos ao nvel de campo, no
ultrapassem a casa dos 20%, de modo que as concluses obtidas de tais
ensaios tenham credibilidade perante a comunidade cientfica.
Contudo, preciso ressaltar que nem sempre um coeficiente de
variao superior casa dos 20% significa que as concluses obtidas no
tenham credibilidade perante a comunidade cientfica. Isso depende muito do
123
tipo de experimento. Por exemplo, nos experimentos com consorciao de
culturas, o coeficiente de variao geralmente alto em comparao com os
experimentos com culturas isoladas. Neste caso, os coeficientes de variao de
20 a 30% so racionais e aceitveis perante a comunidade cientfica. Tambm
em experimentos de campo na rea de Entomologia, coeficientes de variao
superiores a 20% so normais e aceitveis, pois em funo do comportamento
dos insetos muito raro obter coeficientes de variao baixos.
Por outro lado, nem sempre se consegue uma tima preciso
experimental, com CV < 5%, nos ensaios de laboratrio, casa-de-vegetao ou
galpo, visto que geralmente so mais precisos do que os ensaios de campo.
Mais uma vez, isso depende muito do tipo de experimento. Por exemplo,
dados de anlise de solo no raro apresentam coeficientes de variao
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 preciso de seus
dados experimentais baseando-se nesses fatos.
3.3.6 Intervalo de confiana para a mdia
Foi visto at agora que as mdias obtidas das amostras dos Exemplos
1, 2, 3 e 4 representam suas mdias populacionais, onde o nico valor obtido
de cada amostra estima esse parmetro de interesse. Tal mtodo de estimao
chamado de estimao por ponto, o qual comumente usado. Contudo,
como a mdia de uma amostra um estatstico e os mesmos variam de
amostra para amostra, o problema que se tivessem duas ou mais amostras
para cada um dos exemplos citados acima muito provvel que os resultados
de suas mdias no seriam iguais, havendo um grau de incerteza envolvido.
Uma estimativa por ponto no fornece nenhuma informao sobre a
variabilidade inerente do estimador, ou seja, no se sabe se a mdia estimada
est prxima ou distante da mdia verdadeira.
Por outro lado, existe um outro mtodo de estimao muito usado,
conhecido como estimao por intervalo, que freqentemente preferido em
relao ao mtodo anterior, pois fornece um intervalo de valores razovel no
qual se presume que esteja o parmetro de interesse (a mdia verdadeira) com
certo grau de confiana. Esse intervalo de valores chamado intervalo de
confiana.
O intervalo de confiana (IC) para a mdia obtido atravs da
seguinte frmula:
IC = m + t
(5%)
x s ( m )
onde:
m = estimativa da mdia;
124
t
(5%)
= valor tabelado do teste t no nvel de 5% de probabilidade (TABELA
A.7);
s ( m ) = erro padro da mdia.
Considerando os dados do Exemplo 1, o intervalo de confiana da
mdia ser:
IC = m + t
(5%)
x s ( m )
= 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 confiana, com 95% de probabilidade, onde se encontra a mdia verdadeira
para os dados de produtividade de algodo herbceo, variedade ALLEN
333/57, no Municpio de Viosa-AL, no ano de 1977. Houve uma variao
muito grande no intervalo de confiana dos dados de produtividade de algodo
herbceo, indicando uma preciso muito baixa da estimativa da mdia
( m ~ 455,17 kg/ha).
Considerando, tambm, os dados do Exemplo 2, o intervalo de
confiana da mdia ser:
IC = m + t
(5%)
x s ( m )
= 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
confiana, com 95% de probabilidade, onde se encontra a mdia verdadeira
para os dos dados de peso ao nascer de bezerros machos da raa Charolesa.
Houve uma variao relativamente pequena no intervalo de confiana dos
dados de peso ao nascer de bezerros machos, indicando uma preciso
relativamente alta da estimativa da mdia ( m = 41,25 kg).
Considerando, ainda, os dados do Exemplo 3, o intervalo de confiana
da mdia ser:
IC = m + t
(5%)
x s ( m )
125
= 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
confiana, com 95% de probabilidade, onde se encontra a mdia verdadeira
para os dados de altura de planta de sorgo granfero. Houve uma variao
pequena no intervalo de confiana dos dados de altura de planta de sorgo
granfero, indicando uma alta preciso da estimativa da mdia ( m ~ 78,44
cm).
Considerando, por fim, os dados do Exemplo 4, o intervalo de
confiana da mdia ser:
IC = m + t
(5%)
x s ( m )
= 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
confiana, com 95% de probabilidade, onde se encontra a mdia verdadeira
para os dados de peso corporal de um lote misto de frangos de corte com 15
dias de idade. Houve uma variao muito pequena no intervalo de confiana
dos dados de peso corporal, indicando uma preciso muito alta da estimativa
da mdia ( m ~ 474,82 g).
3.4 Exerccios
a) Num ensaio sobre competio de variedades de algodo herbceo,
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
126
Pede-se:
a.1) Determine, para cada variedade, o peso mdio de 20 capulhos, o
erro padro da mdia, o coeficiente de variao e o intervalo de confiana da
mdia.
a.2) Sem levar em conta a variedade, determine o peso mdio de 20
capulhos, o erro padro da mdia, a mediana, a moda, o coeficiente de
variao e o intervalo de confiana da mdia.
b) Admitindo-se que seja de 18% o coeficiente de variao relativo ao
peso de ovos de galinha, pergunta-se quantos ovos devem ser pesados para
obter-se um erro padro da mdia igual a 3% dela.
c) Numa amostra de 30 dados de pesos ao nascer de bezerros machos
da raa nelore obteve-se a mdia m = 52 kg, com um erro padro da mdia
s( m ) = 3,2 kg. Pede-se o coeficiente de variao referente a estes dados.
d) A fim de se obter a produo mdia de algodo em uma fazenda,
foi tomada ao acaso as produes de 20 pequenas parcelas de 100 m
2
, 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 produo mdia, em kg/ha, com seu respectivo erro padro.
d.2) O coeficiente de variao.
d.3) Admitindo-se que a rea da fazenda destinada ao plantio de
algodo seja de 180 ha, qual a produo esperada e seu erro padro?
e) Na determinao da altura de planta de soja, em cm, foram
analisadas 15 amostras, obtendo-se o resultado que se segue:
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 mdia de planta de soja, em cm, e o seu erro
padro.
127
e.2) Obter a mediana e a moda.
e.3) Determinar o coeficiente de variao.
e.4) Determinar o intervalo de confiana da mdia.
f) Considerando a srie de dados a seguir, referente ao consumo
acumulado de rao (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 freqncia, um histograma de freqncia
e um polgono de freqncia.
f.2) Calcular o consumo mdio acumulado de rao (g) de frangos de
corte com 25 dias de idade e o seu erro padro.
f.3) Obter a mediana e a moda.
f.4) Determinar a amplitude total, o coeficiente de variao e o
intervalo de confiana da mdia.
g) Considerando a srie de dados a seguir, referente ao nmero de
sementes na espiga de prognies de meios irmos de milho (PMI):
128
_________________________________________________________________________________________________________________________________________
N
O
de PMI N
O
de Sementes N
O
de PMI N
O
de Sementes N
O
de PMI N
O
de Sementes
______________________________________________________________________________________________________
1 313 18 412 35 392
2 596 19 358 36 370
3 350 20 627 37 599
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 freqncia, um histograma de freqncia
e um polgono de freqncia.
g.2) Calcular o nmero mdio de sementes na espiga de milho e o seu
erro padro.
g.3) Obter a mediana e a moda.
g.4) Determinar a amplitude total e o coeficiente de variao.
129
4
ANLISE DE
VARINCIA
Um problema que se apresenta com maior freqncia do que qualquer
outro na anlise estatstica o de avaliar se duas ou mais amostras diferem
significativamente com relao a alguma varivel.
Este tipo de problema ocorre to freqentemente porque os
pesquisadores muitas vezes propem experimentos para comparar dois ou
mais tratamentos (amostras) entre si. Por exemplo, uma nova tcnica de
aplicao de vermfugo em caprino comparada com a tcnica tradicional,
diferentes tipos de adubos orgnicos so avaliados na cultura do tomate,
diferentes variedades de milho forrageiro so avaliadas numa determinada
regio, etc..
Em funo disso, necessrio um mtodo estatstico para solucionar
problemas dessa natureza. Um dos mtodos mais utilizados para resolver tais
problemas conhecido como anlise de varincia.
4.1 Anlise de Varincia
A anlise de varincia foi introduzida por Fisher e essencialmente
um processo baseado na decomposio da variao total existente entre uma
srie de observaes, em partes que podem ser atribudas a causas conhecidas
e numa parte devida a causas desconhecidas ou no suscetveis de controle.
Como exemplo das causas conhecidas, pode-se citar o efeito de diferentes
inseticidas no controle do pulgo em batata (Solanum tuberosum L.) cv.
RADOSA, e como exemplo das causas desconhecidas, as diferenas existentes
entre as plantas (parcelas), condicionando um tipo diferente de resposta a um
mesmo inseticida. Os efeitos dessas causas desconhecidas, ou no
controlveis, contribuem para uma poro da variao total, que isolada na
anlise de varincia, recebendo a denominao de Erro ou Resduo.
A variao que contribui para o erro experimental pode ser de dois
tipos:
a) Inerente prpria variabilidade do material experimental;
130
b) Proveniente da falta de uniformidade do ambiente em que
conduzido o experimento.
Na anlise de varincia, quando a variao total decomposta, as
causas conhecidas e desconhecidas representam, respectivamente, a variao
entre amostragens (tratamentos) e a variao dentro de amostragens (erro ou
resduo).
Como a variao total medida em termos de varincia, calculada a
soma de quadrados total, bem como o nmero de graus de liberdade, as quais
representam, respectivamente, o numerador e o denominador de equao da
varincia. Atravs do desdobramento da soma de quadrados total de duas ou
mais amostras de dados, obtm-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 mdios (varincias) entre amostragens e
dentro de amostragens, respectivamente, os quais so confrontados atravs de
um teste de hiptese (por exemplo, o teste F) para verificar se as amostras
avaliadas diferem significativamente ou no com relao a alguma varivel.
Os dados relativos s somas de quadrados e aos graus de liberdade,
bem como os quadrados mdios sero colocados numa tabela, chamada de
Quadro de Anlise de Varincia. A composio desta tabela est explicitada
na TABELA 4.1.
TABELA 4.1 QUADRO DA ANLISE DE VARINCIA SEGUNDO UM NICO
CRITRIO*
Causa de
Variao
Graus de
Liberdade (GL)
Soma de Quadrados
(SQ)
Quadrados Mdios
(QM)
F Calculado
Entre
Amostragens
t 1 SQ1
QM1 =
1
1
t
SQ
F =
2
1
QM
QM
Dentro de
Amostragens
t (r 1) SQ 2 = SQ Total SQ1
QM 2 =
1
2
r t
SQ
Total t x r 1 SQ Total
*: A anlise de varincia denominada segundo um nico critrio, porque, no caso
apresentado, foi levado em considerao apenas um critrio, representado pelos efeitos
das vrias amostragens (tratamentos). Os experimentos planejados com base neste tipo de
anlise so denominados experimentos inteiramente casualizados.
131
As frmulas matemticas e o processo de anlise de varincia para
cada tipo de experimento sero vistos em captulos posteriores, quando for
feita uma abordagem sobre cada delineamento estatstico.
4.2 Suposies da Anlise de Varincia
Alm de aprender as regras para levar a cabo uma anlise de varincia,
todo pesquisador deve buscar o domnio e a compreenso dos princpios
inerentes a mesma, para no se defrontar com srios problemas, como por
exemplo, chegar a concluses que no tm justificativas ou no alcanar
concluses importantes porque os dados no foram analisados adequadamente.
Desse modo, para que a anlise de varincia possa ter validade, o
pesquisador deve atender s seguintes suposies:
a) Os efeitos principais devem ser aditivos Nos experimentos, os
vrios efeitos devem ser aditivos, tanto que para cada delineamento
estatstico existe um modelo matemtico denominado modelo linear aditivo.
Para o delineamento inteiramente casualizado, este modelo X
ij
= m + t
i
+ e
ij
,
onde expressa que o valor de qualquer unidade experimental resultante de
uma mdia geral, mais um efeito de tratamentos e mais um efeito do erro
experimental. O modelo correspondente ao delineamento em blocos
casualizados : X
ij
= m + t
i
+ b
j
+ e
ij
, onde o valor de qualquer unidade
experimental resultante de uma mdia 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 : X
ijk
= m + t
(k)ij
+ l
j
+ c
j
+ e
ijk
,
onde o valor de qualquer unidade experimental resultante de uma mdia
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, que os efeitos se somam; da o nome de
modelo linear aditivo.
O modelo para o delineamento em blocos casualizados, por exemplo,
implica que um efeito de tratamento o mesmo para todos os blocos e que o
efeito de bloco o mesmo para todos os tratamentos. Em outras palavras,
encontra-se que um tratamento aumenta a produo em certa quantidade acima
da mdia geral, supomos que este tenha o mesmo efeito tanto nos blocos de
alta produo como nos blocos de baixa produo.
Caso o que foi exposto acima no se verifique, necessrio
transformar os dados experimentais para ajust-los ao modelo aditivo.
b) Os erros de observao devem ser independentes Cada
observao possui um erro que deve ser independente dos demais. O princpio
da casualizao assegura a validade da estimativa do erro experimental, pois
permite uma distribuio independente do mesmo. A casualizao evita que
todas as parcelas que recebem o mesmo tratamento ocupem posies
adjacentes na rea experimental, visto que as parcelas adjacentes,
132
principalmente no campo, tendem a estar mais relacionadas entre si do que as
parcelas distribudas aleatoriamente.
c) Os erros de observao devem ser normalmente distribudos
A nica fonte de variao dentro de amostragens so os erros aleatrios. Estes
devem ter distribuio normal (ou aproximadamente normal) com mdia igual
a zero e varincia igual a S
2
. Felizmente, as variaes da suposio de
normalidade no afetam muito seriamente a validade da anlise de varincia.
A normalidade dos dados pode ser verificada por um teste de
normalidade, como por exemplo, o teste do quiquadrado, desde que o nmero
de amostras com as quais esto trabalhando seja definitivamente grande.
Quando se verifica que falta normalidade aos dados, usam-se as
transformaes para que os mesmos sejam normalmente distribudos. De
modo geral, dados mdios de parcelas tm distribuio normal.
d) As varincias das diferentes amostras devem ser homogneas
Na anlise de varincia, o valor do Quadrado Mdio do Resduo, que
corresponde estimativa da varincia do erro experimental, utilizado nas
frmulas matemticas dos testes de hipteses. Tais testes so utilizados para
verificar se existe ou no diferena significativa entre os tratamentos
avaliados. O Quadrado Mdio do Resduo nada mais que a mdia das
varincias de cada tratamento (amostra). Assim sendo, importante que as
varincias das diferentes amostras sejam homogneas, de modo que os
resultados obtidos dos testes de hipteses tenham validade.
Entre os vrios testes estatsticos utilizados para verificar a
homogeneidade de varincias, tm o teste F-mximo, proposto por Hartley.
O teste F-mximo simples e rpido, porm apresenta menor preciso
quando as amostras tm graus de liberdade diferentes.
A frmula do referido teste a seguinte:
F-mximo =
mnima s
mxima s
2
2

onde:
s
2
mxima = maior valor das estimativas das varincias entre as amostras;
s
2
mnima = menor valor das estimativas das varincias entre as amostras.
O valor calculado de F-mximo confrontado com o valor de F-
mximo tabelado, com K = nmero de estimativas das varincias das
diferentes amostras e (N 1) graus de liberdade associados a cada estimativa
de varincia, sendo N = nmero de observao de cada amostra (TABELA
A.1).
Logo tem-se:
133
F-mximo calculado > F-mximo tabelado (1%) - ** (as estimativas
das varincias so estatisticamente diferentes no nvel de 1% de probabilidade,
isto , no h homogeneidade de varincias);
F-mximo calculado < F-mximo tabelado (1%) - recorre-se no nvel
de 5% de probabilidade;
F-mximo calculado > F-mximo tabelado (5%) - * (as estimativas
das varincias so estatisticamente diferentes no nvel de 5% de probabilidade,
isto , no h homogeneidade de varincias);
F-mximo calculado < F-mximo tabelado (5%) - ns (as estimativas
das varincias no diferem estatisticamente entre si no nvel de 5% de
probabilidade, isto , as varincias so homogneas).
Quando os graus de liberdade para cada amostra so diferentes, toma-
se a mdia aritmtica dos mesmos para usar a TABELA A.1.
Exemplo 1: Verificar se as varincias so homogneas pelo teste F-
mximo a partir dos dados da TABELA 4.2.
TABELA 4.2 PESOS DE 20 CAPULHOS, EM GRAMAS, DE VARIEDADES DE
ALGODO HERBCEO NO MUNICPIO DE VIOSA-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
FONTE: FERREIRA (1977).
As varincias de cada variedade so:

1
2
2
2
1



N
N
X
X
s
=

5
6
0 , 491
0 , 553 . 40
2

134
=
5
6
0 , 081 . 241
0 , 553 . 40
=
5
1667 , 180 . 40 0 , 553 . 40
=
5
8333 , 372
74,5667

1
2
2
2
2



N
N
X
X
s
=

5
6
0 , 510
0 , 098 . 44
2

=
5
6
0 , 100 . 260
0 , 098 . 44
=
5
0 , 350 . 43 0 , 098 . 44
=
5
0 , 748
= 149,6000

1
2
2
2
3



N
N
X
X
s
=

5
6
0 , 562
0 , 062 . 53
2

=
5
6
0 , 844 . 315
0 , 062 . 53
135
=
5
6667 , 640 . 52 0 , 062 . 53
=
5
3333 , 421
84,2667

1
2
2
2
4



N
N
X
X
s
=

5
6
0 , 506
0 , 098 . 43
2

=
5
6
0 , 036 . 256
0 , 098 . 43
=
5
6667 , 672 . 42 0 , 098 . 43
=
5
3333 , 452
85,0667
F-mximo =
mnima s
mxima s
2
2
=
5667 , 74
6000 , 149
2,01
F-mximo tabelado (K = 4; N 1 = 5): 1% = 28,0; 5% = 13,7.
Logo, F-mximo = 2,01 ns. Assim, chega-se concluso de que as
estimativas das varincias do peso de 20 capulhos de variedades de algodo
herbceo so homogneas.
Uma regra prtica e rpida para verificar a homogeneidade de
varincias que a relao entre a maior e a menor delas no pode ser superior
a mais de quatro vezes para que elas sejam homogneas.
Quando as varincias das diferentes amostras no so homogneas,
tm-se diversos cursos a seguir. Primeiro, pode-se separar as amostras em
grupos, de modo que as varincias dentro de cada grupo sejam homogneas.
Assim, a anlise de varincia poder ser efetuada para cada grupo. Segundo,
pode-se utilizar um mtodo descrito em textos mais avanados de estatstica, o
136
qual contempla um procedimento bastante complicado para ponderar mdias
de acordo com suas varincias. Terceiro, pode-se transformar os dados de tal
forma que eles fiquem homogneos. Este mtodo o mais utilizado na prtica.
4.3 Transformaes de Dados
Como foi visto, na anlise de varincia, algumas condies so
exigidas para que os testes de hipteses tenham validade. Contudo, como tais
condies raramente so verificadas na prtica, vrios procedimentos so
utilizados com o fim de reparar (pelo menos aproximadamente) a falta de
verificao dessas condies. Dentre os procedimentos, geralmente utilizam-
se transformaes de dados.
Uma transformao qualquer alterao sistemtica num conjunto de
dados onde certas caractersticas so mudadas e outras permanecem
inalteradas.
As principais transformaes so:
a) Raiz quadrada Prpria para certos tipos de dados em que a
mdia aproximadamente igual varincia, ou seja, para dados oriundos de
uma distribuio de Poisson (tipo de distribuio em que os dados apresentam
uma probabilidade muito baixa de ocorrncia em qualquer indivduo os
fenmenos naturais so os exemplos mais bvios desse tipo de ocorrncia).
Tais tipos de dados ocorrem quando as variveis so oriundas de contagem
como: nmero de sementes por planta ou por parcela, nmero de dias para
enraizamento de bulbos por parcela, nmero de insetos por planta ou por
parcela, nmero de plantas atacadas por um determinado patgeno por parcela,
nmero de carrapatos por animal ou por parcela, nmero de animais doentes
por parcela, etc.. Os dados provenientes de uma escala de notas tambm
devem ser transformados atravs da raiz quadrada. Tambm os dados de
porcentagens, referentes contagens, quando variam de 0 a 20% ou de 80 a
100%, podem ser transformados atravs da raiz quadrada. Neste caso, as
porcentagens entre 80 e 100% devem ser, de preferncia, subtradas de 100,
antes de se fazer transformao. A transformao da raiz quadrada , ainda,
indicada no caso de porcentagens, fora dos limites acima considerados,
quando as observaes esto claramente numa escala contnua.
Neste caso tem-se: x .
Quando nesse tipo de transformao os dados variam de 0 a 10,
trabalha-se com 5 , 0 x ou 1 x , em lugar de x , pois evita-se o problema
dos valores de X iguais a zero.
b) Logartmica usada sempre que se tm dados em que os desvios
padres das amostras so aproximadamente proporcionais s mdias, ou seja,
todas as amostras apresentam o mesmo coeficiente de variao. Tambm
quando os efeitos principais so multiplicativos, em vez de aditivos, os dados
devem ser transformados atravs desse tipo de transformao. Essa
137
transformao satisfatria quando os dados se referem contagem de
bactrias, de esporos, de gros de plen, de ovos de insetos, de caros, etc..
Dados provenientes de adio de vitaminas em animais tambm devem ser
transformados atravs da transformao logartmica. utilizada, ainda,
quando os dados so apresentados por porcentagens que abrangem uma grande
amplitude de variao. Esse tipo de transformao resolve tanto o problema de
heterogeneidade de varincias como a falta de aditividade no modelo.
Nesse caso tem-se: log x.
Na transformao logartmica, quando a amostra possui dados iguais a
zero ou muito prximos de zero, trabalha-se com log (x + 1), pois evita-se que
se usem nmeros negativos na anlise, alm de resolver o problema de valores
de X iguais a zero.
Essa transformao deve ser usada quando as varincias de cada
amostra possuem, no mnimo, 12 observaes.
c) Arcoseno ou angular Prpria para dados em que a mdia
proporcional varincia, ou seja, para dados oriundos de uma distribuio
binomial (tipo de distribuio em que os dados apresentam uma probabilidade
calculvel de ocorrncia ou no em qualquer indivduo). Tais tipos de dados
ocorrem quando as variveis so oriundas de proporo como: porcentagem de
germinao de sementes, porcentagem de mortalidade de plantas infectadas
com vrus, porcentagem de sobrevivncia de bezerros da raa Nelore, etc..
Nesse caso tem-se: arco seno (%) x .
Na transformao arco seno, quando todos os dados esto entre 30 e
70% no precisa usar a transformao. Se os dados extrapolam esta amplitude,
usa-se ento a transformao.
Quando o nmero de observaes for menor que 50 (N < 50), a
proporo 0% deve ser substituda por
4
1
N e a proporo 100% para
100
4
1
N , antes de transformar os dados em arco seno (%) x .
Existe uma tabela prpria para esta transformao (TABELA A.2).
4.3.1 Escolha da melhor transformao
Em alguns casos fica-se sem saber qual seria a transformao mais
adequada. Quando se defrontar com tais situaes, tm-se vrias maneiras para
escolher a melhor transformao. Entre as vrias maneiras, uma das mais
simples so por meio de grficos, onde se coloca no eixo dos x e y as mdias e
varincias respectivas de cada amostra para cada transformao e seleciona-se
a que apresentar menor disperso.
Outro procedimento aplicar cada transformao para o maior e o
menor dado de cada amostra. A amplitude dentro de cada amostra
138
determinada e a razo entre a maior e a menor amplitude calculada. A
transformao que produz a menor razo a selecionada.
Exemplo 2: Escolher a melhor transformao a partir de dados da
TABELA 4.3.
TABELA 4.3 PERODO 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 TUBARO 19,2 13,2 32,4
FONTE: FERREIRA (1982).
Os resultados esto contidos no quadro a seguir:
139
Cultivares

Raiz Quadrada

Logartmica
Maior Menor Amplitude Maior Menor Amplitude
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
6,9282
4,2895
6,8264
5,6569
3,2558
8,0000
5,5678
4,1231
5,1769
3,8987
3,3764
5,0990
4,9193
4,4045
3,7683
6,0166
2,4900
5,3292
4,7117
5,7096
5,0794
4,4045
4,3128
3,6056
4,3818
5,7793
3,1937
6,5422
3,7417
1,5492
6,6858
3,8471
3,2863
4,0988
3,1305
1,5811
4,2895
2,8983
4,2661
2,8284
4,6904
2,1448
4,4497
4,0249
4,6260
2,2361
4,0000
2,8284
2,3238
3,6332
1,1489
1,0958
0,2842
1,9152
1,7066
1,3142
1,7207
0,8368
1,0781
0,7682
1,7953
0,8095
2,0210
0,1384
0,9399
1,3262
0,3452
0,8795
0,6868
1,0836
2,8433
0,4045
1,4844
1,2818
0,7486
1,6812
1,2648
1,6684
1,5052
1,0253
1,8062
1,4914
1,2304
1,4281
1,1818
1,0569
1,4150
1,3838
1,2878
1,1523
1,5587
0,7924
1,4533
1,3464
1,5132
1,4116
1,2878
1,2695
1,1139
1,2833
1,5237
1,0086
1,6314
1,1461
0,3802
1,6503
1,1703
1,0334
1,2253
0,9912
0,3979
1,2648
0,9243
1,2601
0,9031
1,3424
0,6628
1,2967
1,2095
1,3304
0,6990
1,2041
0,9031
0,7324
1,1206
0,1575
0,2562
0,0370
0,3591
0,6451
0,1559
0,3211
0,1970
0,2028
0,1906
0,6590
0,1502
0,4595
0,0277
0,2492
0,2163
0,1296
0,1566
0,1369
0,1828
0,7126
0,0837
0,3664
0,3815
0,1627
Razo =
. .
. .
mn Amp
mx Amp
1384 , 0
8433 , 2
20,54
0277 , 0
7126 , 0
25,73
Pelos resultados apresentados acima, verifica-se que a transformao
mais adequada a raiz quadrada, pois a mesma apresentou o menor
coeficiente entre as amplitudes (20,54).
4.3.2 Coeficiente de variao como indicativo para o uso de
transformaes
Uma indicao razovel do efeito favorvel das transformaes de
dados o coeficiente de variao (CV). Quando o valor do CV dos dados
transformados for menor que o valor do CV dos dados originais ou no
transformados, indica que a transformao foi vlida. Em caso contrrio, no
se justifica o seu uso.
140
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 transformaes de dados foram vlidas, pois houve uma
reduo muito significativa nos coeficientes de variao em relao aos dados
originais, indicando que os dados experimentais foram ajustados de acordo
com as exigncias da anlise de varincia. Contudo, a transformao da raiz
quadrada foi novamente confirmada como sendo a melhor transformao para
tais dados.
4.3.3 Algumas consideraes
Quando utilizada uma transformao de dados, todas as
comparaes entre mdias de tratamentos so feitas na escala transformada.
Quando se achar prefervel no apresentar os resultados na escala
transformada, os dados finais devem ser transformados novamente para a
escala original. Isto feito elevando-se ao quadrado, no caso de x ; achando
o antilogartmo, no caso de log x; e procurando o valor correspondente na
tabela de arco seno (%) x , no caso de transformao angular.
Em certos casos, no existe nenhuma transformao que possibilite o
uso da anlise de varincia. Isto ocorre quando:
a) As mdias so aproximadamente iguais e as varincias
heterogneas;
b) As varincias so homogneas, porm os nveis dos tratamentos so
heterogneos em forma;
c) As mdias variam independentemente das varincias.
Se alguns destes casos ocorrem, a anlise dos dados feita atravs de
mtodos no paramtricos.
4.4 Exerccio
a) Considerando-se os dados da TABELA 4.4, pede-se:
a.1) Verifique se as varincias dos tratamentos so homogneas pelo
teste F mximo;
a.2) Transforme os dados originais atravs da transformao raiz
quadrada;
a.3) Transforme os dados originais em porcentagem e, em seguida, na
transformao arco seno;
141
a.4) Verifique qual a transformao mais adequada para estes dados;
a.5) Comprove atravs do coeficiente de variao a necessidade do
uso de transformao nestes dados.
TABELA 4.4 DADOS DE GERMINAO DE 20 SEMENTES, APS 21 DIAS,
REFERENTE AO USO DE DIFERENTES TRATAMENTOS PARA
QUEBRA DE DORMNCIA EM TAMBORIL (Enterolobium
confortisiliquum)
Tratamentos I II III IV Totais de Tratamentos
1 cido Sulfrico Concentrado 8 8 4 3 23
2 cido/gua em 3:1 3 3 4 4 14
3 cido/gua em 2:1 5 5 6 4 20
4 cido/gua em 1:1 8 9 6 9 32
5 cido/gua em 1:2 10 10 8 10 38
6 cido/gua em 1:3 0 0 2 0 2
7 gua Quente 5 5 7 5 22
8 Testemunha 0 0 0 0 0
FONTE: SILVA e SILVA (1982).
142
143
5
TESTES DE
HIPTESES
A retirada de concluses sobre uma ou mais populaes feita atravs
da estimao de parmetros ou pelos testes de hipteses. A estimao de
parmetros (a mdia, o desvio padro, etc.) feita por diversos mtodos, os
quis j foram vistos no Captulo 3. Quanto aos testes de hipteses, os mesmos
so usados pelos pesquisadores para decidir sobre a aceitao ou rejeio de
hipteses. Hipteses so suposies acerca dos parmetros de uma ou mais
populaes. Por exemplo, pode-se estar interessado em testar a hiptese de
que no h diferena entre a produo mdia de duas variedades do sorgo
granfero sujeitas s mesmas condies climticas, ou testar se trs tipos de
raes proporcionam o mesmo ganho de peso em bezerros da raa Nelore. Os
referidos testes so utilizados para tomar tais decises, das quais so tiradas as
concluses.
Antes de aplicar tais testes, deve-se formular as hipteses estatsticas.
Pode-se considerar duas hipteses, so elas: H
0
a hiptese que determina a
ausncia de efeito de tratamentos, ou seja, indica que no existe diferena
significativa entre os tratamentos (ela chamada de hiptese de nulidade); e
H
1
, chamada de hiptese alternativa, a que determina a presena de efeito de
tratamentos, ou seja, indica a existncia de diferena significativa entre os
tratamentos. A rejeio de H
0
implica na aceitao da hiptese alternativa H
1
.
Considerando o exemplo das variedades de sorgo granfero, tem-se:
H
0
: m
A
= m
B
H
1
: m
A
= m
B
H
1
: m
A
> m
B

ou
H
1
: m
A
< m
B
144
Ao testar-se as hipteses pode-se cometer geralmente dois tipos de
erros, os quais so: rejeitar H
0
, quando ela verdadeira (erro tipo I); aceitar
H
0
, quando ela falsa (erro tipo II).
Destes dois tipos de erros o mais importante o do tipo I, o qual, nos
procedimentos de comparaes mltiplas, pode ser medido de duas maneiras,
a saber: A primeira, refere-se avaliao da probabilidade de se rejeitar uma
hiptese verdadeira em todas as possveis combinaes dos nveis dos
tratamentos tomados dois a dois, sendo conhecida por taxa de erro tipo I por
comparao. A segunda, refere-se medida do erro tipo I como a
probabilidade de se realizar pelo menos uma inferncia errada por
experimento e conhecida por taxa de erro tipo I por experimento. A
probabilidade de cometer-se o erro tipo I chamada nvel de significncia ().
Os nveis de significncias mais usados na prtica so 5 e 1%.
Existe um outro tipo de erro, quase nunca considerado, que seria
classificar um nvel de tratamento como superior ao outro, quando de fato o
segundo nvel supera o primeiro (erro tipo III). Esse tipo de erro tem muita
importncia para a rea do melhoramento gentico de plantas, pois poder
alterar a classificao dos gentipos e fazer com que o fitomelhorista
recomende uma linhagem ou cultivar de pior desempenho.
Para que um teste de hiptese seja considerado um bom teste deve-se
ter uma pequena probabilidade de rejeitar H
0
se esta for verdadeira, mas
tambm, uma grande probabilidade de rejeit-la se ela for falsa. A
probabilidade de rejeitar H
0
, quando ela for falsa, chamada poder do teste.
O quadro seguinte resume a natureza dos erros tipo I e tipo II
envolvidos no processo de deciso quando se testam as hipteses:
H
0
Verdadeira H
0
Falsa
Rejeio H
0
Erro Tipo I Deciso Correta
Aceitao H
0
Deciso Correta Erro Tipo II
Na execuo de um teste de hiptese estatstica, para que o mesmo
tenha validade, devem-se levar em considerao as seguintes etapas:
a) Formulao das hipteses Deve-se, inicialmente, formular as
hipteses de nulidade e alternativa.
b) Especificao do nvel de significncia () A escolha do nvel
de significncia deve ser feita antes de realizar os experimentos. Usa-se,
geralmente, igual a 5 ou 1% de probabilidade, de maneira a ter-se o erro tipo
I o menor possvel. Salvo em algumas situaes usam-se outros nveis.
145
c) Escolha do teste estatstico Em funo das hipteses que vo ser
testadas, pode-se usar o teste F, t,
2
, etc., a partir dos dados de observao. O
teste escolhido deve ser adequado ao material e ao tipo de dados.
d) Determinao da regio crtica Dependendo do teste escolhido
determinam-se s regies de aceitao e rejeio da hiptese de nulidade.
Geralmente quando o valor calculado for menor que a probabilidade especfica
por na tabela, aceita-se a hiptese de nulidade, enquanto que quando o valor
calculado for igual ou maior que a probabilidade especfica por na tabela,
rejeita-se a hiptese de nulidade.
e) Deciso final Baseados no valor obtido pelo teste estatstico e no
valor tabelado, toma-se deciso final com respeito s hipteses. Geralmente
as concluses sobre os tratamentos so feitas observando-se as mdias
identificadas ou no por mesma letra. Quando no h um tratamento controle
ou testemunha convm responder as seguintes perguntas: (1) Qual o melhor
tratamento? (2) Quais so os tratamentos que no diferem significativamente
do melhor? (3) Qual o pior tratamento? (4) Quais so os tratamentos que no
diferem significativamente do pior? Por outro lado, quando um dos
tratamentos o controle ou testemunha as concluses so feitas em relao a
este tratamento e, em geral, procura-se responder s seguintes perguntas: (1)
Quais so os tratamentos melhores que o controle? (2) Quais so os
tratamentos que no diferem significativamente do controle? (3) Quais so os
tratamentos piores que o controle?
Vale ressaltar que os testes de hipteses para comparar mdias de
tratamentos s devem ser usados quando se tratar de tratamentos qualitativos
ou quando se tm apenas dois nveis de tratamentos quantitativos, pois quando
os mesmos so quantitativos e se tm mais de dois nveis o uso da regresso
o procedimento recomendado.
5.1 Teste F
O teste F tem seu maior emprego nas anlises de varincia dos
delineamentos experimentais. Ele usado para comparar varincias.
Como foi visto anteriormente, o F calculado o quociente do
quadrado mdio de tratamentos (QMT) pelo quadrado mdio do resduo
(QMR), ou seja:
F =
QMR
QMT
Por que o teste F o quociente entre o QMT pelo QMR?
Se se calcular, por exemplo, a esperana matemtica dos quadrados
mdios [E (QM)] da anlise de varincia de um delineamento inteiramente
casualizado, admitindo-se o modelo matemtico aleatrio, tem-se:
146
Quadro da ANAVA
Causa de Variao GL QM E(QM)
Tratamentos
Resduo
t 1
t (r 1)
s
2
1
s
2
2
s
2
+ r x s
2
t
s
2
Total t x r 1
De onde se obtm:
s
2
= s
2
2
que a estimativa da varincia do erro experimental;
s
2
+ r x s
2
t
= s
2
1

s
2
t
=
r
s s
2 2
1

que a estimativa da varincia de tratamentos.
Por essa observao v-se o porqu do teste F ser o quociente entre
QMT pelo QMR, ou seja,
F =
QMR
QMT
=
2
2
2
1
s
s
=
2
2 2
s
s x r s
t
+
Nesta expresso est-se comparando a varincia de tratamentos com a
varincia do erro experimental.
Verifica-se, portanto, que tanto o QMT como o QMR estimam
varincias, e interpreta-se:
QMR = varincia do erro experimental;
QMT = varincia do erro experimental acrescida de uma possvel
varincia devida aos tratamentos.
O valor de F calculado comparado com o valor de F tabelado
(F > 1), com n
1
= graus de liberdade de tratamentos e n
2
= graus de liberdade
do resduo (TABELAS A.3 e A.4).
147
Logo, tem-se:
F calculado > F tabelado (1%) - ** (existe diferena significativa entre
os tratamentos no nvel de 1% de probabilidade, ou seja, com mais de 99% de
probabilidade deve existir pelo menos um contraste entre mdias de
tratamentos que difere de zero);
F calculado < F tabelado (1%) - recorre-se no nvel de 5% de
probabilidade;
F calculado > F tabelado (5%) - * (existe diferena significativa entre
os tratamentos no nvel de 5% de probabilidade, ou seja, com mais de 95% de
probabilidade deve existir pelo menos um contraste entre mdias de
tratamentos que difere de zero);
F calculado < F tabelado (5%) - ns (no existe diferena significativa
entre os tratamentos no nvel de 5% de probabilidade, ou seja, com 95% de
probabilidade no existe nenhum contraste entre mdias de tratamentos que
difere de zero).
Quando se aplica o teste F na anlise de varincia est-se testando as
seguintes hipteses:
a) H
0
: os tratamentos no diferem entre si;
b) H
1
: pelo menos dois deles diferem entre si.
No teste, sempre se aceita uma hiptese e rejeita-se a outra.
Obviamente, se no h efeito de tratamentos, os dois quadrados
mdios estimam a mesma varincia e, conseqentemente, qualquer diferena
em ordem de grandeza entre eles ser devido ao acaso.
Exemplo 1: Verificar pelo teste F se existe ou no diferena
significativa entre os tratamentos referentes aos dados da TABELA 5.1.
TABELA 5.1 ANLISE DA VARINCIA E COEFICIENTE DE VARIAO DA
REAO DE RESISTNCIA DE POPULAES DE Cucurbita ssp. A
Colletotrichum gloeosporioides f. sp. cucurbitae. DADOS
TRANSFORMADOS EM x . PIRACICABA, SP
Causa da Variao GL SQ
QM F
Populaes
Resduo
12
26
1,188133
0,794191
0,099011
0,030546
3,24
Total 38 1,982327
Coeficiente de Variao: % 10,09
FONTE: MELO e FERREIRA (1983).
148
As tabelas de F com n
1
= 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 concluso que existe diferena significativa, no nvel de 1% de
probabilidade, pelo teste F, na reao de populaes de Cucurbita ssp. a
Colletotrichum gloeosporioides f. sp. cucurbitae.
Quando se faz a anlise de varincia de um experimento com apenas
dois tratamentos, pelo prprio teste F pode-se chegar ao melhor deles,
simplesmente observando as mdias dos mesmos. Quando, porm, tem-se
mais de dois tratamentos, no se pode chegar ao melhor deles pelo referido
teste. Neste caso, h necessidade de aplicao de um teste de comparao de
mdias de tratamentos para chegar-se a tal concluso.
Como foi visto, espera-se quase sempre na anlise de varincia que
todos os quadrados mdios de tratamentos obtidos sejam iguais ou superiores
ao que se obtm do resduo. Nestas condies, s se justifica o uso das tabelas
de limites unilaterais de F (TABELAS A.3 e A.4). Quando, porm, esta
situao no se verifica, ou seja, quando o quadrado mdio de tratamentos
menor que o quadrado mdio do resduo, aconselhar-se- o uso das tabelas de
limites bilaterais de F (TABELAS A.5 e A.6).
Este fato, embora no deva ser esperado, pode ocorrer, e s vezes
sintoma de defeitos na anlise da varincia. Uma das explicaes possveis a
presena de erros grosseiros no clculo das somas de quadrados ou dos
nmeros de graus de liberdade. Outra explicao bem comum a de que o
resduo inclua alguma importante causa de variao que foi controlada, mas
no foi isolada na anlise da varincia.
s vezes, porm, nenhuma destas explicaes serve, mas isto no
causa de preocupao porque, do ponto de vista do Clculo de Probabilidades,
o caso, embora pouco provvel, no impossvel, logo dever ocorrer uma
vez ou outra.
Neste caso, quando se comparar o valor de F calculado com o valor de
F tabelado ( F < 1), com n
1
= graus de liberdade de tratamentos e n
2
= graus de
liberdade do resduo (TABELAS A.5 e A.6), basta apenas inverter os sinais do
caso anterior, ou seja:
F calculado < F tabelado (1%) - ** (existe diferena significativa entre
os tratamentos no nvel de 1% de probabilidade, ou seja, com mais de 99% de
probabilidade deve existir pelo menos um contraste entre mdias de
tratamentos que difere de zero);
F calculado > F tabelado (1%) - recorre-se no nvel de 5% de
probabilidade;
F calculado < F tabelado (5%) - * (existe diferena significativa entre
os tratamentos no nvel de 5% de probabilidade, ou seja, com mais de 95% de
probabilidade deve existir pelo menos um contraste entre mdias de
tratamentos que difere de zero);
149
F calculado > F tabelado (5%) - ns (no existe diferena significativa
entre os tratamentos no nvel de 5% de probabilidade, ou seja, com 95% de
probabilidade no existe nenhum contraste entre mdias de tratamentos que
difere de zero).
Exemplo 2: Verificar pelo teste F se existe ou no diferena
significativa entre os tratamentos referentes aos dados da TABELA 5.2.
TABELA 5.2 ANLISE DA VARINCIA E COEFICIENTE DE VARIAO DA
REAO DE POPULAES SEGREGANTES DE PIMENTO
(Capsicum annuum L.) EM RELAO AO VRUS Y. DADOS
TRANSFORMADOS EM 5 , 0 x + . PIRACICABA, SP
Causa da Variao GL SQ QM

F
Populaes
Resduo
1
18
0,0092681
0,2794557
0,0092681
0,0155253
0,597
Total 19 0,2887238
Coeficiente de Variao: % 13,90
FONTE: FERREIRA e MELO (1983).
As tabelas de F com n
1
= 1 e n
2
= 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 concluso de que no existe diferena significativa, no nvel de 5%
de probabilidade, pelo teste F, na reao de populaes segregantes de
pimento em relao ao vrus Y.
O teste F tambm pode ser utilizado quando se quer comparar as
varincias de duas amostras (s
2
1
e s
2
2
), supostas independentes.
Assim, admitindo-se s
2
1
, calculada com N
1
dados e s
2
2
, com N
2
dados.
Diz-se, ento, que s
2
1
tem N
1
1 graus de liberdade e, analogamente, s
2
2
tem
N
2
1 graus de liberdade.
O F neste caso o quociente entre as duas varincias, ou seja:
F =
2
2
2
1
s
s
Admite-se sempre s
2
1
> s
2
2
, de modo que tem-se F > 1.
150
O valor de F calculado comparado com o F tabelado, o qual obtido
em funo dos nmeros de graus de liberdade N
1
1 e N
2
1,
respectivamente, de s
2
1
e s
2
2
.
Neste caso, quando se aplica o teste F est-se testando as seguintes
hipteses:
a) H
0
: S
2
1
= S
2
2
, isto , a hiptese de nulidade admite que as duas
populaes tm a mesma varincia;
b) H
1
: S
2
1
> S
2
2
, isto , a hiptese alternativa admite que a populao 1
tem maior varincia do que a populao 2.
Exemplo 3: Verificar pelo teste F se existe ou no diferena
significativa entre as varincias 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 PERODO DE TRS MESES
Feno de Alfafa Feno de Quicuio
67,5 kg
70,5 kg
76,0 kg
67,5 kg

65,0 kg
58,5 kg
65,0 kg
64,0 kg
Mdias 70,4 kg

63,1 kg
FONTE: GOMES (1985).
Logo, tem-se:
2
1
s =
( )
1
2
2


N
N
X
X
=
( ) ( ) ( ) ( )
( )
1 4
4
5 , 281
5 , 67 0 , 76 5 , 70 5 , 67
2
2 2 2 2

+ + +

=
3
4
25 , 242 . 79
25 , 556 . 4 00 , 776 . 5 25 , 970 . 4 25 , 556 . 4 + + +
151
=
3
5625 , 810 . 19 75 , 858 . 19
=
3
1875 , 48
= 16,0625
s
2
2
=
( )
1
2
2


N
N
X
X

=
( ) ( ) ( ) ( )
( )
1 4
4
5 , 252
0 , 64 0 , 65 5 , 58 0 , 65
2
2 2 2 2

+ + +
=
3
4
25 , 756 . 63
00 , 096 . 4 00 , 225 . 4 25 , 422 . 3 00 , 225 . 4 + + +
=
3
0625 , 939 . 15 25 , 968 . 15
=
3
1875 , 29
= 9,7292
F =
2
2
2
1
s
s
=
7292 , 9
0625 , 16
~ 1,65
As tabelas de F com n
1
= 3 e n
2
= 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 concluso de que no existe diferena significativa, no nvel de 5%
de probabilidade, pelo teste F, entre as varincias dos tratamentos, ou seja, as
duas raes proporcionam o mesmo ganho de peso em leitoas Duroc Jersey.
5.2 Teste t
O teste t um teste clssico usado para comparar mdias de
tratamentos. mais complexo que o teste de Scheff, porm o teste de
152
menor rigor. Para a sua aplicao o pesquisador deve levar em conta os
seguintes requisitos:
a) As comparaes feitas pelo teste t devem ser escolhidas antes de
serem examinados os dados experimentais;
b) As comparaes feitas devem ser, no mximo, iguais ao nmero de
graus de liberdade de tratamentos;
c) O teste t exige que as comparaes definidas sejam contrastes
ortogonais.
Mas o que se deve entender por contraste e o que so contrastes
ortogonais?
Se , m
1
, m
2 3
m e
4
m so as mdias de quatro tratamentos de um
experimento,
1
Y

=
1
m , m
2 2
Y

=
1
m +
2
m 2
3
m e
3
Y

=
1
m +
2
m +
3
m
3
4
m so exemplos de contrastes. O que caracteriza um contraste que se as
mdias que nele ocorrem forem todas iguais, o contraste dever ser nulo. Para
que isto acontea, a soma algbrica dos coeficientes das mdias deve ser nula.
De fato, com
1
m =
2
m =
3
m =
4
m = 1, tem-se:
1
Y

= 1 1 = 0

2
Y

= 1 + 1 2 (1) = 0
3
Y

= 1 + 1 + 1 3 (1) = 0
Os contrastes podem ser:
a) simples quando envolve apenas dois tratamentos;
b) mltiplos quando mais de dois tratamentos esto envolvidos.
Os contrastes so ortogonais quando o somatrio da multiplicao dos
coeficientes de cada mdia em cada contraste igual a zero.
Considerando o exemplo a seguir, tem-se:
_______________________________________________________________
Y



1
m
2
m
3
m
4
m
1
Y

2
Y

3
Y

1
1

1
1
1
1
0
2
1
0
0
3

=
1
1
0 0 = 0
__________________________________________________________________________
153
Diz-se ento que os contrastes
1
Y

,
2
Y

e
3
Y

so ortogonais.
Pode-se tolerar o uso do teste t para alguns contrastes no ortogonais,
desde que o seu nmero no exceda o nmero de graus de liberdade de
tratamentos.
Na anlise de varincia, quando se tem mais de dois tratamentos e o
teste F for significativo, pode-se utilizar o teste t na comparao de mdias de
tratamentos, cuja frmula a seguinte:
t =
( ) Y

s
0 Y
2

onde:
Y = constante qualquer;
s
2
( ) Y

= estimativa da varincia da estimativa de um contraste.


O valor de s
2
( ) Y

obtido atravs da seguinte frmula:


a) Para o caso do delineamento inteiramente casualizado, tem-se:
s
2
( ) Y

=
2
2 2
2
2
1
...
2 1
s
rN
CN
r
C
r
C
|
|
.
|

\
|
+ + +
onde:
C = coeficiente de cada mdia do contraste;
r = nmero de repeties da mdia;
s
2
= estimativa da varincia do erro experimental, que corresponde ao
quadrado mdio do resduo.
Como, geralmente, na rea da agropecuria os pesquisadores tm mais
interesse pelos contrastes simples, a frmula de s
2
( ) Y

fica da seguinte
maneira:
s
2
( ) Y

=
2
2
1
1
1
s
r r
|
.
|

\
|
+
onde:
r = nmero de repeties da mdia;
s
2
= estimativa da varincia do erro experimental, que corresponde ao
quadrado mdio do resduo.
b) Para o caso do delineamento em blocos casualizados, tem-se:
154
b.1) Quando nos contrastes simples as mdias dos tratamentos
avaliados apresentam o mesmo nmero de repeties (sem parcela perdida), a
frmula de s
2
( ) Y

fica da seguinte maneira:


s
2
( ) Y

=
2
2
s
r
|
.
|

\
|
onde:
r = nmero de repeties da mdia;
s
2
= estimativa da varincia do erro experimental, que corresponde ao
quadrado mdio do resduo.
b.2) Quando se tem apenas uma parcela perdida, a frmula de s
2
( ) Y

fica assim:
s
2
( ) Y

=
( )( )
2
1 1
2
s
t r r
t
r
(


+
onde:
t = nmero de tratamentos do experimento;
r = nmero de repeties do experimento;
s
2
= estimativa da varincia do erro experimental, que corresponde ao
quadrado mdio do resduo.
Esta frmula usada para comparar contrastes envolvendo a mdia do
tratamento com uma parcela perdida e a mdia de qualquer um dos
tratamentos sem parcela perdida.
b.3) Quando se tem mais de uma parcela perdida, a frmula de s
2
( ) Y

fica assim:
s
2
( ) Y

=
2
2
1
1
1
s
r r
|
.
|

\
|
+
onde:
r = nmero efetivo de repeties;
s
2
= estimativa da varincia do erro experimental, que corresponde ao
quadrado mdio do resduo.
Os valores de r, nmero efetivo de repeties, so obtidos atravs da
regra prtica de Taylor, ou seja, considerando-se o contraste
u 1
m m Y

= ,
entre as mdias dos tratamentos i e u . O tratamento i ter o seguinte nmero
155
efetivo de repeties: valor 1 para os blocos onde os tratamentos i e u
aparecem; valor
1
2

t
t
nos blocos onde o tratamento i aparece e o tratamento u
no aparece, sendo t = nmero de tratamentos do experimento; valor 0 nos
blocos onde o tratamento i no aparece (o tratamento u pode aparecer ou no).
A soma dos valores de todos os blocos constituir o nmero efetivo de
repeties do tratamento i. Para o tratamento u segue-se a mesma regra.
Esta frmula usada para comparar contrastes envolvendo a mdia do
tratamento com uma parcela perdida e a mdia de qualquer um dos
tratamentos sem parcela perdida, bem como contraste envolvendo duas mdias
de tratamentos com parcelas perdidas.
c) Para o caso do delineamento em quadrado latino, tem-se:
c.1) Quando nos contrastes simples as mdias dos tratamentos
avaliados apresentam o mesmo nmero de repeties (sem parcela perdida), a
frmula de s
2
( ) Y

fica da seguinte maneira:


s
2
( ) Y

=
2
2
s
r
|
.
|

\
|
onde:
r = nmero de repeties da mdia;
s
2
= estimativa da varincia do erro experimental, que corresponde ao
quadrado mdio do resduo.
c.2) Quando se tem apenas uma parcela perdida, a frmula de s
2
( ) Y


fica assim:
s
2
( ) Y

=
( )( )
2
2 1
1 2
s
r r r
(


+
onde:
r = nmero de repeties do experimento;
s
2
= estimativa da varincia do erro experimental, que corresponde ao
quadrado mdio do resduo.
Esta frmula usada para comparar contrastes envolvendo a mdia do
tratamento com uma parcela perdida e a mdia 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 significncia estatstica dos contrastes, compara-se o
valor de t calculado de cada contraste com o valor de t tabelado, com n
1
=
156
nvel de significncia (o nvel de 5% de probabilidade o mais utilizado na
prtica) e n
2
= graus de liberdade do resduo (TABELA A.7).
Logo, tem-se:
t calculado > t tabelado (5%) - * (existe diferena significativa entre
os tratamentos no nvel de 5% de probabilidade, ou seja, h uma probabilidade
acima de 95% de que o contraste seja diferente de zero);
t calculado < t tabelado (5%) - ns (no existe diferena significativa
entre os tratamentos no nvel de 5% de probabilidade, ou seja, com 95% de
probabilidade o contraste no difere de zero).
Quando se aplica o teste t est-se testando as seguintes hipteses:
a) H
0
: Y = 0 (tratamentos semelhantes);
b) H
1
: Y = 0 (tratamentos diferentes).
Exemplo 4: Verificar pelo teste t se existe ou no diferena
significativa em um grupo escolhido de contrastes ortogonais a partir de dados
da TABELA 5.4.
TABELA 5.4 PRODUO MDIA (kg DE ACAR/t DE CANA), E VALORES DE
GLR, QMR E F DE VARIEDADES DE CANA-DE-ACAR (Saccharum
officinarum L.). PIRACICABA-SP
Variedades Mdias 1/
1 Co 775
2 Co 740
3 Co 421
4 Co 678
5 Co 419
6 Co 413
133,75
133,10
120,43
118,46
114,77
113,92
GL Resduo 18
QMResduo 83,3753
F 3,77 *
FONTE: CAMPOS (1984).
NOTA: (1/) Dados mdios provenientes de quatro repeties no delineamento inteiramente
casualizado.
Podem-se organizar diversos grupos de contrastes ortogonais com os
seis tratamentos, sendo que cada grupo dever ter, no mximo, cinco
contrastes.
Por exemplo, pode-se ter os seguintes contrastes ortogonais:
1
Y

=
6 5 4 3 2 1
m m m m m m + +
157
2
Y

=
6 5 3
2 m m m
3
Y

=
6 5
m m
4
Y

=
4 2 1
2 m m m +
5
Y

=
2 1
m m
Considerando-se que eles foram estabelecidos a priori, isto , no
foram sugeridos pelos prprios resultados, ento se pode aplicar o teste t.
Para o contraste
1
Y

tem-se:
1
Y

=
6 5 4 3 2 1
m m m m m m + +
= 133,75 + 133,10 120,43 + 118,46 114,77 113,92 = 36,19
s
2
( ) Y

=
2
2 2
2
2
1
...
2 1
s
rN
CN
r
C
r
C
|
|
.
|

\
|
+ + +
=
( ) ( ) ( ) ( ) ( ) ( )
3753 , 83
4
1
4
1
4
1
4
1
4
1
4
1
2 2 2 2 2 2
(

+ +

+ +
= 3753 , 83
4
1
4
1
4
1
4
1
4
1
4
1
|
.
|

\
|
+ + + + +
= 3753 , 83
4
6
|
.
|

\
|
= (1,5) 83,3753 ~ 125,0630
t =
( ) Y s
Y

0
2

=
125,0630
0 19 , 36
=
1832 , 11
19 , 36
~ 3,24
158
O procedimento o mesmo para os demais contrastes, cujos
resultados esto contidos na tabela a seguir:
Contraste Valor
S
2
( Y

)
t calculado
Y

1
36,19 125,0630

3,24 *
Y

2
12,17 125,0630 1,09 ns
Y

3
0,85 41,6877 0,13 ns
Y

4
29,93 125,0630 2,68 *
Y

5
0,65 41,6877 0,10 ns
t tabelado (5%)

2,10
De acordo com os resultados obtidos pode-se chegar s seguintes
concluses:
a) O contraste Y

1
foi significativo no nvel de 5% de probabilidade,
ou seja, a mdia dos rendimentos de acar das variedades Co 775, Co 740 e
Co 678 significativamente maior do que a mdia dos rendimentos de acar
das demais variedades.
b) O contraste Y

2
no foi significativo no nvel de 5% de
probabilidade, ou seja, o rendimento mdio de acar da variedade Co 421 no
difere da mdia dos rendimentos de acar das variedades Co 419 e Co 413.
c) O contraste Y

3
no foi significativo no nvel de 5% de
probabilidade, ou seja, as variedades Co 419 e Co 413 apresentam
rendimentos mdios de acar semelhantes.
d) O contraste Y

4
foi significativo no nvel de 5% de probabilidade,
ou seja, a mdia dos rendimentos de acar das variedades Co 775 e Co 740
significativamente maior do que o rendimento mdio de acar da variedade
Co 678.
e) O contraste Y

5
no foi significativo no nvel de 5% de
probabilidade, ou seja, as variedades Co 775 e Co 740 apresentam
rendimentos mdios de acar semelhantes.
O teste t tambm pode ser utilizado quando se quer comparar as
mdias de duas amostras ( m
1
e m
2
).
Assim, m
1
calculada com N
1
dados e m
2
, com N
2
dados. Diz-se,
ento, que m
1
tem N
1
1 graus de liberdade e, analogamente, m
2
tem N
2
1
graus de liberdade.
O valor de t dado pela frmula:
159
|
|
.
|

\
|
+

=
2 1
2
m
2 1
N
1
N
1
s
m m
t
onde:
s
2
m
= mdia das varincias das duas amostras (s
2
1
e s
2
2
).
O valor de s
2
m
dado pela frmula:
s
2
m
=
2
s s
2
2
2
1
+
=
( ) ( )
2
1 1
2
2
2
2
1
1
2
2
(
(
(
(
(

+
(
(
(
(
(


N
N
X
X
N
N
X
X
Neste caso, o valor de t calculado comparado com o de t tabelado da
mesma forma como foi visto anteriormente. Contudo, o valor de t tabelado
obtido na tabela (TABELA A.7) com n
1
= nvel de significncia (o nvel de
5% de probabilidade o mais utilizado na prtica) e n
2
= graus de liberdade,
que igual a N
1
+ N
2
2.
Quando se aplica o teste t, nesta situao, est-se testando as seguintes
hipteses:
a) H
0
:
1
m =
2
m , isto , a hiptese de nulidade admite que as duas
populaes tm a mesma mdia;
b) H
1
:
2
m =
2
m , isto , a hiptese alternativa admite que as duas
populaes tm mdias diferentes.
Exemplo 5: Verificar pelo teste t se existe ou no diferena
significativa entre as mdias dos dois tratamentos a partir de dados da
TABELA 5.5.
TABELA 5.5 PRODUO MDIA (t/ha) DE DUAS VARIEDADES DE BATATINHA
(Solanum tuberosum L.) DURANTE CINCO ANOS
Variedades

Ano

Mdias
1
o
2
o
3
o
4
o
5
o

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).
160
Logo, tem-se:
( )
1
2
2
2

=


N
N
X
X
s
A
( ) ( ) ( ) ( ) ( )
( )
1 5
5
61 , 19
04 , 5 80 , 2 60 , 4 36 , 3 81 , 3
2
2 2 2 2 2

+ + + +
=
=
4
5
5521 , 384
4016 , 25 8400 , 7 1600 , 21 2896 , 11 5161 , 14 + + + +
=
4
91042 , 76 2073 , 80
=
4
29688 , 3
= 0,82422
( )
1
2
2
2

=


N
N
X
X
s
B
( ) ( ) ( ) ( ) ( )
( )
1 5
5
57 , 14
80 , 2 80 , 2 70 , 3 91 , 1 36 , 3
2
2 2 2 2 2

+ + + +
=
=
4
5
2849 , 212
8400 , 7 8400 , 7 6900 , 13 6481 , 3 2896 , 11 + + + +
=
4
45698 , 42 3077 , 44
=
4
85072 , 1
= 0,46268
s
2
m
=
2
s
2 2
A B
s +
161
2
46268 , 0 82422 , 0 +
=
=
2
2869 , 1
= 0,64345
A
m =
5
61 , 19
= 3,92
B
m =
5
57 , 14
= 2,91
|
|
.
|

\
|
+

=
2 1
2

1 1

N N
s
m m
t
m
B A
|
.
|

\
|
+

=
5
1
5
1
64345 , 0
91 , 2 92 , 3
=
|
.
|

\
|
5
2
64345 , 0
01 , 1
=
( ) 4 , 0 64345 , 0
01 , 1
=
25738 , 0
01 , 1
= ~
50733 , 0
01 , 1
1,99 ns
t tabelado (5%) = 2,31
De acordo com o resultado obtido pode-se concluir que o contraste
no foi significativo no nvel de 5% de probabilidade, ou seja, as duas
variedades de batatinha so igualmente produtivas.
162
5.3 Teste de Bonferroni (t
B
)
O teste de Bonferroni um aperfeioamento do teste t e para a sua
aplicao o pesquisador deve levar em conta os mesmos requisitos deste.
Esse aperfeioamento se deve ao fato de que o teste t aplicado para
dois ou mais contrastes num mesmo experimento no exato. Por exemplo, na
aplicao do teste t, onde se usaram os dados da TABELA 5.4 (Exemplo 4),
foi de 5% o nvel de significncia adotado para cada um dos cinco contrastes.
A probabilidade de que um, pelo menos, seja significativo, por simples acaso,
, aproximadamente, de 5 x 5 = 25%. No geral, se o nvel de probabilidade for
para cada contraste, a probabilidade de que pelo menos um dos n contrastes
ortogonais seja significativo de no.
Para resolver esse problema, o teste de Bonferroni indica o uso, para
cada contraste, de um nvel de probabilidade o =
n

, pois ento, para o


conjunto tem-se n x o = o. No Exemplo 6, com o = 5% e n = 5, o valor de t
B
para cada contraste deve corresponder a uma probabilidade de
5
5
= 1%. O
resultado efetivo desse procedimento a alterao do nvel de significncia
para a determinao do valor tabelado de t (TABELA A.7), dividindo-se o
nvel nominal (o nvel de 5% de probabilidade o mais utilizado na prtica)
pelo nmero de contrastes ortogonais.
Na anlise de varincia, quando se tem mais de dois tratamentos e o
teste F for significativo, pode-se utilizar o teste de Bonferroni na comparao
de mdias de tratamentos, cuja frmula a seguinte:
t
B
=
( ) Y

s
0 Y
2

onde:
Y

= constante qualquer;
s
2
( ) Y

= estimativa da varincia da estimativa de um contraste (ver teste t).


Para verificar a significncia estatstica dos contrastes, compara-se o
valor de t
B
calculado de cada contraste com o valor de t
B
tabelado, com n
1
=
nvel de significncia o =
n

e n
2
= graus de liberdade do resduo (TABELA
A.7).
Logo, tem-se:
t
B
calculado > t
B
tabelado (o) - existe diferena significativa entre os
tratamentos no nvel o de probabilidade, ou seja, h uma probabilidade acima
de 100 - o% de que o contraste seja diferente de zero;
163
t
B
calculado < t
B
tabelado (o) - ns (no existe diferena significativa
entre os tratamentos no nvel o de probabilidade, ou seja, com 100 - o% de
probabilidade o contraste no difere de zero).
Quando se aplica o teste t
B
est-se testando as seguintes hipteses:
a) H
0
: Y = 0 (tratamentos semelhantes);
b) H
1
: Y = 0 (tratamentos diferentes).
Considerando os dados do Exemplo 4, tm-se os seguintes resultados
que esto contidos na tabela a seguir:
Contraste Valor
s
2
( Y

)
t
B
calculado
Y

1
36,19 125,0630

3,24 **
Y

2
12,17 125,0630 1,09 ns
Y

3
0,85 41,6877 0,13 ns
Y

4
29,93 125,0630 2,68 ns
Y

5
0,65 41,6877 0,10 ns
t
B
tabelado (1%)

2,88
De acordo com os resultados obtidos pode-se chegar s seguintes
concluses:
a) O contraste Y

1
foi significativo no nvel de 1% de probabilidade,
ou seja, a mdia dos rendimentos de acar das variedades Co 775, Co 740 e
Co 678 significativamente maior do que a mdia dos rendimentos de acar
das demais variedades.
b) O contraste Y

2
no foi significativo no nvel de 1% de
probabilidade, ou seja, o rendimento mdio de acar da variedade Co 421 no
difere da mdia dos rendimentos de acar das variedades Co 419 e Co 413.
c) O contraste Y

3
no foi significativo no nvel de 1% de
probabilidade, ou seja, as variedades Co 419 e Co 413 apresentam
rendimentos mdios de acar semelhantes.
d) O contraste Y

4
no foi significativo no nvel de 1% de
probabilidade, ou seja, a mdia dos rendimentos de acar das variedades Co
775 e Co 740 no difere do rendimento mdio de acar da variedade Co
678.
e) O contraste Y

5
no foi significativo no nvel de 1% de
probabilidade, ou seja, as variedades Co 775 e Co 740 apresentam
rendimentos mdios de acar semelhantes.
Observa-se o rigor do teste de Bonferroni neste exemplo em relao
ao teste t, pois ele detectou diferena significativa entre os tratamentos apenas
164
no contraste Y

1
,

enquanto que o teste t encontrou diferena significativa
nos contrastes Y

1
e Y

4
.
5.4 Teste LSD
O teste da diferena mnima significativa (LSD), apesar de sujeito a
severas restries, ainda um teste bastante empregado na comparao de
mdias de tratamentos. Apesar desse teste se basear no teste t, sua aplicao
muito mais simples, por ter apenas um valor do LSD para comparar com todos
os contrastes, o que no ocorre com o teste t. Desde que seja utilizado com
cuidado, no conduz a erros demasiados.
Na anlise de varincia, quando o teste F for significativo e se tem
mais de dois tratamentos, o teste LSD o mais utilizado quando se deseja
fazer comparaes planejadas (so comparaes definidas antes de serem
examinados os dados experimentais) de mdias pareadas. Neste caso, cada
mdia aparece em somente uma comparao.
Sua frmula a seguinte:
LSD (5%) = t (5%) x s ( Y

)
onde:
t (5%) = valor tabelado do teste t no nvel de 5% de probabilidade (TABELA
A.7);
s ( Y

) = estimativa do desvio padro da estimativa de um contraste, que


corresponde raiz quadrada da estimativa da varincia da estimativa
de um contraste [s
2
( ) Y

], ver teste t.
Quando as mdias dos tratamentos avaliados apresentarem nmero de
repeties diferentes (caso de parcelas perdidas), o valor de s ( Y

) depende do
delineamento estatstico utilizado (ver teste t).
O valor de cada contraste ( Y

) comparado com o valor de LSD.


Logo, tem-se:
Y

> LSD (5%) - * (existe diferena significativa entre os tratamentos


no nvel de 5% de probabilidade, ou seja, h uma probabilidade acima de 95%
de que o contraste seja diferente de zero);
Y

< LSD (5%) - ns (no existe diferena significativa entre os


tratamentos no nvel de 5% de probabilidade, ou seja, com 95% de
probabilidade o contraste no difere de zero).
Quando se aplica o teste LSD, est-se testando as seguintes hipteses:
a) H
0
: Y

= 0 (tratamentos semelhantes);
b) H
1
: Y

= 0 (tratamentos diferentes).
165
Exemplo 6: Verificar pelo teste LSD se existe ou no diferena
significativa entre as mdias pareadas a partir de dados da TABELA 5.6.
TABELA 5.6 EFEITO DA CEROSIDADE FOLIAR NA REAO DE VARIEDADES
DE CEBOLA (Allium cepa L.) A HERBICIDAS DE PS-EMERGNCIA
EM PLANTAS AVALIADAS AOS 54 DIAS APS A SEMEADURA,
EXPRESSO ATRAVS DE UMA ESCALA DE NOTAS, E VALORES DE
GL RESDUO, QM RESDUO, F E CV. PIRACICABA-SP
Variedades BENTAZON 1/
________________________
A B
PROMETRIN 1/
________________________
A B
1 - BARREIRO SMP-IV
2 - ROXA CHATA SMP-IV
3 - BAIA PERIFORME
4 - RED CREOLE

2,7 + 4,1
3,0 3,6
2,9 4,0
3,1 4,4

3,2 4,3
3,2 3,9
3,1 4,0
3,2 4,4
GL Resduo 60
QM Resduo 0,17154
F
Variedades
14,07 **
Coeficiente de Variao: % 11,50
FONTE: FERREIRA e COSTA (1982).
NOTAS: ( **) Significativo no nvel de 1% de probabilidade.
(1/) Herbicidas de ps-emergncia.
(A) Cerosidade foliar mantida.
(B) Cerosidade foliar removida.
(+) Dados mdios provenientes de quatro repeties no delineamento inteiramente
casualizado.
Considerando-se que os contrastes foram estabelecidos a priori, ento
se pode aplicar o teste LSD.
Para o herbicida BENTAZON tem-se:
1
Y

=
B A
m m
= 2,7 4,1 = 1,4
2

Y =
B A
m m
= 3,0 3,6 = 0,6
166
3

Y =
B A
m m
= 2,9 4,0 = 1,1
4

Y =
B A
m m
= 3,1 4,4 = 1,3
Para o herbicida PROMETRIN tem-se:
1
Y

=
B A
m m
= 3,2 4,3 = 1,1
2

Y =
B A
m m
= 3,2 3,9 = 0,7
3

Y =
B A
m m
= 3,1 4,0 = 0,9
4

Y =
B A
m m
= 3,2 4,4 = 1,2
LSD (5%) = t (5%) x s ( Y

)
= 2,0
4
17154 , 0 0 , 2 x
=
4
34308 , 0
0 , 2
= 2,0 08577 , 0
= 2,0 (0,29287) ~ 0,586
Os resultados obtidos esto contidos na tabela a seguir:
167
Variedades

BENTAZON

PROMETRIN
A B Y

A B Y

BARREIRO SMP-IV
ROXA CHATA SMP-IV
BAIA PERIFORME
REF CREOLE
2,7 4,1 1,4 *
3,0 3,6 0,6 *
2,9 4,0 1,1 *
3,1 4,4 1,3 *
3,2 4,3 1,1 *
3,2 3,9 0,7 *
3,1 4,0 0,9 *
3,2 4,4 1,2 *
LSD (5%)

0,586

0,586
NOTA: (*) Significativo no nvel de 5% de probabilidade pelo teste LSD.
De acordo com os resultados obtidos pode-se chegar s seguintes
concluses:
a) Com relao ao herbicida de ps-emergncia BENTAZON, todos
os contrastes foram significativos no nvel de 5% de probabilidade, ou seja,
em todas as variedades de cebola avaliadas, a cerosidade foliar mantida
apresentou menor ndice de injrias foliares do que a cerosidade foliar
removida.
b) Com relao ao herbicida de ps-emergncia PROMETRIN, todos
os contrastes foram significativos no nvel de 5% de probabilidade, ou seja,
em todas as variedades de cebola avaliadas, a cerosidade foliar mantida
apresentou menor ndice de injrias foliares do que a cerosidade foliar
removida.
O teste LSD pode tambm ser utilizado na comparao de todas as
mdias com um tratamento controle ou testemunha, ou na comparao de
todas as mdias entre si. Porm, recomenda-se o uso do teste LSD em
comparaes planejadas de mdias pareadas, visto que tm testes especficos e
mais rigorosos para os outros tipos de comparaes.
5.5 Teste de Dunnett
O teste de Dunnett (d) usado na anlise de varincia quando se
procura comparar todas as mdias de tratamentos com um controle ou
testemunha, desde que o teste F seja significativo e se tenha mais de dois
tratamentos. Sua aplicao muito simples, por ter apenas um valor de d para
comparar com todos os contrastes.
Sua frmula a seguinte:
d(5%) = t (5%) x s ( Y

)
onde:
168
t (5%) = valor tabelado do teste de Dunnett no nvel de 5% de probabilidade
(TABELAS A.8 e A.9);
s ( Y

) = estimativa do desvio padro da estimativa de um contraste, que


corresponde raiz quadrada da estimativa da varincia da estimativa
de um contraste [s
2
( ) Y

], ver teste t.
No caso de se querer usar o teste de Dunnett no nvel 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 usada para as comparaes unilaterais, ou seja,
quando todas as mdias dos tratamentos forem inferiores ou superiores ao
controle, enquanto a TABELA A.9 usada para comparaes bilaterais, ou
seja, quando algumas mdias de tratamentos forem inferiores e outras
superiores ao controle.
Quando as mdias dos tratamentos avaliados apresentarem nmero de
repeties diferentes (caso de parcelas perdidas), o valor de s ( Y

) depende do
delineamento estatstico utilizado (ver teste t).
O valor de cada contraste ( Y

) comparado com o valor de d. Logo,


tem-se:
Y

> d(5%) - * (existe diferena significativa entre os tratamentos no


nvel de 5% de probabilidade, ou seja, h uma probabilidade acima de 95% de
que o contraste seja diferente de zero);
Y

< d(5%) - ns (no existe diferena significativa entre os


tratamentos no nvel de 5% de probabilidade, ou seja, h uma probabilidade de
95% de que o contraste no difere de zero).
Quando se aplica o teste de Dunnett, est-se testando as seguintes
hipteses:
a) H
0
: Y

= 0 (tratamento semelhante ao controle);


b) H
1
: Y

= 0 (tratamento diferente do controle).


Exemplo 7: Verificar pelo teste de Dunnett se existe ou no diferena
significativa dos tratamentos em relao ao controle a partir de dados da
TABELA 5.7.
169
TABELA 5.7 GANHOS DE PESO (kg), E VALORES DE GL RESDUO, QM RESDUO
E F DE PORCOS ALIMENTADOS COM QUATRO RAES
Raes Mdia 1/

A
B
C
D (Controle)
26,0
39,0
32,0
22,0
GL Resduo 16
QM Resduo = s
2

68,75
F

3,99 *
FONTE: Adaptado de GOMES (1985).
NOTA: (1/) Dados mdios provenientes de cinco repeties no delineamento inteiramente
casualizado.
Logo, tem-se:
d(5%) = t (5%) x s ( Y

)
=
5
75 , 68 2
63 , 2
x
= 2,63
5
50 , 137
= 2,63 5 , 27
= 2,63 (5,244044) ~ 13,79
D A
m m Y

1
=
= 26,0 22,0 = 4,0 ns
D B
m m Y

2
=
= 39,0 22,0 = 17,0 *
D C
m m Y

3
=
170
= 32,0 22,0 = 10,0 ns
De acordo com os resultados, pode-se concluir que apenas o contraste
2

Y foi significativo no nvel de 5% de probabilidade, ou seja, a rao B diferiu


da rao D (controle) proporcionando um maior ganho de peso em porcos,
enquanto que as raes A e C foram semelhantes ao controle.
5.6 Teste de Tukey
O teste de Tukey ( A) usado na anlise de varincia para comparar
todo e qualquer contraste entre duas mdias de tratamentos. o teste de
comparao de mdias de tratamentos mais usado na experimentao
agropecuria, por ser bastante rigoroso e de fcil aplicao. Ele mais exato
quando o nmero de repeties das mdias dos tratamentos avaliados so
iguais.
Quando o teste F no for significativo, norma geral no se aplicar o
teste de Tukey ou qualquer teste de comparao de mdias de tratamentos (se
estiver prximo da significncia aconselhvel a aplicao). Por outro lado,
pode ocorrer que o teste F tenha sido significativo e o teste de Tukey no
acuse nenhum contraste significativo. Nestes casos tem-se trs alternativas a
seguir, so elas:
a) Substitui-se o teste de Tukey pelo teste de Duncan que menos
rigoroso;
b) Aplica-se o teste de Tukey no nvel de 10% de probabilidade;
c) Simplesmente aceita-se o resultado (no significativo) admitindo-se
que o (s) contraste(s) significativo(s) que o teste F diz existir, envolve mais de
duas mdias, sendo portanto, geralmente, de pouco interesse prtico.
Quando as mdias de tratamentos apresentam o mesmo nmero de
repeties, sua frmula a seguinte:
A(5%) = q
r
s
onde:
q = valor da amplitude total estudentizada no nvel de 5% de probabilidade
(TABELA A.10);
s = estimativa do desvio padro do erro experimental, que corresponde raiz
quadrada do quadrado mdio do resduo;
r = nmero de repeties do experimento e/ou da mdia.
No caso de querer-se usar o teste de Tukey no nvel de 1% de
probabilidade, tem-se a TABELA A.11 para obter-se o valor de q.
171
O valor de cada contraste ( Y

) comparado com o valor de A. Logo,


tem-se:
A > Y

(5%) - * (existe diferena significativa entre os tratamentos no


nvel de 5% de probabilidade, ou seja, h uma probabilidade acima de 95% de
que o contraste seja diferente de zero);
Y

< A (5%) - ns (no existe diferena significativa entre os


tratamentos no nvel de 5% de probabilidade, ou seja, com 95% de
probabilidade o contraste no difere de zero).
a) H
0
: Y

= 0 (tratamentos semelhantes);
b) H
1
: Y

= 0 (tratamentos diferentes).
Exemplo 8: Verificar pelo teste de Tukey se existe ou no diferena
significativa entre os tratamentos a partir dos dados da TABELA 5.8.
TABELA 5.8 NMERO TOTAL DE FOLHAS POR PLANTA EM TRS CULTIVARES
DE ALFACE (Lactuca sativa L.), E VALORES DE GL RESDUO, QM
RESDUO E F
Cultivares Nmero total de folhas por planta 1/
1. MARAVILHA DE QUATRO ESTAES
2. MARAVILHA DE INVERNO
3. REPOLHUDA SEM RIVAL
25,80
29,53
25,73
GL Resduo

11
QM Resduo

6,673264
F

5,69 *
FONTE: SILVA e FERREIRA (1985).
NOTA: (1/) Dados mdios provenientes de oito repeties no delineamento em blocos
casualizados.
Logo, tem-se:
r
s
q = A %) 5 (
=
8
673264 , 6
82 , 3
= 3,82 834158 , 0
= 3,82 (0,913323) ~ 3,49
172
2 1 1

m m Y =
= 25,80 29,53 = 3,73 *
3 1 2

m m Y =
= 25,80 25,73 = 0,07 ns
3 2 3

m m Y =
= 29,53 25,73 = 3,80 *
De acordo com os resultados do teste de Tukey, pode-se concluir:
a) Apenas um contraste foi no significativo no nvel de 5% de
probabilidade, ou seja, as cultivares de alface MARAVILHA DE QUATRO
ESTAES e REPOLHODA SEM RIVAL so semelhantes quanto ao
nmero de folhas por planta.
b) Os demais contrastes foram significativos no nvel de 5% de
probabilidade, ou seja, a cultivar de alface MARAVILHA DE INVERNO
apresenta um maior nmero de folhas por planta do que as cultivares
MARAVILHA DE QUATRO ESTAES e REPOLHUDA SEM RIVAL.
Quando as mdias de tratamentos apresentam nmero de repeties
diferentes (caso de parcelas perdidas), a frmula do teste de Tukey a
seguinte:
( )
2

%) 5 (
2
Y s
q = A
onde:
q = valor da amplitude total estudentizada no nvel de 5% ou de 1% de
probabilidade (TABELAS A.10 e A.11);
s
2
= estimativa da varincia da estimativa de um contraste, que depender do
delineamento estatstico utilizado (ver teste t).
5.7 Teste de Duncan
O teste de Duncan (D) tambm usado na anlise de varincia para
comparar todo e qualquer contraste entre duas mdias de tratamentos. ,
porm, menos rigoroso do que o teste de Tukey, pois detecta diferena
significativa entre duas mdias quando o teste de Tukey no o faz. Alm disso,
sua aplicao um pouco mais trabalhosa, pois, levando em conta o nmero
de mdias abrangidas em cada contraste, deve-se calcular um valor de D para
173
cada grupo de contrastes. Na sua aplicao deve-se ordenar as mdias de
tratamentos em ordem crescente ou decrescente e formar os grupos de
contrastes cujos intervalos abrangem duas mdias, trs mdias e assim por
diante, de modo a obterem, respectivamente, os valores tabelados de z para
cada grupo de contrastes. Quando o nmero de mdias de tratamentos for
elevado, por exemplo superior a dez, a aplicao do referido teste se torna
muito trabalhosa. um teste bastante usado em trabalhos de sementes e de
laboratrio. Tal como o teste de Tukey, ele exige, para ser exato, que todos os
tratamentos tenham o mesmo nmero de repeties.
Quando as mdias de tratamentos apresentam o mesmo nmero de
repeties, sua frmula a seguinte:
D (5%) = z
r
s
onde:
z = valor da amplitude total estudentizada no nvel de 5% de probabilidade
(TABELA A.12);
s = estimativa do desvio padro do erro experimental, que corresponde raiz
quadrada do quadrado mdio do resduo;
r = nmero de repeties do experimento e/ou da mdia.
No caso de querer-se usar o teste de Duncan no nvel de 1% de
probabilidade, tem-se a TABELA A.13 para obter-se os valores de z.
Como se deve ter vrios valores de D, os valores dos contrastes com o
mesmo nmero de mdias abrangidas pelos mesmos so comparados com o
seu respectivo valor de D. Logo, tem-se:
Y

> D (5%) - * (existe diferena significativa entre os tratamentos no


nvel de 5% de probabilidade, ou seja, h uma probabilidade acima de 95% de
que o contraste seja diferente de zero);
Y

< D (5%) - ns (no existe diferena significativa entre os


tratamentos no nvel de 5% de probabilidade, ou seja, com 95% de
probabilidade o contraste no difere de zero).
Quando se aplica o teste de Duncan, est-se testando as seguintes
hipteses:
a) H
0
: Y

= 0 (tratamentos semelhantes);
b) H
1
: Y

= 0 (tratamentos diferentes).
Exemplo 9: Verificar pelo teste de Duncan se existe ou no diferena
significativa entre os tratamentos a partir dos dados da TABELA 5.9.
174
TABELA 5.9 GERMINAO DE SEMENTES ESCARIFICADAS DE SEIS ESPCIES
DE Stylosanthes, E VALORES DE GL RESDUO, QM RESDUO E F.
DADOS TRANSFORMADOS EM ARCO SENO 100 / %
Espcies Mdias 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 Resduo 72
QM Resduo

20,6518
F 300,32 **
FONTE: REIS (1984).
NOTA: (1/) Dados mdios provenientes de oito repeties no delineamento inteiramente
casualizado.
Logo, tem-se:
D
2
(5%) =
r
s
z
2
= 2,821
8
6518 , 20
= 2,821 581475 , 2
= 2,821 (1,606697) ~ 4,53
2 1 1

m m Y =
= 67,54 83,74 = 16,20 *
3 2 2

m m Y =
= 83,74 84,75 = 1,01 ns
175
4 3 3

m m Y =
= 84,75 87,97 = 3,22 ns
5 4 4

m m Y =
= 87,97 88,98 = 1,01 ns
6 5 5

m m Y =
= 88,98 90,00 = 1,02 ns
D
3
(5%) =
r
s
z
3
=
8
6518 , 20
971 , 2
= 2,971 581475 , 2
= 2,971 (1,606697) ~ 4,77
3 1 6
m m Y =
= 67,54 84,75 = 17,21 *
4 2 7

m m Y =
= 83,74 87,97 = 4,23 ns
5 3 8

m m Y =
= 84,75 88,98 = 4,23 ns
6 4 9

m m Y =
= 87,97 90,00 = 2,03 ns
D
4
(5%) =
r
s
z
4
176
= 3,071
8
6518 , 20
= 3,071 581475 , 2
= 3,071 (1,606697) ~ 4,93
4 1 10

m m Y =
= 67,54 87,97 = 20,43 *
5 2 11

m m Y =
= 83,74 88,98 = 5,24 *
6 3 12

m m Y =
= 84,75 90,00 = 5,25 *
D
5
(5%) =
r
s
z
5
= 3,134
8
6518 , 20
= 3,134 581475 , 2
= 3,134 (1,606697) ~ 5,04
5 1 13

m m Y =
= 67,54 88,98 = 21,44 *
6 2 14

m m Y =
= 83,74 90,00 = 6,26 *
D
6
(5%) =
r
s
z
6
177
= 3,194
8
6518 , 20
= 3,194 581475 , 2
= 3,194 (1,606697) ~ 5,13
6 1 15

m m Y =
= 67,54 90,00 = 22,46 *
De acordo com os resultados do teste de Duncan, pode-se concluir:
a) Apenas sete contrastes foram no significativos no nvel de 5% de
probabilidade, ou seja, a germinao de sementes escarificadas foi semelhante
entre as seguintes espcies 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.
b) Os demais contrastes foram significativos no nvel de 5% de
probabilidade, ou seja, a germinao de sementes escarificadas foi diferente
entre as seguintes espcies de Stylosanthes: S. humilis com todas as outras, S.
scabra com S. viscosa e S. debilis, e S. leiocarpa com S. debilis.
c) A espcie Stylosanthes humilis apresentou a menor germinao de
sementes escarificadas.
d) A espcie Stylosanthes debilis apresentou a maior germinao de
sementes escarificadas, apesar de no diferir estatisticamente das espcies
Stylosanthes viscosa e Stylosanthes hamata.
Quando as mdias de tratamentos apresentam nmero de repeties
diferentes (caso de parcelas perdidas), a frmula do teste de Duncan a
seguinte:
( )
2

%) 5 (
2
Y s
z D =
onde:
z = valor da amplitude total estudentizada no nvel de 5% ou de 1% de
probabilidade (TABELAS A.12 e A. 13);
s
2
)

(Y = estimativa da varincia da estimativa de um contraste, que depender


do delineamento estatstico utilizado (ver teste t).
178
5.8 Teste de Student-Newman-Keuls (SNK)
O teste SNK pode ser usado na anlise de varincia para comparar
todo e qualquer contraste entre duas mdias de tratamentos. Em termos de
rigor intermedirio entre os testes de Tukey e de Duncan. Ele utiliza a
metodologia de Duncan com a tabela de Tukey.
Quando as mdias de tratamentos apresentam o mesmo nmero de
repeties, sua frmula a seguinte:
SNK (5%) = q
r
s
onde:
q = valor da amplitude total estudentizada no nvel de 5% de probabilidade
(TABELA A.10);
s = estimativa do desvio padro do erro experimental, que corresponde raiz
quadrada do quadrado mdio do resduo;
r = nmero de repeties do experimento e/ou da mdia.
No caso de querer-se usar o teste SNK no nvel de 1% de
probabilidade, tem-se a TABELA A.11 para obter-se os valores de q.
Como se deve ter vrios valores de SNK, o valor dos contrastes com o
mesmo nmero de mdias abrangidas pelos mesmos so comparados com o
seu respectivo valor de SNK. Logo, tem-se:
Y

> SNK (5%) - * (existe diferena significativa entre os tratamentos


no nvel de 5% de probabilidade, ou seja, h uma probabilidade acima de 95%
de que o contraste seja diferente de zero);
Y

< SNK (5%) - ns (no existe diferena significativa entre os


tratamentos no nvel de 5% de probabilidade, ou seja, com 95% de
probabilidade o contraste no difere de zero).
Quando se aplica o teste de SNK, est-se testando as seguintes
hipteses:
a) H
0
: Y

= 0 (tratamentos semelhantes);
b) H
1
: Y

= 0 (tratamentos diferentes).
Considerando os dados do Exemplo 9, tem-se:
NSK
2
(5%) =
r
s
q
2
= 2,824
8
6518 , 20
179
= 2,824 581475 , 2
= 2,824 (1,606697) ~ 4,54
2 1 1

m m Y =
= 67,54 83,74 = 16,20 *
3 2 2

m m Y =
= 83,74 84,75 = 1,01 ns
4 3 3

m m Y =
= 84,75 87,97 = 3,22 ns
5 4 4

m m Y =
= 87,97 88,98 = 1,01 ns
6 5 5

m m Y =
= 88,98 90,00 = 1,02 ns
NSK
3
(5%) =
r
s
q
3
=
8
6518 , 20
392 , 3
= 3,392 581475 , 2
= 3,392 (1,606697) ~ 5,45
3 1 6
m m Y =
= 67,54 84,75 = 17,21 *
4 2 7

m m Y =
180
= 83,74 87,97 = 4,23 ns
5 3 8

m m Y =
= 84,75 88,98 = 4,23 ns
6 4 9

m m Y =
= 87,97 90,00 = 2,03 ns
NSK
4
(5%) =
r
s
q
4
= 3,730
8
6518 , 20
= 3,730 581475 , 2
= 3,730 (1,606697) ~ 5,99
4 1 10

m m Y =
= 67,54 87,97 = 20,43 *
5 2 11

m m Y =
= 83,74 88,98 = 5,24 ns
6 3 12

m m Y =
= 84,75 90,00 = 5,25 ns
NSK
5
(5%) =
r
s
q
5
= 3,968
8
6518 , 20
= 3,968 581475 , 2
181
= 3,968 (1,606697) ~ 6,38
5 1 13

m m Y =
= 67,54 88,98 = 21,44 *
6 2 14

m m Y =
= 83,74 90,00 = 6,26 ns
NSK
6
(5%) =
r
s
q
6
= 4,148
8
6518 , 20
= 4,148 581475 , 2
= 4,148 (1,606697) ~ 6,66
6 1 15

m m Y =
= 67,54 90,00 = 22,46 *
De acordo com os resultados do teste SNK, pode-se concluir:
a) Apenas dez contrastes foram no significativos no nvel de 5% de
probabilidade, ou seja, a germinao de sementes escarificadas foi semelhante
entre as seguintes espcies 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.
b) Os demais contrastes foram significativos no nvel de 5% de
probabilidade, ou seja, a germinao de sementes escarificadas foi diferente
entre as seguintes espcies de Stylosanthes: S. humilis com todas as outras.
c) A espcie Stylosanthes humilis apresentou a menor germinao de
sementes escarificadas.
d) A espcie Stylosanthes debilis apresentou a maior germinao de
sementes escarificadas, apesar de no diferir estatisticamente das espcies
Stylosanthes viscosa, Stylosanthes hamata, Stylosanthes leiocarpa e
Stylosanthes scabra.
Observa-se o rigor do teste SNK neste exemplo em relao ao teste de
Duncan, pois ele detectou diferena significativa entre os tratamentos em
182
apenas cinco contrastes, enquanto que o teste de Duncan encontrou diferena
significativa entre os tratamentos em oito contrastes.
Quando as mdias de tratamentos apresentam nmero de repeties
diferentes (caso de parcelas perdidas), a frmula do teste SNK a seguinte:
( )
2

%) 5 (
2
Y s
q SNK =
onde:
q = valor da amplitude total estudentizada no nvel de 5% ou de 1% de
probabilidade (TABELAS A.10 e A. 11);
s
2
)

(Y = estimativa da varincia da estimativa de um contraste, que depender


do delineamento estatstico utilizado (ver teste t).
5.9 Teste de Scott e Knott (SK)
O teste SK um teste de agrupamento de mdias de tratamentos que
tem por objetivo dividir o grupo original em subgrupos, cujas mdias de
tratamentos no diferem estatisticamente entre si. Estes subgrupos so bem
definidos e no apresentam a ambigidade dos demais testes de comparao
de mdias de tratamentos.
Mas o que ambigidade? Ambigidade quando uma mdia de
tratamento no difere estatisticamente da mdia de tratamento de valor inferior
e nem da mdia de tratamento de valor superior, mas a mdia de valor superior
difere estatisticamente da mdia de valor inferior, o que inconcebvel do
ponto de vista matemtico.
Na formao dos subgrupos, quando o nmero de tratamentos
pequeno, o nmero possvel de subgrupos dado por 1 2
1

g
. Por exemplo,
com quatro tratamentos (A, B, C, D), tm-se: 7 1 8 1 2 1 2
3 1 4
= = =

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
nmero de tratamentos grande, o nmero de subgrupos cresce
exponencialmente, dificultando a aplicao do teste SK. Neste caso, para
contornar essa situao, ordenam-se as mdias de tratamentos e o nmero
possvel de subgrupos dado por g 1.
Quando as mdias de tratamentos apresentam o mesmo nmero de
repeties, sua frmula a seguinte:
SK (5%)
2
0
0
) 2 ( 2 s x
B x

onde:
183
= nmero irracional, cujo valor aproximado 3,1416;
0
B = estimativa da soma de quadrados entre grupos obtida atravs da frmula:
2 1
2
2 1
2
2
2
1
2
1
0
) (
k k
T T
k
T
k
T
B
+
+
+ =
onde:
T = total das mdias de tratamentos de cada grupo;
k = nmero de tratamentos de cada grupo;
2
0
s = estimativa da varincia obtida atravs da frmula:
(

|
.
|

\
|
+ + + +
+
=
r
sduo QM
v Y Y Y Y Y Y
v g
s g
Re
) ( ... ) ( ) (
1
2 2
2
2
1
2
0
onde:
g = nmero de mdias de tratamentos avaliados nos dois grupos;
v = nmero de graus de liberdade do resduo;
i Y = mdia do tratamento i (i = 1, 2, ... g);
Y = mdia geral dos tratamentos avaliados nos dois grupos;
r = nmero de repeties do experimento e/ou da mdia.
A regra de deciso para estabelecer os grupos a seguinte:
SK (5%) >
2
(5%) - * (existe diferena significativa entre os dois
grupos de tratamentos no nvel de 5% de probabilidade, ou seja, h uma
probabilidade acima de 95% de que as mdias dos dois grupos de tratamentos
sejam diferentes de zero);
SK (5%) <
2
(5%) - ns (no existe diferena significativa entre os dois
grupos de tratamentos no nvel de 5% de probabilidade, ou seja, com 95% de
probabilidade as mdias dos dois grupos de tratamentos no 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 possveis divises. O teste prossegue at que sejam encontrados
grupos com apenas uma mdia de tratamento e/ou grupos de mdias de
tratamentos homogneas.
O valor do qui-quadrado referencial (
2
) estabelecido em funo do
nvel de significncia preestabelecido (o nvel de 5% de significncia o
mais usado na prtica) e do nmero de graus de liberdade, que dado por
2
=

g
v
184
Este grau de liberdade ser um nmero fracionrio, uma vez que
funo do nmero irracional .
Quando se aplica o teste SK, est-se testando as seguintes hipteses:
a) H
0
: Y

= 0 (os dois grupos de tratamentos so semelhantes);


b) H
1
: Y

= 0 (os dois grupos de tratamentos so diferentes).


Exemplo 10: Verificar pelo teste SK se existe ou no diferena
significativa entre os tratamentos a partir dos dados da TABELA 5.10.
TABELA 5.10 DADOS MDIOS DE TCH (TONELADAS DE CANA POR HECTARE) DE 26
GENTIPOS DE CANA-DE-ACAR AVALIADOS NA USINA CAET, NO
MUNICPIO DE SO MIGUEL DOS CAMPOS, NO ANO DE 1999
Gentipos TCH (+) Gentipos 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
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 Resduo 75
QM Resduo 91,271
F 3,43 **
FONTE: SILVA (2004).
NOTAS: (+) Dados mdios provenientes de quatro repeties no delineamento em blocos casualizados.
(**) Significativo no nvel de 1% de probabilidade.
185
Logo, tm-se as somas de quadrados da partio 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:
2 1
2
2 1
2
2
2
1
2
1
0
) (
k k
T T
k
T
k
T
B
+
+
+ =
=
( ) ( )

+ + +
+
+ + +
13
67 , 125 ... 72 , 110 17 , 110
13
67 , 107 ... 45 , 92 56 , 90
2 2
( )
13 13
67 , 125 ... 72 , 110 17 , 110 67 , 107 ... 45 , 92 56 , 90
2
+
+ + + + + + +
=
( ) ( ) ( )
26
08 , 499 . 1 13 , 317 . 1
13
08 , 499 . 1
13
13 , 317 . 1
2 2 2
+
+
=
( ) ( ) ( )
26
21 , 816 . 2
13
08 , 499 . 1
13
13 , 317 . 1
2 2 2
+
=
26
764 , 038 . 931 . 7
13
846 , 240 . 247 . 2
13
437 , 831 . 734 . 1
+
= 133.448,5721 + 172.864,6805 305.039,9525 = 1.273,3001

=
k
T
Y
__
=
13 13
08 , 499 . 1 13 , 317 . 1
+
+
= ~
26
21 , 816 . 2
108,32
(

|
.
|

\
|
+ + + +
+
=
r
sduo QM
v Y Y Y Y Y Y
v g
s g
Re
) ( ... ) ( ) (
1
2 2
2
2
1
2
0
( ) ( ) ( )
(

|
.
|

\
|
+ + + +
+
=
4
271 , 91
75 32 , 108 67 , 125 ... 32 , 108 45 , 92 32 , 108 56 , 90
75 26
1
2 2 2
= ( ) ( ) ( ) ( ) | | 81775 , 22 75 35 , 17 ... 87 , 15 76 , 17
101
1
2 2 2
+ + + +
186
= ( ) 33125 , 711 . 1 0225 , 301 ... 8569 , 251 4176 , 315
101
1
+ + + +
=
101
40795 , 668 . 3
= 36,32087079
SK (5%)
2
0
0
) 2 ( 2 s x
B x

=
( ) 32087079 , 36 2 1416 , 3 2
3001 , 273 . 1 1416 , 3
x
x

=
( ) 32087079 , 36 1416 , 1 2
3001 , 273 . 1 1416 , 3
x
x
= ~
92781219 , 82
199594 , 000 . 4
48,23713
O valor de
2
2 1416 , 3
26
; 05 , 0
|
|
.
|

\
|

34,89. Como SK (5%) > 34,89, existe


diferena significativa entre os dois grupos de tratamentos no nvel de 5% de
probabilidade, ou seja, h uma probabilidade acima de 95% de que os
tratamentos dos dois grupos sejam diferentes de zero. Neste caso, os dois
grupos devem ser testados, separadamente, para novas possveis divises.
Logo, tem-se as somas de quadrados da partio 1 vs 2, 3, 4, 5, 6, 7, 8,
9, 10, 11, 12 e 13:
4 3
2
4 3
4
2
4
3
2
3
0
) (
k k
T T
k
T
k
T
B
+
+
+ =
( ) ( )

+ + +
+ =
12
67 , 107 ... 78 , 93 45 , 92
1
56 , 90
2 2
( )
12 1
67 , 107 ... 78 , 93 45 , 92 56 , 90
2
+
+ + + +
=
( ) ( ) ( )
13
13 , 317 . 1
12
57 , 226 . 1
1
56 , 90
2 2 2
+
=
13
437 , 831 . 734 . 1
12
965 , 473 . 504 . 1
1
1136 , 201 . 8
+
= 8.201,1136 + 125.372,8304 133.448,5721 = 125,3719
187

=
1
1
__
1
k
T
Y
=
13
13 , 317 . 1
~ 101,32
(

|
.
|

\
|
+ + + +
+
=
r
sduo QM
v Y Y Y Y Y Y
v g
s g
Re
) ( ... ) ( ) (
1
2
1
2
1
2
2
1
1
1
2
0 1
( ) ( ) ( )
(

|
.
|

\
|
+ + + +
+
=
4
271 , 91
75 32 , 101 67 , 107 ... 32 , 101 45 , 92 32 , 101 56 , 90
75 13
1
2 2 2
= ( ) ( ) ( ) ( ) | | 81775 , 22 75 35 , 6 ... 87 , 8 76 , 10
88
1
2 2 2
+ + + +
= ( ) 33125 , 711 . 1 3225 , 40 ... 6769 , 78 7776 , 115
88
1
+ + + +
=
88
51275 , 178 . 2
= 24,7558267
SK (5%)
2
0
0
) 2 ( 2 s x
B x

=
( ) 7558267 , 24 2 1416 , 3 2
3719 , 125 1416 , 3
x
x

=
( ) 7558267 , 24 1416 , 1 2
3719 , 125 1416 , 3
x
x
= ~
52250352 , 56
868361 , 393
6,96835
O valor de
2
2 1416 , 3
13
; 05 , 0
|
|
.
|

\
|

20,20. Como SK (5%) < 20,20, no existe


diferena significativa entre os dois grupos de tratamentos no nvel de 5% de
probabilidade, ou seja, com 95% de probabilidade os tratamentos dos dois
grupos no diferem de zero
Logo, tem-se as somas de quadrados da partio 14 vs 15, 16, 17, 18,
19, 20, 21, 22, 23, 24, 25 e 26:
188
6 5
2
6 5
6
2
6
2
5
0
) (
k k
T T
k
T
k
T
B
+
+
+ =
( ) ( )

+ + +
+ =
12
67 , 125 ... 06 , 111 72 , 110
1
17 , 110
2 2
( )
12 1
67 , 125 ... 06 , 111 72 , 110 17 , 110
2
+
+ + + +
=
( ) ( ) ( )
13
08 , 499 . 1
12
91 , 388 . 1
1
17 , 110
2 2 2
+
=
13
846 , 240 . 247 . 2
12
988 , 070 . 929 . 1
1
4289 , 137 . 12
+
= 12.137,4289 + 160.755,9157 172.864,6805 = 28,6641

=
2
2
__
2
k
T
Y
=
13
08 , 499 . 1
~ 115,31
(

|
.
|

\
|
+ + + +
+
=
r
sduo QM
v Y Y Y Y Y Y
v g
s g
Re
) ( ... ) ( ) (
1
2
2
2
2
15
2
2
14
2
2
0 2
( ) ( ) ( )
(

|
.
|

\
|
+ + + +
+
=
4
271 , 91
75 31 , 115 67 , 125 ... 31 , 115 72 , 110 31 , 115 17 , 110
75 13
1
2 2 2
= ( ) ( ) ( ) ( ) | | 81775 , 22 75 36 , 10 ... 59 , 4 14 , 5
88
1
2 2 2
+ + + +
= ( ) 33125 , 711 . 1 3296 , 107 ... 0681 , 21 4196 , 26
88
1
+ + + +
=
88
5949 , 216
= 2,461305682
189
SK (5%)
2
0
0
) 2 ( 2 s x
B x

=
( ) 461305682 , 2 2 1416 , 3 2
6641 , 28 1416 , 3
x
x

=
( ) 461305682 , 2 1416 , 1 2
6641 , 28 1416 , 3
x
x
= ~
619653133 , 5
05113656 , 90
16,02432
O valor de
2
2 1416 , 3
13
; 05 , 0
|
|
.
|

\
|

20,20. Como SK (5%) < 20,20, no existe


diferena significativa entre os dois grupos de tratamentos no nvel de 5% de
probabilidade, ou seja, com 95% de probabilidade os tratamentos dos dois
grupos no diferem de zero.
De acordo com os resultados do teste SK, pode-se concluir:
a) Os gentipos de cana-de-acar avaliados na Usina Caet,
localizada no Municpio de So 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 no diferem entre si e apresentaram os menores rendimentos
de TCH.
b) Os gentipos de cana-de-acar avaliados na Usina Caet,
localizada no Municpio de So 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 no diferem entre si, mas diferem dos gentipos do grupo 1, e
apresentaram os maiores rendimentos de TCH.
Verifica-se que o teste SK, conforme exemplo acima, difere dos
demais testes de comparao de mdias no s porque os grupos de
tratamentos so bem definidos e no apresentam a ambigidade dos mesmos,
mas porque compara as mdias dos grupos de tratamentos entre si e no
impede que alguns tratamentos de um grupo no defiram estatisticamente de
outros tratamentos do outro grupo quando for usado qualquer outro teste de
hiptese. Em funo disso, o referido teste mais adequado para a rea de
melhoramento gentico de plantas quando o fitomelhorista dispe de uma
quantidade enorme de gentipos e precisa agrup-los para fazer uma triagem.
190
5.10 Teste de Scheff
O teste de Scheff usado na anlise de varincia de uma forma mais
abrangente que os testes de Tukey e de Duncan, pois permite julgar qualquer
contraste, ou seja, pode ser usado tanto para contrastes simples (contrastes que
envolvem apenas duas mdias) como para contrastes mltiplos (contrastes que
envolvem mais de duas mdias). Nos casos em que se tm contrastes
mltiplos, o referido teste o mais indicado. No recomendado o seu uso
para comparar mdias duas a duas. Quanto ao rigor, ele mais rigoroso que o
teste de Tukey.
Este teste de comparao de mdias de tratamentos s deve ser usado
quando o teste F for significativo. Se o valor de F obtido no for significativo,
nenhum contraste poder s-lo, e, pois, a aplicao do teste de Scheff no se
justifica. Quando, porm, o valor de F for significativo, pelo menos um dos
contrastes s-lo-. Mas o contraste em questo pode ser muito complicado ou
sem interesse prtico. E pode ainda acontecer que nenhum dos contrastes entre
duas mdias seja significativo:
Sua frmula a seguinte:
)

( %) 5 ( ) 1 ( %) 5 (
2
Y s x F x t S =
onde:
t = nmero de tratamentos do experimento;
F = valor de F tabelado no nvel de 5% de probabilidade (TABELAS: A.3
para F > 1; A.5 para F < 1);
s
2
)

(Y = estimativa da varincia da estimativa de um contraste, cujo valor


obtido atravs de uma frmula, que depende do delineamento
estatstico utilizado (ver teste t).
No caso de querer-se usar o teste de Scheff no nvel 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( Y

) comparado com o valor de S. Logo,


tem-se:
> Y

S (5%) - * (existe diferena significativa entre os tratamentos no


nvel de 5% de probabilidade, ou seja, h uma probabilidade acima de 95% de
que o contraste seja diferente de zero);
< Y

S (5%) - ns (no existe diferena significativa entre os


tratamentos no nvel de 5% de probabilidade, ou seja, com 95% de
probabilidade o contraste no difere de zero).
Quando se aplica o teste de Scheff est-se testando as seguintes
hipteses:
191
a) H
0
: Y

= 0 (tratamentos semelhantes);
b) H
1
: Y

= 0 (tratamentos diferentes).
Considerando os dados do Exemplo 4, tem-se:
)

( %) 5 ( ) 1 (
2
1
Y s x F x t S =
= ( ) 0630 , 125 77 , 2 1 6 x x
= 0630 , 125 77 , 2 5 x x
= 12255 , 732 . 1 ~ 41,62
)

( %) 5 ( ) 1 (
2
2
Y s x F x t S =
= ( ) 0630 , 125 77 , 2 1 6 x x
= 0630 , 125 77 , 2 5 x x
= 12255 , 732 . 1 ~ 41,62
)

( %) 5 ( ) 1 (
2
3
Y s x F x t S =
= ( ) 6877 , 41 77 , 2 1 6 x x
= 6877 , 41 77 , 2 5 x x
= 374645 , 577 ~ 24,03
)

( %) 5 ( ) 1 (
2
4
Y s x F x t S =
= ( ) 0630 , 125 77 , 2 1 6 x x
= 0630 , 125 77 , 2 5 x x
= 12255 , 732 . 1 ~ 41,62
192
)

( %) 5 ( ) 1 (
2
5
Y s x F x t S =
= ( ) 6877 , 41 77 , 2 1 6 x x
= 6877 , 41 77 , 2 5 x x
= 374645 , 577 ~ 24,03
Y

1
= 36,19 ns
Y

2
= 12,17 ns
Y

3
= 0,85 ns
Y

4
= 29,93 ns
Y

5
= 0,65 ns
De acordo com os resultados obtidos, pode-se chegar s seguintes
concluses:
a) O contraste Y

1
no foi significativo no nvel de 5% de
probabilidade, ou seja, a mdia dos rendimentos de acar das variedades
Co 775, Co 740 e Co 678 no difere da mdia dos rendimentos de acar das
demais variedades.
b) O contraste Y

2
no foi significativo no nvel de 5% de
probabilidade, ou seja, o rendimento mdio de acar da variedade Co 421 no
difere da mdia dos rendimentos de acar das variedades Co 419 e Co 413.
c) O contraste Y

3
no foi significativo no nvel de 5% de
probabilidade, ou seja, as variedades Co 419 e Co 413 apresentam
rendimentos mdios de acar semelhantes.
d) O contraste Y

4
no foi significativo no nvel de 5% de
probabilidade, ou seja, a mdia dos rendimentos de acar das variedades
Co 775 e Co 740 no difere do rendimento mdio de acar da variedade
Co 678.
e) O contraste Y

5
no foi significativo no nvel de 5% de
probabilidade, ou seja, as variedades Co 775 e Co 740 apresentam
rendimentos mdios de acar semelhantes.
Observa-se o rigor do teste de Scheff neste exemplo, pois em
nenhum dos contrastes ele detectou diferena significativa entre os
tratamentos, enquanto que o teste t encontrou diferena significativa nos
193
contrastes Y

1
e Y

4
e o teste de Bonferroni encontrou diferena significativa
no contraste Y

1
.
5.11 Interpolao Linear e Harmnica
Muitas vezes quando se vai aplicar os testes de hipteses na avaliao
de tratamentos, no se dispem dos valores tabelados de F, t, q, z, etc..
Quando defrontar-se com tais situaes, faz-se necessrio a utilizao da
interpolao para obteno de tais valores.
Tem-se dois tipos de interpolao: interpolao linear e
interpolao harmnica.
A interpolao linear de aplicao mais simples que a harmnica,
porm menos precisa.
Exemplo 14: Calcular o valor de F no nvel de 1% de probabilidade,
para o caso de F > 1, atravs da interpolao linear, sendo n
1
= 5 graus de
liberdade de tratamentos e n
2
= 34 graus de liberdade do resduo.
A TABELA A.4 fornece o seguinte:
Para n
1
= 5 e n
2
= 30 .......3,70;
Para n
1
= 5 e n
2
= 40 .......3,51.
Como v-se, o valor n
1
= 5 existe na tabela, mas o valor n
2
= 34 no
consta na mesma. Ento, tem-se:
Para 30 graus de liberdade do resduo - 3,70;
Para 40 graus de liberdade do resduo - 3,51.
Logo, uma diferena de 10 graus de liberdade do resduo d uma
variao de 0,19. Ento, arma-se a seguinte regra de trs:
10 -------------- 0,19
4 -------------- X
logo:
X =
10
19 , 0 4 x
=
10
76 , 0
= 0,076
donde se deduz que o limite buscado 3,70 0,076 = 3,624.
A interpolao harmnica, por ser mais precisa, a mais indicada e,
em alguns casos, a nica que pode ser utilizada quando o valor procurado
no consta na tabela e estiver abaixo de infinitos graus de liberdade. Neste tipo
de interpolao, usa-se a recproca do nmero de graus de liberdade para
armar a regra de trs.
194
Exemplo 15: Calcular o valor de t no nvel de 5% de probabilidade
atravs da interpolao harmnica correspondente a 48 graus de liberdade do
resduo.
A TABELA A.7 fornece o seguinte:
Para 40 graus de liberdade do resduo - 2,02;
Para 60 graus de liberdade do resduo - 2,00.
Logo, uma diferena de 20 graus de liberdade do resduo d uma
variao de 0,02.
Arma-se, ento, a seguinte regra de trs:
120
1
60
1
40
1
= - 0,02
240
1
48
1
40
1
= - X
logo:
X
( )
120
1
02 , 0
240
1
=
=
0083333 , 0
) 02 , 0 ( 0041667 , 0
= ~
0083333 , 0
0000833 , 0
0,01
donde resulta que o limite buscado 2,02 0,01 = 2,01.
Exemplo 16: Calcular o valor de q no nvel de 5% de probabilidade
atravs da interpolao harmnica, sendo n = 10 tratamentos e n = 130 graus
de liberdade do resduo.
A TABELA A.10 fornece o seguinte:
Para n = 10 e n = 120 .......4,56;
Para n = 10 e n = ..........4,47.
Como v-se, o valor n = 10 existe na tabela, mas o valor n = 130 no
consta na mesma. Ento, tem-se:
Para 120 graus de liberdade do resduo - 4,56;
Para graus de liberdade do resduo - 4,47.
Logo, uma diferena de infinitos graus de liberdade do resduo d uma
variao de 0,09. Ento, arma-se a seguinte regra de trs:
195
120
1 1
120
1
=

- 0,09

560 . 1
1
130
1
120
1
= - X
logo:
X
( )
120
1
09 , 0
560 . 1
1
=
=
0083333 , 0
) 09 , 0 ( 000641 , 0
= ~
0083333 , 0
00005769 , 0
0,007
donde resulta que o limite buscado 4,56 0,007 = 4,553.
5.12 Exerccios
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 nvel de 5% de probabilidade na
comparao de mdias de cerosidade foliar dentro de tempo;
a.3) Aplique tambm o teste LSD no nvel de 5% de probabilidade na
comparao de mdias de cerosidade foliar dentro de tempo;
a.4) Compare os resultados obtidos pelos testes de Tukey e LSD e tire
as devidas concluses.
196
TABELA 5.11 PERODO DE REPOSIO DE CEROSIDADE FOLIAR EM CEBOLA
(Allium cepa L.), EXPRESSO ATRAVS DE UMA ESCALA DE
NOTAS VARIANDO DE 0 (AUSNCIA DE INJRIAS FOLIARES)
AT 5 (90 100% DE QUEIMA DAS FOLHAS), E VALORES DE GL
RESDUO, QM CEROSIDADE FOLIAR E QM RESDUO
Tempo (em dias)
Cerosidade Foliar
Mantida Removida

0
1
2
3
5
7
9
1,8 (x)
1,4
1,5
1,6
1,5
1,6
1,8
4,7
2,7
2,6
2,2
1,8
1,8
1,8
GL Resduo

126
QM Cerosidade Foliar
33,12595
QM Resduo
0,08333
FONTE: FERREIRA (1983).
NOTA: (x) Dados mdios provenientes de 12 repeties 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 nvel de 5% de probabilidade na
comparao de mdias de cultivares de milho;
b.3) Aplique tambm o teste de Duncan no nvel de 5% de
probabilidade na comparao de mdias de cultivares de milho;
b.4) Aplique ainda o teste SNK no nvel de 5% de probabilidade na
comparao de mdias de cultivares de milho;
b.5) Compare os resultados obtidos pelos testes de Tukey, de Duncan
e SNK e tire as devidas concluses.
b.6) Organize um grupo de contrastes ortogonais, aplique o teste t
no nvel de 5% de probabilidade e tire as devidas concluses.
b.7) Aplique o teste de Scheff no nvel de 5% de probabilidade nos
contrastes do item anterior e tire as devidas concluses.
b.8) Considere a cultivar H 7974 como testemunha, aplique o teste
de Dunnett no nvel de 5% de probabilidade e tire as devidas concluses.
197
TABELA 5.12 PESOS DE ESPIGAS COMERCIALIZVEIS DE CULTIVARES DE
MILHO (Zea maysL.) EM ESTADO VERDE, E VALORES DE GL
RESDUO, QM CULTIVARES E QM RESDUO
Cultivares Peso de Espigas Comercializveis (kg/ha)
Ag IGE
Ag IMS
ESALQ O 2 SACARINO
ESALQ VD-2
ESALQ VD-2 SACARINO
ESALQ VF-1
ESALQ VF-1 SACARINO
H 7974

9.293,4 (x)
10.600,4
9.574,0
8.288,0
8.426,0
8.596,3
8.223,2
7.273,3
GL Resduo 35
QM Cultivares

6.162.019,6
QM Resduo

1.366.317,9
FONTE: SILVA (1982).
NOTA: (x) Dados mdios provenientes de seis repeties no delineamento em blocos
casualizados.
c) Em um experimento inteiramente casualizado com 45 tratamentos e
45 graus de liberdade do resduo, pede-se para calcular os valores de F, t e q
no nvel de 5% de probabilidade.
d) Considerando-se os dados da TABELA 5.13, pede-se:
d.1) Aplique o teste de Tukey no nvel de 5% de probabilidade na
comparao de mdias de cultivares de cebola;
d.2) Aplique tambm o teste de Dunnett no nvel de 5% de
probabilidade na comparao de mdias de cultivares de cebola com o
controle e tire as devidas concluses.
d.3) Aplique ainda o teste t no nvel de 5% de probabilidade na
comparao de mdias de cultivares de cebola com o controle e tire as devidas
concluses.
d.4) Compare os resultados obtidos pelos testes de Dunnett e t e tire as
devidas concluses.
198
TABELA 5.13 COMPORTAMENTO DE CULTIVARES DE CEBOLA (Allium cepa L.)
EM RELAO DORMNCIA DE BULBO, EXPRESSO PELO
CARTER BROTAMENTO, AVALIADO COM BULBINHOS TENDO
A PARTE BASAL IMERSA EM GUA. PIRACICABA-SP
Cultivares Carter Brotamento (em dias) 1/
1. BARREIRO SMP-IV (Controle)
2. PIRA COUTO
3. PIRA DURA A/C
4. PIRA GRANA
5. PIRA LOPES A/C
6. PIRANA A/C
7. PIRANA ROXA
8. PIRA OURO A/C
9. PIRA ROSA A/C
10. ROXA BARREIRO
42,0
49,1
40,1
27,7
45,2
52,4
71,2
59,9
62,1
51,4
C.V. (%)

7,93
GL Resduo 40,00
FONTE: Adaptado de FERREIRA e COSTA (1984).
NOTA: (1/) Dados mdios provenientes de trs repeties no delineamento inteiramente
casualizado.
e) Considerando-se os dados da TABELA 5.14, aplique o teste de
Dunnett no nvel de 5% de probabilidade na comparao de mdias de
tratamentos com a testemunha dentro de cada cultivar de tomate e tire as
devidas concluses.
199
TABELA 5.14 REAO DE CULTIVARES DE TOMATE (Lycopersicum esculentum
Mill.) A HERBICIDAS DE PS-EMERGNCIA EM DIVERSOS
ESTDIOS DE DESENVOLVIMENTO, EXPRESSA ATRAVS DE
UMA ESCALA DE NOTAS VARIANDO DO 0 (AUSNCIA DE
MANCHAS) AT 5 (QUEIMA TOTAL DAS FOLHAS E DO CAULE,
CAUSANDO A MORTE RPIDA DA PLANTA), E VALORES DE GL
RESDUO, QM RESDUO E F
Tratamentos 1/
Cultivares de Tomate
MARGLOBE SANTA CRUZ
GIGANTE KADA
NACIONAL
IPA-3
1 Testemunha
2 Herbicida 1 no Estdio 1
3 Herbicida 1 no Estdio 2
4 Herbicida 2 no Estdio 1
5 Herbicida 2 no Estdio 2
1,47 2/
5,00
5,00
5,00
4,80
0,00
5,00
4,93
4,86
3,73

0,37
5,00
5,00
4,71
4,83
GL Resduo

41
QM Resduo

0,020629
F

20,24 **
FONTE: Adaptado de SILVA e FERREIRA (1985).
NOTAS: (1/) Herbicida 1 (ROUNDAP 2 litros/ha em 100 litros de gua); Herbicida 2
(CENTION 80 2 kg/ha em 500 litros de gua); Estdio 1 (61 dias aps a
semeadura); Estdio 2 (72 dias aps a semeadura).
(2/) Dados mdios provenientes de duas repeties no delineamento em blocos
casualizados.
f) Considerando os dados da TABELA 5.15, aplique o teste SK no
nvel de 5% de probabilidade na comparao de mdias de tratamentos e tire
as devidas concluses.
200
TABELA 5.15 DADOS MDIOS DE TPH (TONELADAS DE POL POR HECTARE)
DE 26 GENTIPOS DE CANA-DE-ACAR AVALIADOS NA
USINA CAET, NO MUNICPIO DE SO MIGUEL DOS CAMPOS,
NO ANO DE 1999
Gentipos TCH (+) Gentipos TCH
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 Resduo 75
QM Resduo 2,6096
F 2,43 *
FONTE: SILVA (2004).
NOTAS: (+) Dados mdios provenientes de quatro repeties no delineamento em blocos
casualizados.
(*) Significativo no nvel de 5% de probabilidade.
201

6
DELINEAMENTO INTEIRAMENTE
CASUALIZADO
O delineamento inteiramente casualizado o mais simples de todos os
delineamentos experimentais. considerado o delineamento estatstico bsico,
sendo os demais modificaes deste. Os experimentos instalados de acordo
com este delineamento so denominados de experimentos inteiramente
casualizados.
Os experimentos inteiramente casualizados so aqueles que levam em
conta somente os princpios da repetio e da casualizao, no tendo,
portanto, o princpio do controle local. Desse modo, os tratamentos so
localizados nas parcelas de uma maneira totalmente aleatria. Pelo fato de no
apresentarem o princpio do controle local, exige-se que o ambiente, onde os
experimentos sero conduzidos, seja o mais uniforme possvel. por isso que
eles no so recomendados na experimentao de campo, e sim nos ensaios
conduzidos em laboratrio, casa-de-vegetao, viveiro, ripado, estbulo, etc.,
desde que as condies experimentais possam ser perfeitamente controladas.
Este delineamento experimental apresenta certas vantagens
importantes em relao aos demais, tais como:
a) Qualquer nmero de tratamentos ou de repeties pode ser
usado - Ele bastante flexvel, pois depende apenas do nmero de parcelas
disponveis. O mesmo no ocorre com os outros delineamentos, por exemplo,
no delineamento em quadrados latino, o nmero de tratamentos tem que ser
igual ao nmero de repeties; no delineamento em blocos casualizados o
nmero de tratamentos e/ou de repeties no pode ser muito elevado, pois
dificultar o controle local, principalmente na experimentao de campo.
b) O nmero de repeties pode variar de um tratamento para o
outro - O ideal que os tratamentos apresentem o mesmo nmero de
repeties. Entretanto, a morte de animais ou plantas, ou outras causas que
levem perda de parcelas, podem reduzir o nmero de repeties de alguns
dos tratamentos. Isso, porm, nenhuma dificuldade trar na anlise de
varincia de um experimento inteiramente casualisado, o que no acontece
com os outros delineamentos.
202
c) A anlise estatstica a mais simples - Os clculos efetuados so
menores, mesmo quando os tratamentos apresentam nmero de repeties
diferentes. O mesmo no acontece com os outros delineamentos,
principalmente quando ocorrem parcelas perdidas, que exigem o uso de
frmulas e/ou mtodos especiais para estim-las, a fim de se poder efetuar a
anlise de varincia.
d) O nmero de graus de liberdade para o resduo o maior
possvel - A estimativa da varincia do erro experimental (s
e
2
), que utilizada
no clculo do coeficiente de variao e dos testes de hipteses, calculada
dividindo-se a soma de quadrados do resduo pelo nmero de graus de
liberdade do resduo. Portanto, quanto maior o nmero de graus de liberdade
do resduo, menor ser s
e
2
, o que proporcionar uma maior preciso do
experimento, alm de tornar os testes de hipteses mais sensveis para detectar
diferena significativa entre os tratamentos avaliados.
Apesar das vantagens acima citadas, o delineamento inteiramente
casualizado apresenta as seguintes desvantagens:
a) Exige homogeneidade total das condies experimentais -
Quando o experimento conduzido no laboratrio, casa-de-vegetao, etc.,
onde as condies sejam mais uniformes, no h problema em se utilizar este
delineamento experimental. Tambm 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 so
constantemente mudados de posio, de forma inteiramente casual. Entretanto,
pode acontecer como no caso de ensaios com animais, estes, embora
homogneos, podem esta em baias com diferenas importantes de iluminao,
exposio ao calor ou aos ventos frios, etc.. Nestas situaes, se no se
dispuser de informaes prvias a respeito da homogeneidade das condies
experimentais, deve-se utilizar o delineamento em blocos casualizados, que
ser de grande valor se revelar heterogeneidade entre os blocos e, em nada
prejudicar as concluses do experimento, se no detectar diferena alguma.
b) Conduz a estimativas elevadas do erro experimental - Levando-
se em conta a no utilizao do princpio do controle local, todas as variaes
entre as unidades experimentais, exceto as devidas a tratamentos (variao
premeditada), so consideradas como variaes acidentais. Os outros
delineamentos experimentais, pelo fato de se ter o princpio do controle local,
conduzem a estimativas menos elevadas do erro experimental, pois conseguem
isolar do resduo as variaes resultantes da heterogeneidade das condies
experimentais (variao externa).
6.1 Instalao do Experimento
A instalao do experimento constitui o incio da parte prtica do
mesmo. Desse modo, o pesquisador deve seguir risca o que consta no croqui
203
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 repeties, que d um total de 20 parcelas (que o nmero mnimo de
parcelas exigindo por ensaio). Ento, tem-se:
A
I
A
III
D
II
B
I
D
IV
B
II
B
IV
A
IV
B
V
C
IV
C
II
D
I
A
V
C
I
C
V
D
V
C
III
D
III
B
III
A
II
Observa-se que todos os tratamentos com suas respectivas repeties
foram distribudos aleatoriamente nas parcelas.
Na instalao do experimento o pesquisador deve seguir as seguintes
etapas:
a) Definir o local onde o experimento ser conduzido, que neste caso
seria, por exemplo, o laboratrio, a casa-de-vegetao, o estbulo, a pocilga, o
galpo, etc.;
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
ser 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 Anlise da Varincia
Considerando o exemplo anterior, ou seja, um experimento com
quatro tratamentos (A, B, C, D) e cinco repeties, ento se tem o seguinte
quadro auxiliar da anlise da varincia:
204
Quadro Auxiliar da ANAVA
Tratamentos

Repeties Totais de
Tratamentos
I II
III
IV V
A X
AI
X
AII
X
AIII
X
AIV
X
AV
T
A
B X
BI
X
BII
X
BIII
X
BIV
X
BV
T
B
C X
CI
X
CII
X
CIII
X
CIV
X
CV
T
C
D X
DI
X
DII
X
DIII
X
DIV
X
DV
T
D
O esquema da anlise da varincia dado por:
Quadro da ANAVA
Causa de Variao GL SQ QM F
Tratamentos t 1 SQ Tratamentos QM Tratamentos
sduo QM
s Tratamento QM
Re
Resduo t (r 1) SQ Resduo QM Resduo
Total
t x r 1
SQ Total
onde:
GL = nmero de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado mdio;
F = valor calculado do teste F;
t = nmero de tratamento;
r = nmero de repeties do experimento;
SQ Total =
( )
N
X
X
2
2

onde:
X = valor de cada observao;
N = nmero de observaes, que corresponde ao nmero de tratamentos (t)
multiplicado pelo nmero de repeties do experimento (r);
205
SQ Tratamentos =
( )
N
X

T
2 2
r
onde:
T = total de cada tratamento;
SQ Resduo = SQ Total SQ Tratamentos
QM Tratamentos =
s Tratamento GL
s Tratamento SQ
QM Resduo =
sduo GL
sduo SQ
Re
Re
O QM Resduo corresponde a estimativa da varincia do erro
experimental (s
e
2
), cujo valor utilizado nos testes de hipteses, objetivando
verificar se existe ou no diferena significativa entre os tratamentos
avaliados.
6.3 Exemplo sem Parcela Perdida
A fim de apresentar-se a anlise da varincia e a interpretao dos
resultados neste tipo de delineamento, ser discutido, a seguir, um exemplo
sem parcela perdida.
Exemplo 1: A partir dos dados da TABELA 6.1, pede-se:
a) Fazer a anlise da varincia;
b) Obter o coeficiente de variao;
c) Aplicar, se necessrio, o teste de Tukey, no nvel de 5% de
probabilidade, na comparao de mdias de tratamentos.
206
TABELA 6.1 ALTURA DE MUDAS DE Eucalyptus spp (EM METROS) COM UM
ANO DE IDADE EM FUNO DO USO DE CINCO TIPOS DE
RECIPIENTES
Tipos de Recipientes
Repeties Totais de
Tipos de
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 Torro Paulista 1,4 1,4 1,3 1,2 1,3 1,2
7,8
C Saco Plstico 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 Frtil 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).
Resoluo:
a) Anlise da Varincia:
= + + + = X 0 , 1 ... 4 , 1 5 , 1 37,8
= X
2
(1,5)
2
+ (1,4)
2
+ ...+ (1,0)
2
= 2,25 + 1,96 + ... + 1,0 = 49,46
t = 5
r = 6
N = t x r
= 5 x 6 = 30
GL Tratamentos = t 1
= 5 1 = 4
GL Resduo = t (r 1)
207
= 5 (6 1)
= 5 (5 ) = 25
GL Total = N 1
= 30 1 = 29
SQ Total =
( )
N
X
X
2
2
=
( )
30
8 , 37
46 , 49
2

= 49,46
30
84 , 428 . 1
= 49,46 47,628 = 1,832
SQ Tratamentos =
( )
N
X

T
2 2
r
=
30
) 8 , 37 (
6
) 2 , 7 ( ... ) 8 , 7 ( ) 9 , 9 (
2 2 2 2

+ + +
=
30
84 , 428 . 1
6
84 , 51 ... 84 , 60 01 , 98

+ + +
=
30
84 , 428 . 1
6
14 , 294

= 49,0233 47,628 = 1,3953


SQ Resduo = SQ Total SQ Tratamentos
= 1,832 1,3953 = 0,4367
208
QM Tratamentos =
s Tratamento GL
s Tratamento SQ
= =
4
3953 , 1
0,348825
QM Resduo =
sduo GL
sduo SQ
Re
Re
= =
25
4367 , 0
0,017468
F Calculado =
sduo QM
s Tratamento QM
Re
= ~
017468 , 0
348825 , 0
19,97
F Tabelado (1%) = 4,18
F Tabelado (5%) = 2,76
TABELA 6.2 - ANLISE DA VARINCIA DA ALTURA DE MUDAS DE Eucalyptus
spp (EM METROS) COM UM ANO DE IDADE EM FUNO DO USO
DE CINCO TIPOS DE RECIPIENTES
Causa de Variao GL SQ QM F
Tipos de Recipientes 4 1,3953 0,348825 19,97 **
Resduo 25 0,4367 0,017468
Total 29 1,8320
NOTA: (**) Significativo no nvel de 1% de probabilidade.
De acordo com o teste F, houve diferena significativa, no nvel de
1% de probabilidade, entre os tipos de recipientes quanto altura de mudas de
Eucalyptus spp com um ano de idade.
b) Coeficiente de Variao:
209
m =
( )
N
X

=
30
8 , 37
= 1,26
s = sduo QM Re
= 017468 , 0 = 0,1321665
CV =
m
s x

100
=
26 , 1
1321665 , 0 100 x
= ~
26 , 1
21665 , 13
10,49%
O coeficiente de variao foi 10,49%, indicando uma boa preciso
experimental.
c) Teste de Tukey:
m
A
= 1,650
m
B
= 1,300
m
C
~ 1,017
m
D
~ 1,133
m
E
= 1,200
( )
r
s
q = A % 5
=
6
1321665 , 0 1583 , 4 x
210
= ~
4494897 , 2
5495879 , 0
0,224
Pode-se estruturar uma tabela ilustrativa das comparaes entre as
mdias, conforme se verifica a seguir:
TABELA 6.3 - ALTURA DE MUDAS DE Eucalyptus spp (EM METROS) COM UM ANO
DE IDADE EM FUNO DO USO DE CINCO TIPOS DE RECIPIENTES
m
A
m
B
m
C
m
D
m
E
m
A
1,650 1/ 0,350 * 0,633 * 0,517 * 0,450 *
m
B
1,300 0,283 * 0,167 ns 0,100 ns
m
C
1,017 0,116 ns 0,183 ns
m
D
1,133 0,067 ns
m
E
1,200
NOTAS: (*) Significativo pelo teste de Tukey no nvel de 5% de probabilidade.
(ns) No significativo pelo teste de Tukey no nvel de 5% de probabilidade.
(1/) Mdias: m
A
= Laminado de Madeira; m
B
= Torro Paulista; m
C
= Saco Plstico;
m
D
= Tubo de Papel; m
E
= Frtil Pote.
De acordo com o teste de Tukey, no nvel 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 torro paulista difere estatisticamente do saco plstico e
proporcionou uma maior altura de mudas de Eucalyptus spp com um ano de
idade do que este, mas no difere estatisticamente dos tipos de recipientes tubo
de papel e frtil pote.
O saco plstico no difere estatisticamente do tubo de papel e do frtil
pote e proporcionou uma mesma altura de mudas de Eucalyptus spp com um
ano de idade.
O tubo de papel no difere estatisticamente do frtil pote e
proporcionou uma mesma altura de mudas de Eucalyptus spp com um ano de
idade.
Pode-se, tambm, apresentar os resultados das comparaes entre as
mdias pelo teste de Tukey, no nvel de 5% de probabilidade, atravs do uso
211
de letras, grficos, etc., sem alterar as concluses j obtidas anteriormente.
Ento, veja-se:
a) No caso do uso de letras, que um mtodo comumente usado por
ser mais prtico, procede-se da seguinte maneira:
a.1) Ordenam-se as mdias da menor para maior ou vice-versa, para
facilitar o trabalho das comparaes;
a.2) Coloca-se a primeira letra do alfabeto na primeira mdia e passa-
se a compar-la com as demais. Quando no houver diferena significativa
entre a primeira mdia e qualquer uma delas, coloca-se a mesma letra nessas
mdias, ou seja, a primeira letra do alfabeto. Quando houver diferena
significativa entre a primeira mdia e qualquer uma, troca-se de letra, ou seja,
coloca-se a segunda letra do alfabeto nessa mdia. Agora essa mdia ser
comparada com todas as outras, com exceo da primeira. Quando no houver
diferena significativa entre essa mdia e qualquer uma, coloca-se a segunda
letra do alfabeto e, em caso contrrio, muda-se de letra, ou seja, coloca-se a
terceira letra do alfabeto. Segue-se o mesmo critrio at efetuar todas as
comparaes.
Ento, tem-se:
TABELA 6.3 - ALTURA DE MUDAS DE Eucalyptus spp (EM METROS) COM UM ANO
DE IDADE EM FUNO DO USO DE CINCO TIPOS DE RECIPIENTES
Tipos de Recipientes Mdias (em metros) 1/
C Saco Plstico 1,017 a
D Tubo de Papel 1,133 ab
E Frtil Pote 1,200 ab
B Torro Paulista 1,300 b
A Laminado de Madeira 1,650 c
NOTA: (1/) As mdias seguidas de pelo menos uma mesma letra no diferem
estatisticamente entre si pelo teste de Tukey, no nvel de 5% de probabilidade.
Observa-se que este mtodo realmente prtico, simples, menos
trabalhoso e torna mais fcil a interpretao dos resultados.
b) No caso do uso de grficos, que um mtodo tambm usado por
ser prtico e visualizar melhor os resultados, tem-se:
212
FIGURA 6.1 - ALTURA DE MUDAS DE Eucalyptus spp (EM METROS) COM UM ANO
DE IDADE EM FUNO DO USO DE CINCO TIPOS DE RECIPIENTES
NOTAS: (1) Tipos de Recipientes: A Laminado de Madeira; B Torro Paulista; C Saco
de Plstico; D Tubo de Papel; E Frtil Pote.
(2) A linha vertical representa a diferena mnima significativa pelo teste de
Tukey, no nvel de 5% de probabilidade.
Nota-se que qualquer um dos mtodos, que venha a ser utilizado na
apresentao dos resultados das comparaes de mdias de tratamentos,
chega-se s mesmas concluses. A escolha fica por conta da convenincia do
pesquisador.
6.4 Exemplo com Parcelas Perdidas
J foi visto anteriormente que no delineamento inteiramente
casualizado, o nmero de repeties pode variar de um tratamento para outro.
Essa variao provocada intencionalmente pela falta de material ou de
unidades experimentais ou acidentalmente pela morte de animais ou plantas,
ou ento, obtiveram-se informaes (dados) das parcelas, mas o resultado no
fidedigno, sendo ento descartado.
No caso de perda de dados de uma ou mais parcelas, estas so
descartadas, o experimento redimensionado, e procede-se anlise de
varincia com os dados remanescentes sem qualquer dificuldade, uma vez que
ela feita da maneira usual, apenas levando-se em considerao o nmero de
observaes de cada tratamento. Contudo, algumas consideraes sero
necessrias:
213
a) Para cada parcela perdida, perde-se um grau de liberdade do
resduo ;
b) A frmula da SQ Tratamentos fica da seguinte maneira:
SQ Tratamentos =
( ) ( ) ( ) ( )
N
E

T
+ +
T
+
T
N
N
2 2
2
2
2
1
2
1
...
X
r r r
c) Na aplicao dos testes de hipteses, para comparao de mdias de
tratamentos, deve-se estar alerta para a determinao da estimativa da
varincia da estimativa de um contraste qualquer entre mdias, pois a mesma
depende de delineamento estatstico utilizado (ver teste "t");
d) A preciso do experimento , geralmente, diminuda, em funo da
diminuio do nmero de graus de liberdade do resduo;
e) Os testes de Tukey, de Duncan e SNK quando comparam contrastes
envolvendo as mdias de tratamentos com parcelas perdidas, so, como j foi
visto, apenas aproximados.
A seguir, apresentar-se- um exemplo com parcelas pedidas neste tipo
de delineamento, a fim de que se possa efetuar a anlise da varincia e
interpretar os resultados.
Exemplo 2: A partir dos dados da TABELA 6.4, pede-se:
a) Fazer a anlise da varincia;
b) Obter o coeficiente de variao;
c) Aplicar, se necessrio, o teste de Dunnett, no nvel de 5% de
probabilidade, na comparao de mdias de tratamentos com o controle.
214
TABELA 6.4 - PERODO DE BROTAMENTO DE CULTIVARES DE CEBOLA (Allium cepa L.),
AVALIADO COM BULBINHOS PLANTADOS EM SUBSTRATO DE MISTURA
DE SOLO COM AREIA. DADOS TRANSFORMADOS EM . dias de n
Cultivares

Repeties
Totais de
Cultivares
I II III IV
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
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).
215
Resoluo:
a) Anlise da Varincia:
X = 6,6558245 + 6,0745370 +...+ 6,2529993 = 457,50746
2
X = (6,6558245)
2
+ (6,0745370)
2
+...+ (6,2529993)
2
= 44,29999977 + 36,89999976 + ... + 39,10000025 = 2.785,5000
t = 20
r = 4
Nmero de Parcelas Perdidas = 4
N = (t x r) N de Parcelas Perdidas
= (20 x 4) 4
= 80 4 = 76
GL Total = N 1
= 76 1 = 75
GL Tratamentos = t 1
= 20 1 = 19
GL Resduo = t (r 1) N de Parcelas Perdidas
= 20 (4 1) 4
= 20 (3) 4
= 60 4 = 56
SQ Total =
( )
N
X
X
2
2
=
( )
76
50746 , 457
5000 , 785 . 2
2

216
= 2.785,5000
76
08 , 313 . 209
= 2.785,5000 2.754,1194 = 31,3806
SQ Tratamentos =
( ) ( ) ( ) ( )
N

TN
+ +
T
+
T
N
2 2
2
2
1
2
...
2 1 X
r r r
=
( ) ( )
4
018801 , 25
4
265428 , 23
2 2
+ + ... +
( ) ( )
76
50746 , 457
4
124402 , 25
2 2

=
76
076 , 313 . 209
4
2355759 , 631
...
4
9404035 , 625
4
28014 , 541
+ + +
= 135,320035 + 156,4851009 +...+ 157,808894 2.754,119421
= 2.767,5118 2.754,119421 = 13,3924
SQ Resduo = SQ Total SQ Tratamento
= 31,3806 13,3924 = 17,9882
QM Tratamentos =
s Tratamento GL
s Tratamento SQ
= =
19
3924 , 13
0,7048632
QM Resduo =
sduo GL
sduo SQ
Re
Re
=
56
9882 , 17
= 0,3212179
F Calculado =
sduo QM
s Tratamento QM
Re
= ~
3212179 , 0
7048632 , 0
2,19
F Tabelado (1%) = 2,264
217
F Tabelado (5%) = 1,783
TABELA 6.5 - ANLISE DA VARINCIA DO PERODO DE BROTAMENTO DE
CULTIVARES DE CEBOLA (Allium cepa L.), AVALIADO COM
BULBINHOS PLANTADOS EM SUBSTRATO DE MISTURA DE
SOLO COM AREIA. DADOS TRANSFORMADOS EM dias de n .
PIRACICABA- SP , 1984
Causa de Variao GL SQ QM F
Cultivares 19 13,3924 0,7048632 2,19 *
Resduo 56 17,9882 0,3212179
Total 75 31,3806
NOTA: (*) Significativo no nvel de 5% de probabilidade.
De acordo com o teste F, houve diferena significativa, no nvel de
5% de probabilidade, entre as cultivares de cebola quanto ao perodo de
brotamento.
b) Coeficiente de Variao:
( )
N
X
= m
=
76
50746 , 457
= 6,019835
sduo QM s Re =
= 3212179 , 0 = 0,56676
m
s x
CV

100
=
=
019835 , 6
56676 , 0 100 x
= ~
019835 , 6
676 , 56
9,41%
218
O coeficiente de variao foi 9,41%, indicando uma tima preciso
experimental.
c) Teste de Dunnett:
m
1
= 5,8163570 m
6
=5,9092693 m
11
= 6,039929 m
16
= 6,0573903
m
2
= 6,2547003 m
7
= 5,6282645 m
12
= 6,853623 m
17
= 5,7434870
m
3
= 6,2888258 m
8
= 5,3904757 m
13
= 5,.9694535 m
18
= 6,2731328
m
4
= 6,5162915 m
9
= 6,1652338 m
14
= 5,4283948 m
19
= 5,0456240
m
5
= 5,8123133 m
10
= 6,7673945 m
15
= 6,0027760 m
20
= 6,2811005
d(5%) = t
5%
x s ( ) Y

t
5 %
= 2,004
( )
2
2 1
1 1

s
r r
Y s
|
|
.
|

\
|
+ =
s
2
= QM Resduo
Como se tem um tratamento com duas repeties, dois tratamentos
com trs repeties e os demais com quatro repeties, inclusive o controle,
ento ter-se- trs valores de d(5%):
( ) 3212179 , 0 .
3
1
4
1

|
.
|

\
|
+ = Y s
= ( ) 3212179 , 0 33 , 0 25 , 0 +
= ( ) 3212179 , 0 58 , 0
= 186306382 , 0 = 0,43163
d (5%) = 2,004 x 0,43163 = 0,8650
O valor de d (5%) acima usado para comparar o controle com os
tratamentos que tm trs repeties.
219
s ( ) 3212179 , 0 .
2
1
4
1

|
.
|

\
|
+ = Y
= ( ) 3212179 , 0 50 , 0 25 , 0 +
= ( ) 3212179 , 0 75 , 0
= 240913425 , 0 = 0,49083
d (5%) = 2,004 x 0,49083 = 0,9836
Este valor de d (5%) usado para comparar o controle com o
tratamento que tm duas repeties.
s ( ) 3212179 , 0 .
4
1
4
1

|
.
|

\
|
+ = Y
= ( ) 3212179 , 0 25 , 0 25 , 0 +
= ( ) 3212179 , 0 50 , 0
= 16060895 , 0 = 0,40076
d (5 %) = 2,004 x 0,40076 = 0,8031
Este valor de d (5%) usado para comparar o controle com os
tratamentos que tm quatro repeties.
Na apresentao dos resultados (mdias), substituem-se os valores
transformados pelos dados originais. Contudo, a comparao entre o controle e
os demais tratamentos, atravs do teste d (5%), deve ser feita usando os
valores transformados.
220
TABELA 6.6 - PERODO 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 Mdia
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
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) No significativo pelo teste LSD no nvel de 5% de probabilidade em relao
ao controle.
(*) Significativo pelo teste LSD no nvel de 5% de probabilidade em relao ao controle.
221
De acordo com o teste LSD, no nvel 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 perodo de brotamento superior ao mesmo.
As demais cultivares de cebola apresentaram um perodo de
brotamento semelhante ao controle BARREIRO SMP-IV.
A cultivar PIRA TROPICAL A/R, apesar de no diferir
estatisticamente do controle BARREIRO SMP-IV, apresentou o menor
perodo de brotamento.
6.6 Exerccios
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 anlise da varincia;
a.1.2) Obter o coeficiente de variao;
a.1.3) Aplicar, se necessrio, o teste de Dunnett no nvel de 5% de
probabilidade na comparao de mdias de cultivares em relao ao controle;
a.2) Repetir os clculos do item (1) para os dados transformados em
x .
a.3) Comparar os resultados obtidos em (1) e (2).
222
TABELA 6.7 - PERODO 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
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. TUBARO 19,2 13,2 32,4
25. WHITE CREOLE 26,0 18,4 44,4
FONTE: FERREIRA (1982).
223
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 anlise da varincia;
b.2) Obter o coeficiente de variao;
b.3) Aplicar, se necessrio, o teste de Tukey no nvel de 5% de
probabilidade na comparao de mdias de tratamentos;
b.4) Aplicar o teste de Duncan no nvel de 5% de probabilidade na
comparao de mdias 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 nvel de 5% de probabilidade.
TABELA 6.8 - NOTAS (MDIAS DE SEIS FRUTOS) ATRIBUDAS PODRIDO
MOLE DE FRUTO DE MANGA (Mangifera indica L.) SOB
DIFERENTES TRATAMENTOS TRMICOS
Tratamentos I II III IV Totais de Tratamentos
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
FONTE: BARBIN (1982).
c) Num experimento inteiramente casualizado foi estudado o efeito de
micorrzas vesculo-arbusculares na murcha de Verticillium em berinjela
(Solanum melongena L.). O experimento teve cinco tratamentos (quatro
espcies de fungos microrrzicos e o controle) e trs repeties. Pede-se:
c.1) Completar os dados da anlise da varincia referente
TABELA 6.9, verificar se os valores de F calculado so significativos e tirar
as devidas concluses;
c.2) Aplicar, se necessrio, o teste de Tukey no nvel de 5% de
probabilidade na comparao de mdias de tratamentos. As mdias dos
224
tratamentos foram: Peso Fresco da Parte Area: 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 ANLISES DA VARINCIA E COEFICIENTES DE VARIAO DO
EFEITO DE micorrizas vesculo-arbusculares NA MURCHA DE
Verticillium EM BERINJELA (Solanum melongena L.). PIRACICABA-SP
Causa de
Variao
Peso Fresco da Parte Area Altura da Planta
GL SQ QM F GL SQ QM F
Tratamentos
Resduo 0,6792 0,4008
Total 143,068 125,816
Coeficiente de
Variao (%)
Mdia 8,673 5,197
FONTE: MELO (1984).
225
7
DELINEAMENTO EM BLOCOS
CASUALIZADOS
O delineamento em blocos casualizados, tambm denominado de
delineamento em blocos completos casualizados, se constitui no delineamento
estatstico mais utilizado na pesquisa agropecuria devido a sua simplicidade,
flexibilidade e alta preciso. Os experimentos instalados de acordo com este
delineamento so denominados experimentos em blocos casualisados.
Os experimentos em blocos casualizados levam em considerao os
trs princpios bsicos da experimentao: repetio, casualizao e controle
local. Contudo, o controle local usado na sua forma mais simples possvel e
aqui representado pelos blocos, cada um dos quais inclui todos os
tratamentos. Dentro de cada bloco os tratamentos so atribudos s parcelas
aleatoriamente. Para que o experimento seja eficiente, cada bloco dever ser o
mais uniforme possvel, porm os blocos podero diferir bastante uns dos
outros. Por exemplo, se h interesse em estudar a adubao dos arrozais no
Vale do So Francisco escolhe-se para cada bloco um terreno bem uniforme,
mas pode-se espalhar os blocos por toda a regio, obtendo-se, assim,
concluses vlidas para toda a rea cultivada, e no apenas para um
determinado local.
Nos experimentos zootcnicos, cada bloco ser constitudo de animais
de caractersticas semelhantes. Por exemplo, se se tem interesse em estudar
raes para galinhas poedeiras, colocam-se no mesmo bloco animais da
mesma raa, da mesma idade, da mesma poca de postura e de produo de
ovos semelhantes. E para ter-se concluses gerais podem-se colocar num
bloco as melhores galinhas, noutro as piores e noutros galinhas de produo de
ovos intermediria.
Quando se tem dvida sobre a homogeneidade do ambiente onde o
experimento ser conduzido ou se tem certeza de sua heterogeneidade, deve-se
utilizar o delineamento em blocos casualizados que, nestas condies, mais
eficiente do que o delineamento inteiramente casualizado. Localizam-se as
reas que possivelmente so homogneas e, em cada uma, coloca-se um ou
mais blocos. Cada bloco, como se sabe, deve ser bem homogneo (oferecer as
mesmas condies a todos os tratamentos) e conter os tratamentos uma nica
226
vez, que , praticamente, a forma mais utilizada. Por outro lado, h casos
raros, em que cada bloco, inclui todos os tratamentos duas ou mais vezes.
Quando se utiliza o delineamento em blocos casualizados a nvel de
campo, recomendvel que as parcelas tenham uma forma alongada, para que
cada bloco seja o mais quadrado possvel. Contudo, muitas vezes os blocos
so instalados de forma retangular ou irregular, para que possam apresentar
homogeneidade nas parcelas. Assim, dependendo da uniformidade da rea
experimental, num experimento com quatro tratamentos, por exemplo, podem-
se ter as seguintes formas para os blocos:
A C B D A C A C B
B D D
Quanto distribuio dos blocos no campo, eles podem ficar juntos ou
ser espalhados por toda a rea em estudo. Porm, eles so, geralmente,
colocados uns prximos aos outros, visando com isto uma maior facilidade
nos trabalhos de campo, durante a execuo do experimento.
O delineamento em blocos casualizados apresenta certas vantagens em
relao aos outros delineamentos, tais como:
a) A perda total de um ou mais blocos ou de um ou mais
tratamentos em nada dificulta a anlise estatstica Se, por exemplo, fosse
considerado um experimento com oito tratamentos e quatro repeties
(blocos) e fosse perdido um dos blocos, restariam os outros trs, tendo-se,
agora, um experimento em blocos casualizados com oito tratamentos e trs
repeties. 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 repeties. Por outro lado,
quando isso ocorre no delineamento em quadrado latino, a anlise de varincia
relativamente difcil.
b) Conduz a estimativas menos elevada do erro experimental
Pelo fato de se ter o princpio 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 resduo
as variaes resultantes da heterogeneidade das condies experimentais. O
227
mesmo no acontece com o delineamento inteiramente casualizado, pois todas
as variaes entre as parcelas, exceto as devidas a tratamentos, ficam
embutidas no resduo.
c) A anlise estatstica relativamente simples Os clculos
efetuados so menores do que o delineamento em quadrado latino, tendo em
vista que no experimento em quadrado latino existe mais uma causa de
variao que deve ser isolada do resduo, tornando a anlise estatstica um
pouco mais demorada.
d) Permite, dentro de certos limites, utilizar qualquer nmero de
tratamentos, e de blocos Ele apresenta certa flexibilidade quanto ao
nmero de tratamentos ou/e blocos (repeties). Por exemplo, num
experimento com dez tratamentos devem-se ter, no mnimo, duas repeties a
fim de atender-se exigncia de que qualquer experimento deve ter, no
mnimo, 20 parcelas, o que perfeitamente vivel. J no delineamento em
quadrado latino isso no ocorre, porque o mesmo exige que o nmero de
tratamentos deva ser igual ao nmero de repeties, o que, no exemplo
apresentado, inviabilizaria praticamente o experimento.
e) Controla a heterogeneidade do ambiente onde o experimento
ser conduzido Pelo fato de se ter o princpio do controle local, consegue
controlar as variaes do ambiente onde o experimento ser conduzido atravs
do uso de blocos. O mesmo no acontece com o delineamento inteiramente
casualizado porque no tem o princpio do controle local.
f) Apresenta um nmero razovel de graus de liberdade para o
resduo Ele se encontra numa faixa intermediria entre o delineamento
inteiramente casualizado, que apresenta um maior nmero de grau de
liberdade para o resduo, e o delineamento em quadrado latino, que apresenta
um menor nmero de graus de liberdade para o resduo. Sabe-se que quanto
maior o nmero de graus de liberdade para o resduo, maior sensibilidade ter
os testes de hipteses para detectar diferena significativa entre os tratamentos
avaliados, alm de proporcionar maior preciso experimental. Portanto, o
delineamento em blocos casualizados apresenta essa vantagem em relao ao
delineamento em quadrado latino.
Apesar das vantagens acima citadas, o delineamento em blocos
casualizados apresenta as seguintes desvantagens em relao aos outros
delineamentos:
a) Exige que o quadro auxiliar da anlise da varincia esteja
completo para poder efetuar a anlise estatstica No delineamento em
blocos casualizados, quando ocorrem parcelas perdidas, necessrio o uso de
frmulas e/ou mtodos especiais para estim-las, a fim de poder efetuar a
anlise de varincia. Muitas vezes, quando o nmero de parcelas perdidas
muito alto, h necessidade de se repetir o experimento. Isso, porm, no
acontece com o delineamento inteiramente casualizado, onde permite que os
228
tratamentos tenham nmero de repeties diferentes e a anlise de varincia
pode ser efetuada do mesmo modo sem parcela perdida.
b) O princpio do controle local usado com pouca preciso Ele
beneficia determinados tratamentos, porque os mesmos aparecem nas
extremidades com maior freqncia que os outros, tendo em vista que o
controle local neste delineamento estatstico feito apenas na horizontal (nas
linhas). O mesmo no acontece no delineamento em quadrado latino, j que o
controle local efetuado tanto na horizontal (linhas) como na vertical
(colunas), fazendo com que cada tratamento s aparea uma nica vez em
cada linha e em cada coluna.
c) H uma reduo do nmero de graus de liberdade para o
resduo, pela utilizao do principio do controle local Quando existe
homogeneidade das condies experimentais, um desperdcio utilizar o
delineamento em blocos casualizados, pelo fato de reduzir o nmero de graus
de liberdade para o resduo e, em conseqncia, diminuir a preciso
experimental, alm dos testes de hipteses ficarem menos sensveis para
detectar diferena significativa entre os tratamentos avaliados. Nestas
condies, prefervel usar o delineamento inteiramente casualizado que tem
um maior nmero de graus de liberdade associado ao resduo.
7.1 Instalao do Experimento
Como a instalao do experimento constitui o incio da parte prtica
do mesmo, deve-se, ento, seguir 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 repeties. Ento, tem-se:
A C D B E C E A B D E A C D B D A E B C
BLOCO I BLOCO II BLOCO III BLOCO IV
Observa-se que em cada bloco os tratamentos foram distribudos
aleatoriamente nas parcelas. Tambm, observa-se que os mesmos s aparecem
uma nica vez por bloco.
Na instalao do experimento em blocos casualizados o pesquisador
deve seguir as etapas j discutidas no experimento inteiramente casualizado.
229
7.2 Esquema da Anlise da Varincia
Considerando o exemplo anterior, ou seja, um experimento com cinco
tratamentos (A,B,C,D,E) e quatro repeties, ento tem-se o seguinte quadro
auxiliar da anlise da varincia:
Quadro Auxiliar da ANAVA
Tratamentos
Blocos
Totais de Tratamentos
I II III IV
A X
AI
X
AII
X
AIII
X
AIV
T
A
B X
BI
X
BII
X
BIII
X
BIV
T
B
C X
CI
X
CII
X
CIII
X
CIV
T
C
D X
DI
X
DII
X
DIII
X
DIV
T
D
E X
EI
X
EII
X
EIII
X
EIV
T
E
Totais de Blocos B
I
B
II
B
III
B
IV
O esquema da anlise da varincia dado por:
Quadro da ANAVA
Causa de
Variao
GL SQ QM F
Tratamentos t 1 SQ Tratamentos QM Tratamentos
sduo QM
s Tratamento QM
Re
Blocos r 1 SQ Blocos QM Blocos
sduo QM
Blo QM
Re
cos
Resduo (t 1) (r 1) SQ Resduo QM Resduo
Total t x r 1 SQ Total
onde:
230
GL = nmero de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado mdio;
F = valor calculado do teste F;
t = nmero de tratamento;
r = nmero de repeties do experimento;
SQ Total =
( )
N
X
X
2
2

onde:
X = valor de cada observao;
N = nmero de observaes, que corresponde ao nmero de tratamento (t)
multiplicado pelo nmero de repeties do experimento (r);
SQ Tratamentos =
( )
N
X

T
2 2
r
onde:
T = total de cada tratamento;
SQ Blocos =
( )
N
X

B
2 2
t

onde:
B = total de cada bloco;
SQ Resduo = SQ Total (SQ Tratamentos + SQ Blocos)
QM Tratamentos =
s Tratamento GL
s Tratamento SQ
QM Blocos =
cos
cos
Blo GL
Blo SQ
QM Resduo =
sduo GL
sduo SQ
Re
Re
O QM Resduo corresponde estimativa da varincia do erro
experimental (s
2
e
), cujo valor utilizado nos testes de hipteses, objetivando
verificar se existe ou no diferena significativa entre os tratamentos
avaliados.
231
7.3 Exemplo sem Parcela Perdida
A fim de apresentar-se a anlise da varincia e a interpretao dos
resultados neste tipo de delineamento, ser discutido, a seguir, um exemplo
sem parcela perdida.
Exemplo 1: A partir dos dados da TABELA 7.1, pede-se:
a) Fazer a anlise da varincia;
b) Obter o coeficiente de variao;
c) Aplicar, se necessrio, o teste de Tukey, no nvel de 5% de
probabilidade, na comparao de mdias de tratamentos.
TABELA 7.1 COMPORTAMENTO DE CLONES DE SERINGUEIRA (Hevea sp.) EM
RELAO 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
FONTE: CALDAS (1975).
NOTA: (+) Mdia de oito plantas do desenvolvimento transversal do tronco a 1 m acima do
ponto de enxertia, durante o perodo de um ano.
Resoluo:
232
a) Anlise da Varincia:
= X 68,61 + 69,69 +...+ 64,42 = 3.245,30
2
X = (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 = t x r
= 11 x 5 = 55
GL Tratamentos = t 1
= 11 1 = 10
GL Blocos = r 1
= 5 1 = 4
GL Resduo = (t 1) (r 1)
= (11 1) (5 1)
= (10) (4) = 40
GL Total = N 1
= 55 1 = 54
SQ Total =
( )
N
X
X
2
2

( )
55
30 , 245 . 3
15 , 142 . 195
2
=
=
55
09 , 972 . 531 . 10
15 , 142 . 195
233
= 195.142,15 191.490,40 = 3.651,75
SQ Tratamentos =
( )
N
X

T
2 2
r
=
( ) ( ) ( ) ( )
55
30 , 245 . 3
5
20 , 303 ... 82 , 281 85 , 355
2 2 2 2

+ + +
=
55
09 , 972 . 531 . 10
5
2400 , 930 . 91 ... 5124 , 422 . 79 2225 , 629 . 126

+ + +
=
55
09 , 972 . 531 . 10
5
53 , 727 . 973

194.745,51 191.490,40 = 3.255,11
SQ Blocos =
( )
N
X

B
2 2
t
=
( ) ( ) ( ) ( )
55
30 , 245 . 3
11
79 , 684 ... 82 , 622 27 , 650
2 2 2 2

+ + +
=
55
09 , 972 . 531 . 10
11
3441 , 937 . 468 ... 7524 , 904 . 387 0729 , 851 . 422

+ + +
=
55
09 , 972 . 531 . 10
11
9 , 635 . 108 . 2

= 191.694,17 191.490,40 = 203,77


SQ Resduo = SQ Total (SQ Tratamentos + SQ Blocos)
= 3.651,75 (3.255,11 + 203,77)
= 3.651,75 3.458,88 = 192,87
QMTratamentos =
s Tratamento GL
s Tratamento SQ
= =
10
11 , 255 . 3
325,511
234
QM Blocos =
cos
cos
Blo GL
Blo SQ
= =
4
77 , 203
50,9425
QM Resduo =
sduo GL
sduo SQ
Re
Re
= =
40
87 , 192
4,82175
F Calculado de Tratamentos =
sduo QM
s Tratamento QM
Re
= ~
82175 , 4
511 , 325
67,51
F Calculado de Blocos =
sduo QM
Blo QM
Re
cos
= ~
82175 , 4
9425 , 50
10,57
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
235
TABELA 7.2 ANLISE DA VARINCIA DO COMPORTAMENTO DE CLONES DE
SERINGUEIRA (Hevea sp.) EM RELAO AO DESENVOLVIMENTO
DO TRONCO (cm) NO ESTADO DA BAHIA. PIRACICABA-SP.1975
Causa de Variao GL SQ
QM
F
Clones 10 3.255,11 325,51100 67,51 **
Blocos 4 203,77 50,94250 10,57 **
Resduo 40 192,87 4,82175
Total 54 3.651,87
NOTA: (**) Significativo no nvel de 1% de probabilidade.
De acordo com o teste F, tem-se:
Houve diferena significativa, no nvel de 1% de probabilidade, entre
os clones de seringueira, em relao ao desenvolvimento do tronco no Estado
da Bahia.
Houve diferena significativa, no nvel 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,
no preciso calcular o quadrado mdio e o valor de F respectivo, pois o que
mais interessa aos pesquisadores o efeito de tratamentos, que inteiramente
independente de ser significativo o efeito de blocos.
b) Coeficiente de Variao:
( )
N
X
= m
=
55
30 , 245 . 3
= 59,005
sduo QM s Re =
= 82175 , 4 = 2,1958484
CV =
m
s x

100
236
=
005 , 59
1958484 , 2 100 x
=
005 , 59
58484 , 219
~ 3,72%
O coeficiente de variao foi 3,72%, indicando uma tima preciso
experimental.
c) Teste de Tukey:
m
1
~ 71,17 m
7
~ 50,08
m
2
~ 56,36
m
3
~ 65,93
m
8
~ 48,84
m 9 ~ 64,92
m
4
~ 63,08 m
10
~ 64,21
m
5
~ 58,36 m
11
~ 60,64
m
6
~ 45,47
r
s
q = A % 5
=
5
1958484 , 2 82 , 4 x
= ~
236068 , 2
583989 , 10
4,73
Pode-se estruturar uma tabela ilustrativa das comparaes entre as
mdias, conforme se verifica a seguir:
237
TABELA 7.3 COMPORTAMENTO DE CLONES DE SERINGUEIRA (Hevea sp.) EM
RELAO AO DESENVOLVIMENTO TRANSVERSAL DO TRONCO
(cm) NO ESTADO DA BAHIA. PIRACICABA-SP, 1975
Clones Mdias (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
NOTA: (1/) As mdias seguidas de pelo menos uma mesma letra no diferem
estatisticamente entre si pelo teste de Tukey, no nvel de 5% de probabilidade.
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
tem-se:
Os clones Fx 86, Fx 4109 e Fx 516 no diferiram estatisticamente
entre si, porm diferem dos demais, e apresentaram um desenvolvimento
transversal do tronco inferior a todos os outros clones de seringueira avaliados.
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 no diferir estatisticamente dos clones de
seringueira Fx 3635, Fx 232 e Fx 625.
Os clones Fx 3032, Fx 25 e Fx 625 no diferiram estatisticamente
entre si, e apresentaram um desenvolvimento transversal do tronco
intermedirio entre todos os clones de seringueira avaliados.
238
7.4 Exemplo com uma Parcela Perdida
Algumas vezes, durante a conduo de um experimento em blocos
casualizados, ocorre a perda de uma parcela por motivos alheios vontade do
pesquisador. Essa perda pode ser provocada por uma srie 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 no fidedigno, sendo ento descartado; etc.. Como
neste delineamento, todos os tratamentos devem ter o mesmo nmero de
repeties, ou seja, o quadro auxiliar da anlise da varincia deve estar
completo para poder efetuar a anlise da varincia, ento se deve levar em
conta o seguinte:
a) Em primeiro lugar, estima-se o valor da parcela perdida, atravs da
formula:
( ) ( )
( )( ) 1 1
+
=
t r
G T x t B x r
Y
onde:
r = nmero de repeties do experimento;
t = nmero 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 ser igual
quele perdido (que se obteria no experimento). Por outro lado, um valor que
permitir a execuo da anlise da varincia pelo processo comum e que dar
como resultado, para essa anlise, o mesmo que se obteria por processos mais
complicados.
b) O valor de Y colocado no quadro auxiliar da anlise da varincia,
no lugar da parcela perdida, os clculos so refeitos e a anlise da varincia
feita da maneira usual, tomando-se o cuidado, porm, de se diminuir 1 GL do
Resduo, correspondente parcela perdida.
c) Como a SQ Tratamentos fica ligeiramente superestimada, isto ,
obtm-se um valor pouco acima do correto (daquele que se deveria obter)
deve-se, ento, proceder correo desta soma de quadrados subtraindo-a do
valor de U dado pela frmula:
U =
2
1
1
|
.
|

\
|

t
Y
t
t

239
onde:
t = nmero de tratamentos avaliados;
Y = estimativa da parcela perdida;
B = total do bloco onde ocorreu a parcela perdida.
Essa correo, em geral, influi pouco, de sorte que muitas vezes se
dispensa. Porm, quando o valor de F calculado, sem correo, for
significativo e estiver prximo do valor de F tabelado, essa correo poder,
em alguns casos, fazer com que a significncia deixe de existir, sendo
necessrio faz-la. Quando o valor de F calculado, sem correo, for no
significativo, a correo desnecessria, porque ela sempre diminui o valor de
F.
d) Na comparao de mdias de tratamentos, se for utilizado os testes
de Tukey, de Duncan e SNK, as frmulas a serem usadas na comparao da
mdia do tratamento que perdeu uma parcela com uma mdia qualquer devem
ser, respectivamente:
( )
2

2
Y s
q = A
,
( )
2

2
Y s
z D =
e
( )
2

2
Y s
q SNK =
A seguir, apresentar-se- um exemplo com uma parcela perdida neste
tipo de delineamento, a fim de que se possa efetuar a anlise da varincia e
interpretar os resultados.
Exemplo 2: A partir dos dados da TABELA 7.4, pede-se:
a) Estimar o valor da parcela perdida;
b) Fazer a anlise da varincia;
c) Obter o coeficiente de variao;
d) Aplicar, se necessrio, o teste de Tukey, no nvel de 5% de
probabilidade, na comparao de mdias de tratamentos.
240
TABELA 7.4 COMPORTAMENTO DE PORTA-ENXERTOS PARA A LARANJA
(Citrus sinensis (L.) Osbeck.), CULTIVAR VALNCIA, EM RELAO
AO NMERO DE FRUTOS POR PLANTA
Tratamentos
Blocos Totais de
Tratamentos
I II III
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 CLEPATRA 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).
Resoluo:
a) Estimativa da Parcela Perdida:
r = 3
t = 9
T = 376
B = 1.487
G = 4.764
( ) ( )
( )( ) 1 1
+
=
t r
G T x t B x r
Y
241
( )( ) 1 9 1 3
764 . 4 ) 376 9 ( ) 487 . 1 3 (

+
=
x x
=
8 2
764 . 4 384 . 3 461 . 4
x
+

=
16
081 . 3
193
TABELA 7.5 COMPORTAMENTO DE PORTA-ENXERTOS PARA A LARANJA
(Citrus sinensis (L.) Osbeck.), CULTIVAR VALNCIA, EM RELAO
AO NMERO DE FRUTOS POR PLANTA
Tratamentos
Blocos Totais de
Tratamentos
I II III
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 CLEPATRA 190 175 186 551
5. CITRANGE TROYER 180 160 156 496
6. TRIFOLIATA 130 160 130 420
7. TANGERINEIRA CRAVO 206 193 170 569
8. LARANJEIRA CAIPIRA 250 271 230 751
9. LIMOEIRO CRAVO 164 190 193 547
Totais de Blocos 1.648 1.680 1.629 4.957
BARBIN (1982).
b) Anlise da Varincia:
= X 145 + 155 + ... + 193 = 4.957
= X
2
(145)
2
+ (155)
2
+... + (193)
2

= 21.025 + 24.025 +...+ 37.249 = 936.883
242
t = 9
r = 3
N = t x r
= 9 x 3 = 27
GL Tratamentos = t 1
= 9 1 = 8
GL Blocos = r 1
= 3 1 = 2
GL Resduo = (t 1) (r 1) N de Parcelas Perdidas
= (9 1) (3 1) 1
= (8) (2) 1
= 16 1 = 15
GL Total = N 1 N de Parcelas Perdidas
= (27 1) 1
= 26 1 = 25
SQ Total =
( )
N
X
X
2
2
= 883 . 936
( )
27
957 . 4
2
= 936.883
27
849 . 571 . 24
= 936.8883 910.068,48 = 26.814,52
243
SQ Tratamentos =
( )
N
X

T
2 2
r
=
( ) ( ) ( )
3
547 ... 580 466
2 2 2
+ + +

( )
2
27
957 . 4
=
27
849 . 571 . 24
3
209 . 299 ... 400 . 336 156 . 217

+ + +
=
27
849 . 571 . 24
3
473 . 799 . 2

= 933.157,67 910.068,48 = 23.089,19


SQ Blocos =
( )
N
X

B
2 2
t
=
( ) ( ) ( ) ( )
2 2 2 2
27
957 . 4
9
629 . 1 680 . 1 648 . 1

+ +
=
27
849 . 571 . 24
9
641 . 653 . 2 400 . 822 . 2 904 . 715 . 2

+ +
=
27
849 . 571 . 24
9
945 . 191 . 8

= 910.216,11 910.068,48 = 147,63


SQ Resduo = SQ Total (SQ Tratamentos + SQ Blocos)
= 26.814,52 (23.089,19 + 147,63)
= 26.814,52 23.236,82 = 3.577,70
QM Tratamentos =
s Tratamento GL
s Tratamento SQ
= =
8
19 , 089 . 23
2.886,1488
244
QM Resduo =
sduo GL
sduo SQ
Re
Re
= =
15
70 , 577 . 3
238,51333
F Calculado =
sduo QM
s Tratamento QM
Re
= =
51333 , 238
1488 , 886 . 2
12,10
F Tabelado (1%) = 4,00
F Tabelado (5%) = 2,64
TABELA 7.6 ANLISE DA VARINCIA DO COMPORTAMENTO DE PORTA-
ENXERTOS PARA A LARANJA (Citrus sinensis (L.) Osbeck.),
CULTIVAR VALNCIA, EM RELAO AO NMERO DE FRUTOS
POR PLANTA. PIRACICABA-SP, 1982
Causa de Variao GL SQ QM F
Porta-enxertos 8 23.089,19 2.886,14880 12,10 **
Blocos 2 147,63 - -
Resduo 15 3.577,70 238,51333
Total 25 26.814,52
NOTA: (**) Significativo no nvel de 1% de probabilidade.
De acordo como teste F, houve diferena significativa, no nvel de 1%
de probabilidade, entre os porta-enxertos para a laranja VALNCIA quanto ao
nmero de frutos por planta.
c) Coeficiente de Variao:
( )
N
X
= m
= ~
27
957 . 4
183,59
245
sduo QM s Re =
= 51333 , 238 = 15,443877
CV =
m
s x

100
=
59 , 183
443877 , 15 100 x
= ~
59 , 183
3877 , 544 . 1
8,41%
O coeficiente de variao foi 8,41%, indicando uma tima preciso
experimental.
d) Teste de Tukey:
m
1
~ 155,33 m
6
= 140,00
m
2
~ 193,33 m
7
~ 189,67
m
3
~ 192,33 m
8
~ 250,33
m
4
~ 183,67 m
9
~ 182,33
m
5
~ 165,33
( )
r
s
q = A % 5
1
=
3
443877 , 15 08 , 5 x
= ~
7320508 , 1
454895 , 78
45,30
( )
( )
2

% 5
2
2
Y s
q = A
246
= q
( )( )
sduo QM
t r r
t
r
Re
1 1
2
2
1
(


+
= 5,08
( )( )
51333 , 238
1 9 1 3 3
9
3
2
2
1
(


+
= 5,08
( )( )
51333 , 238
8 2 3
9
3
2
2
1
(

+
= 5,08 51333 , 238
48
9
3
2
2
1
(

+
= 5,08 51333 , 238
48
9
48
32
2
1
(

+
= 5,08 51333 , 238
48
41
2
1
(

= 5,08
2
51333 , 238 85417 , 0 x
= 5,08
2
73093 , 203

= 5,08 86547 , 101
= 5,08 x 10,09284 ~ 51,27
O valor de A
1
usado para comparar contrastes entre duas mdias de
tratamentos para as quais no houve perda de parcela, enquanto que o valor de
A
2
usado par comparar contrastes envolvendo a mdia do tratamento para a
qual ocorreu perda de parcela e outra qualquer (sem perda de parcela).
247
TABELA 7.7 COMPORTAMENTO DE PORTA-ENXERTOS PARA A LARANJA
(Citrus sinensis (L.) Osbeck.), CULTIVAR VALNCIA, EM RELAO
AO NMERO DE FRUTOS POR PLANTA. PIRACICABA-SP
Porta-enxertos

Mdia 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 CLEPATRA 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
FONTE: BARBIN (1982).
NOTA: (1/) As mdias seguidas de pelo menos uma mesma letra no diferem
estatisticamente entre si pelo teste de Tukey, no nvel de 5% de probabilidade.
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
tem-se:
O porta-enxerto LARANJEIRA CAIPIRA difere estatisticamente de
todos os outros porta-enxertos e proporcionou copa VALNCIA a maior
produo de frutos.
O porta-enxerto TRIFOLIATA proporcionou copa VALNCIA a
menor produo de frutos, apesar de no diferir estatisticamente dos porta-
enxertos TANGERINEIRA SUNKI, CITRANGE TROYER, LIMOEIRO
CRAVO, TANGERINEIRA CLEPATRA e TANGERINEIRA CRAVO.
Os porta-enxertos LIMOEIRO RUGOSO NACIONAL e LIMOEIRO
RUGOSO DA FLRIDA diferem estatisticamente do porta-enxerto
TRIPOLIATA, e proporcionaram copa VALNCIA a segunda maior
produo de frutos.
Os porta-enxertos TANGERINEIRA SUNKI, CITRANGE
TROYER, LIMOEIRO CRAVO, TANGERINEIRA CLEPATRA e
TANGERINEIRA CRAVO no diferem estatisticamente do porta-enxerto
TRIFOLIATA, nem dos porta-enxertos LIMOEIRO RUGOSO DA
248
FLRIDA e LIMOEIRO RUGOSO NACIONAL, e proporcionaram copa
VALNCIA uma produo intermediria de frutos entre estes.
6.5 Exemplo com mais de uma Parcela Perdida
Como foi visto no item anterior, durante a conduo de um
experimento em blocos casualizados, ocorrem, em algumas vezes, perdas de
parcelas por motivos alheios vontade do pesquisador. Quando isso ocorrer,
deve-se proceder da seguinte maneira para poder-se efetuar a anlise da
varincia:
a) Em primeiro lugar, devem-se estimar os valores das parcelas
perdidas Quando, nos experimentos em blocos casualizados, ocorrem duas
parcelas perdidas (ou mais) no se tem frmulas para obterem suas
estimativas. Vrios so os processos de se obterem as estimativas, dentre os
quais se citam o da minimizaro da Soma de Quadrados do Resduo,
atravs de derivadas parciais, e o processo iterativo, o qual ser 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 frmula, j conhecida,
de uma parcela perdida:
( ) ( )
( )( ) 1 1
+
=
t r
G T x t B x r
Y
A seguir, leva-se este valor de Y na 2 parcela perdida e com isso
estima-se a 1 delas (X) pela mesma frmula, ou seja:
( ) ( )
( )( ) 1 1
+
=
t r
G T x t B x r
X
Confronta-se este valor com aquele inicial, p/X, que foi
completamente arbitrrio. Se forem iguais (caso raro) o processo iterativo se
encerra e os valores de X e de Y, so as estimativas das parcelas perdidas. Se
forem diferentes, volta-se a estimar Y usando agora o 2 valor de X no lugar da
1 parcela perdida. Confronta-se este valor com a sua 1estimativa. Se forem
iguais ela considerada o valor da 2 parcela perdida e ser usada na anlise.
Com este valor, calcula-se novamente o X, atravs da frmula, que, neste caso,
ser o valor definitivo. Se forem diferentes o processo continua.
Quando ocorrem mais de duas parcelas perdidas, o processo iterativo
tem aplicao semelhante ao j visto par o caso de duas parcelas perdidas.
Suponha-se que foram perdidas K parcelas, onde K > 2. Atribu-se valores
arbitrrios a (K 1) delas e com isso estima-se a K sima atravs da frmula,
j conhecida, que
249
( ) ( )
( )( ) 1 1
+
=
t r
G T x t B x r
Y
Com esta estimativa parte-se para obter a estimativa de uma das
(K 1) parcelas, s quais foram atribudos valores arbitrrios. Usa-se, para
isso, a mesma frmula. Com estas duas, estima-se uma terceira e assim
sucessivamente at obterem-se as K estimativas. Volta-se, a seguir, a obter
uma nova estimativa para a K sima parcela. O processo se repete at que se
obtenham duas estimativas iguais para a mesma parcela.
b) Os valores das estimativas das parcelas perdidas so colocados no
quadro auxiliar da anlise da varincia, nos respectivos lugares das parcelas
perdidas, os clculos so refeitos e a anlise da varincia feita da maneira
usual, tomando-se o cuidado, porm, de se diminuir 1 GL do Resduo para
cada parcela perdida.
c) V-se que quando se perdem parcelas a SQ Tratamentos fica
ligeiramente superestimada, isto , obtm-se um valor pouco acima do correto
(daquele que se deveria obter), devendo, ento, proceder-se correo. V-se,
tambm, que a correo, em geral, influi pouco, de sorte que muitas vezes se
dispensa. Porm, quando o valor de F calculado, sem correo, for
significativo e estiver prximo do valor de F tabelado, essa correo poder,
em alguns casos, fazer com que a significncia deixe de existir, sendo
necessrio faz-la. Quando o valor de F calculado, sem correo, for no
significativo, a correo desnecessria, porque ela sempre diminui o valor de
F.
Quando houver necessidade de se fazer a correo, um dos mtodos
usados o do Resduo Condicional, que consiste no seguinte, para o caso de
blocos:
Obtm-se as Somas de Quadrados Totais, de Blocos e de Resduo, a
partir dos dados originais, no se levando em conta as estimativas das parcelas
perdidas. Com isso, como SQ Resduo (1) = SQ Total SQ Blocos, esta SQ
Resduo (1) ir conter a S.Q Tratamentos. Ento, a SQ Tratamentos Corrigida
= SQ Resduo (1) SQ Resduo, onde SQ Resduo obtida da anlise, em
blocos, onde se levaram em conta as estimativas das parcelas perdidas.
d) Na comparao de mdias de tratamentos, se se utilizar os testes de
Tukey, de Duncan e SNK, as frmulas a serem usadas em contrastes
envolvendo uma das mdias com parcela perdida e outra qualquer (onde no
ocorreu parcela perdida) e/ou em contrastes envolvendo as duas mdias para
as quais ocorreram as parcelas perdidas devem ser, respectivamente:
( )
2

2
Y s
q = A
250
,
( )
2

2
Y s
z D =
e
( )
2

2
Y s
q SNK =
A seguir, apresentar-se- um exemplo com duas parcelas perdidas
neste tipo de delineamento, a fim de que se possa efetuar a anlise da varincia
e interpretar os resultados.
Considerando os dados do Exemplo 2, onde se supem que na
TABELA 7.4 perderam-se duas parcelas: a 1 parcela no Tratamento 4
(TANGERINEIRA CLEPATRA) no Bloco I e a 2 parcela no Tratamento 7
(TANGERINEIRA CRAVO) no Bloco II, pede-se:
a) Estimar os valores das parcelas perdidas;
b) Fazer a anlise da varincia;
c) Obter o coeficiente de variao;
d) Aplicar, se necessrio, o teste de Tukey, no nvel de 5% de
probabilidade, na comparao de mdias de tratamentos.
251
TABELA 7.4 COMPORTAMENTO DE PORTA-ENXERTOS PARA A LARANJA
(Citrus sinensis (L.) Osbeck.), CULTIVAR VALNCIA, EM RELAO
AO NMERO DE FRUTOS POR PLANTA
Tratamentos
Blocos Totais de
Tratamentos
I II III
1. TANGERINEIRA SUNKI 145 155 166 466
2. LIMOEIRO RUGOSONACIONAL 200 190 190 580
3. LIMOEIRO RUGOSO DA FLORIDA 183 186 208 577
4. TANGERINEIRA CLEPATRA X 175 186 361 + X
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 1.458 + X 1.487 + Y 1.629 4.574 + X + Y
FONTE: BARBIN (1982).
Resoluo:
a) Estimativa das Parcelas Perdidas:
Inicia-se atribuindo um valor arbitrrio para X.
Seja X
0
= 175, com ele obtm-se uma estimativa para Y atravs da
frmula:
( ) ( )
( )( ) 1 1
0

+
=
t r
G T x t B x r
Y
( )( ) 1 9 1 3
) 175 574 . 4 ( ) 376 9 ( ) 487 . 1 3 (

+ +
=
x x
=
8 2
749 . 4 384 . 3 461 . 4
x
+
252
=
16
096 . 3
= 193,5
Este valor, 193,5, colocado na TABELA 7.4 em lugar de Y e passa-
se a calcular X, pela frmula (esquecendo-se do seu valor inicial).
( ) ( )
( )( ) 1 1
' ' '
1

+
=
t r
G T x t B x r
X
( )
( )( ) 1 9 1 3
5 , 193 574 . 4 ) 361 9 ( ) 458 . 1 3 (

+ +
=
x x
=
8 2
5 , 767 . 4 249 . 3 374 . 4
x
+
= ~
16
5 , 855 . 2
178,47
Confrontando-se este valor com o inicial, v-se que so diferentes. Ele
colocado na TABELA 7.4 e torna-se a calcular Y pela frmula,
( ) ( )
( )( ) 1 1
' '
1

+
=
t r
G T x t B x r
Y
( )
( )( ) 1 9 1 3
47 , 178 574 . 4 ) 376 9 ( ) 487 . 1 3 (

+ +
=
x x
=
8 2
47 , 752 . 4 384 . 3 461 . 4
x
+
= ~
16
53 , 092 . 3
193,28
Este valor ainda no igual ao anterior. Logo, ele deve ser levado
TABELA 7.4 e recalcula-se X:
( ) ( )
( )( ) 1 1
' ' ' ' '
2

+
=
t r
G T x t B x r
X
( )
( )( ) 1 9 1 3
28 , 193 574 . 4 ) 361 9 ( ) 458 . 1 3 (

+ +
=
x x
253
=
8 2
28 , 767 . 4 249 . 3 374 . 4
x
+
= ~
16
72 , 855 . 2
178,48
Confrontando-se este valor (178,48) com o anterior (178,47) verifica-
se que so praticamente iguais. Ento se toma como estimativa da 1 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: Y
2
~ 193,28, pois
( ) ( )
( )( ) 1 1
' ' ' '
2

+
=
t r
G T x t B x r
Y
( ) ( )
( )( ) 1 1
' '

+
=
t r
G T x t B x r
O nico valor que muda nas expresses de Y G e tem-se, neste caso,
G

= 4.574 + 178,47 e G

= 4.574 + 178,48.
Ento, o valor que se deve usar para a 2 parcela perdida Y = 193,3.
254
TABELA 7.8 COMPORTAMENTO DE PORTA-ENXERTOS PARA A LARANJA
(Citrus sinensis (L.) Osbeck.), CULTIVAR VALNCIA, EM RELAO
AO NMERO DE FRUTOS POR PLANTA
Tratamentos
Blocos Totais de
Tratamentos
I II III
1. TANGERINEIRA SUNKI 145 155 166 466
2. LIMOEIRO RUGOSONACIONAL 200 190 190 580
3. LIMOEIRO RUGOSO DA FLORIDA 183 186 208 577
4. TANGERINEIRA CLEPATRA 178,5 175 186 539,5
5. CITRANGE TROYER 180 160 156 496
6. TRIFOLIATA 130 160 130 420
7. TANGERINEIRA CRAVO 206 193,3 170 569,3
8. LARANJEIRA CAIPIRA 250 271 230 751
9. LIMOEIRO CRAVO 164 190 193 547
Totais de Blocos 1.636,5 1.680,3 1.629 4.945,8
FONTE: BARBIN (1982).
b) Anlise da Varincia:
= X 145 + 155 + ... + 193 = 4.945,8
= X
2
(145)
2
+ (155)
2
+ ... + (193)
2
= 21.025 + 24.025 +...+ 37.249 = 932.761,14
t = 9
r = 3
N = t x r
= 9 x 3 = 27
255
GL Tratamentos = t 1
= 9 1 = 8
GL Blocos = r 1
= 3 1 = 2
GL Resduo = (t 1) (r 1) N de Parcelas Perdidas
= (9 1) (3 1) 2
= (8) (2) 2
= 16 2 = 14
GL Total = N 1 N de Parcelas Perdidas
= (27 1) 2
= 26 2 = 24
SQ Total =
( )
N
X
X
2
2
=
( )
27
8 , 945 . 4
14 , 761 . 932
2

= 932.761,14
27
6 , 937 . 460 . 24
= 932.761,14 905.960,65 = 26.800,49
SQ Tratamentos =
( )
N
X

T
2 2
r

=
( ) ( ) ( ) ( )
2 2 2 2
27
8 , 945 . 4
3
0 , 547 ... 0 , 580 0 , 466

+ + +
=
27
6 , 937 . 460 . 24
3
0 , 209 . 299 ... 0 , 400 . 336 0 , 156 . 217

+ + +
256
=
27
6 , 937 . 460 . 24
3
7 , 273 . 787 . 2

= 929.091,25 905.960,65 = 23.130,60


SQBlocos =
( )
N
X

B
2 2
r
=
( ) ( ) ( ) ( )
2 2 2 2
27
8 , 945 . 4
9
0 , 629 . 1 3 , 680 . 1 5 , 636 . 1

+ +
=
27
6 , 937 . 460 . 24
9
0 , 641 . 653 . 2 1 , 408 . 823 . 2 3 , 132 . 678 . 2

+ +
=
27
6 , 937 . 460 . 24
9
3 , 181 . 155 . 8

= 906.131,26 905.960,65 = 170,61


SQ Resduo = SQ Total (SQ Tratamentos + SQ Blocos)
= 26.800,49 (23.130,60 + 170,61)
= 26.800,49 23.301,21 = 3.499,28
QM Tratamentos =
s Tratamento GL
s Tratamento SQ
= =
8
60 , 130 . 23
2.891,325
QM Resduo =
sduo GL
sduo SQ
Re
Re
= =
14
28 , 499 . 3
249,94857
257
F Calculado =
sduo QM
s Tratamento QM
Re
=
94857 , 249
325 , 891 . 2
~ 11,57
F Tabelado (1%) = 4,14
F Tabelado (5%) = 2,70
TABELA 7.9 ANLISE DA VARINCIA DO COMPORTAMENTO DE PORTA-
ENXERTOS PARA A LARANJA (Citrus sinensis (L.) Osbeck.),
CULTIVAR VALNCIA, EM RELAO AO NMERO DE FRUTOS
POR PLANTA. PIRACICABA-SP, 1982
Causa de Variao GL SQ QM F
Porta-enxertos 8 23.130,60 2.891,32500 11,57 **
Blocos 2 170,61 -

-
Resduo 14 3.499,28 249,94857
Total 24 26.800,49
NOTA: (**) Significativo no nvel de 1% de probabilidade.
De acordo como teste F, houve diferena significativa, no nvel de 1%
de probabilidade, entre os porta-enxertos para a laranja VALNCIA quanto ao
nmero de frutos por planta.
c) Coeficiente de Variao:
( )
N
X
= m
= ~
27
8 , 945 . 4
183,18
sduo QM s Re =
= 94857 , 249 = 15,809762
258
CV =
m
s x

100
=
18 , 183
809762 , 15 100 x
= ~
18 , 183
9762 , 580 . 1
8,63%
O coeficiente de variao foi 8,63%, indicando uma tima preciso
experimental.
d) Teste de Tukey :
m
1
~ 155,33 m
6
=140,00
m
2
~ 193,33 m
7
~ 189,77
m
3
~ 192,33 m
8
~ 250,33
m
4
~ 179,83 m
9
~ 182,33
m
5
~ 165,33
Na aplicao do teste de Tukey devem-se levar em conta todos os
possveis tipos de comparaes das mdias duas a duas. No h, como no caso
de uma s parcela perdida, uma frmula para se calcular a estimativa da
varincia da estimativa de um contraste envolvendo mdias com parcelas
perdidas.
Um processo que se usa, o chamado de nmero efetivo de
repeties (j visto no Captulo 5, ver teste t) e aps o seu clculo utiliza-se a
seguinte frmula:
( )
2
2 1
2
1 1

s
r r
Y s
|
|
.
|

\
|
+ =
Os possveis casos de comparaes, neste exemplo, so:
1) Contrastes envolvendo mdias onde no houve perda de parcelas.
( )
r
sduo QM
q
Re
% 5
1
= A
259
= 5,13
3
94857 , 249
= 31619 , 83 13 , 5
= 5,13 x 9,1277703 ~ 46,83
2) Contrastes envolvendo uma das mdias com parcela perdida e outra
qualquer (onde no ocorreu parcela perdida).
Este caso envolve o mtodo do nmero efetivo de repeties. Ento,
veja-se:
Tome-se o contraste
4 1

m m Y = , onde em lugar de
1
m poderia entrar
qualquer outra mdia onde no ocorreu parcela perdida, e em lugar de
4
m
poderia entrar
7
m .
Bloco Tratamento 1 Tratamento 4
r
1
1 Bloco Aparece No aparece
8
7
2 Bloco Aparece Aparece 1
3 Bloco Aparece Aparece 1
Total
8
23
O nmero efetivo de repeties para o tratamento 1 (ou 2, 3, 5, 6, 8 e
9) igual a
8
23
em relao ao tratamento 4 (ou 7).
Bloco Tratamento 4 Tratamento 1
r
4
1 Bloco No aparece Aparece 0
2 Bloco Aparece Aparece 1
3 Bloco Aparece Aparece 1
Total 2
260
O nmero efetivo de repeties para o tratamento 4 (ou 7) igual a 2
em relao ao tratamento 1 (ou 2, 3, 5, 6, 8 e 9).
Ento, a estimativa da varincia da estimativa do contraste
4 1

m m Y = (ou outras alternativas) obtida por:


( )
|
|
.
|

\
|
+ =
2 1
2
1 1

r r
Y s QM Resduo
= 94857 , 249
2
1
8
23
1
|
|
|
|
.
|

\
|
+
= 94857 , 249
2
1
23
8
|
.
|

\
|
+
= (0,34782 + 0,5) 249,94857
= (0,84782) 249,94857 = 211,9114
Logo, tem-se:
( )
( )

2

% 5
2
2
Y s
q = A
2
9114 , 211
13 , 5 =
= 9557 , 105 13 , 5
= 5,13 x 10,293479 ~ 52,81
3) Contraste envolvendo as duas mdias para as quais ocorreram as
parcelas perdidas.
Ainda aqui se deve levar em conta o nmero efetivo de repeties.
Neste caso, trata-se do contraste
7 4

m m Y = .
261
Bloco Tratamento 4 Tratamento 7
r
7
1 Bloco No aparece Aparece 0
2 Bloco Aparece No aparece
8
7
3 Bloco Aparece Aparece 1
Total
8
15
O nmero efetivo de repeties para o tratamento 4 igual a
8
15
em
relao ao tratamento 7.
Bloco Tratamento 7 Tratamento 4
r
4
1 Bloco Aparece No aparece
8
7
2 Bloco No aparece Aparece 0
3 Bloco Aparece Aparece 1
Total
8
15
O nmero efetivo de repeties para o tratamento 7 tambm igual a
8
15
em relao ao tratamento 4.
Sendo assim, a estimativa da varincia da estimativa do contraste
7 4

m m Y = , ser:
( )
|
|
.
|

\
|
+ =
7 4
2
1 1

r r
Y s QM Resduo
262
= 94857 , 249
8
15
1
8
15
1
|
|
|
|
.
|

\
|
+
= 94857 , 249
15
8
15
8
|
.
|

\
|
+
= (0,53333 + 0,53333) 249,94857
= (1,06666) 249,94857 = 266,61014
Logo, tem-se:
( )
( )
2

% 5
2
3
Y s
q = A
= 5,13
2
61014 , 266
= 5,13 30507 , 133
= 5,13 x 11,545781 ~ 59,23
263
TABELA 7.10 COMPORTAMENTO DE PORTA-ENXERTOS PARA A LARANJA
(Citrus sinensis (L.) Osbeck.), CULTIVAR VALNCIA, EM RELAO
AO NMERO DE FRUTOS POR PLANTA. PIRACICABA-SP
Porta-enxertos

Mdia 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 CLEPATRA 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
FONTE: BARBIN (1982).
NOTA: (1/) As mdias seguidas de pelo menos uma mesma letra no diferem
estatisticamente entre si pelo teste de Tukey, no nvel de 5% de probabilidade.
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
temos:
O porta-enxerto LARANJEIRA CAIPIRA difere estatisticamente de
todos os outros porta-enxertos e proporcionou copa VALNCIA a maior
produo de frutos.
O porta-enxerto TRIFOLIATA proporcionou copa VALNCIA a
menor produo de frutos, apesar de no diferir estatisticamente dos porta-
enxertos TANGERINEIRA SUNKI, CITRANGE TROYER,
TANGERINEIRA CLEPATRA, LIMOEIRO CRAVO e TANGERINEIRA
CRAVO.
Os porta-enxertos LIMOEIRO RUGOSO NACIONAL e LIMOEIRO
RUGOSO DA FLRIDA diferem estatisticamente do porta-enxerto
TRIPOLIATA, e proporcionaram copa VALNCIA a segunda maior
produo de frutos.
Os porta-enxertos TANGERINEIRA SUNKI, CITRANGE TROYER,
TANGERINEIRA CLEPATRA, LIMOEIRO CRAVO e TANGERINEIRA
CRAVO no diferem estatisticamente do porta-enxerto TRIFOLIATA, nem
dos porta-enxertos LIMOEIRO RUGOSO DA FLRIDA e LIMOEIRO
264
RUGOSO NACIONAL, e proporcionaram copa VALNCIA uma produo
intermediria de frutos entre estes.
6.6 Experimentos em Blocos Casualizados com K Repeties por Bloco
No muito raro, ao planejar-se um experimento em blocos
casualizados, ocorre que o nmero de tratamentos muito pequeno,
acarretando, consequentemente, um nmero excessivo de blocos
comprometendo a preciso experimental.
Considere-se, por exemplo, um experimento com dois tratamentos e
12 repeties. No esquema usual tm-se 12 blocos de duas parcelas, com o
seguinte esquema de anlise:
Quadro da ANAVA
Causa de Variao GL
Tratamentos 1
Blocos 11
Resduo 11
Total
23
Se, ao invs, fossem estruturados blocos de quatro parcelas, com duas
repeties por bloco, seria reduzido o nmero deles para seis e teria-se o
seguinte esquema de anlise.
Quadro da ANAVA
Causa de Variao GL
Tratamentos 1
Blocos 5
Repeties dentro de Blocos 6
Resduo 11
Total 23
265
Neste caso, sem grandes implicaes, podem-se juntar ao resduo
tradicional, a causa de variao Repeties dentro de Blocos, ganhando-se,
com isso, seis graus de liberdade. Assim, tem-se:
Quadro da ANAVA
Causa de Variao GL
Tratamentos 1
Blocos 5
Resduo 17
Total 23
Verifica-se que este procedimento de anlise tem a vantagem de, com
o mesmo nmero de parcelas, trazerem maior nmero de graus de liberdade
para o resduo, promovendo, assim, maior preciso experimental, alm de
tornar os testes de hipteses mais sensveis par detectarem diferena
significativa entre os tratamentos avaliados.
Exemplo 3: A partir dos dados da TABELA 7.11 , pede-se:
a) Fazer a anlise da varincia;
b) Obter o coeficiente de variao;
c) Aplicar, se necessrio, o teste de Tukey, no nvel de 5% de
probabilidade, na comparao de mdias de tratamentos.
TABELA 7.11 PORCENTAGEM DE ACAR PROVVEL EM VARIEDADES DE
CANA-DE-ACAR (Saccharum officinarum L.)
Variedades
Blocos
Totais de Variedades
I II III

1
13,03
13,72
14,16
13,20
13,84
13,11
13,30
12,33
13,79
120,48

2
15,73
15,62
15,55
15,13
15,52
16,27
15,40
15,57
15,77
140,56

3
14,69
15,65
14,52
14,75
15,54
14,13
14,95
15,72
14,51
134,46
Totais de Blocos 132,67 131,49 131,34 395,50
FONTE: CAMPOS (1984).
266
Resoluo:
a) Anlise da Varincia:
= X 13,03 + 13,20 + ... + 14,51 = 395,50
= X
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
GL Tratamentos = t 1
= 3 1 = 2
GL Blocos = r 1
= 3 1 = 2
GL Total = N 1
= 27 1 = 26
GL Resduo = GL Total (GL Tratamentos + GL Blocos)
= 26 (2 + 2)
= 26 4 = 22
SQ Total =
( )
N
X
X
2
2
=
( )
27
50 , 395
6844 , 822 . 5
2

267
= 5.822,6844
27
25 , 420 . 156
= 5.822,6844 5.793,3426 = 29,3418
SQ Tratamentos =
( )
N
X

T
2 2
' r x r
=
( ) ( ) ( ) ( )
2 2 2 2
27
50 , 395
3 3
46 , 134 56 , 140 48 , 120

+ +
x
=
27
25 , 420 . 156
9
4916 , 079 . 18 1136 , 757 . 19 4304 , 515 . 14

+ +

=
27
25 , 420 . 156
9
0356 , 352 . 52

= 5.816,8928 5.793,3426 = 23,5502


SQ Blocos =
( )
N
X

B
2 2
' r x t
=
( ) ( ) ( ) ( )
2 2 2 2
27
50 , 395
3 3
34 , 131 49 , 131 67 , 132

+ +
x
=
27
25 , 420 . 156
9
1956 , 250 . 17 6201 , 289 . 17 3289 , 601 . 17

+ +
=
27
25 , 420 . 156
9
1446 , 141 . 52
= 0,1179
SQ Resduo = SQ Total (SQ Tratamentos + SQ Blocos)
= 29,3418 (23,.5502 + 0,1179)
= 29,3418 23,6681 = 5,6737
QM Tratamentos =
s Tratamento GL
s Tratamento SQ
268
= =
2
5502 , 23
11,7751
QM Resduo =
sduo GL
sduo SQ
Re
Re
= =
22
6737 , 5
0,25789
F Calculado =
sduo QM
s Tratamento QM
Re
= ~
25789 , 0
7751 , 11
45,66
F Tabelado (1%) = 5,72
F Tabelado (5%) = 3,44
TABELA 7.12 ANLISE DA VARINCIA DA PORCENTAGEM DE ACAR
PROVVEL EM VARIEDADES DE CANA-DE-ACAR
(Saccharum officinarum L.). PIRACICABA-SP, 1984
Causa de Variao GL SQ QM F
Variedades 2 23,5502 11,77510 45,66 **
Blocos 2 0,1179 -
Resduo 22 5,6737

0,25789
Total 26 29,3418
NOTA: (**) Significativo no nvel de 1% de probabilidade.
De acordo com o teste F, houve diferena significativa, no nvel de
1% de probabilidade, entre as variedades de cana-de-acar quanto
porcentagem de acar provvel.
b) Coeficiente de Variao:
( )
N
X
= m
269
= ~
27
50 , 395
14,648
sduo QM s Re =
= 25789 , 0 = 0,50782
CV =
m
s x

100
=
648 , 14
50782 , 0 100 x
= ~
648 , 14
782 , 50
3,47%
O coeficiente de variao foi 3,47%, indicando uma tima preciso
experimental.
c) Teste de Tukey:
m
1
~ 13,39 m
3
= 14,94
m
2
~ 15,62
( ) % 5
r
s
q = A
=
9
50782 , 0 555 , 3 x
= ~
3
80353 , 1
0,60
Pode-se estruturar uma tabela ilustrativa das comparaes entre as
mdias, conforme se verifica a seguir:
270
TABELA 7.13 PORCENTAGEM MDIA DE ACAR PROVVEL EM
VARIEDADES DE CANA-DE-ACAR (Saccharum officinarum
L.). PIRACICABA-SP, 1984
Variedades Mdia (%) 1/
1 13,39 a
3 14,94 b
2 15,62 c
NOTA: (1/) As mdias com letras diferentes apresentam diferena significativa pelo teste de
Tukey, no nvel de 5% de probabilidade.
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
tem-se:
A variedade 2 de cana-de-acar difere estatisticamente de todas as
outras, e apresentou a maior porcentagem de acar provvel.
A variedade 1 de cana-de-acar difere estatisticamente da variedade
3, e apresentou a menor porcentagem de acar provvel.
A variedade 3 de cana-de-acar apresentou uma porcentagem de
acar provvel intermediria entre as variedades 1 e 2.
7.7 Exerccios
a) Considerando-se que os dados da TABELA 7.14 foram resultantes
de um ensaio conduzido no delineamento em blocos casualizados, pede-se:
a.1) Fazer a anlise da varincia;
a.2) Obter o coeficiente de variao;
a.3) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de prognies;
a.4) Considerando que a parcela 637 no Bloco III foi perdida, obter
sua estimativa e, em seguida, a anlise da varincia;
a.5) Obter o coeficiente de variao;
a.6) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de prognies;
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 anlise da
varincia;
a.8) Obter o coeficiente de variao;
a.9) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de prognies;
271
a.10) Comparar os trs coeficientes de variao e tirar as devidas
concluses.
TABELA 7.14 ALTURAS (EM METROS, MDIA DE 25 PLANTAS/PARCELA) DE
PLANTAS DE PROGNIES DE Eucaliptus grandis, COM 7 ANOS DE
IDADE. PIRACICABA-SP
Progenies I II III IV Totais de Prognies
PRETRIA + 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
FONTE: BARBIN (1982).
NOTAS: (+) Procedente da frica do Sul.
(++) Procedente de Rio Claro So Paulo.
(+++) Procedente da Austrlia.
b) Considerando-se os dados da TABELA 7.15 , pede-se:
b.1) Fazer a anlise da varincia;
b.2) Obter o coeficiente de variao;
b.3) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de tratamentos.
272
TABELA 7.15 COMPORTAMENTO DE CLONES DE SERINGUEIRA (Hevea sp.) EM
RELAO PRODUO DE BORRACHA SECA NO ESTADO DA
BAHIA
Clones
Blocos
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
8. Fx 4109
11,17 16,57 18,95 20,35 28,35 95,39
9. Fx 3635
10,05 12,94 13,31 12,39 15,17 63,86
10.Fx 232
9,49 11,47 14,54 14,77 17,45 67,72
11.Fx 25
7,89 14,13 19,23 20,91 24,49 86,65
Totais de Blocos
163,54 172,93 173,32 169,01 189,53 868,33
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
repeties por bloco, pede-se:
c.1) Fazer a anlise de varincia e tirar as devidas concluses;
c.2) Obter o coeficiente de variao.
273
TABELA 7.16 EFEITO DA PROFUNDIDADE DE ARADURA NA PRODUO DE
MILHO (Zea mays L.) EM kg POR PARCELA DE 200 m
2
Tratamento
Blocos
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).
274
275
8
DELINEAMENTO EM
QUADRADO LATINO
O delineamento em quadrado latino, apesar de sua alta eficincia,
constitui-se no delineamento estatstico menos utilizado na pesquisa
agropecuria por ter uma flexibilidade muito menor que os outros, ou seja, ele
exige que o nmero de tratamentos seja igual ao nmero de repeties. Devido
a isso, geralmente no se usam quadrados latinos no caso de ter-se mais de
oito tratamentos, pois ento o nmero de repeties seria, no raro, um pouco
exagerado. Por outro lado, os quadrados latinos de 3 x 3 e 4 x 4 encerram
to poucas parcelas que s podem ser usados se o experimento incluir vrios
quadrados latinos, e se se fizer uma anlise conjunta. Em funo disso, os
experimentos instalados de acordo com este delineamento so denominados de
experimentos em quadrado latino.
Os experimentos em quadrado latino tambm levam em considerao
os trs princpios bsicos da experimentao: repetio, casualizao e
controle local. Contudo, o controle local mais eficiente que o delineamento
em blocos casualizados, pois controla a heterogeneidade do ambiente tanto na
horizontal como na vertical, ou seja, os blocos so organizados de duas
maneiras diferentes, uns constituindo as linhas, outros as colunas.
Quanto casualizao, neste delineamento os tratamentos so
distribudos nos blocos de tal forma que cada um aparea uma s vez em cada
linha e em cada coluna. O procedimento o seguinte: parte-se de um quadrado
latino sistemtico, que 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:
276
1 2 3 4 5
1 A B C D E
2 B C D E A
3 C D E A B
4 D E A B C
5 E A B C D

Quadrado I
A seguir procede-se a uma casualizao 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
5 E A B C D
2 B C D E A
1 A B C D E
3 C D E A B

Quadrado I I
Neste Quadrado II, casualizam-se as colunas (ou linhas) e obtm-se o
Quadrado III, que apresenta a dupla casualizao, tendo assim concludo a
casualizao do delineamento em quadrado latino.
277
3 1 4 5 2
4 A D B C E
5 B E C D A
2 D B E A C
1 C A D E B
3 E C A B D

Quadrado I I I
Aps ter concludo a casualizao neste delineamento, se a ordem da
1
a
linha for igual ordem da 1
a
coluna chama-se de Quadrado Latino Padro.
Este delineamento experimental apresenta certas vantagens em relao
aos outros delineamentos, tais como:
a) Controla a heterogeneidade das condies experimentais onde o
experimento ser conduzido Como este delineamento apresenta o princpio
do controle local, o controle da heterogeneidade das condies experimentais
feito atravs do uso de blocos em duas direes, na horizontal e na vertical,
como por exemplo: fertilidade e declividade, luz e temperatura, operador de
mquinas agrcolas e nvel de fadiga, idade de planta e forma de poda, perodo
de lactao de vacas leiteiras e peso, idade de animal e sexo, etc., o que no
acontece no delineamento inteiramente casualizado, pois o mesmo no tem o
princpio 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 resduo as variaes resultantes da heterogeneidade das
condies experimentais, tanto na horizontal como na vertical; enquanto que o
delineamento em blocos casualizados s consegue isolar do resduo as
variaes resultantes da heterogeneidade das condies experimentais que
ocorrem na horizontal.
Apesar das vantagens acima citadas, o delineamento em quadrado
latino apresenta as seguintes desvantagens em relao aos outros
delineamentos:
a) A anlise estatstica mais demorada Os clculos efetuados so
maiores do que os outros delineamentos estatsticos, tendo em vista que neste
278
delineamento existem mais causas de variao que devem ser isoladas do
resduo, tornando a anlise estatstica um pouco mais demorada.
b) Exige que os blocos fiquem num mesmo local da rea
experimental Neste delineamento, todos os blocos devem ficar no mesmo
local da rea experimental formando um quadrado, enquanto que no
delineamento em blocos casualizados, os blocos podero ser espalhados por
toda uma regio, obtendo, assim, concluses vlidas para toda a rea
cultivada, e no apenas para um determinado local.
c) Exige que o nmero de tratamentos seja igual ao nmero de
repeties Em funo disso, s pode-se usar, praticamente, este
delineamento quando os experimentos tiverem de cinco a oito tratamentos,
principalmente na experimentao de campo, enquanto que os outros
delineamentos permitem utilizar, dentro de certos limites, qualquer nmero de
tratamentos e de repeties.
d) Apresenta um nmero menor de graus de liberdade para o
resduo Sabe-se que quanto maior o nmero de graus de liberdade para o
resduo, maior sensibilidade ter os testes de hipteses para detectar diferena
significativa entre os tratamentos avaliados, alm de proporcionar maior
preciso experimental. Este delineamento apresenta, portanto, essa
desvantagem em relao aos outros delineamentos estatsticos.
e) Exige que o quadrado auxiliar da anlise da varincia esteja
completo para poder efetuar a anlise estatstica Neste delineamento,
quando ocorrem parcelas perdidas, como no caso do delineamento em blocos
casualizados, necessrio, tambm, o uso de frmulas e/ou mtodos especiais
para estim-las, a fim de poder efetuar a anlise de varincia. Muitas vezes,
quando o nmero de parcelas perdidas muito alto, h necessidade de se
repetir o experimento. Isso, porm, no acontece com o delineamento
inteiramente casualizado, onde permite que os tratamentos tenham nmero de
repeties diferentes e a anlise de varincia pode ser efetuada do mesmo
modo sem parcela perdida.
f) H uma reduo do nmero de graus de liberdade para o
resduo, pela utilizao do princpio do controle local Quando existe
homogeneidade das condies experimentais, um desperdcio utilizar o
delineamento em quadrado latino, pelo fato de reduzir ainda mais o nmero de
graus de liberdade para o resduo do que o delineamento em blocos
casualizados, e, em conseqncia, diminuir a preciso experimental, alm dos
testes de hipteses ficarem menos sensveis para detectar diferena
significativa entre os tratamentos avaliados. Nestas condies, prefervel
usar o delineamento inteiramente casualizado que tem um maior nmero de
graus de liberdade associado ao resduo.
279
8.1 Instalao do Experimento
Como a instalao do experimento constitui o incio da parte prtica
do ensaio, o pesquisador deve seguir 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 repeties. Ento, 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 distribudos aleatoriamente nas parcelas, de modo que
cada um aparece uma s vez em cada linha e em cada coluna.
Na instalao do experimento em quadrado latino o pesquisador deve
seguir as etapas j discutidas no experimento inteiramente casualizado.
8.2 Esquema da Anlise da Varincia
Considerando o exemplo anterior, ou seja, um experimento com cinco
tratamentos (A,B,C,D,E) e cinco repeties, ento tem-se o seguinte quadro
auxiliar da anlise da varincia.
280
Quadro Auxiliar da ANAVA
Linhas
Colunas
Totais de Linhas
1 2 3 4 5
1 X
A
X
D
X
B
X
C
X
E
L
1
2 X
B
X
E
X
C
X
D
X
A
L
2
3 X
D
X
B
X
E
X
A
X
C
L
3
4 X
C
X
A
X
D
X
E
X
B
L
4
5 X
E
X
C
X
A
X
B
X
D
L
5
Totais de Colunas C
1
C
2
C
3
C
4
C
5
O esquema da anlise da varincia dado por:
Quadro da ANAVA
Causa de
Variao
GL SQ QM F
Tratamentos
t 1
SQ Tratamentos QM Tratamentos
sduo QM
s Tratamento QM
Re
Linhas
t 1
SQ Linhas - -
Colunas
t 1
SQ Colunas - -
Resduo
(t 1) (t 2)
SQ Resduo QM Resduo
Total
t
2
1
SQ Total
onde:
GL = nmero de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado mdio;
F = valor calculado do teste F;
t = nmero de tratamentos;
281
SQ Total =
( )
N
X
X
2
2
onde:
X = valor de cada observao;
N = nmero de observaes, que corresponde ao nmero de tratamentos (t) ao
quadrado;
SQ Tratamentos =
( )
N
X

T
2 2
r

onde:
T = total de cada tratamento, o qual obtido somando-se os valores de cada
tratamento isoladamente;
r = nmero de repeties do experimento, que igual ao nmero de
tratamentos (t );
SQ Linhas =
( )
N
X

2 2
t
L

onde:
L = total de cada linha;
SQ Colunas =
( )
N
X

2 2
t
C

onde:
C = total de cada coluna;
SQ Resduo = SQ Total (SQ Tratamentos + SQ Linhas + SQ Colunas)
QM Tratamentos =
s Tratamento GL
s Tratamento SQ
QM Resduo =
sduo GL
sduo SQ
Re
Re

O QM Resduo corresponde estimativa da varincia do erro
experimental (s
e
2
), cujo valor utilizado nos testes de hipteses, objetivando
verificar se existe ou no diferena significativa entre os tratamentos
avaliados.
282
No sero apresentadas as frmulas dos quadrados mdios e dos Fs
calculados de linhas e colunas no quadro do esquema da anlise de varincia,
pois raramente interessa testar os efeitos de linhas e colunas, de sorte que, em
geral, no preciso calcular tais valores, tendo em vista que interessa apenas
aos pesquisadores o efeito de tratamentos, que inteiramente independente de
serem ou no significativos os efeitos de linhas e colunas.
8.3 Exemplo sem Parcela Perdida
A fim de apresentar-se a anlise da varincia e a interpretao dos
resultados neste tipo de delineamento, ser discutido, a seguir, um exemplo
sem parcela perdida.
Exemplo 1: A partir dos dados da TABELA 8.1, pede-se:
a) Fazer a anlise da varincia;
b) Obter o coeficiente de variao;
c) Aplicar, se necessrio, o teste de Tukey, no nvel de 5% de
probabilidade, na comparao de mdias de tratamentos.
TABELA 8.1 PRODUO DE GROS (kg/PARCELA) DE CULTIVARES DE FEIJO
(Phaseolus vulgaris L.)
Linhas

Colunas
Totais de Linhas
1 2 3
4
5
1 B*
7,6
A
8,2
D
10,4
E
11,2
C
9,0
46,4
2 C
10,4
B
5,4
E
16,0
A
7,4
D
8,4
47,6
3 A
6,0
D
7,2
B
7,0
C
11,0
E
12,4
43,6
4 D
8,8
E
13,0
C
14,2
B
7,2
A
8,0
51,2
5 E
15,0
C
16,0
A
7,0
D
8,2
B
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.
Resoluo:
a) Anlise da Varincia:
283
X = 7,6 + 8,2 + ... + 7,5 = 242,5
X
2
= (7,6)
2
+ (8,2)
2
+ ... + (7,5)
2

= 57,76 + 67,24 +...+ 56,25 = 2.587,25
t = 5
r = 5
N = t
2

= (5)
2
= 25
GL Tratamentos = t 1
= 5 1 = 4
GL Linhas = t 1
= 5 1 = 4
GL Colunas = t 1
= 5 1 = 4
GL Resduo = (t 1) (t 2)
= (5 1) (5 2)
= 4 x 3 = 12
SQ Total =
( )
N
X
X
2
2
=
( )
25
5 , 242
25 , 587 . 2
2

=
25
25 , 806 . 58
25 , 587 . 2
= 2.587,25 2.352,25 = 235,00
284
SQ Linhas =
( )
N
X

2 2
t
L
=
( ) ( ) ( ) ( )
25
5 , 242
5
7 , 53 ... 6 , 47 4 , 46
2 2 2 2

+ + +
=
25
25 , 806 . 58
5
69 , 883 . 2 ... 76 , 265 . 2 96 , 152 . 2

+ + +
=
25
25 , 806 . 58
5
81 , 824 . 11

= 2.364,96 2.352,25 = 12,71


SQ Colunas =
( )
N
X

2 2
t
C
=
( ) ( ) ( ) ( )
25
5 , 242
5
3 , 45 ... 8 , 49 8 , 47
2 2 2 2

+ + +
=
25
25 , 806 . 58
5
09 , 052 . 2 ... 04 , 480 . 2 84 , 284 . 2

+ + +
=
25
25 , 806 . 58
5
13 , 823 . 11

= 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
285
SQ Tratamentos =
( )
N
X

T
2 2
t
=
( ) ( ) ( ) ( )
25
5 , 242
5
6 , 67 ... 7 , 34 6 , 36
2 2 2 2

+ + +
=
25
25 , 806 . 58
5
76 , 569 . 4 ... 09 , 204 . 1 56 , 339 . 1

+ + +
=
25
25 , 806 . 58
5
77 , 634 . 12

= 2.526,95 2.352,25 = 174,70


SQ Resduo = SQ Total (SQ Tratamentos + SQ Linhas + SQ Colunas)
= 235,00 (174,70 + 12,71 + 12,38)
= 235,00 199,79 = 35,21
QM Tratamentos =
s Tratamento GL
s Tratamento SQ
=
4
70 , 174
= 43,675
QM Resduo =
sduo GL
sduo SQ
Re
Re
=
12
21 , 35
= 2,9342
F Calculado =
sduo QM
s Tratamento QM
Re
= ~
9342 , 2
675 , 43
14,88
F Tabelado (1%) = 5,41
F Tabelado (5%) = 3,26
286
TABELA 8.2 ANLISE DA VARINCIA DA PRODUO DE GROS
(kg/PARCELA) DE CULTIVARES DE FEIJO (Phaseolus vulgaris
L.). MACEI-AL, 1978
Causa de Variao GL SQ QM F
Cultivares
4 174,70 43,6750 14,88 **
Linhas 4 12,71 - -
Colunas 4 12,38 - -
Resduo 12 35,21 2,9342
Total 24 235,00
NOTA: (**) Significativo no nvel de 1% de probabilidade.
De acordo com o teste F, houve diferena significativa, no nvel de
1% de probabilidade, entre as cultivares de feijo em relao produo de
gros.
b) Coeficiente de Variao:
m =
( )
N
X
=
25
5 , 242
= 9,7
sduo QM s Re =
= 9342 , 2 = 1,71295
CV =
m
s x

100
=
7 , 9
71295 , 1 100 x
= ~
7 , 9
295 , 171
17,66%
287
O coeficiente de variao foi 17,66%, indicando uma preciso
experimental regular.
c) Teste de Tukey:
m
A
= 7,32 m
D
= 8,60
m
B
= 6,94 m
E
= 13,52
m
C
= 12,12
( )
r
s
q = A % 5
=
5
71295 , 1 51 , 4 x
= ~
236068 , 2
7254045 , 7
3,45
Pode-se estruturar uma tabela ilustrativa das comparaes entre as
mdias, conforme se verifica a seguir:
TABELA 8.3 PRODUO MDIA DE GROS (EM kg/PARCELA) DE CULTIVARES
DE FEIJO (Phaseolus vulgaris L.) MACEI-AL, 1978
Cultivares Mdia (kg/parcela) 1/
VAGEM ROXA 6,94 a
RIM DE BOI 7,32 a
COSTA RICA 8,60 a
ROSINHA 12,12 b
RICO 23 13,52 b
NOTA: (1/) As mdias seguidas pela mesma letra no diferem estatisticamente entre si pelo
teste de Tukey, no nvel de 5% de probabilidade.
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
tem-se:
288
As cultivares de feijo RICO 23 e ROSINHA no diferiram
estatisticamente entre si, e apresentaram uma produo de gros superior a
todas as outras cultivares.
A cultivar VAGEM ROXA apresentou a menor produo de gros,
apesar de no diferir estatisticamente das cultivares de feijo RIM DE BOI e
COSTA RICA.
8.4 Exemplo com uma Parcela Perdida
Quando por um motivo qualquer ocorrer perda de uma parcela,
durante a conduo de um experimento em quadrado latino, deve-se proceder
da seguinte maneira:
a) Em primeiro lugar, estima-se o valor da parcela perdida, atravs da
frmula:
( )
( )( ) 2 1
2

T + +
=
r r
G x C L r
Y
onde:
r = nmero de repeties do experimento;
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;
G = total geral das parcelas existentes no experimento.
Deve-se salientar que o valor obtido de Y dificilmente ser quele
perdido (que se obteria no experimento). Por outro lado, um valor que
permitir a execuo da anlise da varincia pelo processo comum e que dar
como resultado, para essa anlise, o mesmo que se obteria por processos mais
complicados.
b) O valor de Y colocado no quadro auxiliar da anlise da varincia,
no lugar da parcela perdida. Os clculos so refeitos e a anlise da varincia
feita da maneira usual, tomando-se o cuidado, porm, de se diminuir 1 GL do
Resduo, correspondente parcela perdida.
c) Como a SQ Tratamentos fica ligeiramente superestimada, isto ,
obtm-se um valor acima do correto (daquele que se deveria obter), deve-se,
ento, proceder correo desta soma de quadrados subtraindo-a do valor de
U dado pela frmula:
U =
2
1
|
.
|

\
|
r
r ( )
( )
2
2
1
(

r
G C L r
Y
289
onde:
r = nmero de repeties do experimento;
Y = estimativa da parcela perdida;
L = total da linha onde ocorreu a parcela perdida;
C = total da coluna onde ocorreu a parcela perdida;
G = total geral das parcelas existentes no experimento.
Como foi visto no captulo anterior, essa correo, em geral, influi
pouco, de sorte que muitas vezes se dispensa. Quando, porm, o valor de F
calculado, sem correo, for significativo e estiver prximo do valor de F
tabelado, essa correo poder, em alguns casos, fazer com que a significncia
deixe de existir, sendo necessrio faz-la. Quando o valor de F calculado, sem
correo, for no significativo, a correo desnecessria, porque ela sempre
diminui o valor de F.
d) Na comparao de mdias de tratamentos, se for utilizado os testes
de Tukey, de Duncan e SNK, as frmulas a serem usadas na comparao da
mdia do tratamento que perdeu uma parcela com uma mdia qualquer devem
ser, respectivamente:
( )
2

2
Y s
q = A
,
( )
2

2
Y s
z D =
e
( )
2

2
Y s
q SNK =
A seguir, apresentar-se- um exemplo com uma parcela perdida neste
tipo de delineamento, a fim de que se possa efetuar a anlise da varincia e
interpretar os resultados.
Considerando os dados do Exemplo 1, onde se supe que na TABELA
8.1 perdeu-se a parcela referente ao tratamento D da 1 linha, pede-se:
a) Estimar o valor da parcela perdida;
b) Fazer a anlise da varincia;
c) Obter o coeficiente de variao;
d) Aplicar, se necessrio, o teste de Tukey, no nvel de 5% de
probabilidade, na comparao de mdias de tratamentos.
290
TABELA 8.1 PRODUO DE GROS (kg/PARCELA) DE CULTIVARES DE FEIJO
(Phaseolus vulgaris L.)
Linhas

Colunas
Totais de Linhas
1 2 3
4
5
1 B*
7,6
A
8,2
D
Y
E
11,2
C
9,0
36,0 + Y
2 C
10,4
B
5,4
E
16,0
A
7,4
D
8,4
47,6
3 A
6,0
D
7,2
B
7,0
C
11,0
E
12,4
43,6
4 D
8,8
E
13,0
C
14,2
B
7,2
A
8,0
51,2
5 E
15,0
C
16,0
A
7,0
D
8,2
B
7,5
53,7
Totais de Colunas
47,8 49,8 44,2 + Y 45,0 45,3
232,1 + Y
FONTE: PEDROSA (1978).
NOTA: (*) A RIM DE BOI; B VAGEM ROXA; C ROSINHA; D COSTA RICA; E RICO 23.
Resoluo:
a) Estimativa da Parcela Perdida:
r = 5
L = 36,0
C = 44,2
T = 32,6
G = 232,1
( )
( )( ) 2 1
2

T + +
=
r r
G x C L r
Y
=
( )
( )( ) 2 5 1 5
1 , 232 2 6 , 32 2 , 44 0 , 36 5

+ + x
291
=
( )
3 4
2 , 464 8 , 112 5
x

=
12
2 , 464 0 , 564
= ~
12
8 , 99
8,3
TABELA 8.4 PRODUO DE GROS (kg/PARCELA) DE CULTIVARES DE FEIJO
(Phaseolus vulgaris L.)
Linhas

Colunas
Totais de Linhas
1 2 3 4 5
1 B*
7,6
A
8,2
D
8,3
E
11,2
C
9,0
44,3
2 C
10,4
B
5,4
E
16,0
A
7,4
D
8,4
47,6
3 A
6,0
D
7,2
B
7,0
C
11,0
E
12,4
43,6
4 D
8,8
E
13,0
C
14,2
B
7,2
A
8,0
51,2
5 E
15,0
C
16,0
A
7,0
D
8,2
B
7,5
53,7
Totais de Colunas
47,8 49,8 52,5 45,0 45,3
240,4
FONTE: PEDROSA (1978).
NOTA: (*) A RIM DE BOI; B VAGEM ROXA; C ROSINHA; D COSTA RICA; E RICO 23.
b) Anlise da Varincia:
X = 7,6 + 8,2 + ... + 7,5 = 240,4
X
2
= (7,6)
2
+ (8,2)
2
+ ... + (7,5)
2

= 57,76 + 67,24 +...+ 56,25 = 2.547,98
t = 5
r = 5
292
N = t
2

= (5)
2
= 25
GL Tratamentos = t 1
= 5 1 = 4
GL Linhas = t 1
= 5 1 = 4
GL Colunas = t 1
= 5 1 = 4
GL Resduo = (t 1) (t 2) N de Parcelas Perdidas
= (5 1) (5 2) 1
= (4) (3) 1
= 12 1 = 11
GL Total = N 1 N de Parcelas Perdidas
= (25 1) 1
= 24 1 = 23
SQ Total =
( )
N
X
X
2
2
=
( )
25
4 , 240
98 , 547 . 2
2

= 2.547,98
25
16 , 792 . 57
= 2.547,98 2.311,6864 = 236,2936
293
SQ Linhas =
( )
N
X

2 2
t
L
=
( ) ( ) ( ) ( )
25
4 , 240
5
7 , 53 ... 6 , 47 3 , 44
2 2 2 2

+ + +
=
25
16 , 792 . 57
5
69 , 883 . 2 ... 76 , 265 . 2 49 , 962 . 1

+ + +
=
25
16 , 792 . 57
5
34 , 634 . 11

= 2.326,868 2.311,6864 = 15,1816


SQ Colunas =
( )
N
X

2 2
t
C
=
( ) ( ) ( ) ( )
25
4 , 240
5
3 , 45 ... 8 , 49 8 , 47
2 2 2 2

+ + +
=
25
16 , 792 . 57
5
09 , 052 . 2 ... 04 , 480 . 2 84 , 284 . 2

+ + +
=
25
16 , 792 . 57
5
22 , 598 , 11

= 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
294
SQ Tratamentos =
( )
N
X

T
2 2
r

=
( ) ( ) ( ) ( )
25
4 , 240
5
6 , 67 ... 7 , 34 6 , 36
2 2 2 2

+ + +
=
25
16 , 792 . 57
5
76 , 569 . 4 ... 09 , 204 . 1 56 , 339 . 1

+ + +
=
25
16 , 792 . 57
5
58 , 458 . 12

= 2.491,716 2.311,6864 = 180,0296


SQ Resduo = SQ Total (SQ Tratamentos + SQ Linhas + SQ Colunas)
= 236,2936 (180,0296 + 15,1816 + 7,9576)
= 236,2936 203,1688 = 33,1248
QM Tratamentos =
s Tratamento GL
s Tratamento SQ
=
4
0296 , 180
= 45,0074
QM Resduo =
sduo GL
sduo SQ
Re
Re
= ~
11
1248 , 33
3,011346
F Calculado =
sduo QM
s Tratamento QM
Re
=
011346 , 3
0074 , 45
~ 14,95
F Tabelado (1%) = 5,67
F Tabelado (5%) = 3,26
295
TABELA 8.5 ANLISE DA VARINCIA DA PRODUO DE GROS
(kg/PARCELA) DE CULTIVARES DE FEIJO (Phaseolus vulgaris
L.). MACEI-AL, 1978
Causa de Variao GL SQ QM F
Cultivares
4 180,0296 45,007400 14,95 **
Linhas 4 15,1816 - -
Colunas 4 7,9576 - -
Resduo 11 33,1248 3,011346
Total 23 236,2936
NOTA: (**) Significativo no nvel de 1% de probabilidade.
De acordo com o teste F, houve diferena significativa, no nvel de
1% de probabilidade, entre as cultivares de feijo em relao produo de
gros.
c) Coeficiente de Variao:
m =
( )
N
X
=
25
4 , 240
= 9,616
sduo QM s Re =
= 011346 , 3 = 1,735323
CV =
m
s x

100
=
616 , 9
735323 , 1 100 x
= ~
616 , 9
5323 , 173
18,05%
296
O coeficiente de variao foi 18,05%, indicando uma preciso
experimental regular.
d) Teste de Tukey:
m
A
= 7,32 m
D
= 8,18
m
B
= 6,94 m
E
= 13,52
m
C
= 12,12
( )
r
s
q = A % 5
1
=
5
735323 , 1 57 , 4 x
= ~
236068 , 2
9304261 , 7
3,55
( )
( )
2

% 5
2
2
Y s
q = A
= q
( )( )
sduo QM
r r r
Re
2 1
1 2
2
1
(


+
=
( )( )
011346 , 3
2 5 1 5
1
5
2
2
1
57 , 4
(


+

=
( )( )
011346 , 3
3 4
1
5
2
2
1
57 , 4
(

+
= 011346 , 3
12
1
5
2
2
1
57 , 4
(

+
= 011346 , 3
60
5
60
24
2
1
57 , 4
(

+
297
= 011346 , 3
60
29
2
1
57 , 4 |
.
|

\
|
=
2
011346 , 3 48333 , 0
57 , 4
x
=
2
4554839 , 1
57 , 4
= 72774 , 0 57 , 4
= ~ 85307 , 0 57 , 4 x 3,90
O Valor de A
1
usado para comparar contrastes entre duas mdias de
tratamentos para os quais no houve perda de parcela, enquanto que o valor de
A
2
usado para comparar constantes envolvendo a mdia do tratamento para
o qual ocorreu perda de parcela e outra mdia qualquer (sem perda de parcela).
TABELA 8.6 PRODUO MDIA DE GROS (EM kg/PARCELA) DE CULTIVARES
DE FEIJO (Phaseolus vulgaris L.) MACEI-AL, 1978
Cultivares Mdia (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 mdias seguidas pela mesma letra no diferem estatisticamente entre si pelo
teste de Tukey, no nvel de 5% de probabilidade.
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
tem-se:
As cultivares de feijo RICO 23 e ROSINHA no diferiram
estatisticamente entre si, e apresentaram uma produo de gros superior a
todas as outras cultivares.
298
A cultivar VAGEM ROXA apresentou a menor produo de gros,
apesar de no diferir estatisticamente das cultivares de feijo 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 variao nos valores obtidos,
no houve alterao nas concluses.
Vale ressaltar que quando ocorrerem duas ou mais parcelas perdidas
no delineamento em quadrado latino o procedimento a ser adotado aquela
usado para o delineamento em blocos casualizados com as respectivas
adaptaes.
8.5 Exerccios
a) Considerando-se que os dados da TABELA 8.7 foram resultantes
de um ensaio conduzido no delineamento em quadrado latino, pede-se:
a.1) Fazer a anlise da varincia;
a.2) Obter o coeficiente de variao;
a.3) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de cultivares;
a.4) Considerando-se que a parcela B da 5 linha foi perdida, fazer a
sua estimativa e, em seguida, a anlise da varincia;
a.5) Obter o coeficiente de variao;
a.6) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de cultivares;
a.7) Comparar os dois coeficientes de variao e tirar as suas
concluses.
299
TABELA 8.7 DADOS DE PRODUO DE CANA-PLANTA (EM kg/PARCELA) DE
CULTIVARES DE CANA-DE-ACAR (Saccharum officinarum L.)
Linhas
Colunas
Totais de Linhas
1 2 3 4 5
1 D*
432
A
518
B
458
C
583
E
331
2.322
2 C
724
E
478
A
524
B
550
D
400
2.676
3 E
489
B
384
C
556
D
297
A
420
2.146
4 B
494
D
500
E
313
A
486
C
501
2.294
5 A
515
C
660
D
438
E
394
B
318
2.325
Totais de Colunas 2.654 2.540 2.289 2.310 1.970 11.763
FONTE: GOMES (1985).
NOTA: (*) A = Co 290; B = Co 421; C = Co 419; D = POJ 2878; E = CP 3613.
300
301
9
REGRESSO E
CORRELAO
At ento se tem estudado as medidas de variabilidade de dados
somente com uma varivel. Far-se- agora um estudo de tais medidas
envolvendo simultaneamente duas variveis. Este estudo realizado atravs da
regresso e correlao. A regresso consiste na estimao de uma varivel
dependente a partir de outra varivel independente. Por outro lado, a
correlao determina o grau de relao entre as variveis, ou seja, procura
determinar quo bem uma equao linear, ou de outra espcie, descreve ou
explica a relao entre as variveis.
O estudo de regresso exerce papel relevante dentro do campo da
Estatstica Experimental, devido a sua larga aplicao na interpretao de
resultados experimentais, e tem por objetivo determinar a relao existente
entre uma caracterstica qualquer de interesse experimental, dependente, e
outra caracterstica independente, tomadas juntas. O pesquisador, geralmente,
escolhe os valores da varivel independente e depois estabelece a relao
existente entre os valores das duas variveis. Tal relao expressa por uma
funo matemtica (equao de regresso), onde se diz que a varivel
dependente (Y) uma funo da varivel independente (X).
Veja-se, como exemplo, um experimento para determinar o efeito de
doses crescentes de nitrognio (X) na produo de uma forrageira (Y).
Parcelas 1 2 3 4 5
Doses de Nitrognio (kg/ha) (X) 0,0 50,0 100,0 150,0 200,0
Produo 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 nitrognio, aumenta a
produo de forragem. Verifica-se que a relao entre as duas variveis
aproximadamente linear, e pode ser representada por uma linha reta (curva de
regresso), passando entre os pontos de um diagrama de disperso, conforme
302
apresentado na FIGURA 9.1. Porm nem sempre assim, pois a regresso
pode no ser linear, mas polinomial, tornando mais complexo o seu estudo.
FIGURA 9.1 DIAGRAMA DE DISPERSO ENTRE DOSES DE NITROGNIO E A
PRODUO DE FORRAGEM
Para a maioria dos casos, tem-se uma regresso linear pelo menos para
os valores de X adotados em pesquisa agropecuria, cuja equao de regresso
:
= a + bX
onde:
= estimativa da varivel dependente;
a = intercepo no eixo dos Y, ou seja, o valor de Y quando X = 0;
b = coeficiente angular da reta, isto , b = tg u (o ngulo 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 = varivel independente.
As estimativas dos parmetros a e b so obtidos pelas frmulas:
X b Y =

=
N
X
X
N
Y X
XY
b
2
2
) (
) )( (


303
onde:
Y = mdia de Y;
X = mdia de X;
N = nmero de observaes.
Considerando os dados do exemplo citado anteriormente, tem-se a
seguinte equao de regresso:
EX = 0,0 + 50,0 + ... + 200,0 = 500,0
EY = 1.828,8 + 2.438,4 + ... + 3.403,6 = 13.665,2
N = 5
EX
2
= (0,0)
2
+ (50,0)
2
+ ... + (200,0)
2

= 0,0 + 2.500,0 + ... + 40.000,0 = 75.000,0
EXY = (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
b

N
X
X
N
Y X
XY
2
2
) (
) )( (

=
5
) 0 , 500 (
0 , 000 . 75
5
) 2 , 665 . 13 )( 0 , 500 (
0 , 560 . 559 . 1
2


=
5
0 , 000 . 250
0 , 500 . 75
5
0 , 600 . 832 . 6
0 , 560 . 559 . 1


=
0 , 000 . 50 0 , 500 . 75
0 , 520 . 366 . 1 0 , 560 . 559 . 1

304
=
0 , 500 . 25
0 , 040 . 193
= 7,570196
N
Y
Y

=
=
5
2 , 665 . 13
= 2.733,04
N
X
X

=
=
5
0 , 500
= 100,0
X b Y =
= ( ) 0 , 100 570196 , 7 04 , 733 . 2 x
= 2.733,04 757,0196 = 1.976,0204
= a + bX
= 1.976,0204 + 7,570196 X
preciso ressaltar que a determinao da equao de regresso deve
ser precedida de uma anlise de varincia, a fim de comprovar estatisticamente
se os dados apresentam a suposta relao linear entre as variveis X e Y.
Quando duas variveis no podem ser consideradas uma independente
e outra dependente, em funo de ambas estarem sujeitas e erros
experimentais ponderveis, como por exemplo, comprimento e largura de
folhas de plantas, teor de potssio do solo e aumento de produo de cana-de-
acar, brotamento e capacidade de armazenamento de bulbos de cebola, peso
e produo de leite de vacas leiteiras, etc., o emprego da regresso no
satisfatrio e far-se- uso, para esses casos, da correlao.
9.1 Coeficiente de Correlao
Em casos como o que foi mencionado anteriormente, h interesse em
determinar o grau de relao entre as duas vaiveis. Essa relao pode ser
medida pelo coeficiente de correlao, cuja estimativa obtida atravs da
frmula:
305
(
(

(
(


N
Y
Y
N
X
X
N
Y X
XY
r
2
2
2
2
) ( ) (
) )( (
O valor de r pode variar de 1 a + 1. Os valores 1 e + 1 indicam o
mximo de correlao; o sinal (+ ou ) indica o sentido da correlao; o valor
0 significa independncia das variveis, isto , no existe correlao.
Um problema a resolver o de provar o valor de r obtido, a fim de
verificar se difere de zero, valor que deveria assumir, teoricamente, na
ausncia de correlao. H vrios mtodos para isso. Um deles consiste em
calcular t atravs da frmula:
2
1
2

= N
r
r
t
onde:
t = valor calculado do teste t com N 2 graus de liberdade;
r = estimativa do coeficiente de correlao;
N = nmero de observaes.
Exemplo 1: A partir dos dados da TABELA 9.1, pede-se:
a) Obter a estimativa do coeficiente de correlao;
b) Aplicar o teste t e verificar se o valor de r significativo.
306
TABELA 9.1 COMPORTAMENTO DE CULTIVARES DE CEBOLA (Allium cepa L.)
EM RELAO AO CARTER BROTAMENTO E AO CARTER
CAPACIDADE DE ARMAZENAMENTO
Cultivares
Carter brotamento
(em dias)
Carter Capacidade de
Armazenamento (em %)
BAIA DO CEDO SMJ-III 76,1 30,0
BAIA DO CEDO SMP-V
BAIA PERIFORME
68,1

104,8
65,0
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
TUBARO 80,4 40,0
WHITE CREOLE 44,8 35,0
FONTE: FERREIRA (1982).
Resoluo:
307
a) Estimativa do Coeficiente de Correlao:
X = carter brotamento (em dias);
Y = carter capacidade de armazenamento (em %);
EX = 76,1 + 68,1 + ... + 44,8 = 1.587,2
EY = 30,0 + 65,0 + ... + 35,0 = 955,0
EX
2
= (76,1)
2
+ (68,1)
2
+ ... + (44,8)
2

= 5.791,21 + 4.637,61 + ... + 2.007,04 = 110.220,82
EY
2
= (30,0)
2
+ (65,0)
2
+ ... + (35,0)
2

= 900,0 + 4.225,0 + ... + 1.225,0 = 48.925,0
EXY = (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
(
(

(
(


N
Y
Y
N
X
X
N
Y X
XY
r
2
2
2
2
) ( ) (
) )( (

=
(

25
) 0 , 955 (
0 , 925 . 48
25
) 2 , 1587 (
82 , 220 . 110
25
) 0 , 955 )( 2 , 587 . 1 (
5 , 789 . 67
2 2
=
(

25
0 , 025 . 912
0 , 925 . 48
25
8 , 203 . 519 . 2
82 , 220 . 110
25
0 , 776 . 515 . 1
5 , 789 . 67
=
| || | 0 , 481 . 36 0 , 925 . 48 15 , 768 . 110 82 , 220 . 110
04 , 631 . 60 5 , 789 . 67



308
=
| || | 0 , 444 . 12 67 , 452 . 9
46 , 158 . 7
=
0 , 000 . 620 . 117
46 , 158 . 7
~ =
692 , 845 . 10
46 , 158 . 7
0,66
b) Teste t:
t 2
1
2

= N
r
r

=
( )
2
66 , 0 1
2 25 66 , 0


=
4356 , 0 1
23 66 , 0

=
5644 , 0
7958315 , 4 66 , 0 x
= ~
7512656 , 0
1652488 , 3
4,21
t Tabelado (1%) = 2,81
t Tabelado (5%) = 2,07
O valor de r (0,66**) foi significativo no nvel de 1% de probabilidade
pelo teste t, indicando que existe uma correlao positiva entre os caracteres
brotamento e capacidade de armazenamento, ou seja, quanto maior o perodo
de brotamento de bulbos de cebola, maior ser a capacidade de
armazenamento dos mesmos.
Podem-se representar graficamente os coeficientes de correlao,
bastando apenas colocar os dados sobre dois eixos (diagrama de disperso). A
seguir, apresentar-se-o, atravs da FIGURA 9.2, diversos tipos de diagramas
de disperso com seus coeficientes de correlao associados, os quais serviro
de modelo para a interpretao grfica de tais coeficientes.
309
FIGURA 9.2 DIVERSOS TIPOS DE DIAGRAMAS DE DISPERSO COM SEUS
COEFICIENTES DE CORRELAO ASSOCIADOS
9.2 Coeficiente de Determinao
O coeficiente de determinao (
2
R ) uma medida estatstica que
representa a porcentagem de variao em Y (varivel dependente) que est
sendo explicada pela equao de regresso.
No caso de dados com repeties, a estimativa do coeficiente de
determinao obtida atravs da frmula:
s Tratamento SQ
x gresso SQ
R
100 Re
2
=
onde:
SQ Regresso = soma das SQ Regresso at a regresso de maior grau que
apresentou significncia estatstica pelo teste F na anlise de
varincia;
SQ Tratamentos = soma de quadrados de tratamentos da anlise de varincia.
No caso de dados sem repeties, a sua estimativa obtida atravs da
frmula:
310
Total SQ
x gresso SQ
R
100 Re
2
=
onde:
SQ Regresso = soma das SQ Regresso at a regresso de maior grau que
apresentou significncia estatstica pelo teste F na anlise de
varincia;
SQ Total = soma de quadrados total da anlise de varincia.
O
2
R assume valores entre 0 e 1. Se
2
R = 1, a equao de regresso
explica 100% da variao de Y (varivel dependente) em funo da variao
de X (varivel independente). Se
2
R = 0,5, a equao de regresso explica
somente 50% da variao de Y em funo da variao de X, os outros 50% da
variao no explicado por essa relao. Se
2
R = 0, no h uma relao entre
as variveis X e Y.
No caso de regresso linear simples, o coeficiente de determinao
poder ser calculado atravs do quadrado do coeficiente de correlao (r), ou
seja,
2 2
R r = .
Considerando os dados do Exemplo 1, tem-se:
( )
2 2
r R =
= ( )
2
66 , 0 = 0,4356
O valor de
2
R (0,4356) explica apenas 43,56% da relao positiva
entre o perodo de brotamento de bulbos de cebola e a sua capacidade de
armazenamento, enquanto que o restante da variao (56,44%) no
explicado por essa relao.
9.3 Regresso Linear na Anlise de Varincia
J foi visto anteriormente, no Captulo 4, que a anlise de varincia s
tem validade se o pesquisador atender as suas suposies. Uma delas que os
erros de observao devem ser independentes, consequentemente no
correlacionados. Quando esta hiptese no se verifica, a anlise de varincia
deve refletir a dependncia entre os erros de observao, sob pena de no ser
vlida. Assim acontece no caso em que os tratamentos so quantitativos (doses
crescentes de um fertilizante ou de um inseticida, ou datas de semeadura, por
exemplo) com mais de dois nveis, e se justifica a existncia de uma
correspondncia funcional, chamada equao de regresso, que ligue os
valores dos tratamentos (X) aos dados analisados (Y).
O procedimento de anlise de varincia o seguinte:
311
a) Analisam-se os dados experimentais da varivel Y de acordo com o
delineamento estatstico utilizado;
b) Calcula-se a Soma de Quadrados de Regresso Linear atravs da
seguinte frmula:
2
2
2
) (
) )( (
Re
N
X
X
N
Y X
XY
Linear gresso SQ

(
(

=
onde:
Y = varivel dependente;
X = varivel independente;
N = nmero de observaes;
c) Calcula-se a Soma de Quadrados de Desvios de Regresso pela
diferena entre a Soma de Quadrados de Tratamentos e a Soma de Quadrados
de Regresso Linear;
d) Obtm-se os Graus de Liberdade de Regresso Linear e de Desvios
de Regresso da seguinte maneira:
Regresso Linear = 1 GL
Desvios de Regresso = t 2 GL
onde:
t = nmero de tratamentos (varivel X);
e) Calculam-se os Quadrados Mdios de Regresso Linear e de
Desvios de Regresso dividindo-se suas Somas de Quadrados pelos seus
respectivos Graus de Liberdade;
f) A significncia estatstica da Regresso Linear e dos Desvios de
Regresso dada pelo teste F, sendo que os valores dos Fs calculados so
obtidos da seguinte maneira:
F Calculado para Regresso Linear =
sduo QM
Linear gresso QM
Re
Re

F Calculado para Desvios de Regresso =
sduo QM
gresso de Desvios QM
Re
Re
312
g) No caso de ser significativo apenas a Regresso Linear, calcula-
se a equao de regresso ( = a + bX) para se obterem os valores mdios
esperados de tratamentos. Com estes valores mdios esperados e as mdias
observadas de tratamentos podem-se calcular os desvios, cuja soma algbrica
deve ser nula;
h) Em caso contrrio, ou seja, se os Desvios de Regresso forem
significativos indicam a existncia de outros tipos de regresso (Regresso
Quadrtica, Regresso Cbica, etc.). Neste caso, deve-se fazer o
desdobramento dos Graus de Liberdade de Desvios de Regresso nos seus
diversos tipos, atravs do mtodo dos polinmios ortogonais, o qual ser visto
posteriormente.
Exemplo 2: A partir dos dados da TABELA 9.2, pede-se:
a) Fazer a anlise da varincia;
b) Obter o coeficiente de variao;
c) Fazer a anlise da varincia levando-se em conta a regresso linear;
d) Obter a equao de regresso linear;
e) Obter o coeficiente de determinao.
TABELA 9.2 - DADOS DE ALTURA (EM CENTMETROS) DE PLANTAS DE ALFACE
(Lactuca sativa L.) EM RELAO AOS NVEIS DE ADUBAO
ORGNICA (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 m
2
.
Resoluo:
a)Anlise da Varincia:
t = 4
r = 6
N = t x r
313
= 4 x 6 = 24
GL Tratamentos = t 1
= 4 1 = 3
GL Resduo = t (r 1)
= 4 (6 1)
= 4 (5) = 20
GL Total = t x r 1
= 4 x 6 1
= 24 1 = 23
EY = 8,07 + 8,17 + ... + 12,21 = 235,54
EY
2
= (8,07)
2
+ (8,17)
2
+ ... + (12,21)
2
= 65,1249 + 66,7489 + + 149,0841 = 2.427,9192
SQ Total


=
N
Y
Y
2
2
) (
( )
24
54 , 235
9192 , 427 . 2
2
=
= 2.427,9192
24
0916 , 479 . 55

= = 6288 , 311 . 2 9192 , 427 . 2 116,2904


SQ Tratamentos
( )
N
Y
r
T
2 2

=
=
( ) ( ) ( ) ( ) ( )
24
54 , 235
6
11 , 70 90 , 59 03 , 54 50 , 51
2 2 2 2 2

+ + +
314
=
24
0916 , 479 . 55
6
4121 , 915 . 4 01 , 588 . 3 2409 , 919 . 2 25 , 652 . 2

+ + +
=
24
0916 , 479 . 55
6
913 , 074 . 14

= 2.345,8188 2.311,6288 = 34,19


SQ Resduo = SQ Total SQ Tratamentos
= 116,2904 34,19 = 82,1004
QM Tratamentos =
s Tratamento GL
s Tratamento SQ

= =
3
19 , 34
11,396667
QM Resduo =
sduo GL
sduo SQ
Re
Re

= =
20
1004 , 82
4,10502
F Calculado =
sduo QM
s Tratamento QM
Re

= ~
10502 , 4
396667 , 11
2,78
F Tabelado (1%) = 4,94
F Tabelado (5%) = 3,10
315
TABELA 9.3 ANLISE DA VARINCIA DO EFEITO DE NVEIS DE ADUBAO
ORGNICA (ESTERCO DE BOI) NA ALTURA DE PLANTAS DE
ALFACE (Lactuca sativa L.) VIOSA AL. 1985
Causa de Variao GL SQ QM F
Adubao Orgnica 3 34,1900 11,396667 2,78
ns
Resduo 20 82,1004 4,105020
Total 23 116,2904
NOTA: (ns) No significativo no nvel de 5% de probabilidade.
De acordo com o teste F, no houve diferena significativa, no nvel
de 5% de probabilidade, entre os nveis de adubao orgnica em relao
altura de plantas de alface.
O fato de no ser levado em conta regresso o resultado obtido pelo
teste F estaria em desacordo com a realidade, pois se verifica uma tendncia
de aumento da altura de plantas de alface com o aumento no nvel de adubao
orgnica. Portanto, para que seja feita uma anlise correta h necessidade do
emprego da regresso na anlise da varincia, pois se trata de tratamentos
quantitativos e tm-se mais de dois nveis de adubao orgnica.
b) Coeficiente de Variao:
( )
N
Y
m

=
= ~
24
54 , 235
9,814
sduo QM s Re =
= 105020 , 4 = 2,0260849
m
s x
CV

100
=
=
814 , 9
0260849 , 2 100 x
316
= ~
814 , 9
60849 , 202
20,64%
O coeficiente de variao foi 20,64%, indicando uma preciso
experimental regular.
c)Anlise da Varincia com Regresso Linear:
GL de Regresso Linear = 1
GL de Desvios de Regresso = t 2
= 4 2 = 2
N = t x r
= 4 x 6 = 24
( ) ) 6 0 , 40 ( ) 6 0 , 30 ( ) 6 0 , 20 ( 6 0 , 0 x x x x X + + + =


= 0,0 + 120,0 + 180,0 + 240,0 = 540,0

= + + + = 21 , 12 ... 17 , 8 07 , 8 Y 235,54
| | | | | | | | 6 ) 0 , 40 ( 6 ) 0 , 30 ( 6 ) 0 , 20 ( 6 ) 0 , 0 (
2 2 2 2 2
x x x x X + + + =


= ) 6 0 , 600 . 1 ( ) 6 0 , 900 ( ) 6 0 , 400 ( ) 6 0 , 0 ( x x x x + + +

= ) 0 , 600 . 9 ( ) 0 , 400 . 5 ( ) 0 , 400 . 2 ( ) 0 , 0 ( + + + = 17.400,0

+ + + = ) 21 , 12 0 , 40 ( ... ) 17 , 8 0 , 20 ( ) 07 , 8 0 , 0 ( x x x XY
= 0,0 + 163,4 + ... + 488,4 = 5.682,0

(
(

=
N
X
X
N
Y X
XY
Linear gresso SQ
2
2
2
) (
) )( (
Re
317
=
24
) 00 , 540 (
00 , 400 . 17
24
) 54 , 235 )( 0 , 540 (
0 , 682 . 5
2
2


=
24
00 , 600 . 291
00 , 400 . 17
24
6 , 191 . 127
0 , 682 . 5
2

|
.
|

\
|

=
( )
00 , 150 . 12 00 , 400 . 17
65 , 299 . 5 00 , 682 . 5
2

=
( )
00 , 250 . 5
35 , 382
2
=
00 , 250 . 5
52 , 191 . 146
= 27,846004
SQ Desvios de Regresso = SQ Tratamentos SQ Regresso Linear
= 34,1900 27,846004 = 6,343996
QMRegresso Linear =
Linear gresso GL
Linear gresso SQ
Re
Re
=
1
846004 , 27
= 27,846004
QMDesvios de Regresso =
gresso de Desvios GL
gresso de Desvios SQ
Re
Re
=
2
343996 , 6
= 3,171998
F Calculado para Regresso Linear =
sduo QM
Linear gresso QM
Re
Re
= ~
105020 , 4
846004 , 27
6,78
318
F Calculado para Desvios de Regresso =
sduo QM
gresso de Desvios QM
Re
Re
= ~
105020 , 4
171998 , 3
0,773
F Tabelado (1%) para Regresso Linear = 8,10
F Tabelado (5%) para Regresso Linear = 4,35
F Tabelado (1%) para Desvios de Regresso = 0,005
F Tabelado (5%) para Desvios de Regresso = 0,0254
Agora, a TABELA 9.3 fica da seguinte maneira:
TABELA 9.3 ANLISE DA VARINCIA DO EFEITO DE NVEIS DE ADUBAO
ORGNICA (ESTERCO DE BOI) NA ALTURA DE PLANTAS DE
ALFACE (Lactuca sativa L.). VIOSA-AL, 1985
Causa de Variao GL SQ QM F
(Adubao Orgnica) (3) (34,190000) - -
Regresso Linear
Desvios de Regresso
1
2
27,846004
6,343996
27,846004
3,171998
6,78 *
0,773
ns
Resduo 20 82,100400 4,105020
Total 23 116,290400
NOTAS: (ns) No significativo no nvel de 5% de probabilidade.
(*) Significativo no nvel de 5% de probabilidade.
De acordo com o teste F, tem-se:
Houve diferena significativa, no nvel de 5% de probabilidade, para a
regresso linear, indicando que quando aumenta o nvel de adubao orgnica
(esterco de boi) ocorre um incremento na altura de plantas de alface.
No houve diferena significativa, no nvel de 5% de probabilidade,
para os desvios de regresso, indicando que a relao entre os nveis de
adubao orgnica (esterco de boi) e altura de plantas de alface determinada
apenas pela regresso linear.
d) Equao de Regresso Linear:

319

=
N
X
X
N
Y X
XY
b
2
2
) (
) )( (

=
24
) 00 , 540 (
00 , 400 . 17
24
) 54 , 235 )( 0 , 540 (
0 , 682 . 5
2

=
24
00 , 600 . 291
00 , 400 . 17
24
6 , 191 . 127
0 , 682 . 5

=
00 , 150 . 12 00 , 400 . 17
65 , 299 . 5 00 , 682 . 5

= ~
0 , 250 . 5
35 , 382
0,072829
N
Y
Y

=
= ~
24
54 , 235
9,814167
N
X
X

=
=
24
0 , 540
= 22,5
X b Y a

=
= 9,814167 5 , 22 072829 , 0 x
= 638653 , 1 814167 , 9 = 8,175514
bX a Y + =

320
= 8,175514 + 0,072829 X
Mdias Esperadas:
0 , 0 072829 , 0 175514 , 8
0
x m + =

= 8,175514 + 0,0 ~ 8,18


0 , 20 072829 , 0 175514 , 8
20
x m + =
= 8,175514 + 1,45658 ~ 9,63
0 , 30 072829 , 0 175514 , 8
30
x m + =
= 8,175514 + 2,18487 ~ 10,36
0 , 40 072829 , 0 175514 , 8
40
x m + =
= 8,175514 + 2,91316 ~ 11,09
Mdias Observadas:
r
Y
m

=
0
0

=
6
50 , 51
~ 8,58
r
Y
m

=
20
20

=
6
03 , 54
~ 9,01
r
Y
m

=
30
30

=
6
90 , 59
~ 9,98
321
r
Y
m

=
40
40

= ~
6
11 , 70
11,69
TABELA 9.4 EFEITO DE NVEIS DE ADUBAO ORGNICA (ESTERCO DE BOI)
NA ALTURA DE PLANTAS DE ALFACE (Lactuva sativa L.). VIOSA-
AL, 1985
Nveis de Adubao Orgnica Mdias (cm) Desvios de
Esperada (A) Observada (B)
Regresso (A B)
0 Kg de Esterco de boi/3,6 m
2
8,18 8,58
0,40
20 Kg de Esterco de boi/3,6 m
2
9,63 9,01 0,62
30 Kg de Esterco de boi/3,6 m
2
10,36 9,98 0,38
40 Kg de Esterco de boi/3,6 m
2
11,09 11,69
0,60
FIGURA 9.3 EFEITO DE NVEIS DE ADUBAO ORGNICA (ESTERCO DE BOI)
NA ALTURA DE PLANTAS DE ALFACE (Lactuca sativa L.) VIOSA
AL. 1985
Verifica-se que quando aumenta o nvel de adubao orgnica (esterco
de boi) ocorre um incremento na altura de plantas de alface de forma
aproximadamente linear, conforme TABELA 9.4 e FIGURA 9.3.
322
d) Coeficiente de determinao:
s Tratamento SQ
x gresso SQ
R
100 Re
2
=
=
190000 , 34
100 846004 , 27 x
= ~
1900 , 34
6004 , 784 . 2
81,44%
O valor de
2
R explica 81,44% do incremento na altura de plantas de
alface em funo do aumento do nvel de adubao orgnica (esterco de boi)
determinado pela equao linear.
Diante deste exemplo, fica evidente a importncia da regresso na
anlise de varincia. Se a regresso no fosse empregada, a concluso tirada
acerca dos tratamentos no seria condizente com a realidade.
9.4 Anlise de Regresso Atravs de Polinmios Ortogonais
O mtodo de regresso usado anteriormente na anlise de varincia
prprio para o caso de Regresso Linear. Quando, porm, os Desvios de
Regresso forem significativos, deve-se, ento, utilizar o mtodo dos
polinmios ortogonais.
Neste mtodo, o procedimento de anlise de varincia o seguinte:
a) Analisam-se os dados experimentais da varivel Y de acordo com o
delineamento estatstico utilizado;
b) Calculam-se as Somas de Quadrados de Regresso atravs das
seguintes frmulas:
SQ Regresso Linear
1
2
1
) (
rK
T C

=
SQ Regresso Quadrtica
2
2
2
) (
rK
T C

=
SQ Regresso Cbica
3
2
3
) (
rK
T C

=
323
SQ Regresso de 4 Grau
4
2
4
) (
rK
T C

=
onde:
C = coeficiente para interpolao de polinmios ortogonais, obtido em tabelas
(TABELA A-14);
T = totais de tratamentos;
K = soma de quadrados dos coeficientes;
r = nmero de repeties do experimento, para o caso dos experimentos
simples, e nmero de repeties do experimento (r) multiplicado pelo
nmero de tratamentos do outro grupo (t
N
), para o caso dos
experimentos complexos (fatorial, parcelas subdivididas, etc.);
c) Como, geralmente, na pesquisa agropecuria ocorre efeito
significativo at a Regresso de 4 Grau e quando existem Graus de Liberdade
disponveis, calcula-se a Soma de Quadrados de Desvios de Regresso pela
diferena entre a Soma de Quadrados de Tratamentos e as Somas de
Quadrados de Regresso;
d) Obtm-se os Graus de Liberdade das Regresses e de Desvios de
Regresso da seguinte maneira:
Regresso Linear = 1 GL
Regresso Quadrtica = 1 GL
Regresso Cbica = 1 GL
Regresso de 4 Grau = 1 GL
Desvios de Regresso = GL Tratamentos (GL Regresso Linear +
GL Regresso Quadrtica + GL Regresso Cbica +
GL Regresso de 4 Grau)
e) Calculam-se os Quadrados Mdios de Regresso e de Desvios de
Regresso dividindo-se suas Somas de Quadrados pelos seus respectivos
Graus de Liberdade;
f) A significncia estatstica das Regresses e de Desvios de
Regresso dada pelo teste F, sendo que os valores dos Fs calculados so
obtidos dividindo-se seus respectivos Quadrados Mdios pelo Quadrado
Mdio do Resduo;
324
g) Calcula-se a equao de regresso a partir da regresso de maior
grau que apresentou significncia estatstica pelo teste F. Por exemplo, se
fosse a Regresso de 4 Grau que apresentasse significncia estatstica, a
equao de regresso ficaria assim constituda:
Y Y = B
1
M
1
P
1
+ B
2
M
2
P
2
+ B
3
M
3
P
3
+ B
4
M
4
P
4

onde:
Y = estimativa da varivel dependente;
Y = estimativa da mdia observada da varivel dependente;
B = coeficiente angular, obtido atravs da frmula:
rK
CT
B

=
onde:
C = coeficiente para interpolao de polinmios ortogonais, obtido em tabelas
(TABELA A-14);
T = totais de tratamentos;
K = soma de quadrados dos coeficientes;
r = nmero de repeties do experimento, para o caso dos experimentos
simples, e nmero de repeties multiplicado pelo nmero de
tratamentos do outro grupo que no est em evidncia, para o caso dos
experimentos complexos (fatorial, parcelas subdivididas, etc.);
M = constantes, obtidas em tabela (TABELA A-14);
P
1
= polinmios ortogonais do 1 grau, obtidos atravs da frmula:
P
1
= x
sendo
q
X X
x

=
onde:
X = varivel independente;
X = mdia da varivel independente;
q = diferena entre dois nveis sucessivos de X;
P
2
= polinmios ortogonais do 2 grau, obtidos atravs da frmula:
325
12
1
2
2
2

=
n
x P
onde:
n = nmero de nveis de X;
P
3
= polinmios ortogonais do 3 grau, obtidos atravs da frmula:
x
n
x P
20
7 3
2
3
3

=
P
4
= polinmios ortogonais do 4 grau, obtidos atravs da frmula:
560
) 9 )( 1 ( 3
14
13 3
2 2
2
2
4
4

+

=
n n
x
n
x P
h) Com a equao de regresso obtm-se os valores mdios esperados
de tratamentos. Com tais valores mdios esperados e com as mdias
observadas de tratamentos podem-se calcular os desvios, cuja soma algbrica
deve ser nula.
preciso ressaltar que este procedimento s vlido quando os nveis
de tratamentos so igualmente espaados.
Exemplo 3: A partir dos dados das TABELAS 9.5 e 9.6, pede-se:
a) Fazer a anlise da varincia levando-se em conta a regresso,
atravs da utilizao do mtodo dos polinmios ortogonais;
b) Obter a equao de regresso;
c) Obter o coeficiente de determinao.
TABELA 9.5 DADOS DE PRODUO (em kg/parcela) DE MILHO (Zea mays L.) EM
RELAO AOS NVEIS DE ADUBAO FOSFATADA
Tratamentos I II III IV Totais de Tratamentos
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
FONTE: GOMES (1985).
NOTA: (*): kg de P
2
O
5
/ha.
326
TABELA 9.6 ANLISE DA VARINCIA E COEFICIENTE DE VARIAO DO
EFEITO DE NVEIS DE ADUBAO FOSFATADA NA PRODUO
DE MILHO (Zea mays L.)
Causa de Variao GL SQ QM F
Adubao Fosfatada 4 72,22 18,055 19,84**
Blocos 3 2,73 - -
Resduo 12 10,92

0,910
Total 19 85,87
Coeficiente de Variao: % 11,30
FONTE: GOMES (1985).
NOTA: (**) Significativo no nvel de 1% de probabilidade.
Resoluo:
a) Anlise da Varincia com Regresso:
GL Regresso Linear = 1
GL Regresso Quadrtica = 1
GL Regresso Cbica = 1
GL Regresso de 4 Grau = 1
r = 4
K
1
= 10
K
2
= 14
K
3
= 10
K
4
= 70
327
Totais de Tratamentos (T)
Coeficientes
C
1
C
2
C
3
C
4
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
1
2
1
) (
Re
rK
T C
Linear gresso SQ

=
=
| |
10 4
) 56 , 38 2 ( ) 40 , 37 1 ( ) 20 , 37 0 ( ) 02 , 37 1 ( ) 59 , 18 2 (
2
x
x x x x x + + + + + +
=
| |
40
) 12 , 77 ( ) 40 , 37 ( ) 00 , 0 ( ) 02 , 37 ( ) 18 , 37 (
2
+ + + +
=
40
) 32 , 40 (
2
=
40
7024 , 625 . 1
= 40,64256
2
2
2
) (
Re
rK
T C
Quadrtica gresso SQ

=
=
| |
14 4
) 56 , 38 2 ( ) 40 , 37 1 ( ) 20 , 37 2 ( ) 02 , 37 1 ( ) 59 , 18 2 (
2
x
x x x x x + + + + + +
=
| |
56
) 12 , 77 ( ) 40 , 37 ( ) 40 , 74 ( ) 02 , 37 ( ) 18 , 37 (
2
+ + + +
328
=
56
) 52 , 34 (
2

=
56
6304 , 191 . 1
= 21,279114
3
2
3
) (
Re
rK
T C
Cbica gresso SQ

=
=
| |
10 4
) 56 , 38 1 ( ) 40 , 37 2 ( ) 20 , 37 0 ( ) 02 , 37 2 ( ) 59 , 18 1 (
2
x
x x x x x + + + + + +
=
| |
40
) 56 , 38 ( ) 80 , 74 ( ) 00 , 0 ( ) 04 , 74 ( ) 59 , 18 (
2
+ + + +
=
40
) 21 , 19 (
2
=
40
0241 , 369
= 9,225603
4
2
4
) (
4 Re
rK
T C
Grau de gresso SQ

=
=
| |
70 4
) 56 , 38 1 ( ) 40 , 37 4 ( ) 20 , 37 6 ( ) 02 , 37 4 ( ) 59 , 18 1 (
2
x
x x x x x + + + + + + +
=
| |
280
) 56 , 38 ( ) 60 , 149 ( ) 20 , 223 ( ) 08 , 148 ( ) 59 , 18 (
2
+ + + +
=
280
) 33 , 17 (
2

=
280
3289 , 300
= 1,072603
Linear gresso GL
Linear gresso SQ
Linear gresso QM
Re
Re
Re =
329
=
1
64256 , 40
= 40,64256
Quadrtica gresso GL
Quadrtica gresso SQ
Quadrtica gresso QM
Re
Re
Re =
=
1
279114 , 21
= 21,279114
Cbica gresso GL
Cbica gresso SQ
Cbica gresso QM
Re
Re
Re =
=
1
225603 , 9
= 9,225603
Grau de gresso GL
Grau de gresso SQ
Grau de gresso QM
4 Re
4 Re
4 Re =
=
1
072603 , 1
= 1,072603
F Calculado para Regresso Linear =
sduo QM
Linear gresso QM
Re
Re

= ~
910 , 0
64256 , 40
44,66
F Calculado para Regresso Quadrtica =
sduo QM
Quadrtica gresso QM
Re
Re
= ~
910 , 0
279114 , 21
23,38
F Calculado para a Regresso Cbica =
sduo QM
Cbica gresso QM
Re
Re

= ~
910 , 0
225603 , 9
10,14
330
F Calculado para Regresso de 4 Grau =
sduo QM
Grau de gresso QM
Re
4 Re

= ~
910 , 0
072603 , 1
1,18
F Tabelado (1%) para as Regresses = 9,33
F Tabelado (5%) para as Regresses = 4,75
Agora, a TABELA 9.6 fica da seguinte maneira:
TABELA 9.6 ANLISE DA VARINCIA E COEFICIENTE DE VARIAO DO
EFEITO DE NVEIS DE ADUBAO FOSFATADA NA PRODUO
DE MILHO (Zea mays L.). PIRACICABA-SP, 1985
Causa de Variao GL SQ QM F
(Adubao Fosfatada) (4) (72,220000) - -
Regresso Linear 1 40,642560 40,642560 44,66 **
Regresso Quadrtica 1 21,279114 21,279114 23,38 **
Regresso Cbica
Regresso de 4 Grau
1
1
9,225603
1,072603
9,225603
1,072603
10,14 **

1,18 ns
Blocos 3 2,730000 - -
Resduo

12 10,920000

0,910000
Total

19 85,870000
Coeficiente de Variao (%)

11,30
NOTAS: (ns) No significativo no nvel de 5% de probabilidade.
(**) Significativo no nvel de 1% de probabilidade.
De acordo com o teste F, tem-se:
Houve diferena significativa, no nvel de 1% de probabilidade, para
as Regresses Linear, Quadrtica e Cbica, indicando que a equao de 3
grau explica o aumento da produo de milho em funo dos nveis de
adubao fosfatada.
331
No houve diferena significativa, no nvel de 5% de probabilidade,
para a Regresso de 4 Grau, indicando que a relao entre nveis de adubao
fosfatada e produo de milho determinada apenas pela equao de 3 grau.
b) Equao de Regresso:
N
Y
Y

=
=
20
77 , 168
= 8,4385
1
1
1
rK
T C
B

=
=
10 4
) 56 , 38 2 ( ) 40 , 37 1 ( ) 20 , 37 0 ( ) 02 , 37 1 ( ) 59 , 18 2 (
x
x x x x x + + + + + +
=
40
) 12 , 77 ( ) 40 , 37 ( ) 00 , 0 ( ) 02 , 37 ( ) 18 , 37 ( + + + +
=
40
32 , 40
= 1,008
2
2
2
rK
T C
B

=
=
14 4
) 56 , 38 2 ( ) 40 , 37 1 ( ) 20 , 37 2 ( ) 02 , 37 1 ( ) 59 , 18 2 (
x
x x x x x + + + + + +
=
56
) 12 , 77 ( ) 40 , 37 ( ) 40 , 74 ( ) 02 , 37 ( ) 18 , 37 ( + + + +
=
56
52 , 34
= 0,616428571
3
3
3
rK
T C
B

=
=
10 4
) 56 , 38 1 ( ) 40 , 37 2 ( ) 20 , 37 0 ( ) 02 , 37 2 ( ) 59 , 18 1 (
x
x x x x x + + + + + +
332
=
40
) 56 , 38 ( ) 80 , 74 ( ) 00 , 0 ( ) 04 , 74 ( ) 59 , 18 ( + + + +
=
40
21 , 19
= 0,48025
M
1
= 1
M
2
= 1
M
3
=
6
5
= 0,833333333
P
1
= x
12
1
2
2
2

=
n
x P
=
12
1 ) 5 (
2
2

x
=
12
1 25
2

x
=
12
24
2
x
= x
2
2
x
n
x P
20
7 3
2
3
3

=
= x x
20
7 ) 5 ( 3
2
3

= x x
20
7 ) 25 ( 3
3


= x x
20
7 75
3


333
= x x
20
68
3

= x
3

3,4 x
Y = Y + B
1
M
1
P
1
+ B
2
M
2
P
2
+ B
3
M
3
P
3
+ B
4
M
4
P
4

= 8,4385 + [1,008 x 1 (x)] + [ 0,616428571 x 1 (x
2
2)] +
[0,48025 x 0,833333333 (x
3
3,4 x) ]
= 8,4385 + 1,008 x 0,616428571 x
2
+ 1,232857142 +
0,400208333 x
3
1,360708333 x
= 9,671357142 0,352708333 x 0,616428571 x
2
+ 0,400208333 x
3
A varivel auxiliar x dada pela equao:
q
X X
x

=
onde, neste caso, tem-se:
N
X
X

=
=
| |
20
) 4 0 , 100 ( ) 4 0 , 75 ( ) 4 0 , 50 ( ) 4 0 , 25 ( ) 4 0 , 0 ( x x x x x + + + +
=
( )
20
0 , 400 0 , 300 0 , 200 0 , 100 0 , 0 + + + +
=
20
0 , 000 . 1
= 50,0
q = 25
q
X X
x

=
334
=
25
0 , 50 X
= 0,04 X 2
Substituindo a varivel auxiliar x na equao de regresso, 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 X
2
0,16 X + 4) +
0,400208333 (0,000064 X
3
0,0096 X
2
+ 0,48 X 8)
= 9,671357142 0,014108333 X + 0,705416666 0,000986285 X
2
+
0,098628571 X 2,465714284 + 0,000025613 X
3

0,003841999 X
2
+ 0,192099999 X 3,201666664
= 4,70939286 + 0,276620237 X 0,004828284 X
2
+ 0,000025613 X
3
Mdias Esperadas:
0
m = 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
25
m = 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
335
50
m = 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
75
m = 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
100
m = 4,70939286 + 0,276620237 (100,0)
0,004828284 (100,0)
2
+ 0,000025613 (100,0)
3
= 4,70939286 + 27,6620237 0,004828284 (10.000) +
0,000025613 (1.000.000)
= 4,70939286 + 27,6620237 48,28284 + 25,613 ~ 9,7016
Mdias Observadas:
r
Y
m

=
0
0

= ~
4
59 , 18
4,6475
r
Y
m

=
25
25

336
= =
4
02 , 37
9,2550
r
Y
m

=
50
50

= =
4
20 , 37
9,3000
r
Y
m

=
75
75

= =
4
40 , 37
9,3500
r
Y
m

=
100
100

=
4
56 , 38
= 9,6400
TABELA 9.7 EFEITO DE NVEIS DE ADUBAO FOSFATADA NA PRODUO
DE MILHO (Zea mays L.). PIRACICABA SP, 1985
Nveis de Adubao
Fosfatada
Mdias (kg/parcela)
Esperada (A) Observada (B)
Desvios de Regresso
(A B)
O kg de P
2
O
5
/ha 4,7094 4,6475 0,0619
25 kg de P
2
O
5
/ha 9,0074 9,2550

0,2476
50 kg de P
2
O
5
/ha 9,6713 9,3000 0,3713
75 kg de P
2
O
5
/ha 9,1023 9,3500

0,2477
100 kg de P
2
O
5
/ha 9,7016 9,6400 0,0616
337
FIGURA 9.4 EFEITO DE NVEIS DE ADUBAO FOSFATADA NA PRODUO
DE MILHO (Zea mays L.). PIRACICABA SP, 1985
Recomenda-se o nvel de 50 kg de P
2
O
5
/ha como o mais indicado
para se ter uma produo de milho economicamente vivel, conforme
TABELA 9.7 e FIGURA 9.4.
c) Coeficiente de determinao:
s Tratamento SQ
x gresso SQ
R
100 Re
2
=
=
2200 , 72
100 147277 , 71 x
= ~
2200 , 72
7277 , 114 . 7
98,51%
O valor de
2
R explica 98,51% do incremento na produo de milho
em funo do aumento do nvel de adubao fosfatada determinado pela
equao de 3 grau.
9.5 Regresso Polinomial Aplicada a Dados Sem Repetio
H casos, na pesquisa agropecuria, em que no h possibilidade de
repetio para os dados a serem coletados, como por exemplo, dados
meteorolgicos de uma determinada regio. Por outro lado, mesmo quando
338
possvel o uso de repetio, s vezes no so utilizadas, por motivos vrios.
Contudo, tendo-se interesse em analisar os dados e sabendo-se de antemo da
impossibilidade de se obter uma estimativa exata do erro experimental, o
pesquisador pode utilizar o Quadrado Mdio dos Desvios de Regresso como
resduo.
Quanto ao procedimento de anlise de varincia, segue-se os
princpios da anlise de regresso atravs de polinmio ortogonais, com
algumas modificaes, como ser visto no exemplo a seguir:
Exemplo 4: A partir dos dados da TABELA 9.8, pede-se:
a) Fazer a anlise da varincia atravs da utilizao da regresso
polinomial aplicada a dados sem repetio;
b) Obter a equao de regresso;
c) Obter o coeficiente de determinao.
339
TABELA 9.8 DADOS DE TEMPERATURAS MXIMAS MDIAS DOS MESES DO
ANO EM MACEIAL (C)*, E DOS COEFICIENTES
CORRESPONDENTES AOS COMPONENTES LINEAR, QUADRTICO
E CBICO, ALM DOS VALORES DE K E M
Meses Temperatura
(Y)
Coeficiente
(C
1
)
Coeficiente
(C
2
)
Coeficiente
(C
3
)
1 Janeiro 30 11 55 33
2 Fevereiro 30 9 25 3
3 Maro 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

M

2

3
3
2
FONTE: (*) Canal do Tempo.
340
Resoluo:
a) Anlise da Varincia com Regresso:
GL Total = N 1
= 12 1 = 11
GL Regresso Linear = 1
GL Regresso Quadrtica = 1
GL Regresso Cbica = 1
GL Desvios de Regresso = GL Total
(GL Regresso Linear + GL Regresso Quadrtica +
GL Regresso Cbica)
= 11 ( 1 + 1 + 1)
= 11 3 = 8
SQ Total =

N
Y
Y
2
2
) (
=
12
) 344 (
) 30 ( ... ) 30 ( ) 30 (
2
2 2 2
+ + +
= 900 + 900 +...+ 900
12
336 . 118
333333 , 861 . 9 878 . 9 = = 16,666667
1
2
1
) (
Re
K
Y C
Linear gresso SQ

=
| |
572
) 30 11 ( ... ) 30 9 ( ) 30 11 (
2
x x x + + +
=
341
=
| |
572
) 330 ( ... ) 270 ( ) 330 (
2
+ + +
=
572
) 24 (
2

= =
572
576
1,006993
2
2
2
) (
Re
K
Y C
Quadrtica gresso SQ

=
| |
012 . 12
) 30 55 ( ... ) 30 25 ( ) 30 55 (
2
x x x + + +
=
=
| |
012 . 12
) 650 . 1 ( ... ) 750 ( ) 650 . 1 (
2
+ + +
=
012 . 12
) 380 (
2
= =
012 . 12
400 . 144
12,021312
3
2
3
) (
Re
K
Y C
Cbica gresso SQ

=
| |
148 . 5
) 30 33 ( ... ) 30 3 ( ) 30 33 (
2
x x x + + +
=
=
| |
148 . 5
) 990 ( ... ) 90 ( ) 990 (
2
+ + +
( )
148 . 5
68
2
=
= =
148 . 5
624 . 4
0,898213
SQ Desvios de Regresso = SQ Total
342
(SQ Regresso Linear + SQ Regresso Quadrtica +
SQ Regresso Cbica)
= 16,666667 (1,006993 + 12,021312 + 0,898213)
= 16,666667 13,926518 = 2,740149
Linear gresso GL
Linear gresso SQ
Linear gresso QM
Re
Re
Re =
= =
1
006993 , 1
1,006993
Quadrtica gresso GL
Quadrtica gresso SQ
Quadrtica gresso QM
Re
Re
Re =
= =
1
021312 , 12
12,021312
Cbica gresso GL
Cbica gresso SQ
Cbica gresso QM
Re
Re
Re =
= =
1
898213 , 0
0,898213
QM Desvios de Regresso =
gresso de Desvios GL
gresso de Desvios SQ
Re
Re

=
8
740149 , 2
= 0,342519

F Calculado para Regresso Linear =
gresso de Desvios QM
Linear gresso QM
Re
Re
~ =
342519 , 0
006993 , 1
2,94
F Calculado para Regresso Quadrtica =
gresso de Desvios QM
Quadrtica gresso QM
Re
Re
343
~ =
342519 , 0
021312 , 12
35,10
F Calculado para Regresso Cbica =
gresso de Desvios QM
Cbica gresso QM
Re
Re
~ =
342519 , 0
898213 , 0
2,62
F Tabelado (1%) para as Regresses Linear, Quadrtica e Cbica = 12,25
F Tabelado (5%) para as Regresses Linear, Quadrtica e Cbica = 5,59
TABELA 9.9 - ANLISE DE VARINCIA DE TEMPERATURAS MXIMAS MDIAS
DOS MESES DO ANO DO MUNICPIO DE MACEI AL
Causa de Variao GL SQ QM F
Regresso Linear 1

1,006993 1,006993

2,94 ns
Regresso Quadrtica 1 12,021312 12,021312 35,10 **
Regresso Cbica 1 0,898213 0,898213 2,62 ns
Desvios de Regresso (Resduo) 8 2,740149 0,342519
Total

11 16,666667
NOTAS: (ns) No significativo no nvel de 5% de probabilidade.
(**) Significativo no nvel de 1% de probabilidade.
De acordo com o teste F, tem-se:
No houve diferena significativa, no nvel de 5% de probabilidade,
para as Regresses Linear e Cbica.
Houve diferena significativa, no nvel de 1% de probabilidade, para a
Regresso Quadrtica, indicando que a equao de 2 grau explica o
comportamento da temperatura mxima mdia em Macei AL em funo
dos meses do ano.
b) Equao de Regresso:
N
Y
Y

=
344
=
12
344
= 28,66666667
1
1
1
) (
K
Y C
B

=
572
) 30 11 ( ... ) 30 9 ( ) 30 11 ( x x x + + +
=
=
572
) 330 ( ... ) 270 ( ) 330 ( + + +
=
572
24
= 0,041958041
2
2
2
) (
K
Y C
B

=
012 . 12
) 30 55 ( ... ) 30 25 ( ) 30 55 ( x x x + + +
=
=
012 . 12
) 650 . 1 ( ... ) 750 ( ) 650 . 1 ( + + +
=
012 . 12
380
= 0,031635031
M
1
= 2
M
2
= 3
P
1
= x
12
1
2
2
2

=
n
x P
=
12
1 ) 12 (
2
2

x
=
12
1 144
2

x
345
=
12
143
2
x
= x
2
11,91666667
Y = Y + B
1
M
1
P
1
+ B
2
M
2
P
2


= 28,66666667 + [ 0,041958041 x 2 ( x)] +
[0,031635031 x 3 (x
2
11,91666667)]
= 28,66666667 0,083916082 x + 0,094905093 x
2
1,130952359
= 27,53571431 0,083916082 x + 0,094905093 x
2
A varivel auxiliar x dada pela equao:
q
X X
x

=
onde, neste caso, tem-se:
N
X
X

=
=
12
12 ... 2 1 + + +
=
12
78
= 6,5
q = 1
q
X X
x

=
=
1
5 , 6 X
= X 6,5
Substituindo a varivel auxiliar x na equao de regresso, tem-se:
346
Y = 27,53571431 0,083916082 (X 6,5) + 0,094905093 (X 6,5)
2
= 27,53571431 0,083916082 X + 0,545454533 +
0,094905093 (X
2
13 X + 42,25)
= 27,53571431 0,083916082 X + 0,545454533 + 0,094905093 X
2

1,233766209 X + 4,009740179
= 32,09090902 1,317682291 X + 0,094905093 X
2
Mdias Esperadas:
1
m = 32,09090902 1,317682291 (1) + 0,094905093 (1)
2
= 32,09090902 1,317682291 + 0,094905093 ~ 30,868
2
m = 32,09090902 1,317682291 (2) + 0,094905093 (2)
2
= 32,09090902 2,635364582 + 0,379620372 ~ 29,835
3
m = 32,09090902 1,317682291 (3) + 0,094905093 (3)
2
= 32,09090902 3,953046873 + 0,854145837 ~ 28,992
4
m = 32,09090902 1,317682291 (4) + 0,094905093 (4)
2
= 32,09090902 5,270729164 + 1,518481488 ~ 28,339
5
m = 32,09090902 1,317682291 (5) + 0,094905093 (5)
2
= 32,09090902 6,588411455 + 2,372627325 ~ 27,875
6
m = 32,09090902 1,317682291 (6) + 0,094905093 (6)
2
= 32,09090902 7,906093746 + 3,416583348 ~ 27,601
7
m = 32,09090902 1,317682291 (7) + 0,094905093 (7)
2
= 32,09090902 9,223776037 + 4,650349557 ~ 27,517
347
8
m = 32,09090902 1,317682291 (8) + 0,094905093 (8)
2
= 32,09090902 10,54145833 + 6,073925952 ~ 27,623
9
m = 32,09090902 1,317682291 (9) + 0,094905093 (9)
2
= 32,09090902 11,85914062 + 7,687312533 ~ 27,919
10
m = 32,09090902 1,317682291 (10) + 0,094905093 (10)
2
= 32,09090902 13,17682291 + 9,4905093 ~ 28,405
11
m = 32,09090902 1,317682291 (11) + 0,094905093 (11)
2
= 32,09090902 14,4945052 + 11,48351625 ~ 29,080
12
m = 32,09090902 1,317682291 (12) + 0,094905093 (12)
2
= 32,09090902 15,81218749 + 13,66633339 ~ 29,945
Mdias Observadas:
1
m

= 30
2
m

= 30
3
m

= 30
4
m

= 29
5
m

= 28
6
m

= 27
7
m

= 27
8
m

= 27
9
m

= 28
348
10
m

= 29
11
m

= 29
12
m

= 30
TABELA 9.10 EFEITO DE TEMPERATURAS MXIMAS MDIAS DOS MESES DO
ANO NO MUNICPIO DE MACEI AL
Meses do Ano no Municpio de
Macei-AL
Mdias (C)
Esperada (A) Observada (B)
Desvios de Regresso
(A B)
1 Janeiro 30,868 30,000 0,868
2 Fevereiro 29,835 30,000 0,165
3 Maro 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
349
FIGURA 9.5 EFEITO DE TEMPERATURAS MXIMAS MDIAS DOS MESES DO
ANO NO MUNICPIO DE MACEI AL
Verifica-se que as temperaturas mximas mdias no Municpio de
Macei-AL diminuem de janeiro at julho, onde alcana o seu menor valor, e
volta a aumentar at dezembro, conforme TABELA 9.10 e FIGURA 9.5.
c) Coeficiente de determinao:
Total SQ
x gresso SQ
R
100 Re
2
=
=
666667 , 16
100 028305 , 13 x
= ~
666667 , 16
8305 , 302 . 1
78,17%
O valor de
2
R explica 78,17% do incremento nas temperaturas
mximas mdias no Municpio de Macei-AL em funo dos meses do ano
determinado pela equao de regresso do 2 grau.
9.6 Exerccios
a) A partir dos dados da TABELA 9.11, pede-se:
a.1) Obter as estimativas dos coeficientes de correlao;
a.2) Verificar pelo teste t se os valores de r so significativos;
a.3) Obter as estimativas dos coeficientes de determinao;
a.4) Interprete os resultados obtidos das estimativas dos coeficientes e
tire as devidas concluses.
350
TABELA 9.11 EFEITO DE NVEIS DE ADUBAO ORGNICA (ESTERCO DE
BOI) EM ALFACE (Lactuca sativa L.) AVALIADO ATRAVS DAS
VARIVEIS DIMETRO DA PLANTA (X), NMERO TOTAL DE
FOLHAS POR PLANTA (Y) E NMERO DE FOLHAS
COMERCIVEIS POR PLANTA (Z)
Nveis de Adubao Orgnica Variveis
X Y Z
O kg de Esterco de Boi/3,6 m
2
28,05 26,13 21,04
2O kg de Esterco de Boi/3,6 m
2
26,06 25,49 19,28
3O kg de Esterco de Boi/3,6 m
2
28,11 27,27 22,33
4O kg de Esterco de Boi/3,6 m
2
28,80 29,19 23,49
FONTE: SILVA e FERREIRA (1985).
b) A partir dos dados das TABELAS 9.12 e 9.13, pede-se:
b.1) Fazer a anlise da varincia levando-se em conta a regresso,
atravs da utilizao do mtodo dos polinmios ortogonais;
b.2) Obter a equao de regresso;
b.3) Obter o coeficiente de determinao.
TABELA 9.12 - DADOS DE TOTAIS DE PRODUO DE CANA-DE-ACAR EM
RELAO AOS NVEIS DE ADUBAO FOSFATADA
Nveis de Adubao Fosfatada Totais (TCH)
O kg de P
2
O
5
/h 445,80
50 kg de P
2
O
5
/ha 482,70
100 kg de P
2
O
5
/ha 508,32
150 kg de P
2
O
5
/ha 489,78
200 kg de P
2
O
5
/ha 463,50
FONTE: CAMPOS, 1984.
351
TABELA 9.13 ANLISE DA VARINCIA DO EFEITO DE NVEIS DE ADUBAO
FOSFATADA NA PRODUO DE CANA-DE-ACAR
Causa de Variao GL SQ QM F
Adubao Fosfatada 4 387,8748 96,9687 10,92 **
Blocos 5 735,6497 - -
Resduo 20 177,6581 8,8829
Total 29 1.301,1826
FONTE: CAMPOS, 1984.
NOTA: (**) Significativo no nvel de 1% de probabilidade.
352
353
10
EXPERIMENTOS
FATORIAIS
Os experimentos estudados nos captulos anteriores so 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 regio, todos os
demais grupos de tratamentos como poca de plantio, espaamento, adubao,
tratos culturais, poca de colheita, etc., so mantidos constantes, isto , so os
mesmos para todas as cultivares de milho estudadas.
Existem, contudo, casos em que vrios grupos de tratamentos so
estudados simultaneamente para que possam conduzir a resultados de
interesse, como por exemplo, o estudo de efeito de diferentes espaamentos
em cultivares de milho numa determinada regio. Para tanto, utilizam-se dos
experimentos fatoriais, que so aqueles que incluem todas as combinaes
possveis entre dois ou mais grupos de tratamentos.
Nos experimentos fatoriais dois termos devem ser definidos: fator e
nvel. Um fator qualquer grupo de tratamentos avaliado, enquanto que nvel
qualquer uma das subdivises dentro do fator. Por exemplo: pode-se, num
experimento fatorial, combinar cinco cultivares com dois espaamentos; ento,
os fatores sero cultivares e espaamentos, sendo que o fator cultivares ocorre
em cinco nveis e o fator espaamentos ocorre em dois nveis. Os tratamentos,
nesse experimento, sero:
C
1
E
1
C
2
E
1
C
3
E
1
C
4
E
1
C
5
E
1
C
1
E
2
C
2
E
2
C
3
E
2
C
4
E
2
C
5
E
2
que so todas as combinaes possveis dos dois fatores em seus diversos
nveis.
Dependendo da natureza dos fatores usados, os experimentos fatoriais
podem ser:
a) qualitativo quando os tratamentos dos dois ou mais grupos so
qualitativos como, por exemplo, cultivares, tipos de poda e tipos de adubos;
354
cultivares e tipos de fungicidas; tipos de adubos e tipos de herbicidas; raas,
tipos de raes e tipos de ambientes; raas e tipos de vermfugos; tipos de
vacinas e tipos de ambientes, etc.;
b) quantitativo quando os tratamentos dos dois ou mais grupos so
quantitativos como, por exemplo, idades de planta, doses de N e nveis de um
determinado herbicida; doses de N e doses de fungicida; idades de animal,
doses de vermfugo e doses de vitamina; nveis de incluso de um alimento na
rao e perodos de restrio alimentar; etc.;
c) misto quando se usa os dois tipos de tratamentos, ou seja, quando
um grupo qualitativo e o outro grupo quantitativo, como por exemplo,
cultivares e doses de N; tipos de poda e doses de fungicida; tipos de raes e
doses de vermfugo; raas e nveis de incluso de um alimento na rao, etc..
Quanto aos experimentos fatoriais quantitativos, tem-se especial valor,
nos experimentos de adubao, os fatoriais da srie 2
n
e da srie 3
n
, ou
qualquer outra srie semelhante. Nestes casos, a base representa o nmero de
nveis de cada nutriente e o expoente n, indica o nmero de nutrientes a ser
usado (fatores). Por exemplo, o 2
3
= 2 x 2 x 2 poderia ser o estudo de N, P, K,
nos nveis 0 e 1. Tem-se, ento, 8 combinaes ou tratamentos a saber:
N
0
P
0
K
0;
N
0
P
0
K
1;
N
0
P
1
K
0;
N
0
P
1
K
1;
N
1
P
0
K
0;
N
1
P
0
K
1;
N
1
P
1
K
0;
N
1
P
1
K
1.
Contudo, os mais comuns so os da srie: 3
3
= 3 x 3 x 3, onde se usam trs
nutrientes (N, P, K) em trs nveis (0, 1, 2), cada um. Tm-se, ento, 27
combinaes ou tratamentos, a saber: N
0
P
0
K
0;
N
0
P
0
K
1;
N
0
P
0
K
2;
N
0
P
1
K
0;

N
0
P
1
K
1;
N
0
P
1
K
2;
N
0
P
2
K
0;
N
0
P
2
K
1;
N
0
P
2
K
2;
N
1
P
0
K
0;
N
1
P
0
K
1;
N
1
P
0
K
2;
N
1
P
1
K
0;
N
1
P
1
K
1
; N
1
P
1
K
2;
N
1
P
2
K
0;
N
1
P
2
K
1;
N
1
P
2
K
2;
N
2
P
0
K
0;
N
2
P
0
K
1;

N
2
P
0
K
2;
N
2
P
1
K
0;
N
2
P
1
K
1
; N
2
P
1
K
2;
N
2
P
2
K
0;
N
2
P
2
K
1;
N
2
P
2
K
2
.
Fato semelhante ocorre com os agroqumicos, que podem ser usados ou
avaliados em doses diferentes.
Os experimentos fatoriais no constituem um delineamento estatstico
e sim um esquema orientado de desdobramento de graus de liberdade de
tratamentos, e podem ser instalados em qualquer um dos delineamentos j
estudados.
As principais vantagens dos experimentos fatoriais em relao aos
experimentos simples so as seguintes:
a) Melhor utilizao dos recursos dando maior eficincia Os
experimentos fatoriais utilizam melhor os recursos do que os experimentos
simples, com mo-de-obra reduzida em funo da reduo da rea
experimental, alm da reduo do tempo e dos recursos financeiros
empregados, proporcionando uma maior eficincia, tendo em vista que so
estudados ao mesmo tempo dois ou mais fatores. Por exemplo, se fosse
estudado em um experimento, s competio de cultivares, sem variao de
espaamentos, e, em outro experimento, s espaamentos, com uma cultivar
apenas, no seria permitido tirar concluses mais abrangentes, tendo em vista
que no primeiro experimento poderia-se chegar concluso que uma cultivar
355
se destacou perante as outras somente para aquele tipo de espaamento
utilizado, e no outro experimento, que um tipo de espaamento sobrepujou os
demais com a utilizao daquela cultivar. Se, por outro lado, fosse estudado
atravs de um experimento fatorial, chegaria-se, sem sombra de dvidas, a
concluses mais gerais a respeito destes grupos de tratamentos, pois teria-se
condies de julgar o comportamento de todas as cultivares em todos os
espaamentos em um nico experimento.
b) Permitem estudar os efeitos principais dos fatores e os efeitos
das interaes entre os fatores Como em tais experimentos dois ou mais
fatores so estudados ao mesmo tempo, pode-se estudar o efeito principal de
cada um dos fatores e o efeito da interao entre dois fatores. Por exemplo, se
num experimento fatorial for estudado o comportamento de diversas cultivares
de soja em diversas pocas de plantio e for analisado a produo de gros
(kg/parcela), pode-se avaliar, isoladamente, o efeito de cultivares e o efeito de
pocas de plantio na produo de gros de soja, bem como avaliar o efeito da
interao cultivares x pocas de plantio na produo de gros de soja, ou seja,
se o comportamento das cultivares de soja ou no o mesmo dentro dos nveis
de pocas de plantio. J nos experimentos simples isto impossvel.
Apesar de largamente usados na pesquisa agropecuria, os
experimentos fatoriais no podem ser aplicados indiscriminadamente, pois
apresentam as seguintes desvantagens:
a) A anlise estatstica mais trabalhosa - Em tais experimentos, a
anlise estatstica mais trabalhosa do que os experimentos simples, tendo em
vista que, alm de se fazer a anlise da varincia preliminar, que feita de
acordo com o delineamento estatstico utilizado, faz-se o desdobramento dos
graus de liberdade de tratamentos no esquema fatorial. Ainda, a interpretao
dos resultados se torna mais difcil medida que aumenta o nmero de fatores
e/ou de nveis no experimento.
b) O nmero de tratamentos ou combinaes cresce rapidamente,
dificultando a instalao do experimento Quando cresce o nmero de
fatores ou nveis, eleva-se muito o nmero de parcelas, como por exemplo, um
ensaio fatorial de 6 x 4 x 2 com duas repeties, que d um total de 96
parcelas, trazendo, com isso, dificuldades na instalao do experimento. Estas
dificuldades, como se sabe, dizem respeito a homogeneidade da rea
experimental, bem como da disponibilidade de material ou elemento humano.
Para contornar esta desvantagem surgiram vrias alternativas, tais
como:
(b.1) Uso de blocos incompletos so aqueles que no contm todos
os tratamentos, sendo os mais simples os blocos incompletos equilibrados,
com anlise intrablocos;
(b.2) Uso da tcnica do confundimento consiste em subdividir
cada bloco em sub-blocos homogneos, de modo que se possa confundir um
356
ou mais efeitos de tratamentos (geralmente interaes de menor interesse) com
efeito de blocos. Constitui-se na alternativa mais usada na prtica;
(b.3) Uso de fatoriais fracionrios so aqueles que usam uma
frao ou uma parte de todas as possveis combinaes do fatorial.
10.1 Instalao do Experimento
Tendo em vista que os experimentos fatoriais podem se instalados em
qualquer um dos delineamentos j estudados, em funo dos mesmos no se
constiturem num delineamento estatstico e sim, num esquema orientado de
desdobramento de graus de liberdade de tratamentos, deve-se, ento, definir,
inicialmente, qual o delineamento estatstico que ser utilizado;
posteriormente, deve-se seguir risca o que determina tal delineamento, no
que se refere instalao do experimento.
10.2 Esquema da Anlise da Varincia
Os experimentos fatoriais podem ser instalados em qualquer um dos
delineamentos estatsticos j estudados. Em funo disso, ser feito uma
abordagem apenas em torno do delineamento em blocos casualizados, por ser
o mais utilizado na pesquisa agropecuria. Por outro lado, toda discusso feita
vlida aos outros delineamentos.
Considerando um experimento fatorial 3 x 2, onde combinam-se trs
tratamentos A (A
0
, A
1
, A
2
) e dois tratamentos B (B
0
, B
1
), e quatro repeties,
ento tem-se o seguinte quadro auxiliar da anlise da varincia:
Quadro Auxiliar da ANAVA
Tratamentos
Blocos
Totais de
Tratamentos
I II III IV
A
0
B
0
X (A
0
B
0
) I X (A
0
B
0
) II X (A
0
B
0
) III X (A
0
B
0
) IV T A
0
B
0
A
0
B
1
X (A
0
B
1
) I X (A
0
B
1
) II X (A
0
B
1
) III X (A
0
B
1
) IV T A
0
B
1
A
1
B
0
X (A
1
B
0
) I X (A
1
B
0
) II X (A
1
B
0
) III X (A
1
B
0
) IV T A
1
B
0
A
1
B
1
X (A
1
B
1
) I X (A
1
B
1
) II X (A
1
B
1
) III X (A
1
B
1
) IV T A
1
B
1
A
2
B
0
X (A
2
B
0
) I X (A
2
B
0
) II X (A
2
B
0
) III X (A
2
B
0
) IV T A
2
B
0
A
2
B
1
X (A
2
B
1
) I X (A
2
B
1
) II X (A
2
B
1
) III X (A
2
B
1
) IV T A
2
B
1
Totais de Blocos B
I
B
II
B
III
B
IV
357
O quadro auxiliar da anlise de varincia acima utilizado para
analisar a parte inferior do quadro da anlise da varincia do experimento
fatorial, que na verdade corresponde a uma anlise de varincia do
delineamento em blocos casualizados. Este procedimento chamado de
anlise preliminar.
A parte superior do quadro da anlise da varincia do experimento
fatorial, que corresponde ao desdobramento dos graus de liberdade de
tratamentos no esquema fatorial, obtida a partir de uma anlise efetuada
numa tabela, proveniente do quadro auxiliar anterior, chamada de dupla
entrada, conforme se verifica a seguir:
Tabela de Dupla Entrada
Tratamentos A
Tratamentos B
Totais de Tratamentos A
B
0
B1
A
0
T A
0
B
0
T A
0
B
1
T A
0
A
1
T A
1
B
0
T A
1
B
1
T A
1
A
2
T A
2
B
0
T A
2
B
1
T A
2
Totais de Tratamentos B T B
0
T B
1
O esquema da anlise da varincia dado por:
Quadro da ANAVA
Causa de
Variao
GL SQ QM F
Tratamentos A t
A
1
SQ
Tratamentos A
QM
Tratamentos A
sduo QM
A s Tratamento QM
Re
Tratamentos B t
B
1
SQ
Tratamentos B
QM
Tratamentos B
sduo QM
B s Tratamento QM
Re
Interao A x B (t
A
1) (t
B
1)
SQ
Interao A x B
QM
Interao A x B
sduo QM
B x A Interao QM
Re
Tratamentos t 1 SQ Tratamentos - -
Blocos r 1 SQ Blocos -
Resduo (t 1 ) (r 1) SQ Resduo QM Resduo
Total t x r 1
358
onde:
GL = nmero de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado mdio;
F = valor calculado do teste F;
t = nmero de tratamentos (combinaes);
r = nmero de repeties do experimento;
t
A
= nmero de tratamentos A;
t
B
= nmero de tratamentos B;
SQ Total =
( )
N
X
X
2
2
onde:
X = valor de cada observao;
N = nmero de observaes, que corresponde ao nmero de tratamentos (t)
multiplicado pelo nmero de repeties do experimento (r);
SQ Tratamentos =
( )
N
X

2 2
) (
r
T
AB
onde:
T
) ( AB
= total de cada combinao (AB);
SQ Blocos =
( )
N
X

B
2 2
t
onde:
B = total de cada bloco;
SQ Resduo = SQ Total (SQ Tratamentos + SQ Blocos)
SQ Tratamentos A =
( )
N
X

2 2
B
A
t x r
T
onde:
T
A
= total de cada tratamento A;
SQ Tratamentos B =
( )
N
X

2 2
t x r
T
B
359
onde:
T
B
= total de cada tratamento B;
SQ Interao A x B = SQ Tratamentos
(SQ Tratamentos A + SQ Tratamentos B)
QM Resduo =
sduo GL
sduo SQ
Re
Re
QM Tratamentos A =
A s Tratamento GL
A s Tratamento SQ
QM Tratamentos B =
B s Tratamento GL
B s Tratamento SQ
QM Interao A x B =
B x A Interao GL
B x A Interao SQ
Vejam-se, a seguir, algumas consideraes importantes a respeito da
interpretao do teste F nos experimentos fatoriais:
a) O teste F para Tratamentos A ir dizer se eles diferem entre si, sem
levar em conta os Tratamentos B;
b) O teste F para Tratamentos B ir dizer se eles diferem entre si, sem
levar em conta os Tratamentos A;
c) O teste F para a Interao A x B ir dizer se o comportamento dos
Tratamentos A influenciado pelo tipo de Tratamento B ou de modo anlogo,
se os Tratamentos B apresentam resultados diferentes conforme o Tratamento
A utilizado;
d) A Interao A x B apresentando F no 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
comparao de mdias adequado para cada um dos efeitos principais (fator A
e B), desde que o teste F seja significativo e se tenha mais de dois nveis.
Quando o fatorial for quantitativo, deve-se usar, para cada um dos efeitos
principais (fator A e B), a regresso polinomial na anlise de varincia e, em
seguida, para cada fator, calcula-se a equao de regresso, a partir da
regresso de maior grau que apresentou significncia estatstica pelo teste F,
acompanhada de um grfico. E quando o fatorial for misto, deve-se aplicar,
para o efeito principal qualitativo (fator A ou B), um teste de comparao de
mdias adequado, desde que o teste F seja significativo e se tenha mais de dois
nveis, e para o efeito principal quantitativo (fator B ou A), a regresso
360
polinomial na anlise de varincia e, em seguida, calcula-se a equao de
regresso, a partir da regresso de maior grau que apresentou significncia
estatstica pelo teste F, acompanhada de um grfico;
e) A Interao A x B apresentando F significativo, indica que h
influncia dos Tratamentos A sobre os Tratamentos B. Neste caso, no h
necessidade de se aplicar um teste de comparao de mdias para os efeitos
principais (fator A e B) se eles forem qualitativos ou a regresso polinomial na
anlise de varincia 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 Interao A x B sob uma das duas formas:
e.1) Entre Nveis de Tratamentos A Dentro de um Mesmo Nvel de
Tratamento B:
Quadro da ANAVA
Causa de Variao GL
Tratamentos B t
B
1
Entre Tratamentos A Dentro do Tratamento B
0
t
A
1
Entre Tratamentos A Dentro do Tratamento B
1
t
A
1
(Tratamentos) (t 1)
Blocos r 1
Resduo (t 1) (r 1)
Total t x r 1
__________________________________________________________________________________
onde:
SQ Entre Tratamentos A Dentro do Tratamento B
0

=
A
B
A
T

B T
t x r r
de Dentro
2
0
2
0
) (
SQ Entre Tratamentos A Dentro do Tratamento B
1
=
A
B
A
T

B T
t x r r
de Dentro
2
1
2
1
) (
361
QM Entre Tratamentos A Dentro do Tratamento B
0
=
1
0

A
t
B Tratamento do Dentro A s Tratamento Entre SQ
QM Entre Tratamentos A Dentro do Tratamento B
1
=
1
1

A
t
B Tratamento do Dentro A s Tratamento Entre SQ
F Calculado Entre Tratamentos A Dentro do Tratamento B
0

=
sduo QM
B Tratamento do Dentro A s Tratamento Entre QM
Re
0
F Calculado Entre Tratamentos A Dentro do Tratamento B
1
=
sduo QM
B Tratamento do Dentro A s Tratamento Entre QM
Re
1
e.2) Entre Nveis de Tratamentos B Dentro de um Mesmo Nvel de
Tratamento A:
Quadro da ANAVA
Causa de Variao GL
Tratamentos A t
A
1
Entre Tratamentos B Dentro do Tratamento A
0
t
B
1
Entre Tratamentos B Dentro do Tratamento A
1
Entre Tratamentos B Dentro do Tratamento A
2
t
B
1
t
B
1
(Tratamentos) (t 1)
Blocos r 1
Resduo (t 1) (r 1)
Total t x r 1
362
onde:
SQ Entre Tratamentos B Dentro do Tratamento A
0
=
B
A
B
T

A T
t x r r
de Dentro
2
0
2
0
) (
SQ Entre Tratamentos B Dentro do Tratamento A
1
=
B
A
B
T

A T
t x r r
de Dentro
2
1
2
1
) (
SQ Entre Tratamentos B Dentro do Tratamento A
2
=
B
A
B
T

A T
t x r r
de Dentro
2
2
2
2
) (
QM Entre Tratamentos B Dentro do Tratamento A
0
=
1
0

B
t
A Tratamento do Dentro B s Tratamento Entre SQ
QM Entre Tratamentos B Dentro do Tratamento A
1
=
1
1

B
t
A Tratamento do Dentro B s Tratamento Entre SQ
QM Entre Tratamentos B Dentro do Tratamento A
2
=
1
2

B
t
A Tratamento do Dentro B s Tratamento Entre SQ
F Calculado Entre Tratamentos B Dentro do Tratamento A
0
=
sduo QM
A Tratamento do Dentro B s Tratamento Entre QM
Re
0
F Calculado Entre Tratamentos B Dentro do Tratamento A
1
=
sduo QM
A Tratamento do Dentro B s Tratamento Entre QM
Re
1
363
F Calculado Entre Tratamentos B Dentro do Tratamento A
2
=
sduo QM
A Tratamento do Dentro B s Tratamento Entre QM
Re
2
f) Tambm, quando a Interao A x B apresenta F significativo, deve-
se proceder da seguinte maneira: se o fatorial for qualitativo, deve-se aplicar
um teste de comparao de mdias adequado para comparar apenas um dos
efeitos principais (fator A ou B) dentro de cada nvel do outro, sob uma das
formas de desdobramento dos graus de liberdade da Interao A x B, desde
que o teste F seja significativo e se tenha mais de dois nveis. Se o fatorial for
quantitativo, deve-se usar apenas para um dos efeitos principais (fator A ou B)
dentro de cada nvel do outro, sob uma das formas de desdobramento dos
graus de liberdade da Interao A x B, a regresso polinomial na anlise de
varincia e, em seguida, calcula-se a equao de regresso, para cada nvel do
outro fator, a partir da regresso de maior grau que apresentou significncia
estatstica pelo teste F, acompanhada de um grfico. Neste caso, recomenda-
se, tambm, o uso de superfcie de resposta. E se o fatorial for misto, deve-se
aplicar, apenas para o efeito principal qualitativo (fator A ou B) dentro de cada
nvel do outro (fator quantitativo), um teste de comparao de mdias
adequado, desde que o teste F seja significativo e se tenha mais de dois nveis,
ou apenas para o efeito principal quantitativo (fator B ou A) dentro de cada
nvel do outro (fator qualitativo), a regresso polinomial na anlise de
varincia e, em seguida, calcula-se a equao de regresso para cada nvel do
outro, a partir da regresso de maior grau que apresentou significncia
estatstica pelo teste F, acompanhada de um grfico.
10.3 Exemplo com Interao No Significativa
A fim de apresentar-se a anlise de varincia e a interpretao dos
resultados de um experimento fatorial, ser discutido, a seguir, um exemplo
com interao no significativa.
Exemplo 1: A partir dos dados da TABELA 10.1, pede-se:
a) Fazer a anlise da varincia no esquema fatorial de 11 x 3, inclusive
levando-se em conta a regresso polinomial para pocas de plantio;
b) Obter o coeficiente de variao;
c) Obter a equao de regresso, acompanhada de um grfico, e o
coeficiente de determinao para pocas de plantio;
d) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de cultivares.
364
TABELA 10.1 EFEITO DE POCAS DE PLANTIO NA RESISTNCIA DE CULTIVARES DE
ALHO (Allium sativum L.) Alternaria porri (Ell.) Cif., AGENTE CAUSAL DA
MANCHA PRPURA, NO MUNICPIO DE VIOSA-AL
Tratamentos * I II Totais de Tratamentos
A
1
B
1
1,73205 ** 1,73205 3,46410
A
1
B
2
1,73205 1,73205 3,46410
A
1
B
3
1,73205 1,41421 3,14626
A
2
B
1
2,23606 2,23606 4,47212
A
2
B
2
2,23606 2,23606 4,47212
A
2
B
3
2,00000 1,73205 3,73205
A
3
B
1
1,41421 1,41421 2,82842
A
3
B
2
1,41421 1,41421 2,82842
A
3
B
3
1,00000 1,41421 2,41421
A
4
B
1
2,23606 2,23606 4,47212
A
4
B
2
2,00000 2,23606 4,23606
A
4
B
3
2,00000 1,73205 3,73205
A
5
B
1
1,41421 1,41421 2,82842
A
5
B
2
1,41421 1,73205 3,14626
A
5
B
3
1,41421 2,00000 3,41241
A
6
B
1
2,00000 2,23606 4,23606
A
6
B
2
2,23606 2,00000 4,23606
A
6
B
3
2,00000 1,73205 3,73205
A
7
B
1
2,23606 2,23606 4,47212
A
7
B
2
2,00000 2,00000 4,00000
A
7
B
3
1,72205 1,41421 3,14626
A
8
B
1
2,23606 2,23606 4,47212
A
8
B
2
2,23606 2,23606 4,47212
A
8
B
3
2,23606 2,23606 4,47212
A
9
B
1 2,00000 2,23606 4,23606
A
9
B
2
2,00000 2,00000 4,00000
A
9
B
3
1,73205 1,73205 3,46410
A
10
B
1
2,00000 2,00000 4,00000
A
10
B
2
2,23606 1,73205 3,96410
A
10
B
3
1,41421 1,73205 3,14626
A
11
B
1
1,73205 1,73205 3,46410
A
11
B
2
1,73205 1,73205 3,46410
A
11
B
3
1,41421 1,41421 2,82842
Totais de Blocos 61,14435 61,31262 122,45697
FONTE: FERRREIRA e SILVA (1995).
NOTAS: (*) Cultivares: A
1
CATETO ROXO; A
2
BRANCO MINEIRO; A
3
DOURADA; A
4

JURIA; A
5
CENTENRIO; A
6
GIGANTE ROXO; A
7
GIGANTE
INCONFIDENTES; A
8
PERUANO; A
9
MEXICANO; A
10
CHINS; A
11

AMARANTE; pocas de Plantio: B


1
1 poca (22/04/86); B
2
2 poca (06/05/86 =
14 dias aps a 1 poca ); B
3
- 3 poca (20/05/86 = 28 dias aps a 1 poca).
(**) Dados referentes a notas, variando de 0 (ausncia da manchas) a 5 (murcha e
enrugamento das folhas de 90 a 100%, com morte conseqente), os quais foram
transformados em . nota
365
Resoluo:
a) Anlise da Varincia no Esquema Fatorial 11 x 3 com Regresso
Polinomial para pocas de Plantio:
X = 1,73205 + 1,73205 + ... + 1,41421 = 122,45697
X
2
= (1,73205)
2
+ (1,73205)
2
+ ... + (1,41421)
2

= 2,999997 + 2,999997 ++ 1,999990 = 233,98121
t = 33
t
A
= 11
t
B
= 3
r = 2
N = t x r
= 33 x 2 = 66
GL Tratamentos = t 1
= 33 1 = 32
GL Blocos = r 1
= 2 1 = 1
GL Resduo = (t 1) (r 1)
= (33 1) (2 1)
= (32) (1) = 32
GL Total = t x r 1
= 33 x 2 1
= 66 1 = 65
GL Cultivares = t
A
1
366
= 11 1 = 10
GL pocas de Plantio = t
B
1
= 3 1 = 2
GL Regresso Linear = 1
GL Regresso Quadrtica = 1
GL Interao C x EP = (t
A
1) (t
B
1)
= (11 1) (3 1)
= (10) (2) = 20
SQ Total =
( )
N
X
X
2
2
=
( )
66
45697 , 122
98121 , 233
2

= 233,98121
66
7095 , 995 . 14
= 233,98121 227,20772 = 6,77349

SQ Tratamentos =
( )
N
X

2 2
) (
r
T
AB
=
( ) ( ) ( ) ( )
66
45697 , 122
2
82842 , 2 ... 46410 , 3 46410 , 3
2 2 2 2

+ + +

=
66
7095 , 995 . 149
2
9999597 , 7 ... 9999888 , 11 9999888 , 11

+ + +
=
66
7095 , 995 . 149
2
35532 , 466

= 233,17766 227,20772 = 5,96994


367
SQ Blocos =
( )
N
X

B
2 2
t

=
( ) ( ) ( )
66
45697 , 122
33
31262 , 61 14435 , 61
2 2 2

+
=
66
7095 , 995 . 149
33
237371 , 759 . 3 631537 , 738 . 3

+
=
66
7095 , 995 . 149
33
868908 , 497 . 7

= 227,20815 227,20772 = 0,00043


SQ Resduo = SQ Total (SQ Tratamentos + SQ Blocos)
= 6,77349 (5,96994 + 0,00043)
= 6,77349 5,97037 = 0,80312
Tabela de Dupla Entrada
Cultivares
pocas de Plantio
Totais de Cultivares
B
1
B
2
B
3
A
1
3,46410
(2)
3,46410 3,14626 10,07446
(6)
A
2
4,47212 4,47212 3,73205 12,67629
A
3
2,82842 2,82842 2,41421 8,07105
A
4
4,47212 4,23606 3,73205 12,44023
A
5
2,82842 3,14626 3,41421 9,38889
A
6
4,23606 4,23606 3,73205 12,20417
A
7
4,47212 4,00000 3,14626 11,61838
A
8
4,47212 4,47212 4,47212 13,41636
A
9
4,23606 4,00000 3,46410 11,70016
A
10
4,00000 3,96410 3,14626 11,11036
A
11
3,46410 3,46410 2,82842 9,75662
Totais de pocas
de Plantio
42,94564
(22)
42,28334 37,22799 122,45697
368
SQ Cultivares =
( )
N
X

B
A
2 2
t x r
T
=
( ) ( ) ( ) ( )
66
45697 , 122
3 2
75662 , 9 ... 67629 , 12 07446 , 10
2 2 2 2

+ + +
x

=
66
7095 , 995 . 14
6
1916338 , 95 ... 6883282 , 160 4947443 , 101

+ + +
=
66
7095 , 995 . 14
6
6882 , 389 . 1

= 20772 , 227 6147 , 231 = 4,40698
SQ pocas de Plantio =
( )
N
X

A
B
2 2
t x r
T

=
( ) ( ) ( ) ( )
66
45697 , 122
11 2
22799 , 37 28334 , 42 94564 , 42
2 2 2 2

+ +
x

=
66
7095 , 995 . 14
22
923239 , 385 . 1 880842 , 787 . 1 327995 , 844 . 1

+ +
=
66
7095 , 995 . 14
22
132076 , 018 . 5

= = 20772 , 227 09691 , 228 0,88919
Totais de pocas de Plantio (T)
Coeficientes
C
1
C
2
42,94564 (22) 1 + 1
42,28334 0 2
37,22799 + 1 + 1
K 2 6
M 1 3
369
1
2
1
) (
Re
rK
T C
Linear gresso SQ

=
=
| |
2 22
) 22799 , 37 1 ( ) 28334 , 42 0 ( ) 94564 , 42 1 (
2
x
x x x + + +
=
| |
44
) 22799 , 37 ( ) 00000 , 0 ( 94564 , 42 (
2
+ +
=
44
) 71765 , 5 (
2

=
44
69152152 , 32
~ 0,74299
2
2
2
) (
Re
rK
T C
Quadrtica gresso SQ

=
=
| |
6 22
) 22799 , 37 1 ( ) 28334 , 42 2 ( ) 94564 , 42 1 (
2
x
x x x + + + +
=
| |
132
) 22799 , 37 ( ) 56668 , 84 ( 94564 , 42 (
2
+ +
=
132
) 39305 , 4 (
2

=
132
2988883 , 19
~ 0,14620
SQ Interao C x EP =
( )
N
X

AB
2 2
r
T

(SQ Cultivares + SQ pocas de Plantio)
= 5,96994 (4,40698 + 0,88919)
= 5,96994 5,29617 = 0,67377
370
QM Resduo =
sduo GL
sduo SQ
Re
Re
= =
32
80312 , 0
0,025098
QM Cultivares =
es Culti GL
es Culti SQ
var
var
= =
10
40698 , 4
0,440698
Linear gresso GL
Linear gresso SQ
Linear gresso QM
Re
Re
Re =
=
1
74299 , 0
= 0,74299
Quadrtica gresso GL
Quadrtica gresso SQ
Quadrtica gresso QM
Re
Re
Re =
=
1
14620 , 0
= 0,14620
QM Interao C x EP =
EP x C Interao GL
EP x C Interao SQ
= =
20
67377 , 0
0,0336885
F Calculado para Cultivares =
sduo QM
es Culti QM
Re
var

= ~
025098 , 0
440698 , 0
17,56
F Calculado para Regresso Linear =
sduo QM
Linear gresso QM
Re
Re

371
= ~
025098 , 0
74299 , 0
29,60
F Calculado para Regresso Quadrtica =
sduo QM
Quadrtica gresso QM
Re
Re
= ~
025098 , 0
14620 , 0
5,83
F Calculado para Interao C x EP =
sduo QM
EP x C Interao QM
Re

= ~
025098 , 0
0336885 , 0
1,34
F Tabelado (1%) para Cultivares = 2,944
F Tabelado (5%) para Cultivares = 2,144
F Tabelado (1%) para as Regresses = 7,510
F Tabelado (5%) para as Regresses = 4,152
F Tabelado (1%) para Interao C x EP = 2,514
F Tabelado (5%) para Interao C x EP = 1,912
372
TABELA 10.2 ANLISE DA VARINCIA DO EFEITO DE POCAS DE PLANTIO
NA RESISTNCIA DE CULTIVARES DE ALHO (Allium sativum L.)
Alternaria porri (Ell.) Cif., AGENTE CASUAL DA MANCHA
PRPURA, NO MUNICPIO DE VIOSA-AL, AVALIADO ATRAVS
DE UMA ESCALA DE NOTAS, VARIANDO DE 0 (AUSNCIA
DE MANCHAS) A 5 (MURCHA E ENRUGAMENTO DAS FOLHAS
DE 90 A 100%, COM MORTE CONSEQENTE). DADOS
TRANSFORMADOS EM . nota MACEI AL, 1995
Causa de Variao GL SQ QM F
Cultivares C 10 4,40698 0,4406980 17,56 **
(pocas de Plantio - EP)
Regresso Linear
Regresso Quadrtica
(2)
1
1
(0,88919)
0,74299
0,14620
-
0,7429900
0,1462000
-
29,60 **
5,83 *
Interao C x EP 20 0,67377 0,0336885 1,34 ns
(Tratamentos) (32) (5,96994) - -
Blocos 1 0,00043 - -
Resduo 32 0,80312 0,0250980
Total 65 6,77349
NOTAS: (ns) No significativo no nvel de 5% de probabilidade.
(* e **) Significativo nos nveis de 5% e 1% de probabilidade, respectivamente.
De acordo com o teste F, tem-se:
Houve diferena significativa, no nvel de 1% de probabilidade, entre
as cultivares de alho em relao resistncia a Alternaria porri (Ell.) Cif.,
agente causal da mancha prpura.
Houve diferena significativa, nos nveis de 1% e 5% de
probabilidade, para as regresses linear e quadrtica, respectivamente,
indicando que a equao de 2 grau explica a incidncia de A. porri em
funo das pocas de plantio em alho no Municpio de Viosa-AL.
No houve diferena significativa, no nvel de 5% de probabilidade,
para a Interao C x ED, indicando que a resistncia das cultivares de alho
A. porri independente das pocas de plantio.
b) Coeficiente de Variao:
373
m =
( )
N
Y
= =
66
45697 , 122
1,855408636
sduo QM s Re =
= 025098 , 0 = 0,158423483
CV =
m
s x

100
=
855408636 , 1
158423483 , 0 100 x
= ~
855408636 , 1
8423483 , 15
8,54%
O coeficiente de variao foi 8,54%, indicando uma tima preciso
experimental.
c.1) Equao de Regresso para pocas de Plantio Acompanhada de
Grfico:
N
Y
Y

=
=
66
45697 , 122
= 1,855408636
1
1
1
rK
T C
B

=
=
2 22
) 22799 , 37 1 ( ) 28334 , 42 0 ( ) 94564 , 42 1 (
x
x x x + + +
=
44
) 22799 , 37 ( ) 00000 , 0 ( ) 94564 , 42 ( + +
=
44
71765 , 5
= 0,12994659
374
2
2
2
rK
T C
B

=
=
6 22
) 22799 , 37 1 ( ) 28334 , 42 2 ( ) 94564 , 42 1 (
x
x x x + + + +
=
132
) 22799 , 37 ( ) 56668 , 84 ( ) 94564 , 42 ( + +
=
132
39305 , 4
= 0,033280681
M
1
= 1
M
2
= 3
P
1
= x
12
1
2
2
2

=
n
x P
=
12
1 ) 3 (
2
2

x
=
12
1 9
2

x
=
12
8
2
x
= x
2
0,666666667
Y = Y + B
1
M
1
P
1
+ B
2
M
2
P
2

= 1,855408636 + [ 0,12994659 x 1 (x)] +
[ 0,033280681 x 3 (x
2
0,666666667)]
= 1,855408636 0,12994659 x 0,099842043 x
2
+ 0,066561362
= 1,921969998 0,12994659 x 0,099842043 x
2
375
A varivel auxiliar x dada pela equao:
q
X X
x

=
onde, neste caso, tem-se:
N
X
X

=
=
| |
66
) 22 28 ( ) 22 14 ( ) 22 0 ( x x x + +
=
( )
66
616 308 0 + +
=
66
924
= 14
q = 14
q
X X
x

=
=
14
14 X
= 0,071428571 X 1
Substituindo a varivel auxiliar x na equao de regresso, tem-se:
Y = 1,921969998 0,12994659 (0,071428571 X 1)
0,099842043 (0,071428571 X 1)
2

= 1,921969998 0,009281899 X + 0,12994659
0,099842043 (0,00510204 X
2
0,142857142 X + 1)
= 1,921969998 0,009281899 X + 0,12994659
0,000509398 X
2
+ 0,014263148 X 0,099842043
376
= 1,952074545 + 0,004981248 X 0,000509398 X
2
Mdias Esperadas:
0
m = 1,952074545 + 0,004981248 (0) 0,000509398 (0)
2

= 1,952074545 + 0,000000000 0,000000000 = 1,952074545
14
m = 1,952074545 + 0,004981248 (14) 0,000509398 (14)
2

= 1,952074545 + 0,069737472 0,000509398 (196)
= 1,952074545 + 0,069737472 0,099842008 = 1,921970009
28
m = 1,952074545 + 0,004981248 (28) 0,000509398 (28)
2

= 1,952074545 + 0,139474944 0,000509398 (784)
= 1,952074545 + 0,139474944 0,399368032 = 1,692181457
Mdias Observadas:
r
Y
m

=
0
0

=
22
94564 , 42
= 1,952074545
r
Y
m

=
14
14

= =
22
28334 , 42
1,92197
r
Y
m

=
28
28

= =
22
22799 , 37
1,692181364
377
TABELA 10.4 EFEITO DE POCAS DE PLANTIO NA INCIDNCIA DE Alternaria
porri (Ell.) Cif., AGENTE CASUAL DA MANCHA PRPURA, EM
ALHO (Allium sativum L.) NO MUNICPIO DE VIOSA-AL,
AVALIADO ATRAVS DE UMA ESCALA DE NOTAS, VARIANDO
DE 0 (AUSNCIA DE MANCHAS) A 5 (MURCHA E
ENRUGAMENTO DAS FOLHAS DE 90 A 100%, COM MORTE
CONSEQENTE). DADOS TRANSFORMADOS EM . nota MACEI
AL, 1995
pocas de Plantio
Mdias ( nota )
Esperada (A) Observada (B)
Desvios de Regresso
(A B)
1 poca (22/04/86) 1,952074545 1,952074545 0,000000000
2 poca (06/05/86) = 14 dias
aps a 1 poca
1,921970009 1,921970000

+ 0,000000009
3 poca (20/05/86) = 28 dias
aps a 1 poca
1,692181457 1,692181364 + 0,000000093
FIGURA 10.1 EFEITO DE POCAS DE PLANTIO NA INCIDNCIA DE Alternaria
porri (Ell.) Cif., AGENTE CASUAL DA MANCHA PRPURA, EM
ALHO (Allium sativum L.) NO MUNICPIO DE VIOSA-AL,
AVALIADO ATRAVS DE UMA ESCALA DE NOTAS, VARIANDO
DE 0 (AUSNCIA DE MANCHAS) A 5 (MURCHA E
ENRUGAMENTO DAS FOLHAS DE 90 A 100%, COM MORTE
CONSEQENTE). DADOS TRANSFORMADOS EM . nota MACEI
AL, 1995
Verifica-se que o plantio efetuado no dia 20/05/86 (3 poca de
plantio), que corresponde a 28 dias aps a 1 poca de plantio, apresentou uma
queda acentuada na incidncia de Alternaria porri (Ell.) Cif., agente casual da
378
mancha prpura, em alho (Allium sativum L.) no Municpio de Viosa-AL,
conforme TABELA 10.4 e FIGURA 10.1.
c.2) Coeficiente de Determinao para pocas de Plantio:
Plantio de pocas SQ
x gresso SQ
R
100 Re
2
=
=
88919 , 0
100 88919 , 0 x
=
88919 , 0
919 , 88
= 100,00%
O valor de
2
R explica 100,00% da queda acentuada na incidncia de
Alternaria porri (Ell.) Cif., agente casual da mancha prpura, em alho (Allium
sativum L.) no Municpio de Viosa-AL, com o plantio efetuado aos 28 dias
aps a 1 poca de plantio (22/04/86) determinado pela equao de 2 grau.
d) Teste de Tukey:
Cultivares:
m
1
= 1,6790767 m
7
= 1,9363967
m
2
= 2,1127150 m
8
= 2,2360600
m
3
= 1,3451750 m
9
= 1,9500267
m
4
= 2,0733717 m
10
= 1,8517267
m
5
= 1,5648150 m
11
= 1,6261033
m
6
= 2,0340283
( )
r
s
q = A % 5
=
6
158423483 , 0 9 , 4 x
= ~
449489743 , 2
776275066 , 0
0,3169130
379
TABELA 10.5 RESISTNCIA DE CULTIVARES DE ALHO (Allium sativum L.)
Alternaria porri (Ell.) Cif., AGENTE CAUSAL DA MANCHA
PRPURA, NO MUNICPIO DE VIOSA-AL. MACEI-AL, 1995
Cultivares Mdias de Cultivares
1,2/
DOURADA 1,3451750 a
CENTENRIO 1,5648150 ab
AMARANTE 1,6561033 abcd
CATETO ROXO 1,6790767 bcd
CHINS 1,8517267 bcde
GIGANTE INCONFIDENTES 1,9363967 cdef
MEXICANO 1,9500267 def
GIGANTE ROXO 2,0340283 ef
JURIA 2,0340283 ef
BRANCO MINEIRO 2,1127150 ef
PERUANO 2,2360600 f
NOTAS: (1/) Dados transformados em x referentes a notas, variando de 0 (ausncia de
manchas) a 5 (murcha e enrugamento das folhas de 90 a 100% com morte
conseqente).
(2/) As mdias de cultivares seguida de pelo menos uma mesma letra no diferem
entre si pelo teste de Tukey no nvel de 5% de probabilidade.
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
tem-se:
A cultivar DOURADA, apesar de no diferir estatisticamente das
cultivares CENTENRIO e AMARANTE, apresentou o maior nvel de
resistncia Alternaria porri.
As cultivares PERUANO, BRANCO MINEIRO, JURIA e
GIGANTE ROXO, apesar de no diferirem estatisticamente das cultivares
MEXICANO e GIGANTE INCONFIDENTES, apresentaram os menores
ndices de resistncia A. porri.
As cultivares CATETO ROXO e CHINS apresentaram um nvel de
resistncia A. porri intermedirio entre todas as outras cultivares avaliadas.
380
conveniente substituir-se os valores transformados em x da
TABELA 10.5 pelos valores biolgicos, mantendo-se as diferenas
significativas detectadas pelo teste de Tukey, no nvel de 5% de probabilidade,
com os valores transformados, conforme se verifica a seguir, pois desta forma
fica mais fcil de analisar-se os dados.
TABELA 10.5 RESISTNCIA DE CULTIVARES DE ALHO (Allium sativum L.)
Alternaria porri (Ell.) Cif., AGENTE CAUSAL DA MANCHA
PRPURA, NO MUNICPIO DE VIOSA-AL. MACEI-AL, 1995
Cultivares Mdias de Cultivares
1,2/
DOURADA 1,83 a
CENTENRIO 2,50 ab
AMARANTE 2,67 abcd
CATETO ROXO 2,83 bcd
CHINS 3,50 bcde
GIGANTE INCONFIDENTES 3,83 cdef
MEXICANO 3,83 def
GIGANTE ROXO 4,17 ef
JURIA 4,33 ef
BRANCO MINEIRO 4,50 ef
PERUANO 5,00 f
NOTAS: (1/) Dados mdios referentes a notas, variando de 0 (ausncia de manchas) a 5
(murcha e enrugamento das folhas de 90 a 100% com morte conseqente).
(2/) As mdias de cultivares seguida de pelo menos uma mesma letra no diferem
entre si pelo teste de Tukey no nvel de 5% de probabilidade.
10.4 Exemplo com Interao Significativa
Agora, apresentar-se-, para discusso, a anlise da varincia e a
interpretao dos resultados de um experimento fatorial com interao
significativa.
Exemplo 2: A partir dos dados da TABELA 10.6, pede-se:
a) Fazer a anlise da varincia no esquema fatorial de 6 x 5;
381
b) Obter o coeficiente de variao;
c) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de cultivares;
d) Fazer o desdobramento do nmero de graus de liberdade de
cultivares mais o da interao cultivares x concentrao;
e) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de cultivares dentro de concentraes.
TABELA 10.6 EFEITO DA CONCENTRAO DE CIDO SULFRICO NA REAO DE
CULTIVARES DE CEBOLA (Allium cepa L.) DOS GRUPOS CEROSO E
NO CEROSO. DADOS MDIOS REFERENTES A NOTAS, VARIANDO
DE 0 (AUSNCIA DE INJRIAS FOLIARES) A 5 (90 100 % DE QUEIMA
DAS FOLHAS). PLANTAS AVALIADAS AOS 46 DIAS APS A
SEMEADURA
Tratamentos * I II III IV Totais de Tratamentos
A
1
B
1
1,7 2,0 1,9 2,0 7,6
A
1
B
2
2,9 2,7 3,2 3,3 12,1
A
1
B
3
2,0 2,0 2,6 3,0 9,6
A
1
B
4
3,0 2,7 3,1 3,3 12,1
A
1
B
5
4,9 4,4 4,2 4,7 18,2
A
2
B
1
2,4 2,0 2,0 1,9 8,3
A
2
B
2
2,2 2,2 2,0 3,0 9,4
A
2
B
3
3,1 2,5 2,3 2,4 10,3
A
2
B
4
4,0 3,9 3,6 3,4 14,9
A
2
B
5
4,0 3,8 4,3 4,6 16,7
A
3
B
1
1,8 1,8 2,0 1,4 7,0
A
3
B
2
2,5 2,3 2,8 2,5 10,1
A
3
B
3
2,9 2,3 2,0 1,4 8,6
A
3
B
4
4,0 4,0 3,6 4,0 15,6
A
3
B
5
4,6 4,9 4,2 5,0 18,7
A
4
B
1
A
4
B
2
A
4
B
3
A
4
B
4
A
4
B
5
A
5
B
1
A
5
B
2
A
5
B
3
A
5
B
4
A
5
B
5
A
6
B
1
A
6
B
2
A
6
B
3
A
6
B
4
A
6
B
5
2,4
4,0
3,7
4,8
5,0
2,6
2,9
3,3
4,4
4,6
1,9
3,5
3,7
4,0
4,9
3,4
3,8
4,1
5,0
5,0
2,3
3,6
4,0
4,8
5,0
1,7
2,8
3,8
4,6
5,0
3,3
4,2
2,9
5,0
5,0
2,4
3,6
3,4
4,9
5,0
2,3
3,3
4,0
4,1
4,3
3,3
4,4
5,0
5,0
5,0
2,0
3,4
4,0
4,4
5,0
2,1
3,3
3,6
4,4
4,9
12,4
16,4
15,7
19,8
20,0
9,3
13,5
14,7
18,5
19,6
8,0
12,9
15,1
17,1
19,1
FONTE: FERREIRA (1983).
NOTA: (*) Cultivares: A
1
BARREIRO SMP IV (Grupo Ceroso); A
2
BAIA DO CEDO SMP V
(Grupo Ceroso); A
3
BAIA x BARREIRO (F
1
) (Grupo Ceroso); A
4
EXCEL
BERMUDAS 986 (Grupo No Ceroso); A
5
GRANEX (Grupo No Ceroso); A
6

TEXAS GRANO (Grupo No Ceroso); Concentraes: B


1
0,5%; B
2
1%; B
3
2%;
B
4
5%; B
5
10%.
382
Resoluo:
a) Anlise da Varincia 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
t
A
= 6
t
B
= 5
r = 4
N = t x r
= 30 x 4 = 120
GL Tratamentos = t 1
= 30 1 = 29
GL Resduo = t (r 1)
= 30 ( 4 1)
= 30 (3) = 90
GL Total = t x r 1
= 30 x 4 1
= 120 1 = 119
GL Cultivares = t
A
1
= 6 1 = 5
GL Concentraes = t
B
1
383
= 5 1 = 4
GL Interao C x Con. = (t
A
1) (t
B
1)
= (6 1) (5 1)
= (5) (4) = 20
SQ Total =
( )
N
X
X
2
2
=
( )
120
3 , 411
83 , 546 . 1
2

= 1.546,83
120
69 , 167 . 169
= 1.546,83 1.409,73075 = 137,09925
SQ Tratamentos =
( )
N
X

2 2
) (
r
T
AB
=
( ) ( ) ( ) ( )
120
3 , 411
4
1 , 19 ... 1 , 12 6 , 7
2 2 2 2

+ + +
=
120
69 , 167 . 169
4
81 , 364 ... 41 , 146 76 , 57

+ + +
=
120
69 , 167 . 169
4
37 , 144 . 6

= 1.536,0925 1.409,73075 = 126,36175


SQ Resduo = SQ Total SQ Tratamentos
= 137,09925 126,36175 = 10,73750
384
Tabela de Dupla Entrada
Cultivares
Concentraes
Totais de
Cultivares
B
1
B
2
B
3
B
4
B
5
A
1
7,6
(4)
12,1 9,6 12,1 18,2 59,6
(20)
A
2
8,3 9,4 10,3 14,9 16,7 59,6
A
3
7,0 10,1 8,6 15,6 18,7 60,0
A
4
12,4 16,4 15,7 19,8 20,0 84,3
A
5
9,3 13,5 14,7 18,5 19,6 75,6
A
6
8,0 12,9 15,1 17,1 19,1 72,2
Totais de
Concentraes
52,6
(24)
74,4 74,0 98,0 112,3 411,3
SQ Cultivares =
( )
N
X

B
A
2 2
t x r
T
=
( ) ( ) ( ) ( )
120
3 , 411
5 4
2 , 72 ... 6 , 59 6 , 59
2 2 2 2

+ + +
x
=
120
69 , 167 . 169
20
84 , 212 . 5 ... 16 , 552 . 3 16 , 552 . 3

+ + +
=
120
69 , 167 . 169
20
01 , 739 . 28

= 1.436,9505 1.409,73075 = 27,21975


SQ Concentraes =
( )
N
X

A
B
2 2
t x r
T
=
( ) ( ) ( ) ( )
120
3 , 411
6 4
3 , 112 ... 4 , 74 6 , 52
2 2 2 2

+ + +
x
385
=
120
69 , 167 . 169
24
29 , 611 . 12 ... 36 , 535 . 5 76 , 766 . 2

+ + +
=
24
41 , 993 . 35

120
69 , 167 . 169
= ~ 73075 , 409 . 1 725417 , 499 . 1 89,99467
SQ Interao C x Con. =
( )
N
X

AB
2 2
r
T

(SQ Cultivares + SQ Concentraes)
= SQ Tratamentos (SQ Cultivares + SQ Concentraes)
= 126,36175 (27,21975 + 89,99467)
= 126,36175 117,21442 = 9,14733
QM Resduo =
sduo GL
sduo SQ
Re
Re
= ~
90
73750 , 10
0,119306
QM Cultivares =
es Culti GL
es Culti SQ
var
var
= =
5
21975 , 27
5,443950
QM Concentraes =
es Concentra GL
es Concentra SQ
= ~
4
99467 , 89
22,498668
QM Interao C x Con. =
.
.
Con x C Interao GL
Con x C Interao SQ
= ~
20
14733 , 9
0,457367
386
F Calculado para Cultivares =
sduo QM
es Culti QM
Re
var
= ~
119306 , 0
443950 , 5
45,63
F Calculado para Concentraes =
sduo QM
es Concentra QM
Re
= ~
119306 , 0
498668 , 22
188,58
F Calculado para Interao C x Con. =
sduo QM
Con x C Interao QM
Re
.
= ~
119306 , 0
457367 , 0
3,83
F Tabelado (1%) para Cultivares = 3,255
F Tabelado (5%) para Cultivares = 2,33
F Tabelado (1%) para Concentraes = 3,565
F Tabelado (5%) para Concentraes = 2,49
F Tabelado (1%) para Interao C x Con. = 2,115
F Tabelado (5%) para Interao C x Con. = 1,705
387
TABELA 10.7 ANLISE DA VARINCIA DO EFEITO DA CONCENTRAO DE
CIDO SULFRICO NA REAO DE CULTIVARES DE CEBOLA
(Allium cepa L.) DOS GRUPOS CEROSO E NO CEROSO. PLANTAS
AVALIADAS AOS 46 DIAS APS A SEMEADURA. PIRACICABA-
SP, 1983
Causa de Variao GL SQ QM F
Cultivares (C) 5 27,21975 5,443950 45,63 **
Concentraes (Con.) 4 89,99467 22,498668 188,58 **
Interao C x Con. 20 9,14733 0,457367 3,83 **
(Tratamentos) (29) (126,36175) - -
Resduo 90 10,73750 0,119306
Total 119 137,09925
NOTA: (**) Significativo no nvel de 1% de probabilidade.
De acordo com o teste F, tem-se:
Houve diferena significativa, no nvel de 1% de probabilidade, entre
as cultivares de cebola em relao porcentagem de queima das folhas,
provocada pelo cido sulfrico;
Houve diferena significativa, no nvel de 1% de probabilidade, entre
as concentraes de cido sulfrico em relao porcentagem de queima das
folhas em cebola.
Houve diferena significativa, no nvel de 1% de probabilidade, para a
Interao C x Con., indicando que a reao das cultivares de cebola dos
grupos ceroso e no ceroso depende da concentrao de cido sulfrico.
b) Coeficiente de Variao:
m =
( )
N
X
=
120
3 , 411
= 3,4275
sduo QM s Re =
= 119306 , 0 = 0,345407006
388
CV =
m
s x

100
=
4275 , 3
345407006 , 0 100 x
= ~
4275 , 3
5407006 , 34
10,08%
O coeficiente de variao foi 10,08%, indicando uma boa preciso
experimental.
c) Teste de Tukey:
Cultivares:
m
1
= 2,98 m
4
= 4,22
m
2
= 2,98 m
5
= 3,78
m
3
= 3,00 m
6
= 3,61
( )
r
s
q = A % 5
=
20
345407006 , 0 13 , 4 x
=
472135955 , 4
426530935 , 1
~ 0,32
389
TABELA 10.8 REAO DE CULTIVARES DE CEBOLA (Allium cepa L.) DOS
GRUPOS CEROSO E NO CEROSO AO CIDO SULFRICO.
PLANTAS AVALIADAS AOS 46 DIAS APS A SEMEADURA,
ATRAVS DE UM ESCALA DE NOTAS VARIANDO DE 0
(AUSNCIA DE INJRIAS FOLIARES) A 5 (90 100% DE QUEIMA
DAS FOLHAS). PIRACICABA-SP, 1983
Cultivares * Mdias de Cultivares **
BARREIRO SMP IV 2,98 a
BAIA DO CEDO SMP V 2,98 a
BAIA X BARREIRO (F
1
) 3,00 a
EXCEL BERMUDAS 986 4,22 c
GRANEX 3,78 b
TEXAS GRANO 3,61 b
NOTAS: (1/) As mdias de cultivares com a mesma letra no diferem entre si pelo teste de
Tukey, no nvel de 5% de probabilidade.
(*) As trs primeiras cultivares so do grupo ceroso e as trs ltimas so do grupo
no ceroso.
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
tem-se:
As cultivares do grupo ceroso BARREIRO SMP IV, BAIA DO
CEDO SMP V e BAIA x BARREIRO (F
1
) no diferiram estatisticamente
entre si, e apresentaram os menores ndices de injrias foliares.
A cultivar EXCEL BERMUDAS 986, pertencente ao grupo no
ceroso, diferiu estatisticamente de todas as cultivares avaliadas, e apresentou o
maior ndice de injrias foliares.
As cultivares TEXAS GRANO e GRANEX, pertencentes ao grupo
no ceroso, no diferiram estatisticamente entre si, e apresentaram um ndice
de injrias foliares intermedirio entre EXCEL BERMUDAS 986 e as
cultivares do grupo ceroso.
d) Desdobramento do Nmero de Graus de Liberdade de Cultivares
Mais o da Interao Cultivares x Concentraes:
SQ Cultivares Dentro da Concentrao 0,5%
390
=
( )
A
B
A
T

B T
t x r r
de Dentro
2
1
2
1
=
( ) ( ) ( )
4
0 , 8 ... 3 , 8 6 , 7
2 2 2
+ + +

( )
6 4
6 , 52
2
x
=
24
76 , 766 . 2
4
00 , 64 ... 89 , 68 76 , 57

+ + +
24
76 , 766 . 2
4
9 , 479
=
= 119,975 115,28167 = 4,69333
SQ Cultivares Dentro da Concentrao 1,0%
=
( )
A
B
A
T

B T
t x r r
de Dentro
2
2
2
2
=
( ) ( ) ( )
4
9 , 12 ... 4 , 9 1 , 12
2 2 2
+ + +

( )
6 4
4 , 74
2
x
=
24
36 , 535 . 5
4
41 , 166 ... 36 , 88 41 , 146

+ + +
24
36 , 535 . 5
4
4 , 954
=
= 238,6 230,64 = 7,96000
SQ Cultivares Dentro da Concentrao 2,0%
=
( )
A
B
A
T

B T
t x r r
de Dentro
2
3
2
3
=
( ) ( ) ( )
4
1 , 15 ... 3 , 10 6 , 9
2 2 2
+ + +

( )
6 4
0 , 74
2
x
391
=
24
0 , 476 . 5
4
01 , 228 ... 09 , 106 16 , 92

+ + +
24
0 , 476 . 5
4
8 , 962
=
= 240,7 228,16667 = 12,53333
SQ Cultivares Dentro da Concentrao 5,0%
=
( )
A
B
A
T

B T
t x r r
de Dentro
2
4
2
4
=
( ) ( ) ( )
4
1 , 17 ... 9 , 14 1 , 12
2 2 2
+ + +

( )
6 4
0 , 98
2
x
=
24
0 , 604 . 9
4
41 , 292 ... 01 , 222 41 , 146

+ + +
24
0 , 604 . 9
4
48 , 638 . 1
=
= 409,62 400,16667 = 9,45333
SQ Cultivares Dentro da Concentrao 10,0%
=
( )
A
B
A
T

B T
t x r r
de Dentro
2
5
2
5
=
( ) ( ) ( )
4
1 , 19 ... 7 , 16 2 , 18
2 2 2
+ + +

( )
6 4
3 , 112
2
x
=
24
29 , 611 . 12
4
81 , 364 ... 89 , 278 24 , 331

+ + +
=
24
29 , 611 . 12
4
79 , 108 . 2

= 527,1975 525,4704167 ~ 1,72708


QM Cultivares Dentro da Concentrao 0,5%
392
=
1
% 5 , 0 var

A
t
o Concentra da Dentro es Culti SQ
=
1 6
69333 , 4

=
5
69333 , 4
= 0,938666
QM Cultivares Dentro da Concentrao 1,0%
=
1
% 0 , 1 var

A
t
o Concentra da Dentro es Culti SQ
=
1 6
96000 , 7

=
5
96000 , 7
= 1,592000
QM Cultivares Dentro da Concentrao 2,0%
=
1
% 0 , 2 var

A
t
o Concentra da Dentro es Culti SQ
=
1 6
53333 , 12

=
5
53333 , 12
= 2,506666
QM Cultivares Dentro da Concentrao 5,0%
=
1
% 0 , 5 var

A
t
o Concentra da Dentro es Culti SQ
=
1 6
45333 , 9

=
5
45333 , 9
= 1,890666
393
QM Cultivares Dentro da Concentrao 10,0%
=
1
% 0 , 10 var

A
t
o Concentra da Dentro es Culti SQ
=
1 6
72708 , 1


=
5
72708 , 1
= 0,345416
F Calculado para Cultivares Dentro da Concentrao 0,5%
=
sduo QM
o Concentra da Dentro es Culti QM
Re
% 5 , 0 var
= ~
119306 , 0
938666 , 0
7,87
F Calculado para Cultivares Dentro da Concentrao 1,0%
=
sduo QM
o Concentra da Dentro es Culti QM
Re
% 0 , 1 var
= ~
119306 , 0
592000 , 1
13,34
F Calculado para Cultivares Dentro da Concentrao 2,0%
=
sduo QM
o Concentra da Dentro es Culti QM
Re
% 0 , 2 var
= ~
119306 , 0
506666 , 2
21,01
F Calculado para Cultivares Dentro da Concentrao 5,0%
=
sduo QM
o Concentra da Dentro es Culti QM
Re
% 0 , 5 var
394
= ~
119306 , 0
890666 , 1
15,85
F Calculado para Cultivares Dentro da Concentrao 10,0%
=
sduo QM
o Concentra da Dentro es Culti QM
Re
% 0 , 10 var
= ~
119306 , 0
345416 , 0
2,90
F Tabelado (1%) para Cultivares Dentro das Concentraes = 3,255
F Tabelado (5%) para Cultivares Dentro das Concentraes = 2,33
Agora, a TABELA 10.7 fica da seguinte maneira:
TABELA 10.7 ANLISE DA VARINCIA DO EFEITO DA CONCENTRAO DE
CIDO SULFRICO NA REAO DE CULTIVARES DE CEBOLA
(Allium cepa L.) DOS GRUPOS CEROSO E NO CEROSO. PLANTAS
AVALIADAS AOS 46 DIAS APS A SEMEADURA. PIRACICABA-
SP,1983
Causa de Variao GL SQ QM F
Concentraes 4 89,99467 22,498668

188,58 **
Cultivares dentro da Concentrao 0,5% 5 4,69333 0,938666 7,87 **
Cultivares dentro da Concentrao 1,0% 5 7,96000 1,592000 13,34 **
Cultivares dentro da Concentrao 2,0% 5 12,53333 2,506666 21,01 **
Cultivares dentro da Concentrao 5,0% 5 9,45333 1,890666 15,85 **
Cultivares dentro da Concentrao 10,0% 5 1,72708 0,345416 2,90 *
(Tratamentos) (29) (126,36175) - -
Resduo 90 10,73750 0,119306
Total 119 137,09925
NOTAS: (*) Significativo no nvel de 5% de probabilidade.
(**) Significativo no nvel de 1% de probabilidade.
395
De acordo com o teste F, tem-se:
Houve diferena significativa, no nvel de 1% de probabilidade, entre
as concentraes de cido sulfrico em relao porcentagem de queima das
folhas em cebola.
Houve diferena significativa, no nvel de 1% de probabilidade, entre
as cultivares de cebola dentro das concentraes de 0,5, 1,0, 2,0 e 5,0% em
relao porcentagem de queima das folhas.
Houve diferena significativa, no nvel de 5% de probabilidade, entre
as cultivares de cebola dentro da concentrao de 10,0% em relao
porcentagem de queima das folhas.
e) Teste de Tukey:
Cultivares Dentro da Concentrao 0,5%:
m
1
= 1,90 m
4
= 3,10
m
2
= 2,08 m
5
= 2,33
m
3
= 1,75 m
6
= 2,00
Cultivares Dentro da Concentrao 1,0%:
m
1
= 3,03 m
4
= 4,10
m
2
= 2,35 m
5
= 3,38
m
3
= 2,53 m
6
= 3,23
Cultivares Dentro da Concentrao 2,0%:
m
1
= 2,40 m
4
= 3,93
m
2
= 2,58 m
5
= 3,68
m
3
= 2,15 m
6
= 3,78
Cultivares Dentro da Concentrao 5,0%:
m
1
= 3,03 m
4
= 4,95
m
2
= 3,73 m
5
= 4,63
m
3
= 3,90 m
6
= 4,28
396
Cultivares Dentro da Concentrao 10,0%:
m
1
= 4,55 m
4
= 5,00
m
2
= 4,18 m
5
= 4,90
m
3
= 4,68 m
6
= 4,78
( )
r
s
q = A % 5
=
4
345407006 , 0 13 , 4 x
=
2
426530935 , 1
~ 0,71
TABELA 10.9 EFEITO DA CONCENTRAO DE CIDO SULFRICO NA
REAO DE CULTIVARES DE CEBOLA (Allium cepa L.) DOS
GRUPOS CEROSO E NO CEROSO. PLANTAS AVALIADAS AOS
46 DIAS APS A SEMEADURA, ATRAVS DE UM ESCALA DE
NOTAS VARIANDO DE 0 (AUSNCIA DE INJRIAS FOLIARES)
A 5 (90-100 % DE QUEIMA DAS FOLHAS). PIRACICABA-SP,
1983
Cultivares * Concentraes (%)
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 (F
1
) 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 trs primeiras cultivares so do grupo ceroso e as trs ltimas so do grupo
no ceroso.
(1/) Nas colunas, as mdias de cultivares dentro de concentrao seguidas de pelo
menos uma mesma letra no diferem entre si pelo teste de Tukey, no nvel de
5% de probabilidade.
397
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
tem-se:
Na concentrao de 0,5% de cido sulfrico, a cultivar do grupo no
ceroso EXCEL BERMUDAS 986 apresentou o maior ndice de injrias
foliares, e diferiu estatisticamente das demais cultivares de cebola avaliadas.
Nesta mesma concentrao, o hbrido BAIA x BARREIRO apresentou o
menor ndice de injrias foliares, apesar de no diferir estatisticamente das
cultivares do grupo ceroso BARREIRO SMP IV e BAIA DO CEDO SMP
V e das cultivares do grupo no ceroso GRANEX e TEXAS GRANO.
Na concentrao de 1,0% de cido sulfrico, a cultivar do grupo no
ceroso EXCEL BERMUDAS 986 apresentou o maior ndice de injrias
foliares, e diferiu estatisticamente das demais cultivares de cebola avaliadas.
Nesta mesma concentrao, a cultivar do grupo ceroso BAIA DO CEDO SMP
V apresentou o menor ndice de injrias foliares, apesar de no diferir das
outras cultivares do grupo ceroso. Ainda, a cultivar GRANEX, pertence ao
grupo no ceroso, apresentou o segundo maior ndice de injrias foliares,
apesar de no diferir estatisticamente da cultivar TEXAS GRANO e
BARREIRO SMP IV, que se encontram numa posio intermediria entre as
cultivares de cebola avaliadas.
Na concentrao de 2,0% de cido sulfrico, as cultivares de cebola
do grupo ceroso apresentaram os menores ndice de injrias foliares, e
diferiram estatisticamente das cultivares do grupo no ceroso.
Na concentrao de 5,0% de cido sulfrico, a cultivar BARREIRO
SMP IV apresentou o menor ndice de injrias foliares, apesar de no diferir
estatisticamente da cultivar BAIA DO CEDO SMP V, enquanto que a
cultivar EXCEL BERMUDAS 986 apresentou o maior ndice de injrias
foliares, apesar de no diferir estatisticamente das cultivares GRANEX e
TEXAS GRANO. Nesta mesma concentrao, a cultivar BAIA x BARREIRO
(F
1
), pertencente ao grupo ceroso, apresentou um ndice de injrias foliares
intermedirio entre as cultivares de cebola do grupo ceroso.
Na concentrao de 10,0% de cido sulfrico, a cultivar BAIA DO
CEDO SMP V apresentou o menor ndice de injurias foliares, enquanto que
as cultivares EXCEL BERMUDAS 986 e GRANEX apresentaram os maiores
ndices. As demais cultivares se situaram numa posio intermediria, quanto
ao ndice de injrias foliares, e no diferiram estatisticamente das cultivares
que apresentaram os maiores e menores ndices de injrias foliares.
10.5 Tcnica do Confundimento
J foi visto que a tcnica do confundimento a alternativa mais usada
nos experimentos fatoriais para se contornar a desvantagem do grande nmero
de tratamentos, em funo do aumento do nmero de fatores e/ou nveis.
398
Esta tcnica consiste em subdividir o bloco (repetio) em dois ou
mais sub-blocos visando com isso obter reas homogneas para os
tratamentos, o que, geralmente, no ocorre em reas maiores.
A distribuio dos tratamentos pelos sub-blocos feita de forma
orientada e, em geral, confundem-se as interaes de maior ordem (tripla,
qudrupla, etc.) com o efeito de blocos. Nunca se devem confundir os efeitos
principais dos fatores, nem tambm, sempre que possvel, as interaes duplas,
que so as mais importantes, com o efeito de blocos.
COCHRAN e COX (1957) apresentam com detalhe a composio dos
blocos em numerosos casos de experimentos fatoriais com confundimento.
Deve-se ressaltar, contudo, que a utilizao desta tcnica proporciona uma
reduo do nmero de graus de liberdade do resduo e, em conseqncia, um
aumento da varincia do erro experimental. Em funo disso, no
aconselhvel utiliz-la quando o nmero de tratamentos avaliados for
pequeno.
A fim de ilustrar esta tcnica, veja-se o caso mais comum e mais
importante de confundimento, que o do fatorial de 3
3
, introduzido por
YATES (1937). Nele so confundidos dois graus de modos distintos de se
fazer o confundimento, designados por W, X, Y e Z, para repartir os 27
tratamentos em trs blocos de nove tratamentos, como v-se nos quadros a
seguir:
GRUPO W GRUPO X
1 Bloco 2 Bloco 3 Bloco 1 Bloco 2 Bloco 3 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
399
GRUPO Y GRUPO Z
1 Bloco 2 Bloco 3 Bloco 1 Bloco 2 Bloco 3 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 repetio.
A anlise da varincia feita do modo usual, com algumas pequenas
alteraes. Ento, veja-se:
Considere-se, para fins de estabelecimento de esquema de anlise, um
ensaio fatorial 3
3
, de adubao: N, P, K, com duas repeties.
O quadro auxiliar da anlise de varincia e as tabelas de dupla entrada
ficam da seguinte maneira:
400
Quadro Auxiliar da Anlise da Varincia (Grupo W)

Trata-
mentos
I II Totais de
Tratamentos
Trata-
Mentos
I II Totais de
Tratamentos
Trata-
mentos
I II
Totais de
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
N0 P2 K1 X (N0 P2 K1) X (N0 P2 K1) TN0 P2 K1 N0 P2 K2 X (N0 P2 K2) X (N0 P2 K2) TN0 P2 K2 N0 P2 K0 X (N0 P2 K0) X (N0 P2 K0) TN0 P2 K0
N1 P0 K1 X (N1 P0 K1) X (N1 P0 K1) TN1 P0 K1 N1 P0 K2 X (N1 P0 K2) X (N1 P0 K2) TN1 P0 K2 N1 P0 K0 X (N1 P0 K0) X (N1 P0 K0) TN1 P0 K0
N1 P1 K0 X (N1 P1 K0) X (N1 P1 K0) TN1 P1 K0 N1 P1 K1 X (N1 P1 K1) X (N1 P1 K1) TN1 P1 K1 N1 P1 K2 X (N1 P1 K2) X (N1 P1 K2) TN1 P1 K2
N1 P2 K2 X (N1 P2 K2) X (N1 P2 K2) TN1 P2 K2 N1 P2 K0 X (N1 P2 K0) X (N1 P2 K0) TN1 P2 K0 N1 P2 K1 X (N1 P2 K1) X (N1 P2 K1) TN1 P2 K1
N2 P0 K2 X (N2 P0 K2) X (N2 P0 K2) TN2 P0 K2 N2 P0 K0 X (N2 P0 K0) X (N2 P0 K0) TN2 P0 K0 N2 P0 K1 X (N2 P0 K1) X (N2 P0 K1) TN2 P0 K1
N2 P1 K1 X (N2 P1 K1) X (N2 P1 K1) TN2 P1 K1 N2 P1 K2 X (N2 P1 K2) X (N2 P1 K2) TN2 P1 K2 N2 P1 K0 X (N2 P1 K0) X (N2 P1 K0) TN2 P1 K0
N2 P2 K0 X (N2 P2 K0) X (N2 P2 K0) TN2 P2 K0 N2 P2 K1 X (N2 P2 K1) X (N2 P2 K1) TN2 P2 K1 N2 P2 K2 X (N2 P2 K2) X (N2 P2 K2) TN2 P2 K2
Totais de
Blocos
BI
(1)
BII
(1)
TG
(1)
Totais de
Blocos
BI
(2)
BII
(2)
TG
(2)
Totais de
Blocos
BI
(3)
BII
(3)
TG
(3)
401
Tabela de Dupla Entrada para a Interao N x P
Tratamentos P
0
P
1
P
2
Totais de N
N
0
TN
0
P
0
TN
0
P
1
TN
0
P
2
TN
0
N
1
TN
1
P
0
TN
1
P
1
TN
1
P
2
TN
1
N
2
TN
2
P
0
TN
2
P
1
TN
2
P
2
TN
2
Totais de P TP
0
TP
1
TP
2
Tabela de Dupla Entrada para a Interao N x K
Tratamentos K
0
K
1
K
2
Totais de N
N
0
TN
0
K
0
TN
0
K
1
TN
0
K
2
TN
0
N
1
TN
1
K
0
TN
1
K
1
TN
1
K
2
TN
1
N
2
TN
2
K
0
TN
2
K
1
TN
2
K
2
TN
2
Totais de K TK
0
TK
1
TK
2
Tabela de Dupla Entrada para a Interao P x K
Tratamentos K
0
K
1
K
2
Totais de P
P
0
TP
0
K
0
TP
0
K
1
TP
0
K
2
TP
0
P
1
TP
1
K
0
TP
1
K
1
TP
1
K
2
TP
1
P
2
TP
2
K
0
TP
2
K
1
TP
2
K
2
TP
2
Totais de K TK
0
TK
1
TK
2
O esquema da anlise da varincia dado por:
403
Quadro da Anlise da Varincia
Causa de Variao GL SQ QM F
Efeito de Nitrognio (N) t
N
1 SQN QMN
sduo QM
QMN
Re
Efeito de Fsforo (P) t
P
1 SQP QMP
sduo QM
QMP
Re
Efeito de Potssio (K) t
K
1 SQK QMK
sduo QM
QMK
Re
Interao N x P (t
N
1) (t
P
1) SQ Interao N x P QM Interao N x P
sduo QM
P x N Interao QM
Re
Interao N x K (t
N
1) (t
K
1) SQ Interao N x K QM Interao N x K
sduo QM
K x N Interao QM
Re
Interao P x K (t
P
1) (t
K
1) SQ Interao P x K QM Interao P x K
sduo QM
K x P Interao QM
Re
Interao N x P x K
(parte no confundida)
(t
N
1) (t
P
1) (t
K
1)
2 confundido
SQ Interao N x P x K QM Interao N x P x K
sduo QM
K x P x N Interao QM
Re
(Tratamentos No
Confundidos)
t 1 2 confundido SQ Tratamentos - -
Blocos r x b 1 SQ Blocos - -
Resduo (t 1)(r 1) 2 SQ Resduo QM Resduo
Total t x r 1 SQ Total
403
onde:
GL = nmero de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado mdio;
F = valor calculado do teste F;
t = nmero de tratamentos (combinaes);
r = nmero de repeties do experimento;
b = nmero de sub-blocos;
t
N
= nmero de tratamentos N;
t
P
= nmero de tratamentos P;
t
K
=nmero de tratamentos K;
SQ Total =
( )
N
X
X
2
2

onde:
X = valor de cada observao;
N = nmero de observaes, que corresponde ao nmero de tratamentos (t)
multiplicado pelo nmero de repeties do experimento (r);
SQ Tratamentos No Confundidos
=
( ) ( ) ( )
(

N
X

N
X

NPK T
2 2 2 2
g
G
r

onde:
T(NPK) = total de cada combinao (NPK);
TG = total geral de cada sub-bloco, que corresponde ao somatrio do total de
cada combinao (NPK) do sub-bloco;
g = nmero de tratamentos (combinaes) do sub-bloco (t) multiplicado pelo
nmero de repeties do experimento (r);
SQ Blocos =
( )
N
X

B
2
2
' t
onde:
B = total de cada bloco;
SQ Resduo = SQ Total (SQ Tratamentos No Confundidos + SQ Blocos)
404
SQ Tratamentos N =
( )
N
X

T
2 2
K P
t x t x r
N
onde:
TN

= total de cada tratamento N;
SQ Tratamentos P =
( )
N
X

T
2 2
K N
t x t x r
P
onde:
TP = total de cada tratamento P;
SQ Tratamentos K =
( )
N
X

TK
2 2
P N
t x t x r
onde:
TK

= total de cada tratamento K;
SQ Interao N x P =
( ) ( )
N
X

NP T
2 2
K
t x r

(SQ Tratamentos N + SQ Tratamentos P)
onde:
T(NP) = total de cada combinao (NP);
SQ Interao N x K =
( ) ( )
N
X

NK T
2 2
P
t x r

(SQ Tratamentos N + SQ Tratamentos K)
onde:
T(NK) = total de cada combinao (NK);
SQ Interao P x K =
( ) ( )
N
X

K T
2 2
N
t x r
P

(SQ Tratamentos P + SQ Tratamentos K)
405
onde:
T(PK) = total de cada combinao (PK);
SQ Interao N x P x K = SQ Tratamentos No Confundidos
[SQ Tratamentos N + SQ Tratamentos P + SQ Tratamentos K +
SQ Interao N x P + SQ Interao N x K + SQ Interao P x K]
QM Resduo =
sduo GL
sduo SQ
Re
Re
QM Tratamentos N =
N s Tratamento GL
N Tramentos SQ
QM Tratamentos P =
P s Tratamento GL
P Tramentos SQ
QM Tratamentos K =
K s Tratamento GL
K Tramentos SQ
QM Interao N x P =
P x N Intero GL
P x N Interao SQ
QM Interao N x K =
K x N Intero GL
K x N Interao SQ
QM Interao P x K =
K x P Intero GL
K x P Interao SQ
QM Interao N x P x K =
K x P x N Intero GL
K x P x N Interao SQ
Pode-se, tambm, realizar um experimento desta natureza com uma s
repetio, utilizando-se a Interao Tripla N x P x K como resduo. No
entanto, mais conveniente utilizar mais de uma repetio (em geral, utilizam-
se duas repeties) para se obter uma maior preciso experimental.
406
10.6 Exemplo de um Experimento Fatorial 3
3
com Confundimento
Apresentar-se- a seguir a anlise da varincia e a interpretao dos
resultados de um experimento fatorial 3
3
com confundimento.
Exemplo 3: A partir dos dados da TABELA 10.10, pede-se:
a) Fazer a anlise da varincia no esquema fatorial 3
3
com
confundimento, inclusive levando-se em conta a regresso polinomial para os
efeitos de N, P e K;
b) Obter o coeficiente de variao;
c) Obter as equaes de regresso e os coeficientes de determinao
para os efeitos de N, P e K.
TABELA 10.10 DADOS DE PRODUO DE ALGODO HERBCEO (Gossypium
hirsutum L.) (kg/ha) DE UM ENSAIO DE ADUBAO NPK
1/
, 3
3
,
COM CONFUNDIMENTO (GRUPO W), COM DUAS REPETIES
Trat. 1 Rep. 2 Rep. Totais Trat. 1 Rep. 2 Rep. Totais Trat. 1 Rep. 2 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; P
2
0
5
: 0 60 120; K
2
0 : 0 60 120.
Resoluo:
a) Anlise da Varincia no Esquema Fatorial 3
3
com Confundimento
com Regresso Polinomial para os Efeitos de N, P e K:
407
E X = 182 + 78 + ... + 599 = 20.095,0
E X
2
= (182)
2
+ (78)
2
+ ... + (599)
2

= 33.124 + 6.084 +...+ 358.801 = 10.130.071,0
t = 27
t
N
= 3
t
P
= 3
t
K
= 3
r = 2
b = 3
N = t x r
= 27 x 2 = 54
GL Tratamentos No Confundidos = t 1 2 confundido
= 27 1 2 = 24
GL Blocos = r x b 1
= 2 x 3 1
= 6 1 = 5
GL Resduo = (t 1) (r 1) 2
= (27 1) (2 1) 2
= (26) (1) 2
= 26 2 = 24
GL Total = t x r 1
408
= 27 x 2 1
= 54 1 = 53
GL Tratamentos N = t
N
1
= 3 1 = 2
GL Regresso Linear = 1
GL Regresso Quadrtica = 1
GL Tratamentos P = t
P
1
= 3 1 = 2
GL Regresso Linear = 1
GL Regresso Quadrtica = 1
GL Tratamentos K = t
K
1
= 3 1 = 2
GL Regresso Linear = 1
GL Regresso Quadrtica = 1
GL Interao N x P = (t
N
1) (t
P
1)
= (3 1) (3 1)
= (2) (2) = 4
GL Interao N x K = (t
N
1) (t
K
1)
= (3 1) (3 1)
= (2) (2) = 4
GL Interao P x K = (t
P
1) (t
K
1)
409
= (3 1) (3 1)
= (2) (2) = 4
GL Interao N x P x K = (t
N
1) (t
P
1) (t
K
1) 2 confundido
= (3 1) (3 1) (3 1) 2
= (2) (2) (2) 2
= 8 2 = 4
SQ Total =
( )
N
X
X
2
2

=
54
) 0 , 095 . 20 (
0 , 071 . 130 . 10
2

= 10.130.071,0
54
0 , 025 . 809 . 403

= 10.130.071,0 7.477.944,9 = 2.652.126,1
SQ Tratamentos No Confundidos =
( )
r
2
NPK T

( )
N
X
2

( )
(

N
X

T
2 2
g
G

=
+ + +
54
) 0 , 095 . 20 (
2
) 0 , 224 . 1 ( ... ) 0 , 573 ( ) 0 , 260 (
2 2 2 2
(

+ +
54
) 0 , 095 . 20 (
2 9
) 0 , 568 . 5 ( ) 0 , 238 . 7 ( ) 0 , 289 . 7 (
2 2 2 2
x
=
+ + +
54
0 , 025 . 809 . 403
2
0 , 176 . 498 . 1 ... 0 , 329 . 328 0 , 000 . 67
410
|
.
|

\
|

+ +
54
0 , 025 . 809 . 403
18
0 , 624 . 002 . 31 0 , 644 . 388 . 52 0 , 521 . 129 . 53
=
54
0 , 025 . 809 . 403
18
0 , 000 . 520 . 136
54
0 , 025 . 809 . 403
2
0 , 673 . 549 . 18
+
= 9.274.836,5 7.477.944,9 7.584.444,4 + 7.477.944,9 = 1.690.392,1
SQ Blocos =
( )
N
X

B
2 2
' t
=
( ) ( ) ( ) ( )
54
0 , 095 . 20
9
0 , 377 . 3 ... 0 , 334 . 3 0 , 955 . 3
2 2 2 2

+ + +
=
54
0 , 025 . 809 . 403
9
0 , 129 . 404 . 11 ... 0 , 556 . 115 . 11 0 , 025 . 642 . 15

+ + +
=
54
0 , 025 . 809 . 403
9
0 , 963 . 722 . 70

= 7.858.107,0 7.477.944,9 = 380.162,1


SQ Resduo = SQ Total (SQ Tratamentos No 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
Tabelas de Dupla Entrada
Nitrognio

Fsforo
Totais de Nitrognio
P
0
P
1
P
2
N
0

797,0
(6)
1.315,0 1.496,0

3.608,0
(18)
N
1

2.799,0 2.632,0 3.203,0 8.634,0
N
2
1.693,0 3.304,0 2.856,0 7.853,0
Totais de Fsforo 5.289,0
(18)
7.251,0 7.555,0

20.095,0
411
Fsforo

Potssio
Totais de Fsforo
K
0
K
1
K
2
P
0
1.250,0
(6)
2.121,0 1.918,0 5.289,0
(18)
P
1

2.089,0 2.258,0 2.904,0 7.251,0
P
2
1.944,0 2.408,0 3.203,0 7.555,0
Totais de Potssio

5.283,0
(18)
6.787,0 8.025,0

20.095,0
Nitrognio

Potssio
Totais de Nitrognio
K
0
K
1
K
2
N
0

1.093,0
(6)
1.431,0 1.084,0

3.608,0
(18)
N
1

2.201,0 2.877,0 3.556,0 8.634,0
N
2

1.989,0 2.479,0 3.385,0 7.853,0
Totais de Potssio

5.283,0
(18)
6.787,0 8.025,0

20.095,0
SQ Tratamentos N =
( )
N
X

TN
2 2
K P
t x t x r
=
( ) ( ) ( ) ( )
54
0 , 095 . 20
3 3 2
0 , 853 . 7 0 , 634 . 8 0 , 608 . 3
2 2 2 2

+ +
x x

=
54
0 , 025 . 809 . 403
18
0 , 609 . 669 . 61 0 , 956 . 545 . 74 0 , 664 . 017 . 13

+ +
=
54
0 , 025 . 809 . 403
18
0 , 229 . 233 . 149

= 9 , 944 . 477 . 7 9 8.290.734, = 812.790,0
412
Totais de Tratamentos N (T)
Coeficientes
C
1
C
2
3.608,0 (18) 1 + 1
8.634,0 0 2
7.853,0 + 1 + 1
K 2 6
M 1 3
1
2
1
) (
Re
rK
T C
Linear gresso SQ

=
=
| |
2 18
) 0 , 853 . 7 1 ( ) 0 , 634 . 8 0 ( ) 0 , 608 . 3 1 (
2
x
x x x + + +
=
| |
36
) 0 , 853 . 7 ( ) 00000 , 0 ( ) 0 , 608 . 3 (
2
+ +
=
36
) 0 , 245 . 4 (
2
=
36
0 , 025 . 020 . 18
~ 500.556,25
2
2
2
) (
Re
rK
T C
Quadrtica gresso SQ

=
=
| |
6 18
) 0 , 853 . 7 1 ( ) 0 , 634 . 8 2 ( ) 0 , 608 . 3 1 (
2
x
x x x + + + +
=
| |
108
) 0 , 853 . 7 ( ) 0 , 268 . 17 ( ) 0 , 608 . 3 (
2
+ +
413
=
108
) 0 , 807 . 5 (
2

=
108
0 , 249 . 721 . 33
= 312.233,787
SQ Tratamentos P =
( )
N
X

T
2 2
K N
t x t x r
P
=
( ) ( ) ( ) ( )
54
0 , 095 . 20
3 3 2
0 , 555 . 7 0 , 251 . 7 0 , 289 . 5
2 2 2 2

+ +
x x
=
54
0 , 025 . 809 . 403
18
0 , 025 . 078 . 57 0 , 001 . 577 . 52 521 . 973 . 27

+ +

=
54
0 , 025 . 809 . 403
18
0 , 547 . 628 . 137

= 7.646.030,4 7.477.944,9 = 168.085,5
Totais de Tratamentos P (T)
Coeficientes
C
1
C
2
5.289,0 (18) 1 + 1
7.251,0 0 2
7.555,0 + 1 + 1
K 2 6
M 1 3
1
2
1
) (
Re
rK
T C
Linear gresso SQ

=
414
=
| |
2 18
) 0 , 555 . 7 1 ( ) 0 , 251 . 7 0 ( ) 0 , 289 . 5 1 (
2
x
x x x + + +
=
| |
36
) 0 , 555 . 7 ( ) 00000 , 0 ( ) 0 , 289 . 5 (
2
+ +
=
36
) 0 , 266 . 2 (
2
=
36
0 , 756 . 134 . 5
= 142.632,1111
2
2
2
) (
Re
rK
T C
Quadrtica gresso SQ

=
=
| |
6 18
) 0 , 555 . 7 1 ( ) 0 , 251 . 7 2 ( ) 0 , 289 . 5 1 (
2
x
x x x + + + +
=
| |
108
) 0 , 555 . 7 ( ) 0 , 502 . 14 ( ) 0 , 289 . 5 (
2
+ +
=
108
) 0 , 658 . 1 (
2

=
108
0 , 964 . 748 . 2
= 25.453,37037
SQ Tratamentos K =
( )
N
X

T
2 2
P N
t x t x r
K

=
( ) ( ) ( ) ( )
54
0 , 095 . 20
3 3 2
0 , 025 . 8 0 , 787 . 6 0 , 283 . 5
2 2 2 2

+ +
x x

=
54
0 , 025 . 809 . 403
18
0 , 625 . 400 . 64 369 . 063 . 46 0 , 089 . 910 . 27

+ +

=
54
0 , 025 . 809 . 403
18
0 , 083 . 374 . 138

415
= 7.687.449,1 7.477.944,9 = 209.504,2
Totais de Tratamentos K (T)
Coeficientes
C
1
C
2
5.283,0 (18) 1 + 1
6.787,0 0 2
8.025,0 + 1 + 1
K 2 6
M 1 3
1
2
1
) (
Re
rK
T C
Linear gresso SQ

=
=
| |
2 18
) 0 , 025 . 8 1 ( ) 0 , 787 . 6 0 ( ) 0 , 283 . 5 1 (
2
x
x x x + + +
=
| |
36
) 0 , 025 . 8 ( ) 00000 , 0 ( ) 0 , 283 . 5 (
2
+ +
=
36
) 0 , 742 . 2 (
2
=
36
0 , 564 . 518 . 7
= 208.849,0
2
2
2
) (
Re
rK
T C
Quadrtica gresso SQ

=
=
| |
6 18
) 0 , 025 . 8 1 ( ) 0 , 787 . 6 2 ( ) 0 , 283 . 5 1 (
2
x
x x x + + + +
416
=
| |
108
) 0 , 025 . 8 ( ) 0 , 574 . 13 ( ) 0 , 283 . 5 (
2
+ +
=
108
) 0 , 266 (
2

=
108
0 , 0 , 756 . 70
~ 655,14815
SQ Interao N x P =
( )
N
X

N T
2 2
) (
K
t x r
P

(SQ Tratamentos N + SQ Tratamentos P)
=
( ) ( ) ( ) ( )
54
0 , 095 . 20
3 2
0 , 856 . 2 ... 0 , 315 . 1 0 , 797
2 2 2

+ + +
x
( 0 , 790 . 812 + 168.085,5)
=
+ + +
54
0 , 025 . 809 . 403
6
0 , 736 . 156 . 8 ... 0 , 225 . 729 . 1 0 , 209 . 635
980.875,5

54
0 , 025 . 809 . 403
6
0 , 885 . 562 . 51
= 980.875,5
= 8.593.814,2 7.477.944,9 980.875,5 = 134.993,8
SQ Interao N x K =
( )

N
X

N T
2 2
) (
P
t x r
K
(SQ Tratamentos N + SQ Tratamentos K)
=
( ) ( ) ( )
3 2
0 , 385 . 3 ... 0 , 431 . 1 0 , 093 . 1
2 2 2
x
+ + +

( )
54
0 , 095 . 20

(812.790,0 + 209.504,2)
=
+ + +
54
0 , 025 . 809 . 403
6
0 , 225 . 458 . 11 ... 0 , 761 . 047 . 2 0 , 649 . 194 . 1
1.022.294,2
417

6
0 , 919 . 743 . 51
= 2 , 294 . 022 . 1
54
0 , 025 . 809 . 403

= 8.623.986,5 7.477.944,9 1.022.294,2 = 123.747,4


SQ Interao P x K =
( )

N
X

P T
2 2
) (
N
t x r
K
(SQ Tratamentos P + SQ Tratamentos K)
=
( ) ( ) ( )
3 2
0 , 203 . 3 ... 0 , 121 . 2 0 , 250 . 1
2 2 2
x
+ + +

( )

54
0 , 095 . 20
(168.085,5 + 209.504,2)
6
0 , 375 . 472 . 47
= 7 , 589 . 377
54
0 , 025 . 809 . 403

= 7.912.062,5 7.477.944,9 377.589,7 = 56.527,9


SQ Interao N x P x K = SQ Tratamentos No Confundidos
(SQ Tratamentos N + SQ Tratamentos P + SQ Tratamentos K +
SQ Interao N x P + SQ Interao N x K + SQ Interao 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
QM Resduo =
sduo GL
sduo SQ
Re
Re
= =
24
9 , 571 . 581
24.232,1625
QM Regresso Linear (N) =
) ( Re
) ( Re
N Linear gresso GL
N Linear gresso SQ
418
=
1
25 , 556 . 500
= 500.556,25
QM Regresso Quadrtica (N) =
) ( Re
) ( Re
N Quadrtica gresso GL
N Quadrtica gresso SQ
=
1
787 , 233 . 312
= 312.233,787
QM Regresso Linear (P) =
) ( Re
) ( Re
P Linear gresso GL
P Linear gresso SQ
=
1
1111 , 632 . 142
= 142.632,1111
QM Regresso Quadrtica (P) =
) ( Re
) ( Re
P Quadrtica gresso GL
P Quadrtica gresso SQ
=
1
37037 , 453 . 25
= 25.453,37037
QM Regresso Linear (K) =
) ( Re
) ( Re
K Linear gresso GL
K Linear gresso SQ
=
1
0 , 849 . 208
= 208.849,0
QM Regresso Quadrtica (K) =
) ( Re
) ( Re
K Quadrtica gresso GL
K Quadrtica gresso SQ
=
1
14815 , 655
= 655,14815
QM Interao N x P =
P x N Interao GL
P x N Interao SQ
= =
4
8 , 993 . 134
33.748,45
419
QM Interao N x K =
K x N Interao GL
K x N Interao SQ
= =
4
4 , 747 . 123
30.936,85
QM Interao P x K =
K x P Interao GL
K x P Interao SQ
= =
4
9 , 527 . 56
14.131,975
QM Interao N x P x K =
K x P x N Interao GL
K x P x N Interao SQ
=
6
3 , 743 . 184
= 30.790,55
F Calculado para Regresso Linear (N) =
sduo QM
N Linear gresso QM
Re
) ( Re
= ~
1625 , 232 . 24
25 , 556 . 500
20,66
F Calculado para Regresso Quadrtica (N) =
sduo QM
N Quadrtica gresso QM
Re
) ( Re
= ~
1625 , 232 . 24
787 , 233 . 312
12,89
F Calculado para Regresso Linear (P) =
sduo QM
P Linear gresso QM
Re
) ( Re
= ~
1625 , 232 . 24
1111 , 632 . 142
5,89
F Calculado para Regresso Quadrtica (P) =
sduo QM
P Quadrtica gresso QM
Re
) ( Re
420
= ~
1625 , 232 . 24
37037 , 453 . 25
1,05
F Calculado para Regresso Linear (K) =
sduo QM
K Linear gresso QM
Re
) ( Re
= ~
1625 , 232 . 24
0 , 849 . 208
8,62
F Calculado para Regresso Quadrtica (K) =
sduo QM
K Quadrtica gresso QM
Re
) ( Re
= ~
1625 , 232 . 24
14815 , 655
0,027
F Calculado para Interao N x P =
sduo QM
P x N Interao QM
Re

= ~
1625 , 232 . 24
45 , 748 . 33
1,39
F Calculado para Interao N x K =
sduo QM
K x N Interao QM
Re

= ~
1625 , 232 . 24
85 , 936 . 30
1,28
F Calculado para Interao P x K =
sduo QM
K x P Interao QM
Re

= ~
1625 , 232 . 24
975 , 131 . 14
0,583
F Calculado para Interao N x P x K =
sduo QM
K x P x N Interao QM
Re
= ~
1625 , 232 . 24
55 , 790 . 30
1,27
421
F Tabelado (1%) para a Regresso Linear de N, P e K = 7,82
F Tabelado (5%) para a Regresso Linear de N, P e K = 4,26
F Tabelado (1%) para a Regresso Quadrtica de N e P = 7,82
F Tabelado (5%) para a Regresso Quadrtica de N e P = 4,26
F Tabelado (1%) para a Regresso Quadrtica de K = 0,000040
F Tabelado (5%) para a Regresso Quadrtica de K = 0,0010
F Tabelado (1%) para as Interaes N x P e N x K = 4,22
F Tabelado (5%) para as Interaes N x P e N x K = 2,78
F Tabelado (1%) para a Interao P x K = 0,050
F Tabelado (5%) para a Interao P x K = 0,118
F Tabelado (1%) para a Interao N x P x K = 3,67
F Tabelado (5%) para a Interao N x P x K = 2,51
422
TABELA 10.11 ANLISE DA VARINCIA DO EFEITO DA ADUBAO NPK, 3
3
,
COM CONFUNDIMENTO (GRUPO W) NA PRODUO DE
ALGODO HERBCEO (em kg/ha). PIRACICABA SP, 1977
Causa de Variao GL SQ QM F
Nitrognio (N)
Regresso Linear
Regresso Quadrtica
(2)
1
1
(812.790,00000)
500.556,25000
312.233,78700
-
500.556,25000
312.233,78700

-
20,66 **
12,89 **
Fsforo (P)
Regresso Linear
Regresso Quadrtica
(2)
1
1
(168.085,50000)
142.632,11110
25.453,37037
-
142.632,11110
25.453,37037

-
5,89 *
1,05 ns
Potssio (K)
Regresso Linear
Regresso Quadrtica
(2)
1
1
(209.504,20000)
208.849,00000
655,14815
-
208.849,00000
655,37037

-
8,62 **
0,027 ns
Interao N x P 4 134.993,80000 33.748,45000

1,39 ns
Interao N x K 4 123.747,40000 30.936,85000

1,28 ns
Interao P x K 4 56.527,90000 14.131,97500

0,583 ns
Interao N x P x K 6 184.743,30000 30.790,55000

1,27 ns
(Tratamentos No Confundidos)

(24) (1.690.392,1000) - -
Blocos 5 380.162,10000 - -
Resduo

24 581.571,90000

24.232,16250
Total

53

2.652.126,10000
NOTAS: (ns) No significativo ao nvel de 5% de probabilidade.
(* e **) Significativo aos nveis de 5 e 1% de probabilidade, respectivamente.
De acordo com o teste F, tem-se:
Houve diferena significativa, no nvel de 1% de probabilidade, para
as Regresses Linear e Quadrtica, indicando que a equao de 2 grau explica
423
o comportamento da produo de algodo herbceo em funo do aumento
dos nveis de nitrognio.
Houve diferena significativa, no nvel de 5% de probabilidade,
apenas para a Regresso Linear, indicando que a equao de 1 grau explica o
comportamento da produo de algodo herbceo em funo do aumento dos
nveis de fsforo.
Houve diferena significativa, no nvel de 1% de probabilidade,
apenas para a Regresso Linear, indicando que a equao de 1 grau explica o
comportamento da produo de algodo herbceo em funo do aumento dos
nveis de potssio.
No houve diferena significativa, no nvel de 5% de probabilidade,
para a Interao N x P, indicando que o efeito de N na produo de algodo
herbceo independe da presena ou ausncia de P
2
0
5
ou vice-versa.
No houve diferena significativa, no nvel de 5% de probabilidade,
para a Interao N x K, indicando que o efeito de N na produo de algodo
herbceo independe da presena ou ausncia de K
2
0 ou vice-versa.
No houve diferena significativa, no nvel de 5% de probabilidade,
para a Interao P x K, indicando que o efeito de P
2
O
5
na produo de
algodo herbceo independe da presena ou ausncia de K
2
0 ou vice-versa.
No houve diferena significativa, no nvel de 5% de probabilidade,
para a Interao N x P x K, indicando que o efeito de N na produo de
algodo herbceo independe da presena ou ausncia de P
2
O
5
e de K
2
0 ou
vice-versa.
b) Coeficiente de Variao:
( )
N
X
= m
= ~
54
0 , 095 . 20
372,12963
s = sduo QM Re
= ~ 1625 , 232 . 24 155,66683
CV =
m
s x

100
=
12963 , 372
66683 , 155 100 x
424
= ~
12963 , 372
683 , 566 . 15
41,83%
O coeficiente de variao foi 41,83%, indicando que a preciso do
experimento foi muito pssima.
c) Equaes de Regresso e Coeficientes de Determinao para os
Efeitos de N, P e K:
c.1) Equao de Regresso para o Efeito de N :
N
Y
Y

=
= ~
54
0 , 095 . 20
372,1296296

1
1
1
rK
T C
B

=
=
2 18
) 0 , 853 . 7 1 ( ) 0 , 634 . 8 0 ( ) 0 , 608 . 3 1 (
x
x x x + + +
=
36
) 0 , 853 . 7 ( ) 00000 , 0 ( ) 0 , 608 . 3 ( + +
=
36
0 , 245 . 4
= 117,9166667
2
2
2
rK
T C
B

=
=
6 18
) 0 , 853 . 7 1 ( ) 0 , 634 . 8 2 ( ) 0 , 608 . 3 1 (
x
x x x + + + +
=
108
) 0 , 853 . 7 ( ) 0 , 268 . 17 ( ) 0 , 608 . 3 ( + +
= =

108
0 , 807 . 5
53,76851852
425
M
1
= 1
M
2
= 3
P
1
= x
12
1
2
2
2

=
n
x P
=
12
1 ) 3 (
2
2

x
=
12
1 9
2

x
=
12
8
2
x
= x
2
0,666666667
Y = Y + B
1
M
1
P
1
+ B
2
M
2
P
2

= 372,1296296 + [117,9166667 x 1 (x)] +
[ 53,76851852 x 3 (x
2
0,666666667)]
= 372,1296296 + 117,9166667 x 161,3055556 x
2
+ 107,5370371
= 479,6666667 + 117,9166667 x 161,3055556 x
2
A varivel auxiliar x dada pela equao:
q
X X
x

=
onde, neste caso, tem-se:
N
X
X

=
426
=
| |
54
) 18 80 ( ) 18 40 ( ) 18 0 ( x x x + +
=
( )
54
440 . 1 720 0 + +
=
54
160 . 2
= 40
q = 40
q
X X
x

=
=
40
40 X
= 0,025 X 1
Substituindo a varivel auxiliar x na equao de regresso, tem-se:
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 X
2
0,050 X + 1)
= 479,6666667 + 2,947916668 X 117,9166667 0,100815972 X
2
+
8,06527778 X 161,3055556
= 200,4444444 + 11,01319445 X 0,100815972 X
2
Mdias Esperadas:
0
m = 200,4444444 + 11,01319445 (0) 0,100815972 (0)
2

= 200,4444444 + 0,000000000 0,000000000 = 200,4444444
40
m = 200,4444444 + 11,01319445 (40) 0,100815972 (40)
2

427
= 200,4444444 + 440,527778 0,100815972 (1.600)
= 200,4444444 + 440,527778 161,3055552 = 479,6666672
80
m = 200,4444444 + 11,01319445 (80) 0,100815972 (80)
2

= 200,4444444 + 881,055556 0,100815972 (6.400)
= 200,4444444 + 881,055556 645,2222208 = 436,2777796
Mdias Observadas:
r
Y
m

=
0
0

=
18
0 , 608 . 3
= 200,4444444
r
Y
m

=
40
40

= =
18
0 , 634 . 8
479,6666667
r
Y
m

=
80
80

= =
18
0 , 853 . 7
436,2777778
TABELA 10.12 EFEITO DO NITROGNIO NA PRODUO DE ALGODO
HERBCEO (kg/ha)
Nveis de Nitrognio
Mdias ( . nota )
Esperada (A) Observada (B)
Desvios de Regresso
(A B)
0 200,4444444 200,4444444 0,0000000
40 479,6666672 479,6666667

+ 0,0000005
80 436,2777796 436,2777778 + 0,0000018
428
FIGURA 10.2 EFEITO DO NITROGNIO NA PRODUO DE ALGODO
HERBCEO (kg/ha)
Verifica-se que houve um aumento acentuado na produo de algodo
herbceo com o nvel de 40 kg/ha de nitrognio em relao ausncia deste
elemento; porm, com a utilizao de 80 kg/ha de nitrognio, houve uma
ligeira queda na produo de algodo herbceo, conforme TABELA 10.12 e
FIGURA 10.2.
c.2) Coeficiente de Determinao para o Efeito de N:
N s Tratamento SQ
x gresso SQ
R
100 Re
2
=
=
0 , 790 . 812
100 037 , 790 . 812 x
=
0 , 790 . 812
7 , 003 . 279 . 81
= 100,00%
O valor de
2
R explica 100,00% do comportamento da produo de
algodo herbceo em funo dos nveis de nitrognio determinado pela
equao de 2 grau.
c.3) Equao de Regresso para o Efeito de P
2
O
5
:
N
Y
Y

=
429
= ~
54
0 , 095 . 20
372,1296296

1
1
1
rK
T C
B

=
=
2 18
) 0 , 555 . 7 1 ( ) 0 , 251 . 7 0 ( ) 0 , 289 . 5 1 (
x
x x x + + +
=
36
) 0 , 555 . 7 ( ) 00000 , 0 ( ) 0 , 289 . 5 ( + +
=
36
0 , 266 . 2
= 62,94444444
M
1
= 1
P
1
= x
Y = Y + B
1
M
1
P
1


= 372,1296296 + [62,94444444 x 1 (x)]
= 372,1296296 + 62,94444444 x
A varivel auxiliar x dada pela equao:
q
X X
x

=
onde, neste caso, tem-se:
N
X
X

=
=
| |
54
) 18 120 ( ) 18 60 ( ) 18 0 ( x x x + +
430
=
( )
54
160 . 2 080 . 1 0 + +
=
54
240 . 3
= 60
q = 60
q
X X
x

=
=
60
60 X
= 0,016666666 X 1
Substituindo a varivel auxiliar x na equao de regresso, tem-se:
Y = 372,1296296 + 62,94444444 (0,016666666 X 1)
= 372,1296296 + 1,049074032 X 62,94444444
= 309,1851852 + 1,049074032 X
Mdias Esperadas:
0
m = 309,1851852 + 1,049074032 (0)

= 309,1851852 + 0,000000000 = 309,1851852
60
m = 309,1851852 + 1,049074032 (60)

= 309,1851852 + 62,9444419 = 372,1296271
120
m = 309,1851852 + 1,049074032 (120)

= 309,1851852 + 125,8888838 = 435,0740690
Mdias Observadas:
431
r
Y
m

=
0
0

=
18
0 , 289 . 5
= 293,8333333
r
Y
m

=
60
60

= =
18
0 , 251 . 7
402,8333333
r
Y
m

=
120
120

= =
18
0 , 555 . 7
419,7222222
TABELA 10.13 EFEITO DO FSFORO NA PRODUO DE ALGODO
HERBCEO (kg/ha)
Nveis de Fsforo
Mdias ( . nota )
Esperada (A) Observada (B)
Desvios de Regresso
(A B)
0 309,1851852 293,8333333 + 15,3518519
60 372,1296271 402,8333333

30,7037062
120 435,0740690 419,7222222 + 15,3518468
432
FIGURA 10.3 EFEITO DO NITROGNIO NA PRODUO DE ALGODO
HERBCEO (kg/ha)
Verifica-se que houve um aumento na produo de algodo herbceo
com o aumento do nvel de fsforo, conforme TABELA 10.13 e FIGURA
10.3.
c.4) Coeficiente de Determinao para o Efeito de Fsforo:
P s Tratamento SQ
x gresso SQ
R
100 Re
2
=
=
5 , 085 . 168
100 1111 , 632 . 142 x
= ~
5 , 085 . 168
11 , 211 . 263 . 14
84,86%
O valor de
2
R explica 84,86% do comportamento da produo de
algodo herbceo em funo dos nveis de fsforo determinado pela equao
de 1 grau.
c.5) Equao de Regresso para o Efeito de K
2
O:
N
Y
Y

=
433
= ~
54
0 , 095 . 20
372,1296296
1
1
1
rK
T C
B

=
=
2 18
) 0 , 025 . 8 1 ( ) 0 , 787 . 6 0 ( ) 0 , 283 . 5 1 (
x
x x x + + +
=
36
) 0 , 025 . 8 ( ) 00000 , 0 ( ) 0 , 283 . 5 ( + +
=
36
0 , 742 . 2
= 76,16666667
M
1
= 1
P
1
= x
Y = Y + B
1
M
1
P
1


= 372,1296296 + [76,16666667 x 1 (x)]
= 372,1296296 + 76,16666667 x
A varivel auxiliar x dada pela equao:
q
X X
x

=
onde, neste caso, tem-se:
N
X
X

=
=
| |
54
) 18 120 ( ) 18 60 ( ) 18 0 ( x x x + +
434
=
( )
54
160 . 2 080 . 1 0 + +
=
54
240 . 3
= 60
q = 60
q
X X
x

=
=
60
60 X
= 0,016666666 X 1
Substituindo a varivel auxiliar x na equao de regresso, tem-se:
Y = 372,1296296 + 76,16666667 (0,016666666 X 1)
= 372,1296296 + 1,269444394 X 76,16666667
= 295,9629629 + 1,269444394 X
Mdias Esperadas:
0
m = 295,9629629 + 1,269444394 (0)

= 295,9629629 + 0,000000000 = 295,9629629
60
m = 295,9629629 + 1,269444394 (60)

= 295,9629629 + 76,1666636 = 372,1296265
120
m = 295,9629629 + 1,269444394 (120)

= 295,9629629 + 152,3333272 = 448,2962901
Mdias Observadas:
435
r
Y
m

=
0
0

=
18
0 , 283 . 5
= 293,5000000
r
Y
m

=
60
60

= =
18
0 , 787 . 6
377,0555556
r
Y
m

=
120
120

= =
18
0 , 025 . 8
445,8333333
TABELA 10.14 EFEITO DO POTSSIO NA PRODUO DE ALGODO
HERBCEO (kg/ha)
Nveis de Potssio
Mdias ( . nota )
Esperada (A) Observada (B)
Desvios de Regresso
(A B)
0 295,9629629 293,5000000 + 2,4629629
60 372,1296265 377,0555556

4,9259291
120 448,2962901 445,8333333 + 2,4629568
436
FIGURA 10.4 EFEITO DO NITROGNIO NA PRODUO DE ALGODO
HERBCEO (kg/ha)
Verifica-se que houve um aumento na produo de algodo herbceo
com o aumento do nvel de potssio, conforme TABELA 10.14 e FIGURA
10.4.
c.6) Coeficiente de Determinao para o Efeito de Potssio:
K s Tratamento SQ
x gresso SQ
R
100 Re
2
=
=
2 , 504 . 209
100 0 , 849 . 208 x
= ~
2 , 504 . 209
0 , 900 . 884 . 20
99,69%
O valor de
2
R explica 99,69% do comportamento da produo de
algodo herbceo em funo dos nveis de potssio determinado pela equao
de 1 grau.
437
10.7 Exerccios
a) A partir dos dados da TABELA 10.15, pede-se:
a.1) Fazer a anlise da varincia;
a.2) Obter o coeficiente de variao;
a.3) Fazer o desdobramento do nmero de graus de liberdade de
tratamentos no esquema fatorial 3 x 3;
a.4) Aplicar, se necessrio, o teste de Duncan a 5% de probabilidade
na comparao de mdias de fitorreguladores e de ambientes;
a.5) Se a interao fitorreguladores X ambientes for significativa,
fazer o desdobramento do nmero de graus de liberdade de ambientes mais o
da interao fitorreguladores X ambientes;
a.6) Aplicar, se necessrio, o teste de Duncan a 5% de probabilidade
na comparao de mdias de ambientes dentro de fitorreguladores.
TABELA 10.15 DADOS REFERENTES A NMERO DE DIAS NECESSRIOS PAR A
BROTAO DE BULBOS DE LRIOS (MDIA DE CINCO BULBOS)
DE UM ENSAIO REALIZADO NO DELINEAMENTO INTEIRAMENTE
CASUALIZADO, NO ESQUEMA FATORIAL 3 X 3, EM QUE FORAM
ESTUDADOS OS EFEITOS DA VERNALIZAO E DE
FITORREGULADORES NO DESENVOLVIMENTO DE Lilium
longiflorum Thunb.
Tratamentos * I II III IV V VI VII VIII Totais de Tratamentos
A
0
B
0
54 51 57 71 52 55 55 64 459
A
0
B
1
52 69 50 79 57 81 81 80 549
A
0
B
2
69 46 82 48 48 47 54 51 445
A
1
B
0
49 54 52 49 48 48 47 46 393
A
1
B
1
44 42 52 44 46 47 52 49 376
A
1
B
2
59 50 50 49 46 51 53 56 414
A
2
B
0
53 47 66 49 49 51 51 53 419
A
2
B
1
A
2
B
2
69
50
50
54
53
53
54
57
47
45
44
49
47
56
49
71
413
435
FONTE: Adaptado de BARBIN (1982).
NOTA: (*) Fitorreguladores: A
0
Sem Fitorreguladores; A
1
cido Giberlico 1000 ppm (12 horas);
A
2
cido Indolactico 1000 ppm (12 horas); Ambientes: B
0
Temperatura Ambiente;
B
1
Temperatura de 4
o
C por duas semanas; B
2
Temperatura de 8
o
C por uma semanas.
438
b) A partir dos dados da TABELA 10.16, pede-se:
b.1) Fazer a anlise da varincia no esquema fatorial 3
3
com
confundimento, inclusive levando-se em conta a regresso polinomial para os
efeitos de N, P e K;
b.2) Obter o coeficiente de variao;
b.3) Obter as equaes de regresso e os coeficientes de determinao
para os efeitos de N, P e K.
TABELA 10.16 DADOS DE PRODUO DE CANA-PLANTA (t/ha) DE CANA-DE-
ACAR (Saccharum officinarum L.) DE UM ENSAIO DE
ADUBAO NPK, 3
3
, COM CONFUNDIMENTO (GRUPO Z), COM
DUAS REPETIES
Trat. I II Totais Trat. I II Totais Trat. I II Totais
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
FONTE: CAMPOS (1984).
325
11
EXPERIMENTOS EM
PARCELAS SUBDIVIDIDAS
Os experimentos em parcelas subdivididas so utilizados na pesquisa
agropecuria quando, geralmente, se desejam estudar simultaneamente dois
grupos de tratamentos, em condies experimentais um pouco diferentes das
utilizadas nos experimentos fatoriais. So usados em pesquisa envolvendo:
doses de adubao mineral e nveis de calagem; sistemas de irrigao e
densidades de plantio; cultivares e espaamentos; cultivares e tipos de poda;
tipos de fungicidas e pocas de plantio; cultivares e perodos de corte; pocas
de fenao e tcnicas de secagem; raas e tipos de vermfugos; tipos de raes
e raas; doses de vermfugos e doses de vitaminas; raas e nveis de incluso
de um alimento na rao; etc..
Nestes experimentos as parcelas so divididas em partes iguais,
denominadas de subparcelas e podem ser distribudas em qualquer
delineamento estatstico, sendo mais utilizados os delineamentos inteiramente
casualizados e em blocos casualizados.
De acordo com a estruturao das subparcelas, pode-se distinguir dois
tipos de experimentos em parcelas subdivididas:
a) Parcelas subdivididas no espao Quando em cada parcela h
uma subdiviso da sua rea em subreas, constituindo, cada uma delas, uma
subparcela. Pode-se ter, por exemplo, nas parcelas, cultivares de milho, e a sua
rea poder ser subdividida em subreas, cada uma delas com um
espaamento diferente, constituindo as subparcelas. Num outro exemplo,
pode-se ter, nas parcelas (conjunto de baias), raas de sunos, e nas
subparcelas (cada baia individual), tipos de raes.
b) Parcelas subdivididas no tempo Quando as parcelas no se
subdividem em subreas, mas, periodicamente, so tomados dados em cada
uma delas, constituindo estas tomadas as subparcelas. Quando as tomadas de
dados forem anuais, estas no devero ultrapassar mais de quatro anos
sucessivos. Pode-se, assim, por exemplo, ter nas parcelas diferentes cultivares
de manga, e a cada ano avaliar a produo de frutos sempre nas mesmas
326
parcelas. Cada ano constituiria uma subparcela do experimento. Num outro
exemplo, pode-se ter, nas parcelas, diferentes cultivares de capim elefante, e a
cada perodo de 60 dias avaliar a produo de matria seca sempre nas
mesmas parcelas. Cada perodo de 60 dias constituiria uma subparcela do
experimento. Ainda, em um outro exemplo, pode-se ter, nas parcelas,
diferentes raas de caprinos, e a cada perodo do dia avaliar a freqncia
respiratria nos mesmos animais (parcelas). Cada perodo do dia constituiria
uma subparcela do experimento.
A principal caracterstica dos experimentos em parcelas subdivididas
est na forma como feita a casualizao dos dois grupos de tratamentos ou
fatores. Enquanto que nos experimentos fatoriais, a casualizao de todas as
combinaes possveis entre os dois grupos de tratamentos feita de acordo
com os princpios do delineamento estatstico utilizado, nos experimentos em
parcelas subdivididas, a casualizao dos fatores feita em duas etapas: na
primeira etapa, casualizam-se os nveis do fator que ser avaliado nas parcelas,
de acordo com os princpios do delineamento estatstico utilizado; na segunda
etapa, casualizam-se, dentro de cada parcela, os nveis do fator que ser
avaliado nas subparcelas.
Em funo das casualizaes efetuadas nestes experimentos, tem-se
dois resduos distintos: o Resduo (a), que a base de comparao dos nveis
do fator que ser avaliado nas parcelas; e o Resduo (b), que a base de
comparao dos nveis do fator que ser avaliado nas subparcelas.
Os experimentos em parcelas subdivididas contm todas as vantagens
que os experimentos fatoriais apresentam em relao aos experimentos
simples. Alm disso, eles apresentam a vantagem de serem mais prticos de
instalar que os fatoriais, o que os tornam muitas vezes preferidos pelos
pesquisadores.
Veja-se porque os experimentos em parcelas subdivididas so mais
prticos de instalar que os experimentos fatoriais:
Considere-se uma pesquisa que tenha por objetivo avaliar o efeito de
diferentes espaamentos em cultivares de milho. Supondo que foram
utilizados trs espaamentos (E
1
, E
2
, E
3
) e trs cultivares (C
1
, C
2
, C
3
), ento a
constituio de um bloco seria a seguinte, para os experimentos fatorial e em
parcelas subdivididas:
327
E
2
C
1
E
3
C
2
E
1
C
3
E
1
C
1
E
3
C
3
E
3
C
1
E
1
C
2
E
2
C
3
E
2
C
2
E
2
E
1
E
3
C
1
C
3
C
2
C
3
C
2
C
1
C
3
C
1
C
2

ou

C
3
C
1
C
2

E
2
E
1
E
3
E
3
E
1
E
2
E
1
E
3
E
2
Observa-se que, no experimento fatorial, todas as combinaes foram
distribudas aleatoriamente nas parcelas, sem nenhum critrio prtico que
possibilite maiores facilidades na implantao do experimento. Em funo
disso, o pesquisador dever ter maior ateno e mais trabalho na sua
instalao, pois cada parcela ter um espaamento e uma cultivar especficos.
Por outro lado, no experimento em parcelas subdivididas isto no acontece,
tendo em vista que a casualizao dos fatores feita em duas etapas, fazendo-
se com que cada parcela, que formada por trs subparcelas, tenha as trs
PARCELAS
SUBDIVIDIDAS
FATORIAL
328
cultivares para um espaamento especfico ou vice-versa, tornando-o muito
mais prtico.
Os experimentos em parcelas subdivididas contm todas as
desvantagens que os experimentos fatoriais apresentam em relao aos
experimentos simples. Alm disso, eles apresentam a desvantagem de serem
menos eficientes, do ponto de vista estatstico, que os fatoriais, pois, enquanto
nos experimentos fatoriais tem-se um s resduo para avaliar todos os efeitos,
nos experimentos em parcelas subdivididas h dois resduos: um para avaliar
o efeito do fator que ser colocado nas parcelas e outro para avaliar o efeito do
fator que ser colocado nas subparcelas, alm do efeito da interao. Com
isso, leva-se a uma diminuio no nmero de graus de liberdade dos resduos,
pois o GL Resduo do fatorial = GL Resduo (a) + GL Resduo (b) e, em
conseqncia, aumenta o erro experimental.
Portanto, nos experimentos em parcelas subdivididas, todos os efeitos
so avaliados com menor preciso que nos experimentos fatoriais
correspondentes. Por isso, sempre que for possvel, prefervel utilizar os
experimentos fatoriais em lugar dos experimentos em parcelas subdivididas.
Contudo, quando os pesquisadores preferirem utiliz-los, os mesmos devero
colocar o grupo de tratamentos de maior importncia nas subparcelas, tendo
em vista que o erro experimental das subparcelas , geralmente, menor, pois o
GL Resduo (b) > GL Resduo (a), bem como aumentar o nmero de
repeties do experimento. Com esse procedimento, melhora-se a eficincia
dos experimentos em parcelas subdivididas.
11.1 Instalao do Experimento
Tendo em vista que os experimentos em parcelas subdivididas,
semelhana dos experimentos fatoriais, podem ser instalados em qualquer um
dos delineamentos estatsticos j estudados, deve-se, ento, definir,
inicialmente, qual o delineamento que ser utilizado; posteriormente, deve-se
seguir risca o que determina tal delineamento, no que se refere instalao
do experimento, alm de levar em conta que a casualizao nos experimentos
em parcelas subdivididas feita em duas etapas, conforme j visto
anteriormente.
11.2 Esquema da Anlise da Varincia
Como os experimentos em parcelas subdivididas podem ser, tambm,
instalados em qualquer um dos delineamentos estatsticos j estudados, far-se-
apenas uma abordagem em torno do delineamento em blocos casualizados,
329
pelo fato de ser o mais utilizado na pesquisa agropecuria, sendo que toda
discusso feita vlida aos outros delineamentos.
Considerando-se um experimento em parcelas subdivididas com oito
tratamentos, resultantes da combinao de quatro tratamentos A (A
0
, A
1
, A
2
,
A
3
) com dois tratamentos B (B
0
, B
1
), sendo que os tratamentos A foram
colocados nas parcelas e os tratamentos B nas subparcelas, e trs repeties,
ento tem-se o seguinte quadro auxiliar da anlise da varincia:
Quadro Auxiliar da ANAVA
Tratamentos A Tratamentos B

Blocos
Totais de
Tratamentos
I II III
A
0
B
0
B
1
X
(A0B0) I
X
(A0B1) I
X
(A0B0) II
X
(A0B1) II
X
(A0B0) III
X
(A0B1) III
T A
0
B
0
T A
0
B
1
Totais de Parcelas P
A0 (I)
P
A0 (II)
P
A0 (II)
A
1
B
0
B
1
X
(A1B0) I
X
(A1B1) I
X
(A1B0) II
X
(A1B1) II
X
(A1B0) III
X
(A1B1) III
T A
1
B
0
T A
1
B
1
Totais de Parcelas P
A1 (I)
P
A1 (II)
P
A1 (III)
A
2
B
0
B
1
X
(A2B0) I
X
(A2B1) I
X
(A2B0) II
X
(A2B1) II
X
(A2B0) III
X
(A2B1) III
T A
2
B
0
T A
2
B
1
Totais de Parcelas P
A2 (I)
P
A2 (II)
P
A2 (III)
A
3
B
0
B
1
X
(A3B0) I
X
(A3B1) I
X
(A3B0) II
X
(A3B1) II
X
(A3B0) III
X
(A3B1) III
T A
3
B
0
T A
3
B
1
Totais de Parcelas P
A3 (I)
P
A3 (II)
P
A3 (III)
Totais de Blocos B
I
B
II
B
III
O quadro auxiliar da anlise da varincia acima utilizado para
analisar uma parte do quadro da anlise da varincia do experimento em
parcelas subdivididas no delineamento em blocos casualizados. A outra parte
obtida a partir de uma tabela, proveniente do quadro auxiliar acima, chamada
de dupla entrada, conforme se verifica a seguir:
330
Tabela de Dupla Entrada
Tratamentos A
Tratamentos B
Totais de Tratamentos A
B
0
B
1
A
0
A
1
A
2
A
3
T A
0
B
0
T A
0
B
1

T A
1
B
0
T A
1
B
1
T A
2
B
0
T A
2
B
1
T A
3
B
0
T A
3
B
1
T A
0
T A
1
T A
2
T A
3
Totais deTratamentos B T B
0
T B
1
O esquema da anlise da varincia dado por:
Quadro da ANAVA
Causa de Variao GL SQ QM F
Blocos r 1 SQ Blocos -
Tratamentos A t
A
1 SQ Tratamentos A QM Tratamento A
) ( Re a sduo QM
A s Tratamento QM


Resduo (a) (t
A
1) (r 1) SQ Resduo (a) QM Resduo (a)
Parcelas t
A
x r 1 SQ Parcelas -

Tratamentos B t
B
1 SQ Tratamentos B QM Tratamentos B
) ( Re b sduo QM
B s Tratamento QM

Interao A x B (t
A
1) (t
B
1) SQ Interao A x B QM Interao A x B
) ( Re b sduo QM
B x A Interao QM

Resduo (b) t
A
(t
B
1) (r 1) SQ Resduo (b) QM Resduo (b)

Total t
A
x t
B
x r 1 SQ Total
onde:
GL = nmero de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado mdio;
F = valor calculado do teste F;
r = nmero de repeties do experimento;
t
A
= nmero de tratamentos A;
t
B
= nmero de tratamentos B;
331
SQ Total =
( )
N
X
X
2
2
onde:
X = valor de cada observao;
N = nmero de observaes, que corresponde ao nmero de tratamentos A (t
A
)
multiplicado pelo nmero de tratamentos B (t
B
) multiplicado pelo nmero
de repeties do experimento (r);
SQ Parcelas =
( )
N
X

2 2
B
A
t
P

onde:
P
A
= total de cada parcela;
SQ Blocos =
( )
N
X

B
2
2
B A
t x t
onde:
B = total de cada bloco;
SQ Tratamentos A =
( )
N
X

T
2 2
B
A
t x r
onde:
T
A
= total de cada tratamento A;
SQ Resduo (a) = SQ Parcelas (SQ Tratamentos A + SQ Blocos)
SQ Tratamentos B =
( )
N
X

T
2 2
A
B
t x r
onde:
T
B
= total de cada tratamento B;
SQ Interao (A x B) =
( ) ( )
N
X

AB T
2 2
r

(SQ Tratamentos A + SQ Tratamentos B)
332
onde:
T (AB) = total de cada combinao (AB);
SQ Resduo (b) = SQ Total
[SQ Parcelas + SQ Tratamentos B + SQ Interao (A x B)]
QM Tratamentos A =
A s Tratamento GL
A s Tratamento SQ
QM Resduo (a) =
) ( Re
) ( Re
a sduo GL
a sduo SQ
QM Tratamentos B =
B s Tratamento GL
B s Tratamento SQ
QM Interao (A x B) =
( )
( ) B A
B A
x Interao GL
x Interao SQ
QM Resduo (b) =
) ( Re
) ( Re
b sduo GL
b sduo SQ
Apresentar-se- agora algumas consideraes importantes a respeito
do teste F nos experimentos em parcelas subdivididas:
a) O teste F para tratamentos A ir dizer se eles diferem entre si, sem
levar em conta os tratamentos B;
b) O teste F para tratamentos B ir dizer se eles diferem entre si, sem
levar em conta os tratamentos A;
c) O teste F para a interao (A x B) ir dizer se o comportamento dos
tratamentos A influenciado pelo tipo de tratamento B ou, de modo anlogo,
se os tratamentos B apresentam resultados diferentes conforme o tratamento A
utilizado;
d) A interao (A x B) apresentando F no significativo, indica que o
comportamento dos tratamentos A independe dos tratamentos B e vice-versa;
e) A interao (A x B) apresentando F significativo, indica que h
influncia dos tratamentos A sobre os tratamentos B. Neste caso, deve-se
efetuar o desdobramento dos graus de liberdade da interao (A x B) sob uma
das duas formas:
e.1) Entre nveis de tratamentos A dentro de um mesmo nvel de
tratamento B:
333
Quadro da ANAVA
Causa de Variao GL
Blocos r 1
Tratamentos B t
B
1
Entre Tratamentos A Dentro do Tratamento B
0
t
A
1
Entre Tratamentos A Dentro do Tratamento B
1
t
A
1
Resduo Composto n' (Satterthwaite)
onde:
n =
| |
| | | |
) ( Re
) ( Re ) 1 (
) ( Re
) ( Re
) ( Re ) 1 ( ) ( Re
2 2
2
b sduo GL
b sduo QM K
a sduo GL
a sduo QM
b sduo QM K a sduo QM

+
+

onde:
K = nmero de subparcelas, que corresponde ao nmero de tratamentos B (t
B
);
SQ Entre Tratamentos A Dentro do Tratamento B
0

=
( )
A
B
A
T

B T
t x r r
de Dentro
2
0
2
0
SQ Entre Tratamentos A Dentro do Tratamento B
1

=
( )
A
B
A
T

B T
t x r r
de Dentro
2
1
2
1
QM Entre Tratamentos A Dentro do Tratamento B
0

=
1
0

A
t
B Tratamento do Dentro A s Tratamento Entre SQ
QM Entre Tratamentos A Dentro do Tratamento B
1
=
1
1

A
t
B Tratamento do Dentro A s Tratamento Entre SQ
334
Como nesta forma de desdobramento esto envolvidos os dois
resduos [Resduo (a) e Resduo (b)], deve-se compor, ento, um novo resduo
chamado de resduo composto, para se efetuar o teste F, bem como us-lo na
comparao de mdias entre nveis de tratamentos A dentro de um mesmo
nvel de tratamento B.
QM Resduo Composto =
K
1
[QM Resduo (a) + (K 1) QM Resduo (b)]
F Calculado Entre Tratamentos A Dentro do Tratamento B
0

=
Composto sduo QM
B Tratamento do Dentro A s Tratamento Entre QM
Re
0
F Calculado Entre Tratamentos A Dentro do Tratamento B
1
=
Composto sduo QM
B Tratamento do Dentro A s Tratamento Entre QM
Re
1
e.2) Entre nveis de tratamentos B dentro de um mesmo nvel de
tratamento A:
Quadro da ANAVA
Causa de Variao GL
Blocos r 1
Tratamentos A t
A
1
Resduo (a) (t
A
1) (r 1)
Parcelas t
A x
r 1
Entre Tratamentos B Dentro do Tratamento A
0
t
B
1
Entre Tratamentos B Dentro do Tratamento A
1
t
B
1
Entre Tratamentos B Dentro do Tratamento A
2
t
B
1
Entre Tratamentos B Dentro do Tratamento A
3
t
B
1
Resduo (b) t
A
(t
B
1) (r 1)
Total t
A x
t
B x
r 1
onde:
335
SQ Entre Tratamentos B Dentro do Tratamento A
0

=
( )
2
0
2
0
B
A
B
T

A T
t x r r
de Dentro
SQ Entre Tratamentos B Dentro do Tratamento A
1
=
( )
B
A
B
T

A T
t x r r
de Dentro
2
1
2
1
SQ Entre Tratamentos B Dentro do Tratamento A
2

=
( )
B
A
B
T

A T
t x r r
de Dentro
2
2
2
2
SQ Entre Tratamentos B Dentro do Tratamento A
3

=
( )
B
A
B
T

A T
t x r r
de Dentro
2
3
2
3
QM Entre Tratamentos B Dentro do Tratamento A
0
=
1
0

B
t
A Tratamento do Dentro B s Tratamento Entre SQ
QM Entre Tratamentos B Dentro do Tratamento A
1

=
1
1

B
t
A Tratamento do Dentro B s Tratamento Entre SQ
QM Entre Tratamentos B Dentro do Tratamento A
2

=
1
2

B
t
A Tratamento do Dentro B s Tratamento Entre SQ
336
QM Entre Tratamentos B Dentro do Tratamento A
3

=
1
3

B
t
A Tratamento do Dentro B s Tratamento Entre SQ
F Calculado Entre Tratamentos B Dentro do Tratamento A
0

=
) ( Re
0
b sduo QM
A Tratamento do Dentro B s Tratamento Entre QM
F Calculado Entre Tratamentos B Dentro do Tratamento A
1

=
) ( Re
1
b sduo QM
A Tratamento do Dentro B s Tratamento Entre QM
F Calculado Entre Tratamentos B Dentro do Tratamento A
2

=
) ( Re
2
b sduo QM
A Tratamento do Dentro B s Tratamento Entre QM
F Calculado Entre Tratamentos B Dentro do Tratamento A
3

=
) ( Re
3
b sduo QM
A Tratamento do Dentro B s Tratamento Entre QM
Algumas observaes:
a) No caso de compararem-se mdias gerais de tratamentos A, atravs
dos testes de mdias, usam-se o QM Resduo (a).
b) No caso de compararem-se mdias gerais de tratamentos B, atravs
dos testes de mdias, usam-se o QM Resduo (b).
c) Em funo de ter-se dois resduos distintos, pode-se determinar dois
coeficientes de variao: um a nvel de parcelas:
CV
(a)
=
m
a sduo QM

) ( Re 100

e outro a nvel de subparcelas:
CV
(b)
=
m
b sduo QM

) ( Re 100
337
d) Em casos mais complexos, as subparcelas podem, por sua vez, ser
repartidas em subsubparcelas. Tem-se, ento, trs resduos distintos: Resduo
(a), referente s parcelas, Resduo (b), s subparcelas, e Resduo (c),
correspondente s subsubparcelas. Os processos de subdiviso pode ser levado
mais alm, se for conveniente. Mais detalhes sobre anlise de varincia,
desdobramentos das interaes e comparaes de mdias, inclusive um
exemplo ilustrativo, so obtidos em CAMPOS (1984).
11.3 Exemplo com Interao no Significativa
A fim de apresentar-se a anlise da varincia e a interpretao dos
resultados de um experimento em parcelas subdivididas, ser discutido, a
seguir, um exemplo com interao no significativa.
Exemplo 1: A partir dos dados da TABELA 11.1, pede-se:
a) Fazer a anlise da varincia com regresso polinomial para doses de
adubao fosfatada;
b) Obter os coeficientes de variao;
c) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de tipos de aplicao.
d) Obter a equao de regresso e o coeficiente de determinao para
doses de adubao fosfatada.
338
TABELA 11.1 EFEITOS DE DOSES DE ADUBAO FOSFATADA (kg de P
2
O
5
/ha)
E DE TIPOS DE APLICAO NA PRODUO (kg/ha) DE MILHO
(Zea mays L.)
Doses de Adubao
Fosfatada
Tipos de
Aplicao
Blocos
Totais de
Tratamentos
I II III IV
0
Cova
Sulco
Lano
3.778 3.618 2.164 3.996
3.467 4.284 3.733 3.280
3.422 3.760 2.747 2.853
13.556
14.764
12.782
Totais de Parcelas 10.667 11.662 8.644 10.129
40
Cova
Sulco
Lano
3.302 2.671 2.782 2.502
3.653 3.653 3.529 2.258
3.711 3.284 2.556 3.284
11.257
13.093
12.835
Totais de Parcelas 10.666 9.608 8.867 8.044
80
Cova
Sulco
Lano
2.938 2.813 2.560 3.049
3.800 4.356 3.560 4.013
2.702 3.520 3.382 3.524
11.360
15.729
13.128
Totais de Parcelas 9.440 10.689 9.502 10.586
120
Cova
Sulco
Lano
3.013 3.787 3.142 3.604
3.338 3.369 2.507 4.200
3.156 4.369 2.831 4.222
13.546
13.414
14.578
Totais de Parcelas 9.507 11.525 8.480 12.026
Totais de Blocos 40.280 43.484 35.493 40.785 160.042
FONTE: BARBIN (1982).
Resoluo:
339
a) Anlise de Varincia com Regresso Polinomial para Doses de
Adubao Fosfatada:
EX = 3.778,0 + 3.618,0 + ... + 4.222,0 = 160.042,0
EX
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
t
A
= 4
t
B
= 3
r = 4
N = t x r
= 12 x 4 = 48
GL Blocos = r 1
= 4 1 = 3
GL Doses de Adubao Fosfatada = t
A
1
= 4 1 = 3
GL Regresso Linear = 1
GL Regresso Quadrtica = 1
GL Regresso Cbica = 1
GL Parcelas = t
A
x r 1
= 4 x 4 1
= 16 1 = 15
GL Resduo (a) = (t
A
1) (r 1)
340
= (4 1) (4 1)
= (3) (3) = 9
GL Tipos de Aplicao = t
B
1
= 3 1 = 2
GL Interao (DAF x TA) = (t
A
1) (t
B
1)
= (4 1) (3 1)
= (3) (2) = 6
GL Resduo (b) = t
A
(t
B
1) (r 1)
= 4 (3 1) (4 1)
= 4 (2) (3) = 24
GL Total = t
A
x t
B
x r 1
= 4 x 3 x 4 1
= 48 1 = 47
SQ Total =
( )
N
X
X
2
2

= 548.487.358,0
( )
48
0 , 042 . 160
2

= 548.487.358,0
48
0 , 000 . 441 . 613 . 25

= 548.487.358,0 533.613.370,1 = 14.873.987,9
SQ Blocos =
( )
N
X

B
2
2
B A
t x t

341
=
( )
48
0 , 042 . 160
3 4
) 0 , 785 . 40 ( ) 0 , 493 . 35 ( ) 0 , 484 . 43 ( ) 0 , 280 . 40 (
2 2 2 2 2

+ + +
x
=
48
0 , 000 . 441 . 613 . 25
12
0 , 930 . 505 . 436 . 6

= 536.375.494,2 533.613.370,1 = 2.762.124,1


SQ Parcelas =
( )
N
X

2 2
B
A
t
P

=
( )
48
0 , 042 . 160
3
) 0 , 026 . 12 ( ... ) 0 , 662 . 11 ( ) 0 , 667 . 10 (
2 2 2 2

+ + +

=
48
0 , 000 . 441 . 613 . 25
3
0 , 826 . 972 . 621 . 1

= 540.657.608,7 533.613.370,1 = 7.044.238,567


Tabela de Dupla Entrada
Doses de Adubao
Fosfatada

Tipos de Aplicao
Totais de Doses de
Adubao Fosfatada B
1
= Cova B
2
= Sulco B
3
= Lano
A
1
= 0
A
2
= 40
A
3
= 80
A
4
= 120
13.556
(4)
14.764 12.782
11.257 13.093 12.835
11.360 15.729 13.128
13.546 13.414 14.578
41.102
(12)
37.185
40.217
41.538
Totais de Tipos de
Aplicao
49.719
(16)
57.000 53.323 160.042
SQ Doses de Adubao Fosfatada =
( )
N
X

T
2 2
B
A
t x r
=
( )
48
0 , 042 . 160
3 4
) 0 , 538 . 41 ( ) 0 , 217 . 40 ( ) 0 , 185 . 37 ( ) 0 , 102 . 41 (
2 2 2 2 2

+ + +
x
=
48
0 , 000 . 441 . 613 . 25
12
0 , 162 . 911 . 414 . 6

= 534.575.930,2 533.613.370,1 = 962.560,067


342
Totais de Doses de Adubao
Fosfatada (T)
Coeficientes
C
1
C
2
C
3
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
1
2
1
) (
Re
rK
T C
Linear gresso SQ

=
=
| |
20 12
) 0 , 538 . 41 3 ( ) 0 , 217 . 40 1 ( ) 0 , 185 . 37 1 ( ) 0 , 102 . 41 3 (
2
x
x x x x + + + + +
=
| |
240
) 0 , 614 . 124 ( ) 0 , 217 . 40 ( ) 0 , 185 . 37 ( ) 0 , 306 . 123 (
2
+ + +
=
240
) 0 , 340 . 4 (
2
=
240
0 , 600 . 835 . 18
= 78.481,66667
2
2
2
) (
Re
rK
T C
Quadrtica gresso SQ

=
=
| |
4 12
) 0 , 538 . 41 1 ( ) 0 , 217 . 40 1 ( ) 0 , 185 . 37 1 ( ) 0 , 102 . 41 1 (
2
x
x x x x + + + + +
=
| |
48
) 0 , 538 . 41 ( ) 0 , 217 . 40 ( ) 0 , 185 . 37 ( ) 0 , 102 . 41 (
2
+ + +
=
48
) 0 , 238 . 5 (
2
=
48
0 , 644 . 436 . 27
= 571.596,75
343
3
2
3
) (
Re
rK
T C
Cbica gresso SQ

=
=
| |
20 12
) 0 , 538 . 41 1 ( ) 0 , 217 . 40 3 ( ) 0 , 185 . 37 3 ( ) 0 , 102 . 41 1 (
2
x
x x x x + + + + +
=
| |
240
) 0 , 538 . 41 ( ) 0 , 651 . 120 ( ) 0 , 555 . 111 ( ) 0 , 102 . 41 (
2
+ + +
=
240
) 0 , 660 . 8 (
2

=
240
0 , 600 . 995 . 74
= 312.481,6667
SQ Resduo (a) = SQ Parcelas
(SQ Doses de Adubao 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 Aplicao =
( )
N
X

T
2 2
A
B
t x r

=
( )
48
0 , 042 . 160
4 4
) 0 , 323 . 53 ( ) 0 , 000 . 57 ( ) 0 , 719 . 49 (
2 2 2 2

+ +
x

=
48
0 , 000 . 441 . 613 . 25
16
0 , 290 . 321 . 564 . 8

= 535.270.080,6 533.613.370,1 = 1.656.710,5


SQ Interao (DAF x TA) =
( ) ( )
N
X

AB T
2 2
r

(SQ Doses de Adubao Fosfatada + SQ Tipos de Aplicao)
344
=
( )
48
0 , 042 . 160
4
) 0 , 578 . 14 ( ... ) 0 , 764 . 14 ( ) 0 , 556 . 13 (
2 2 2 2

+ + +

(962.560,067 + 1.656.710,5)
=
48
0 , 000 . 441 . 613 . 25
4
0 , 300 . 747 . 152 . 2
2.619.270,567
= 538.186.825,0 533.613.370,1 2.619.270,567 = 1.954.184,333
SQ Resduo (b) = SQ Total [SQ Parcelas +
SQ Tipos de Aplicao + SQ Interao (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
Linear gresso GL
Linear gresso SQ
Linear gresso QM
Re
Re
Re =
=
1
66667 , 481 . 78
= 78.481,66667
Quadrtica gresso GL
Quadrtica gresso SQ
Quadrtica gresso QM
Re
Re
Re =
=
1
75 , 596 . 571
= 571.596,75
Cbica gresso GL
Cbica gresso SQ
Cbica gresso QM
Re
Re
Re =
=
1
6667 , 481 . 312
= 312.481,6667
QM Resduo (a) =
) ( Re
) ( Re
a sduo GL
a sduo SQ
345
=
9
4 , 554 . 319 . 3
= 368.839,3778
QM Tipos de Aplicao =
Aplicao de Tipos GL
Aplicao de Tipos SQ

=
2
5 , 710 . 656 . 1
= 828.355,25
QM Interao (DAF x TA) =
( )
( ) TA x F D Interao GL
TA x F D Interao SQ
A
A
=
6
333 , 184 . 954 . 1
= 325.697,3888
QM Resduo (b) =
) ( Re
) ( Re
b sduo GL
b sduo SQ
=
24
5 , 854 . 218 . 4
= 175.785,6042
F Calculado para Regresso Linear =
) ( Re
Re
a sduo QM
Linear gresso QM

= ~
3778 , 839 . 368
66667 , 481 . 78
0,213
F Calculado para Regresso Quadrtica =
) ( Re
Re
a sduo QM
Quadrtica gresso QM
= ~
3778 , 839 . 368
75 , 596 . 571
1,55
F Calculado para a Regresso Cbica =
) ( Re
Re
a sduo QM
Cbica gresso QM

= ~
3778 , 839 . 368
6667 , 481 . 312
0,847
346
F Calculado para Tipos de Aplicao =
) ( Re b sduo QM
Aplicao de Tipos QM

=
6042 , 785 . 175
25 , 355 . 828
~ 4,71
F Calculado para Interao (DAF x TA) =
( )
) ( Re b sduo QM
TA x F D Interao QM A

=
6042 , 785 . 175
3888 , 697 . 325
~ 1,85
F Tabelado (1%) para Regresses Linear e Cbica = 0,000042
F Tabelado (5%) para Regresses Linear e Cbica = 0,0010
F Tabelado (1%) para Regresso Quadrtica = 10,56
F Tabelado (5%) para Regresso Quadrtica = 5,12
F Tabelado (1%) para Tipos de Aplicao = 5,61
F Tabelado (5%) para Tipos de Aplicao = 3,40
F Tabelado (1%) para Interao (DAF x TA) = 3,67
F Tabelado (5%) para Interao (DAF x TA) = 2,51
347
TABELA 11.2 - ANLISE DA VARINCIA DOS EFEITOS DE DOSES DE
ADUBAO FOSFATADA (kg de P
2
O
5
/ha) E DE TIPOS DE
APLICAO NA PRODUO (kg/ha) DE MILHO (Zea mays L.).
PIRACICABA - SP, 1982
Causa de Variao GL SQ QM F
Blocos 3 2.762.124,10000 - -
Doses de Adubao Fosfatada (3) (962.560,06700) - -
Regresso Linear 1 78.481,66667 78.481,66667 0,213 ns
Regresso Quadrtica 1 571.596,75000 571.596,75000 1,55 ns
Regresso Cbica 1 312.481,66670 312.481,66670 0,847 ns
Resduo (a) 9 3.319.554,40000 368.839,37780

Parcelas 15 7.044.238,56700 -
Tipos de Aplicao 2 1.656.710,50000 828.355,25000 4,71 *
Interao (DAF x TA) 6 1.954.184,33333 325.697,38888 1,85 ns
Resduo (b) 24 4.218.854,50000 175.785,60420
Total 47 14.873.987,90000

NOTAS: (ns) No significativo no nvel de 5% de probabilidade.
(*) Significativo no nvel de 5% de probabilidade.
De acordo com o teste F, tem-se:
No houve diferena significativa, no nvel de 5% de probabilidade,
para as Regresses Linear, Quadrtica e Cbica, indicando que no existe uma
relao entre as doses de adubao fosfatada e a produo de milho.
Houve diferena significativa, no nvel de 5% de probabilidade, entre
os tipos de aplicao de adubao fosfatada em relao produo de milho.
No houve diferena significativa, no nvel de 5% de probabilidade,
para a interao (DAF x TA), indicando que o efeito das doses de adubao
fosfatada independe do tipo de aplicao.
b) Coeficientes de Variao:
N
X
m

=
) (

48
0 , 042 . 160
= = 3.334,208333
) ( Re
) (
a sduo QM s
a
=
348
= 3778 , 839 . 368 = 607,3214781
) ( Re
) (
b sduo QM s
b
=
= 6042 , 785 . 175 = 419,2679384
CV
(a)
=
m
s x
a

) (
100

=
208333 , 334 . 3
3214781 , 607 100 x

=
208333 , 334 . 3
14781 , 732 . 60
~ 18,21%
CV
(b)
=
m
s x
b

) (
100

=
208333 , 334 . 3
2679384 , 419 100 x

=
208333 , 334 . 3
79384 , 926 . 41
~ 12,57%
O coeficiente de variao das parcelas foi de 18,21%, indicando uma
preciso experimental regular.
O coeficiente de variao das subparcelas foi de 12,57%, indicando
uma boa preciso experimental.
c) Teste de Tukey:
Tipos de Aplicao de Adubao Fosfatada:
m
1
= 3.107,4375 m
3
= 3.332,6875

m
2
= 3.562,5000
( )
r
s
q = A % 5
349
=
16
2679384 , 419 53 , 3 x
= ~
4
015823 , 480 . 1
370,0040

TABELA 11.3 EFEITO DE TIPOS DE APLICAO DE ADUBAO FOSFATADA
NA PRODUO (kg/ha) DE MILHO (Zea mays L.). PIRACICABA -
SP, 1982
Tipos de Aplicao de Adubao Fosfatada Mdias de Produo (kg/ha)
1/
Cova 3.107,4375 a
Sulco 3.562,5000 b
Lano 3.332,6875 ab
NOTAS: (1/) As mdias de tipos de aplicao de adubao fosfatada seguidas de pelo menos
uma mesma letra no diferem entre si pelo teste de Tukey no nvel de 5% de
probabilidade.
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
tem-se:
A aplicao de adubao fosfatada no sulco, apesar de no diferir
estatisticamente da aplicao de adubao fosfatada a lano, proporcionou a
maior produo de milho.
A aplicao de adubao fosfatada na cova, apesar de no diferir
estatisticamente da aplicao de adubao fosfatada a lano, proporcionou a
menor produo de milho.
A aplicao de adubao fosfatada a lano apresentou uma produo
de milho intermediria entre os outros tipos de aplicao de adubao
fosfatada avaliados.
d) Equao de Regresso e Coeficiente de Determinao para Doses
de Adubao Fosfatada:
Como no houve efeito significativo para as regresses em relao s
doses de adubao fosfatada e a produo de milho, no se estima a equao
de regresso, bem como o coeficiente de determinao. Neste caso, basta
apenas apresentar as mdias de doses de adubao fosfatada.
350
TABELA 11.4 EFEITO DE DOSES DE ADUBAO FOSFATADA (kg de P
2
O
5
/ha)
NA PRODUO (kg/ha) DE MILHO (Zea mays L.). PIRACICABA -
SP, 1982
Doses de Adubao Fosfatada (kg de P
2
O
5
/ha) Mdias de Produo (kg/ha)
0 3.425,1667
40 3.098,7500
80 3.351,4167
120 3.461,5000
Verifica-se que no houve resposta da cultura do milho adubao
fosfatada.
11.4 Exemplo com Interao Significativa
Apresentar-se-, para discusso, a anlise da varincia e a
interpretao dos resultados de um experimento em parcelas subdivididas com
interao significativa.
Exemplo 2: A partir dos dados da TABELA 10.4, pede-se:
a) Fazer a anlise da varincia;
b) Obter os coeficientes de variao;
c) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de estdios de desenvolvimento e de cultivares;
d) Se a interao estdios de desenvolvimento x cultivares for
significativa, fazer o desdobramento do nmero de graus de liberdade de
cultivares mais o da interao estdios de desenvolvimento x cultivares;
e) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de cultivares dentro de estdios de desenvolvimento.
TABELA 10.4 - DETERMINAO DO ESTDIO DE DESENVOLVIMENTO QUE
PERMITE DISCRIMINAR PLANTAS DE CEBOLA (Allium cepa L.)
DOS FENTIPOS CEROSO E NO CEROSO, ATRAVS DE
SOLUO DE CIDO SULFRICO (2%) COMO AGENTE
351
SELETIVO. DADOS REFERENTES A NOTAS, VARIANDO DE
0 (AUSNCIA DE INJRIAS FOLIARES) A 5 (QUEIMA DAS
FOLHAS, TOTALIZANDO 90 100% DA FOLHAGEM,
CAUSANDO, NA MAIORIA DOS CASOS, A MORTE DA PLANTA)
Estdios de Cultivares ** Totais de Parcelas
Desenvolvimento * ______________________________________
B
1
B
2
B
3
B
4
B
5

3,1 3,2 3,2 3,4 3,0 15,9
A
1
= 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
A
2
= 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
A
3
= 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
A
4
= 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
A
5
= 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
A
6
= 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
FONTE: FERREIRA (1983).
NOTAS: (*) Nmero de dias aps a semeadura.
(**) B
1
Barreiro SPV-IV (Fentipo ceroso); B
2
Baia do Cedo SMP-IV (Fentipo ceroso);
B
3
Baia Periforme (Fentipo ceroso); B
4
Texas Grano (Fentipo no ceroso); B
5

Excel Bermudas 986 (Fentipo no ceroso).


Resoluo:
a) Anlise de Varincia:
352
EX = 3,1 + 3,2 + ... + 2,9 = 351,7
EX
2
= (3,1)
2
+ (3,2)
2
+ ... + (2,9) = 1.113,87
t
A
= 6
t
B
= 5
r = 4
N = t
A
. t
B
. r = 6 . 5 . 4 = 120
GL Estdio de Desenvolvimento = t
A
1 = 6 1 = 5
GL Parcelas = t
A .
r 1 = 6 . 4 1 = 24 1 = 23
GL Resduo (a) = t
A
(r 1) = 6 (4 1) = (6) 3 = 18
GL Cultivares = t
B
1 = 5 1 = 4
GL Interao (ED x C) = (t
A
1) (t
B
1)
= (6 1) (5 1) = (5) (4) = 20
GL Resduo (b) = t
A
(t
B
1) (r 1)
= 6 (5 1) (4 1) = 6 (4) (3) = 72
GL Total = t
A .
t
B .
r 1
= 6 . 5 . 4 1 = 120 1 = 119
SQ Total =
( )
N
X
X
2
2

= 1.113,87
( )
120
7 , 351
2
= 1.113,87
120
89 , 692 . 123

= 1.113,87 1.030,7741 = 83,0959
353
SQ Parcelas =
( )
N
X

2 2
B
A
t
P

=
( )
120
7 , 351
5
) 2 , 10 ( ... ) 1 , 16 ( ) 9 , 15 (
2 2 2 2

+ + +

=
120
89 , 692 . 123
5
67 , 381 . 5

= 1.076,334 1.030,7741 = 45,5599
Tabela de Dupla Entrada
Estdios de
Desenvolvimento
Cultivares
Totais de Estdios
de Desenvolvimento

B
1
B
2
B
3
B
4
B
5
18
25
32
39
46
53

13,6
(4)
13,2 12,9 14,0 12,4
14,3 15,6 13,1 17,5 16,4
10,4 10,7 9,6 14,9 12,9
10,0 11,7 10,1 16,1 14,3
6,0 8,3 7,7 13,7 12,3
5,3 6,8 6,2 11,2 10,5
66,1
(20)
76,9
58,5
62,2
48,0
40,0
Totais de Cultivares 59,6
(24)
66,3 59,6 87,4 78,8

351,7
SQ Estdios de Desenvolvimento =
( )
N
X

T
2 2
.
B
A
t r

=
( )
120
7 , 351
5 . 4
) 0 , 40 ( ... ) 9 , 76 ( ) 1 , 66 (
2 2 2 2

+ + +
=
120
89 , 692 . 123
20
91 , 477 . 21

= 1.073,8955 1.030,7741 = 43,1214


SQ Resduo (a) = SQ Parcelas SQ Estdios de Desenvolvimento
= 45,5599 43,1214 = 2,4385
354
SQ Cultivares =
( )
N
X

T
2 2
.
A
B
t r

=
( )
120
7 , 351
6 . 4
) 8 , 78 ( ... ) 3 , 66 ( ) 6 , 59 (
2 2 2 2

+ + +

=
120
89 , 692 . 123
24
21 , 348 . 25

= 1.056,1754 1.030,7741 = 25,40132
SQ Interao (ED x C) =
( ) ( )
N
X

AB T
2 2
r

(SQ Estdios de Desenvolvimento + SQ Cultivares)
=
( )
120
7 , 351
4
) 5 , 10 ( ... ) 2 , 13 ( ) 6 , 13 (
2 2 2 2

+ + +
(43,1214 + 25,40132)
=
120
89 , 692 . 123
4
49 , 427 . 4
68,52272
= 1.106,8725 1.030,7741 68,52272 = 7,57568
SQ Resduo (b) = SQ Total
[SQ Parcelas + SQ Cultivares + SQ Interao (ED x C)]
= 83,0959 (45,5599 + 25,40132 + 7,57568)
= 83,0959 78,5369 = 4,559
QM Estdios de Desenvolvimento
=
volvimento De de Estdios GL
volvimento De de Estdios SQ
sen
sen

=
5
1214 , 43
= 8,62428
355
QM Resduo (a) =
) ( Re
) ( Re
a sduo GL
a sduo SQ

=
18
4385 , 2
= 0,13547
QM Cultivares =
es Culti GL
es Culti SQ
var
var

=
4
40132 , 25
= 6,35033
QM Interao (ED x C) =
( )
( ) C x ED Interao GL
C x ED Interao SQ
=
20
57568 , 7
= 0,378784
QM Resduo (b) =
) ( Re
) ( Re
b sduo GL
b sduo SQ

=
72
559 , 4
= 0,063319
F Calculado para Estdios de Desenvolvimento
=
) ( Re
sen
a sduo QM
volvimento De de Estdios QM

=
13547 , 0
62482 , 8
~ 63,67
F Calculado para Cultivares
=
) ( Re
var
b sduo QM
es Culti QM

356
=
063319 , 0
35033 , 6
~ 100,29
F Calculado para Interao (ED x C)
=
( )
) ( Re b sduo QM
C x ED Interao QM

=
063319 , 0
378784 , 0
~ 5,98
F Tabelado (1%) para Estdios de Desenvolvimento = 4,25
F Tabelado (5%) para Estdios de Desenvolvimento = 2,77
F Tabelado (1%) para Cultivares = 3,616
F Tabelado (5%) para Cultivares = 2,514
F Tabelado (1%) para Interao (ED x C) = 2,166
F Tabelado (5%) para Interao (ED x C) = 1,732
TABELA 10.5 ANLISE DA VARINCIA DA DETERMINAO DO ESTDIO DE
DESENVOLVIMENTO QUE PERMITE DISCRIMINAR PLANTAS
DE CEBOLA DOS FENTIPOS CEROSO E NO CEROSO,
ATRAVS DE SOLUO DE CIDO SULFRICO (2%) COMO
AGENTE SELETIVO. PIRACICABA SP, 1983.
Causa de Variao GL SQ QM F
Estdios de Desenvolvimento (ED) 5 43,12140 8,624280 63,67 **
Resduo (a) 18 2,43850 0,135470
Parcelas 23 45,55990 -
Cultivares (C) 4 25,40132 6,350330 100,29 **
Interao (ED x C) 20 7,57568 0,378784 5,98 **
Resduo (b) 72 4,55900 0,063319
Total 119 83,09590

NOTA: (**) Significativo no nvel de 1% de probabilidade.
357
De acordo com o teste F, tem-se:
Houve diferena significativa, no nvel de 1% de probabilidade, entre
os estdios de desenvolvimento de plantas de cebola em relao
porcentagem de queima das folhas causada pelo cido sulfrico (2%).
Houve diferena significativa, no nvel de 1% de probabilidade, entre
as cultivares de cebola em relao porcentagem de queima das folhas
causada pelo cido sulfrico (2%).
Houve diferena significativa, no nvel de 1% de probabilidade, para a
interao (ED x C), indicando que a reao das cultivares de cebola depende
do estdio de desenvolvimento das plantas.
b) Coeficientes de Variao:
120
7 , 351
) (
= =

N
X
m

= 2,93083
135470 , 0 ) ( Re
) (
= = a sduo QM s
a
= 0,36806
063319 , 0 ) ( Re
) (
= = b sduo QM s
b
= 0,25163
CV
(a)
=
m
s
a

) (
. 100

=
93083 , 2
36806 , 0 . 100
~ 12,56%
CV
(b)
=
m
s
b

) (
. 100

=
93083 , 2
25163 , 0 . 100
~ 8,59%
O coeficiente de variao das parcelas foi de 12,56%, indicando uma
boa preciso experimental.
O coeficiente de variao das subparcelas foi 8,59%, indicando uma
tima preciso experimental.
c) Teste de Tukey:
Estdios de Desenvolvimento:
358
m
1
= 3,305 m
4
= 3,110
m
2
= 3,845 m
5
= 2,400
m
3
= 2,925 m
6
= 2,000
A (5%) = q
r
s
a) (
=
20
36806 , 0 . 50 , 4

=
472136 , 4
65627 , 1
~ 0,370
Cultivares:
m
1
= 2,4833 m
4
= 3,6417
m
2
= 2,7625 m
5
= 3,2833
m
3
= 2,8433
A (5%) = q
r
s
b) (
=
24
25163 , 0 . 968 , 3

=
8989795 , 4
99846 , 0
~ 0,204
Pode-se estruturar uma tabela ilustrativa nica contendo as
comparaes entre mdias de estdios de desenvolvimento e entre mdias de
cultivares, conforme se verifica a seguir:
359
TABELA 10.6 DETERMINAO DO ESTDIO DE DESENVOLVIMENTO QUE
PERMITE DISCRIMINAR PLANTAS DE CEBOLA DOS FENTIPOS
CEROSO E NO CEROSO, ATRAVS DE SOLUO DE CIDO
SULFRICO (2%) COMO AGENTE SELETIVO. DADOS MDIOS
DE NOTAS, VARIANDO DE 0 (AUSNCIA DE INJRIAS
FOLIARES) A 5 (90 100% DE QUEIMA DAS FOLHAS).
PIRACICABA SP, 1983
Estdios de
Desenvolvimento *
Cultivares **
Mdias de Estdios de
Desenvolvimento 1/
B
1
B
2
B
3
B
4
B
5
18
25
32
39
46
53
3,40 3,30 3,23 3,50 3,10
3,58 3,90 3,28 4,38 4,10
2,60 2,68 2,40 3,73 3,23
2,50 2,93 2,53 4,03 3,58
1,50 2,08 1,93 3,43 3,08
1,33 1,70 1,55 2,80 2,63
3,31
d
3,85
e
2,93
c
3,11
cd
2,40
b
2,00
a
Mdias de Cultivares 2/ 2,48
a
2,76
b
2,48
a
3,64
d
3,28
c
NOTAS: (*) Nmero de dias aps a semeadura.
(**) B
1
BARREIRO SMP IV (Fentipo ceroso); B
2
BAIA DO CEDO SMP V
(Fentipo ceroso); B
3
BAIA PERIFORME (Fentipo ceroso); B
4
TEXAS
GRANO (Fentipo no ceroso); B
5
EXCEL BERMUDAS 986 (Fentipo no
ceroso).
1/: As mdias de estdios de desenvolvimento seguidas de pelo menos uma mesma letra
no diferem entre si pelo teste de Tukey no nvel de 5% de probabilidade.
2/: As mdias de cultivares com a mesma letra no diferem entre si pelo teste de Tukey no
nvel de 5% de probabilidade.
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
tem-se:
1 - Com relao aos estdios de desenvolvimento:
O estdio de 53 dias aps a semeadura proporcionou o menor ndice
de injrias foliares em cebola, e difere estatisticamente de todos os outros
estdios de desenvolvimento.
O estdio de 46 dias aps a semeadura proporcionou o segundo menor
ndice de injrias foliares em cebola.
O estdio de 32 dias aps a semeadura proporcionou o terceiro menor
ndice de injrias foliares em cebola, apesar de no diferir estatisticamente do
estdio de 39 dias aps a semeadura.
O estdio de 25 dias aps a semeadura proporcionou o maior ndice de
injrias foliares em cebola, e difere estatisticamente de todos os outros
estdios de desenvolvimento.
360
O estdio de 18 dias aps a semeadura proporcionou o segundo maior
ndice de injrias foliares em cebola.
O estdio de 39 dias aps a semeadura apresentou um ndice de
injrias foliares intermedirio entre os estdios de 32 e 18 dias aps a
semeadura.
2 Com relao s cultivares de cebola:
As cultivares BARREIRO SMP IV e BAIA PERIFORME,
pertencentes ao fentipo ceroso, no diferiram estatisticamente entre si, e
apresentaram os menores ndices de injrias foliares.
A cultivar BAIA DO CEDO SMP V, pertencente ao fentipo
ceroso, apresentou o segundo menor ndice de injrias foliares.
A cultivar TEXAS GRANO, pertencente ao fentipo no ceroso,
apresentou o maior ndice de injrias foliares, e diferiu estatisticamente de
todas as outras cultivares.
A cultivar EXCEL BERMUDAS 986, pertencente ao fentipo no
ceroso, apresentou o segundo maior ndice de injrias foliares.
d) Desdobramento do Nmero de Graus de Liberdade de Cultivares
Mais o da Interao Estdios de Desenvolvimento x Cultivares:
SQ Cultivares dentro de estdio de 18 dias
=
( )
=
T

T
B
A
B
t r r
A de dentro
.
2
1
2
1

( ) ( ) ( )
4
4 , 12 ... 2 , 13 6 , 13
2 2 2
+ + +

( )
= =
20
21 , 369 . 4
4
37 , 875
5 . 4
1 , 66
2
218,8425 218,4605 = 0,382
SQ Cultivares dentro de estdio de 25 dias
=
( )
=
T

T
B
A
B
t r r
A de dentro
.
2
2
2
2

( ) ( ) ( )
4
4 , 16 ... 6 , 15 3 , 14
2 2 2
+ + +

( )
= =
20
61 , 913 . 5
4
67 , 194 . 1
5 . 4
9 , 76
2
298,6675 295,6805 = 2,987
SQ Cultivares dentro de estdio de 32 dias
361
=
( )
=
T

T
B
A
B
t r r
A de dentro
.
2
3
2
3

( ) ( ) ( )
4
9 , 12 ... 7 , 10 4 , 10
2 2 2
+ + +

( )
= =
20
25 , 422 . 3
4
23 , 703
5 . 4
5 , 58
2
175,8075 171,1125 = 4,695
SQ Cultivares dentro de estdio de 39 dias
=
( )
=
T

T
B
A
B
t r r
A de dentro
.
2
4
2
4

( ) ( ) ( )
4
3 , 14 ... 7 , 11 0 , 10
2 2 2
+ + +

( )
= =
20
84 , 868 . 3
4
6 , 802
5 . 4
2 , 62
2
200,65 193,442 = 7,208
SQ Cultivares dentro de estdio de 46 dias
=
( )
=
T

T
B
A
B
t r r
A de dentro
.
2
5
2
5

( ) ( ) ( )
4
3 , 12 ... 3 , 8 0 , 6
2 2 2
+ + +

( )
= =
20
0 , 304 . 2
4
16 , 503
5 . 4
0 , 48
2
125,79 115,2 = 10,59
SQ Cultivares dentro de estdio de 53 dias
=
( )
=
T

T
B
A
B
t r r
A de dentro
.
2
6
2
6

( ) ( ) ( )
4
5 , 10 ... 8 , 6 3 , 5
2 2 2
+ + +

( )
= =
20
0 , 600 . 1
4
46 , 348
5 . 4
0 , 40
2
87,115 80,0 = 7,115
QM Cultivares dentro de estdio de 18 dias
=
1
18 var

B
t
dias de estdio de dentro es Culti SQ

362
=
1 5
382 , 0

=
4
382 , 0
= 0,0955
QM Cultivares dentro de estdio de 25 dias
=
1
25 var

B
t
dias de estdio de dentro es Culti SQ

=
1 5
987 , 2

=
4
987 , 2
= 0,74675
QM Cultivares dentro de estdio de 32 dias
=
1
32 var

B
t
dias de estdio de dentro es Culti SQ

=
1 5
695 , 4

=
4
695 , 4
= 1,17375
QM Cultivares dentro de estdio de 39 dias
=
1
39 var

B
t
dias de estdio de dentro es Culti SQ

=
1 5
208 , 7

=
4
208 , 7
= 1,802
QM Cultivares dentro de estdio de 46 dias
=
1
46 var

B
t
dias de estdio de dentro es Culti SQ

=
1 5
59 , 10

=
4
59 , 10
= 2,6475
QM Cultivares dentro de estdio de 53 dias
=
1
53 var

B
t
dias de estdio de dentro es Culti SQ

363
=
1 5
115 , 7

=
4
115 , 7
= 1,77875
F Calculado para Cultivares dentro de estdio de 18 dias
= =
) ( Re
18 var
b sduo QM
dias de estdio de dentro es Culti QM
~
063319 , 0
0955 , 0
1,51
F Calculado para Cultivares dentro de estdio de 25 dias
= =
) ( Re
25 var
b sduo QM
dias de estdio de dentro es Culti QM
~
063319 , 0
74675 , 0
11,79
F Calculado para Cultivares dentro de estdio de 32 dias
= =
) ( Re
32 var
b sduo QM
dias de estdio de dentro es Culti QM
~
063319 , 0
17375 , 1
18,54
F Calculado para Cultivares dentro de estdio de 39 dias
= =
) ( Re
39 var
b sduo QM
dias de estdio de dentro es Culti QM
~
063319 , 0
802 , 1
28,46
F Calculado para Cultivares dentro de estdio de 46 dias
364
= =
) ( Re
46 var
b sduo QM
dias de estdio de dentro es Culti QM
~
063319 , 0
6475 , 2
41,81
F Calculado para Cultivares dentro de estdio de 53 dias
= =
) ( Re
53 var
b sduo QM
dias de estdio de dentro es Culti QM
~
063319 , 0
77875 , 1
28,09
F Tabelado (1%) para cultivares dentro dos estdios de desenvolvimento
= 3,616
F Tabelado (5%) para cultivares dentro dos estdios de desenvolvimento
= 2,514
A TABELA 10.5 fica, agora, da seguinte maneira:
365
TABELA 10.5 ANLISE DA VARINCIA DA DETERMINAO DO ESTDIO DE
DESENVOLVIMENTO QUE PERMITE DISCRIMINAR PLANTAS DE
CEBOLA DOS FENTIPOS CEROSO E NO CEROSO, ATRAVS
DE SOLUO DE CIDO SULFRICO (2%) COMO AGENTE
SELETIVO. PIRACICABA SP, 1983
Causa de Variao GL SQ QM F
Estdios de Desenvolvimento 5 43,12140 8,624280 63,67 **
Resduo (a) 18 2,43850 0,135470
Parcelas 23 45,55990

Cultivares dentro do estdio de 18 dias 4 0,38200 0,095500 1,51 ns
Cultivares dentro do estdio de 25 dias 4 2,98700 0,746750 11,79 **
Cultivares dentro do estdio de 32 dias 4 4,69500 1,173750 18,54 **
Cultivares dentro do estdio de 39 dias 4 7,20800 1,802000 28,46 **
Cultivares dentro do estdio de 46 dias 4 10,59000 2,647500 41,81 **
Cultivares dentro do estdio de 53 dias 4 7,11500 1,778750 28,09 **
Resduo (b) 72 4,55900 0,063319

Total 119 83,09590

NOTAS: (ns) No significativo no nvel de 5% de probabilidade.
(**) Significativo no nvel de 1% de probabilidade.
De acordo com o teste F, tem-se:
Houve diferena significativa, no nvel de 1% de probabilidade, entre
os estdios de desenvolvimento de plantas de cebola em relao
porcentagem de queima das folhas causada pelo cido sulfrico (2%).
No houve diferena significativa, no nvel de 5% de probabilidade,
entre as cultivares de cebola dentro do estdio de 18 dias aps a semeadura em
relao porcentagem de queima das folhas causada pelo cido sulfrico
(2%).
Houve diferena significativa, no nvel de 1% de probabilidade, entre
as cultivares de cebola dentro dos estdios de 25, 32, 39, 46 e 53 dias aps a
semeadura em relao porcentagem de queima das folhas causada pelo cido
sulfrico (2%).
e) Teste de Tukey:
Cultivares dentro do estdio de 18 dias:
m
1
= 3,40 m
4
= 3,50
m
2
= 3,30 m
5
= 3,10
366
m
3
= 3,23
Cultivares dentro do estdio de 25 dias:
m
1
= 3,58 m
4
= 4,38
m
2
= 3,90 m
5
= 4,10
m
3
= 3,28
Cultivares dentro do estdio de 32 dias:
m
1
= 2,60 m
4
= 3,73
m
2
= 2,68 m
5
= 3,23
m
3
= 2,40
Cultivares dentro do estdio de 39 dias:
m
1
= 2,50 m
4
= 4,03
m
2
= 2,93 m
5
= 3,58
m
3
= 2,53
Cultivares dentro do estdio de 46 dias:
m
1
= 1,50 m
4
= 3,43
m
2
= 2,08 m
5
= 3,08
m
3
= 1,93
Cultivares dentro do estdio de 53 dias:
m
1
= 1,33 m
4
= 2,08
m
2
= 1,70 m
5
= 2,63
m
3
= 1,55
367
A (5%) = q
r
s
b) (
=
4
25163 , 0 . 968 , 3

=
0 , 2
99846 , 0
~ 0,499
A TABELA 10.6 fica, agora, da seguinte maneira:
TABELA 10.6 DETERMINAO DO ESTDIO DE DESENVOLVIMENTO QUE
PERMITE DISCRIMINAR PLANTAS DE CEBOLA DOS FENTIPOS
CEROSO E NO CEROSO, ATRAVS DE SOLUO DE CIDO
SULFRICO (2%) COMO AGENTE SELETIVO. DADOS MDIOS
DE NOTAS, VARIANDO DE 0 (AUSNCIA DE INJRIAS
FOLIARES) A 5 (90 100% DE QUEIMA DAS FOLHAS).
PIRACICABA SP, 1983
Estdios de
Desenvolvimento *
Cultivares **
Mdias de Estdios de
Desenvolvimento
1/
B
1
2/

B
2
B
3
B
4
B
5
18
25
32
39
46
53
3,40 a 3,30 a 3,23 a 3,50 a 3,10 a
3,58 ab 3,90 bc 3,28 a 4,38 c 4,10 c
2,60 a 2,68 a 2,40 a 3,73 c 3,23 b
2,50 a 2,93 a 2,53 a 4,03 b 3,58 b
1,50 a 2,08 b 1,93 ab 3,43 c 3,08 c
1,33 a 1,70 a 1,55 a 2,80 b 2,63 b
3,31 d
3,85 e
2,93 c
3,11 cd
2,40 b
2,00 a
Mdias de
Cultivares
2,48 2,76 2,48 3,64 3,28
NOTAS: (*) Nmero de dias aps a semeadura.
(**) B
1
BARREIRO SMP IV (Fentipo ceroso); B
2
BAIA DO CEDO SMP V
(Fentipo ceroso); B
3
BAIA PERIFORME (Fentipo ceroso); B
4
TEXAS GRANO
(Fentipo no ceroso); B
5
EXCEL BERMUDAS 986 (Fentipo no ceroso).
1/: As mdias de estdios de desenvolvimento seguidas de pelo menos uma mesma letra
no diferem entre si pelo teste de Tukey no nvel de 5% de probabilidade.
2/: Nas linhas, as mdias de cultivares seguidas de pelo menos uma mesma letra no diferem
entre si pelo teste de Tukey no nvel de 5% de probabilidade.
De acordo dom o teste Tukey, no nvel de 5% de probabilidade, tem-
se:
1 Com relao aos estdios de desenvolvimento:
O estdio de 53 dias aps a semeadura proporcionou o menor ndice
de injrias foliares em cebola, e diferiu estatisticamente de todos os outros
estdios de desenvolvimento.
368
O estdio de 46 dias aps a semeadura proporcionou o segundo menor
ndice de injrias foliares em cebola.
O estdio de 32 dias aps a semeadura proporcionou o terceiro menor
ndice de injrias foliares em cebola, apesar de no diferir estatisticamente do
estdio de 39 dias aps a semeadura.
O estdio de 25 dias aps a semeadura proporcionou o maior ndice de
injrias foliares em cebola, e diferiu estatisticamente de todos os outros
estdios de desenvolvimento.
O estdio de 18 dias aps a semeadura proporcionou o segundo maior
ndice de injrias foliares em cebola.
O estdio de 39 dias aps a semeadura apresentou um ndice de
injrias foliares intermedirio entre os estdios de 32 e 18 dias aps a
semeadura.
2 - Com relao s cultivares dentro de estdios de desenvolvimento:
No estdio de 18 dias aps a semeadura, no houve diferena
significativa entre as cultivares de cebola em relao s injrias causadas
pelo cido sulfrico (2%).
No estdio de 25 dias aps a semeadura, a cultivar BAIA
PERIFORME, pertencente ao fentipo ceroso, apresentou o menor ndice de
injrias foliares, e diferiu estatisticamente das cultivares BAIA DO CEDO
SMP-V, do fentipo ceroso, e TEXAS GRANO e EXCEL BERMUDAS 986,
do fentipo no ceroso. Neste mesmo estdio de desenvolvimento, a cultivar
BARREIRO SMP-IV, pertencente ao fentipo ceroso, apresentou um ndice
de injrias foliares intermedirio entre a cultivar BAIA PERIFORME, do
fentipo ceroso, e as demais cultivares de cebola avaliadas.
Nos estdios de 32, 39, 46 e 53 dias aps a semeadura, as cultivares
BARREIRO SMP-IV, BAIA DO CEDO SMP-V e BAIA PERIFORME,
pertencentes ao fentipo ceroso, apresentaram os menores ndices de injrias
foliares, e diferiram estatisticamente das cultivares do fentipo no ceroso
TEXAS GRANO e EXCEL BERMUDAS 986.
A discriminao entre cultivares de cebola dos fentipos ceroso e no
ceroso pelo cido sulfrico, na concentrao de 2%, foi evidente a partir dos
32 dias aps a semeadura.
10.5 Perdas de Subparcelas
Quando se utilizam os delineamentos em blocos casualizados e em
quadrado latino na conduo de experimentos em parcelas subdivididas e
ocorrerem perdas de subparcelas, necessrio estimar o valor das subparcelas
perdidas, atravs de frmulas apropriadas, para poder-se efetuar a anlise da
varincia. Contudo, far-se- apenas uma abordagem em torno do delineamento
369
em blocos casualizados, por ser o delineamento mais usado na pesquisa
agropecuria, sendo que toda discusso feita vlida ao delineamento em
quadrado latino, desde que sejam usadas as frmulas correspondentes.
No caso de ocorrer a perda de uma subparcela, pode-se estim-la
atravs da frmula:
( )
( )( ) 1 1
.

+
=
B
A AB B
t r
T T t TS r
y
onde:
r = nmero de repeties do experimento;
TS = total das subparcelas restantes na parcela onde ocorreu a perda;
t
B
= nmero de tratamentos B;
T
AB
= total das demais subparcelas da combinao (AB) correspondentes
subparcela perdida;
T
A
= total de subparcelas restantes do tratamento A correspondente
subparcela perdida .
Uma vez estimada a subparcela, procede-se anlise da varincia da
maneira usual, tomando-se o cuidado, porm, de se diminuir 1 GL do Resduo
(b), correspondente 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 so estimadas independentemente, pelo emprego da frmula
anteriormente apresentada para estimar uma subparcela perdida;
b) Se duas ou mais subparcelas so perdidas no mesmo tratamento A,
pode-se estim-las pelo mtodo iterativo, com a aplicao tambm da frmula
apropriada ao clculo de uma subparcela perdida. Distingue-se, neste caso,
trs situaes, ou sejam:
b.1) Duas subparcelas perdidas, por exemplo em A
1
B
1
e A
1
B
2
, mas em
parcelas distintas, denominando-se, respectivamente, de x e y as subparcelas
perdidas e arbitrando um valor y
0
para y, tem-se:
( ) ( )
( )( ) 1 1
.
0 1
1
1 1 1

+ +
=
B
A B A
B
t r
y T T t TS r
x
e, conforme j visto no mtodo iterativo, com o valor x
1
calcula-se y
1
,
completando o 1 ciclo, ou seja:
370
( ) ( )
( )( ) 1 1
.
1 2
1
1 2 1

+ +
=
B
A B A
B
t r
x T T t TS r
y
Prossegue-se assim, alternadamente, nos clculos de x e de y, at que
haja convergncia das estimativas, nos ciclos sucessivos.
b.2) Duas subparcelas perdidas, por exemplo em A
1
B
1
e A
1
B
2
respectivamente, numa mesma parcela. Arbitra-se um valor y
0
para y e
calcula-se:
( ) ( ) ( )
( )( ) 1 1
0 0
1
1 1 1

+ + +
=
B
A B A
B
t r
y T T t y TS r
x
e,
( ) ( ) ( )
( )( ) 1 1
1 1
1
1 2 1

+ + +
=
B
A B A
B
t r
x T T t x TS r
y .
Analogamente, prossegue-se com outros ciclos, at obter a
convergncia para x e y.
b.3) Duas subparcelas perdidas no mesmo tratamento B
1
em parcelas
distintas de A
1
. Uma vez arbitrando-se y
0
, calcula-se:
( ) ( )
( )( ) 1 1
.
0 0 1
1
1 1 1

+ + +
=
B
A B A
B
t r
y T y T t TS r
x
e,
( ) ( )
( )( ) 1 1
.
1 1 2
1
1 2 1

+ + +
=
B
A B A
B
t r
x T x T t TS r
y
Como nos casos anteriores, prossegue-se com outros ciclos, at obter-
se convergncia de x e de y.
Uma vez estimada as subparcelas, procede-se anlise da varincia da
maneira usual, tomando-se o cuidado, porm, de se diminuir 1 GL do Resduo
(b) para cada subparcela perdida.
Quando o que mais se interessa a primeira parte da anlise, isto , as
comparaes entre os tratamentos A, pode-se, com maior rigor, considerar
perdida toda a parcela em que se perdeu uma subparcela e calcular o valor a
371
ser utilizado na anlise pela frmula j vista para o caso de delineamento em
blocos casualizados:
( )( ) 1 1
. .

+
=
A
A
t r
G T t B r
y
Uma vez estimada a parcela, procede-se anlise da varincia da
maneira usual, tomando-se o cuidado, porm, de se diminuir 1GL do Resduo
(a).
Na comparao de mdias de tratamentos, deve-se levar em conta que
a perda de dados de uma ou mais subparcelas afeta diretamente as varincias
de contrastes entre mdias. COCHRAN e COX (1957) apresentam, para os
quatro tipos de comparaes entre mdias, as seguintes expresses de
varincia de contrastes, admitindo-se t
A
tratamentos A, t
B
tratamentos B e r
repeties:
1 tipo: Entre duas mdias de tratamentos A:
2 1
1
A A
m m Y

=
( )
( ) ( ) | |
B
t r
b sduo QM f a sduo QM
Y s
.
Re . Re 2
2
+
=

Para aplicao dos testes de comparao de mdias, calcula-se o


nmero de graus de liberdade, pela frmula de Satterthwaite, ou seja:
n
1
=
| |
| | | |
) ( Re
) ( Re .
) ( Re
) ( Re
) ( Re . ) ( Re
2
2
2
b sduo GL
b sduo QM f
a sduo GL
a sduo QM
b sduo QM f a sduo QM
+
+
2 tipo: Entre duas mdias de tratamentos B:
2 1
2
B B
m m Y

=
( )
( ) | |
A
t t
t r
f b sduo QM
Y s
A B
.
1 Re 2
/
2
+
=

n
2
= GL Resduo (b)
372
3 tipo: Entre duas mdias de tratamentos B num mesmo tratamento
A:
2 1 1 1
3
B A B A
m m Y

=
( )
( ) | |
r
f b sduo QM
Y s
A B
t t /
2
1 Re 2 +
=

n
3
= GL Resduo (b)
4 tipo: Entre duas mdias de tratamentos A num mesmo tratamento
B:
1 2 1 1
4
B A B A
m m Y

=
( )
( ) ( ) ( ) | |
B
t
B
t r
f t b sduo QM a sduo QM
Y s
B
.
1 Re 2 Re 2
2
2
+ +
=

Tambm neste caso calcula-se o nmero de graus de liberdade pela


frmula de Satterthwaite:
n
4
=
( ) | |
| |
( ) | |
) ( Re
) ( Re 1
) ( Re
) ( Re
) ( Re 1 ) ( Re
2
2
2
2
2
b sduo GL
b sduo QM f t
a sduo GL
a sduo QM
b sduo QM f t a sduo QM
B
B
t
B
t
B
)
`


+
)
`

+ +
Os autores afirmam que, se apenas uma subparcela perdida, o fator f
dado por:
( )( ) 1 1 2
1

=
B
t r
f
Se duas ou mais subparcelas so perdidas, o fator f depender da
localizao dessas subparcelas. Sugerem, neste caso, a seguinte aproximao:
( )( ) 1 2 +
=
R T t M r
T
f
B
373
onde, M, R e T esto associados apenas as observaes perdidas nas duas
mdias em confronto, e:
T = nmero de subparcelas perdidas, envolvidas no contraste;
M = nmero de observaes perdidas na combinao AB mais afetada;
R = nmero de repeties que contm uma ou mais observaes perdidas.
10.6 Exerccios
a) A partir dos dados da TABELA 10.7, pede-se:
a.1) Fazer a anlise da varincia;
a.2) Obter os coeficientes de variao;
a.3) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de sistemas de plantio e de cortes.
TABELA 10.7 DADOS DE PRODUO (t/ha) DE CANA-DE-ACAR, VARIEDADE
CB-43-5, OBTIDOS DE DOIS SISTEMAS DE PLANTIO NOS DOIS
PRIMEIROS CORTES (CANA PLANTA E CANA SOCA)
Sistemas
de Plantio
Cortes
Totais de
Parcelas
Cana Planta Cana Soca
Sulcos
Simples
92,9
128,6
121,7
122,8
118,1
115,7
121,4
126,9
118,1
122,4
84,5
86,5
84,5
77,0
88,1
82,4
84,0
88,8
85,7
78,8
177,4
215,1
206,2
199,8
206,2
198,1
205,4
215,7
203,8
201,2
Totais 1.188,6 840,3 2.028,9
Sulcos
Duplos
122,5
110,0
115,0
125,0
105,0
110,0
115,0
105,0
108,5
118,3
84,5
85,0
85,5
88,0
86,7
80,7
88,3
89,3
94,3
90,0
207,0
195,0
200,5
213,0
191,7
190,7
203,3
194,3
202,8
208,3
Totais 1.134,3 872,3 2.006,6
FONTE: BARBIN (1982).
374
b) A partir dos dados da TABELA 10.8, pede-se:
b.1) Fazer a anlise da varincia;
b.2) Obter os coeficientes de variao;
b.3) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade da
comparao de mdias de adubos verdes e de anos;
b.4) Se a interao adubos verdes x anos for significativa, fazer o
desdobramento do nmero de graus de liberdade de anos mais o da interao
adubos verdes x anos;
b.5) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de anos dentro de adubos verdes.
TABELA 10.8 PRODUO DE ADUBOS VERDES E MILHO (kg DE MATRIA
VERDE POR PARCELA) EM DOIS ANOS SUCESSIVOS
Tratamentos
1 Bloco 2 Bloco 3 Bloco 4 Bloco
1 ano 2 ano 1 ano 2 ano 1 ano 2 ano 1 ano 2 ano
Mucuna Preta
Feijo de Porco
Crotalarea juncea
Guandu
Teph. Cndida
Soja
Crotalarea grantiana
Milho
86,8 90,2
44,0 88,8
102,4 120,2
68,4 91,0
34,0 57,2
33,0 33,6
25,8 77,0
138,8 110,2
76,8 94,0
56,6 72,2
90,8 104,6
55,2 78,8
32,4 54,0
34,8 33,2
21,6 62,4
106,4 80,0
88,6 86,4
52,4 88,6
92,0 112,0
49,0 83,4
24,4 50,8
32,0 33,4
19,2 63,6
108,2 92,0
81,6 82,2
52,2 83,2
84,8 113,6
61,2 91,2
30,0 46,2
33,6 42,6
21,0 63,6
81,8 90,6
533,2 668,2 474,6 579,2 465,6 610,2 446,2 613,0
FONTE: GOMES (1985).
375
387
12
ANLISE CONJUNTA
DE EXPERIMENTOS
Em muitas reas da pesquisa agropecuria, o pesquisador dificilmente
teria condies de conduzir um experimento num determinado local com o
objetivo de aplicar os seus resultados para toda uma regio, tendo em vista que
as condies climticas variam muito de um local para outro, afetando,
sobremaneira, o comportamento dos seres vivos. Tal fato ocorre, por exemplo,
nos experimentos com vegetais, nos quais o solo e as condies climticas tm
influncia muito grande. J em experimentos com animais a influncia do
local e do clima muito menor, principalmente quando eles recebem raes
controladas e dispem de abrigos convenientes.
Nestes casos, s uma experimentao apropriada permitiria ao
pesquisador dar uma soluo definitiva ao problema de generalizao dos
resultados de um experimento para toda uma regio. Tem-se, ento, a anlise
conjunta de experimentos. Pode-se citar, como exemplo, o estudo da adubao
qumica da cana-de-acar no Estado de Alagoas, tendo em vista obter
resultados gerais para toda rea canavieira do Estado. Com esse objetivo,
deve-se instalar experimentos por toda a regio que devero ser os mais
simples possveis para que o custo no seja excessivo. Alm disso, os
experimentos devero ser os mesmos por toda a rea, isto , devero obedecer
ao mesmo delineamento estatstico, bem como incluir os mesmos tratamentos
com, se possvel, o mesmo nmero de repeties. Este procedimento ir
facilitar grandemente a anlise da varincia conjunta. De preferncia, ainda,
esses experimentos devero se repetir por vrios anos. Como boa forma, o
manejo animal ou vegetal dever se o mesmo em todos os experimentos.
12.1 Esquema da Anlise da Varincia Conjunta
Para se efetuar uma anlise conjunta de experimentos deve-se seguir
os seguintes passos:
388
a) Em primeiro lugar, definem-se os locais onde a pesquisa ser
conduzida, instalam-se os experimentos, que geralmente so implantados no
delineamento em blocos casualizados, e aps a coleta dos dados, efetuam-se
todas as anlises individuais, isto , anlise para cada local de acordo com o
delineamento estatstico utilizado.
b) Examinam-se, a seguir, as grandezas dos QM Resduos, ou seja, se
forem homogneos (quando a relao entre o maior e o menor QM Resduos
no for superior a mais de quatro vezes) todos os locais podero ser includos
na anlise conjunta ser restries, e , em caso contrrio, devem-se organizar
subgrupos com QM Resduos homogneos, sendo que as anlises conjuntas
sero feitas para cada subgrupo.
c) Elabora-se, posteriormente, a tabela de dupla entrada, conforme se
verifica a seguir:
Tabela de Dupla Entrada
Tratamentos

Locais
Totais de
Tratamentos
L
1
L
2
L
3

A
1
A
2
A
3
A
4

TA
1
L
1
TA
1
L
2
TA
1
L
3
TA
2
L
1
TA
2
L
2
TA
2
L
3
TA
3
L
1
TA
3
L
2
TA
3
L
3
TA
4
L
1
TA
4
L
2
TA
4
L
3
TA
1
TA
2
TA
3
TA
4
Totais de Locais

TL
1
TL
2
TL
3
d) Agora, efetua-se a anlise da varincia conjunta, segundo o
esquema abaixo:
Quadro da ANAVA Conjunta
Causa de Variao GL SQ QM F
Tratamentos (T) t 1 SQ Tratamentos QM Tratamentos QM Tratamentos/
QM Interao (T x L)
Locais (L) l 1 SQ Locais QM Locais QM Locais/
QM Interao (T x L)
Interao (T x L) (t 1) (l 1) SQ Interao (T x L) QM Interao (T x L) QM Interao (T x L)/
QM Resduo Mdio
Resduo Mdio N' - QM Resduo Mdio
onde:
GL = nmero de graus de liberdade;
389
SQ = soma de quadrados;
QM = quadrado mdio;
F = valor calculado do teste F;
t = nmero de tratamentos;
l = nmero de locais;
N' = soma dos graus de liberdade dos resduos das anlises individuais;
SQ Tratamentos =
( )
N

T
2 2
.
A A
T
l r
onde:
T
A
= total de cada tratamento;
r = nmero de repeties do experimento;
N = nmero de observaes, que corresponde ao nmero de tratamentos
(t) multiplicado pelo nmero de repeties do experimento (r)
multiplicado pelo nmero de locais (l);
SQ Locais =
( )
N

T
2 2
.
L L
T
t r
onde:
T
L
= total de cada local;
SQ Interao (T x L) =
( ) ( )
N

A T
2 2
AL
T
r
L

(SQ Tratamentos + SQ Locais)
onde:
T (AL) = total de cada combinao (AL);
QM Tratamentos = ;
s Tratamento GL
s Tratamento SQ
QM Locais = ;
Locais GL
Locais SQ
QM Interao (T x L) =
( )
( )
;
L x T Interao GL
L x T Interao SQ
390
QM Resduo Mdio
=
l
L sduo QM L sduo QM L sduo QM ) ( Re ) ( Re ) ( Re
3 2 1
+ +
Veja-se, a seguir, algumas consideraes importantes a respeito da
interpretao do teste F na anlise conjunta de experimentos:
a) O teste F para tratamentos ir dizer se eles diferem entre si, sem
levar em conta os locais;
b) O teste F para locais ir dizer se eles diferem entre si, sem levar em
conta os tratamentos;
c) O teste F para a interao (T x L) ir dizer se o comportamento dos
tratamentos influenciado pelo tipo de local;
d) A interao (T x L) apresentando F no significativo, indica que o
comportamento dos tratamentos independe dos locais. Ento, neste caso, pode-
se fazer recomendaes gerais para toda a regio, ou seja, o melhor tratamento
indicado para todos os locais;
e) A interao (T x L) apresentando F significativo, indica que o
comportamento dos tratamentos influenciado pelos locais. Ento, neste caso,
tem-se duas alternativas a seguir:
e.1) Consideram-se os resultados obtidos nas anlises individuais. No
se pode fazer, ento, recomendaes gerais para toda a regio, valendo as
concluses ou indicaes para cada local em separado;
e.2) Desdobram-se os graus de liberdade de tratamentos mais o da
interao (T x L), conforme a seguir:
Quadro da ANAVA Conjunta
Causa de Variao GL
Locais (L) l 1
Entre Tratamentos Dentro de L
1
t 1
Entre Tratamentos Dentro de L
2
t 1
Entre Tratamentos Dentro de L
3
t 1
Resduo Mdio N'

onde:
SQ Entre Tratamentos dentro de L
1
391
=
( )
;
.
2
2
1 1
t r r
L de dentro
L
T

T
A
SQ Entre Tratamentos dentro de L
2
=
( )
;
.
2
2
2 2
t r r
L de dentro
L
T

T
A
SQ Entre Tratamentos dentro de L
3
=
( )
;
.
2
2
3 3
t r r
L de dentro
L
T

T
A

QM Entre Tratamentos dentro de L
1
= ;
1
1
t
L de dentro s Tratamento SQ
QM Entre Tratamentos dentro de L
2
= ;
1
2
t
L de dentro s Tratamento SQ
QM Entre Tratamentos dentro de L
3
= ;
1
3
t
L de dentro s Tratamento SQ
F Calculado Entre Tratamentos dentro de L
1
= ;
Re
1
Mdio sduo QM
L de dentro s Tratamento QM
F Calculado Entre Tratamentos dentro de L
2

= ;
Re
2
Mdio sduo QM
L de dentro s Tratamento QM
392
F Calculado Entre Tratamentos dentro de L
3

=
Mdio sduo QM
L de dentro s Tratamento QM
Re
3

Esta afirmativa tem a vantagem, em relao primeira, de contar com
maior nmero de graus de liberdade para o resduo, portanto, anlise mais
sensvel.
12.2 Exemplo com Interao No Significativa
A fim de apresentar-se a anlise da varincia conjunta e a
interpretao dos resultados de um grupo de experimentos, ser discutido, a
seguir, um exemplo com interao no significativa.
Exemplo 1: A partir dos dados das TABELAS 12.1 e 12.2, pede-se:
a) Fazer a anlise da varincia conjunta;
b) Obter os coeficientes de variao das anlises da varincia
individuais;
c) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de espcies e de locais.
TABELA 12.1 - VALORES E SIGNIFICNCIAS DOS QUADRADOS MDIOS DAS
ANLISES DA VARINCIA DAS ALTURAS (EM METROS) DE
PLANTAS DE ESPCIES DE EUCALIPTO COM TRS ANOS DE
IDADE
Causa de QM
1/
Variao ____________________________________________________
GL A B C D E
Espcies 3 2,52450
+ +
1,77133
+ +
2,39600
+ +
3,02450
+ +
3,17383
+ +
Resduo 16 0,07775 0,05050 0,06375 0,03725 0,04675
FONTE: BARBIN (1982).
NOTAS: (1/) A - Araraquara; B - Mogi-Guau; C - So Joaquim de Barra; D - So Simo;
E - Araras.
(+ +) Significativo no nvel de 1% de probabilidade pelo teste F.
393
TABELA 12.2 - TOTAIS DE ALTURAS (EM METROS) DE PLANTAS DAS ESPCIES
DE EUCALIPTO COM TRS ANOS DE IDADE DOS ENSAIOS
REALIZADOS EM SO PAULO NO DELINEAMENTO
INTEIRAMENTE CASUALIZADO COM QUATRO TRATAMENTOS
(ESPCIES) E CINCO REPETIES
Tratamentos QM
1
(Espcies) _____________________________________________________
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
FONTE: BARBIN (1982).
NOTA: (1/) A - Araraquara; B - Mogi-Guau; C - So Joaquim de Barra; D - So Simo;
E - Araras.
Resoluo:
a) Anlise de Varincia Conjunta:
> QM Resduo = 0,07775
< QM Resduo = 0,03725
R =
03725 , 0
07775 , 0
Re
Re
=
<
>
sduo QM
sduo QM
~ 2,09
Verifica-se que a relao entre o maior e o menor QM Resduos das
anlises individuais de aproximadamente 2,09. Logo, os cinco experimentos
podero ser reunidos numa nica anlise conjunta, sem restries.
394
Tabela de Dupla Entrada

Locais Totais de
Espcies _______________________________________ Espcies
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 Espcies = t 1 = 4 1 = 3
GL Locais = 1 1 = 5 1 = 4
GL Interaes (E x L) = (t 1) (l 1) = (4 1) (5 1) = (3) (4) = 12
GL Resduo Mdio = N' = 16 . 5 = 80
N = t . r . l = 4 . 5 . 5 = 100
SQ Espcies =
( )
N

T
2 2
.
A A
T
l r

=
( )
100
1 , 356
5 . 5
) 3 , 63 ( ) 4 , 102 ( ) 6 , 98 ( ) 8 , 91 (
2 2 2 2 2

+ + +

=
100
21 , 807 . 126
25
85 , 641 . 32

= 1.305,674 1.268,0721 = 37,6019
395
SQ Locais =
( )
N

T
2 2
.
L L
T
t r

=
( )
100
1 , 356
4 . 5
) 1 , 71 ( ) 1 , 70 ( ) 8 , 70 ( ) 6 , 74 ( ) 5 , 69 (
2 2 2 2 2 2

+ + + +

=
100
21 , 807 . 126
20
27 , 377 . 25

= 1.268,8635 1.268,0721 = 0,7914
SQ Interao (E x L) =
( ) ( )
N

A T
2 2
AL
T
r
L

(SQ Espcies + SQ Locais)
=
( )
100
1 , 356
5
) 1 , 12 ( ... ) 3 , 20 ( ) 9 , 17 (
2 2 2 2

+ + +

(37,6019 + 0,7914)
=
100
21 , 807 . 126
5
67 , 537 . 6
38,3933 = 1,0686
QM Espcies =
3
6019 , 37
=
Espcies GL
Espcies SQ
= 12,533967
QM Locais =
4
7914 , 0
=
Locais GL
Locais SQ
= 0,197850
QM Interao (E x L) =
( )
( ) 12
0686 , 1
3
=
L x Interao GL
L x E Interao SQ
= 0,089050
QM Resduo Mdio
=
l
L sduo QM L sduo QM L sduo QM
E B A
) ( Re ... ) ( Re ) ( Re
1
+ + +
396
=
5
276 , 0
5
04675 , 0 03725 , 0 06375 , 0 05050 , 0 07775 , 0
=
+ + + +
= 0,0552
F Calculado para Espcies
=
089050 , 0
533967 , 12
) (
=
L x E Interao QM
Espcies QM
~ 140,75
F Calculado para Locais
=
089050 , 0
197850 , 0
) (
=
L x E Interao QM
Locais QM
~ 2,22
F Calculado para Interao (E x L)
=
0552 , 0
089050 , 0
Re
) (
=
Mdio sduo QM
L x E Interao QM
~ 1,61
F Tabelado (1%) para Espcies = 5,95
F Tabelado (5%) para Espcies = 3,49
F Tabelado (1%) para Locais = 5,41
F Tabelado (5%) para Locais = 3,26
F Tabelado (1%) para Interao (E x L) ~ 2,4467
F Tabelado (5%) para Interao (E x L) = 1,89
TABELA 12.3 - ANLISE DA VARINCIA CONJUNTA DAS ALTURAS (EM
METROS) DE PLANTAS DE ESPCIES DE EUCALIPTO COM
TRS ANOS DE IDADE. PIRACICABA - SP, 1982
Causa de Variao GL SQ QM F
Espcies (E) 3 37,6019 12,533967 140,75 **
Locais (L) 4 0,7914 0,197850 2,22 ns
Interao (E x L) 12 1,0686 0,089050 1,61 ns
Resduo Mdio 80 - 0,055200
NOTAS: (ns) No significativo no nvel de 5% de probabilidade.
(**) Significativo no nvel de 1% de probabilidade.
397
De acordo com o teste F, tem-se:
Houve diferena significativa, no nvel de 5% de probabilidade, entre
as espcies de eucalipto em relao altura de plantas com trs anos de idade.
No houve diferena significativa, no nvel de 5% de probabilidade,
entre os locais em relao altura de plantas de eucalipto com trs anos de
idade
No houve diferena significativa, no nvel de 5% de probabilidade,
para a interao (E x L), indicando que a altura das plantas das espcies de
eucalipto com trs anos de idade independe dos locais onde as mesmas foram
cultivadas.
b) Coeficientes de Variao:
Para Araraquara - SP:
20
5 , 69
) (
= =

N
X
m

= 3,475
07775 , 0 Re = = sduo QM s = 0,27883
CV =
475 , 3
27883 , 0 . 100 . 100
=
m
s

~ 8,02%
O coeficiente de variao em Araraquara - SP foi 8,02%, indicando
uma tima preciso experimental.
Para Mogi-Guau - SP:
20
6 , 74
) (
= =

N
X
m

= 3,73
05050 , 0 Re = = sduo QM s = 0,22472
CV =
73 , 3
22472 , 0 . 100 . 100
=
m
s

~ 6,02%
O coeficiente de variao em Mogi-Guau - SP foi 6,02%, indicando
uma tima preciso experimental.
Para So Joaquim de Barra - SP:
398
20
8 , 70
) (
= =

N
X
m

= 3,54
06375 , 0 Re = = sduo QM s = 0,25248
CV =
54 , 3
25248 , 0 . 100 . 100
=
m
s

~ 7,13%
O coeficiente de variao em So Joaquim de Barra - SP foi 7,13%,
indicando uma tima preciso experimental.
Para So Simo - SP:
20
1 , 70
) (
= =

N
X
m

= 3,505
03725 , 0 Re = = sduo QM s = 0,1930
CV =
505 , 3
1930 , 0 . 100 . 100
=
m
s

~ 5,51%
O coeficiente de variao em So Simo - SP foi 5,51%, indicando
uma tima preciso experimental.
Para Araras - SP:
20
1 , 71
) (
= =

N
X
m

= 3,555
04675 , 0 Re = = sduo QM s = 0,21621
CV =
555 , 3
21621 , 0 . 100 . 100
=
m
s

~ 6,08%
O coeficiente de variao em Araras - SP foi 6,08%, indicando uma
tima preciso experimental.
c) Teste de Tukey:
Espcies:
399
m
1
= 3,672 m
3
= 4,096
m
2
= 3,944 m
4
= 2,532
s = L) x (E Interao QM
= = = = A 003562 , 0 20 , 4
25
08905 , 0
20 , 4 % 5
r
s
q
4,20 . 0,059682 = 0,25066
TABELA 12.4 - ALTURA MDIA (EM METROS) DE PLANTAS DE ESPCIES DE
EUCALIPTO COM TRS ANOS DE IDADE EM CINCO MUNICPIOS
DO ESTADO DE SO PAULO. PIRACICABA-SP, 1982
Espcies Mdias (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 mdias de espcies com a mesma letra no diferem entre si pelo teste de
Tukey no nvel de 5% de probabilidade.
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
tem-se:
A espcie E. citriodora apresentou a menor altura mdia de plantas
com trs anos de idade.
As espcies E. alba e E. tereticornes no diferem estatisticamente
entre si e apresentaram as maiores alturas mdias de plantas com trs anos de
idade, e podero ser recomendadas para os cinco municpios do Estado de So
Paulo onde as mesmas foram avaliadas.
A espcie E. saligna apresentou uma altura mdia de plantas
intermediria entre todas as espcies avaliadas.
12.3 Exemplo com Interao Significativa
Apresentar-se-, agora, para discusso, a anlise da varincia conjunta
e a interpretao dos resultados de um grupo de experimentos com interao
significativa.
Exemplo 2: A partir dos dados das TABELAS 12.5 e 12.6, pede-se:
400
a) Fazer a anlise da varincia conjunta;
b) Obter os coeficientes de variao das anlises da varincia
individuais;
c) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de prognies e de locais;
d) Se a interao prognies x locais for significativa, fazer o
desdobramento do nmero de graus de liberdade de prognies mais o da
interao prognies x locais;
e) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de prognies dentro de locais.
TABELA 12.5 - VALORES E SIGNIFICNCIAS DOS QUADRADOS MDIOS DAS
ANLISES DA VARINCIA DAS ALTURAS (EM METROS) DE
PLANTAS DAS PROGNIES DE Eucaliptus grandis COM SETE ANOS
DE IDADE

QM 1/
Causa de GL _________________________________________________
Variao A B C
Prognies 5 10,7007 ns 10,4324 ns 21,2114 * *
Resduo 15 3,7831 3,7560 1,4354
FONTE: BARBIN (1982).
NOTAS: (1/) A - Araraquara; B - Bento Quirino; C - Mogi-Guau.
(ns) No significativo no nvel de 5% de probabilidade pelo teste F.
(**) Significativo no nvel de 1% de probabilidade pelo teste F.
TABELA 12.6 - TOTAIS DAS ALTURAS (EM METROS) DE PLANTAS DAS PROGNIES
DE Eucaliptus grandis COM SETE ANOS DE IDADE DOS ENSAIOS
REALIZADOS EM SO PAULO NO DELINEAMENTO EM BLOCOS
CASUALIZADOS COM SEIS TRATAMENTOS (PROGNIES) E QUATRO
REPETIES

Totais 1/
Prognies _____________________________________
A B C
1 Pretria* 82,5 39,1 89,0
2 637** 76,2 48,1 85,5
3 2093** 92,1 56,0 85,0
4 2094** 90,0 51,9 96,7
5 9559*** 87,8 56,5 108,1
6 9575*** 78,0 47,9 85,4
FONTE: BARBIN (1982).
NOTAS: (1/) A - Araraquara; B - Bento Quirino; C - Mogi-Guau.
(*) Procedente da frica do Sul.
(**) Procedente de Rio Claro-SP.
(***) Procedente da Austrlia.
401
Resoluo:
a) Anlise de varincia conjunta:
> QM Resduo = 3,7831
< QM Resduo = 1,4354
R =
4354 , 1
7831 , 3
Re
Re
=
<
>
sduo QM
sduo QM
~ 2,64
Verifica-se que a relao entre o maior e o menor QM Resduos das
anlises individuais de aproximadamente 2,64. Logo, os trs experimentos
podero ser reunidos numa nica anlise conjunta, sem restries.
Tabela de Dupla Entrada
Prognies
Locais
Totais de
Prognies
A

B

C
1 - Pretria
2 - 637
3 - 2093
4 - 2094
5 - 9559
6 - 9575
82,5
(4)
39,1 89,0
76,2 48,1 85,5
92,1 56,0 85,0
90,0 51,9 96,7
87,8 56,5 108,1
78,0 47,9 85,4
210,6
(12)
209,8
233,1
238,6
252,4
211,3
Totais de Locais 506,6
(24)
299,5 549,7 1.355,8
t = 6
l = 3
r = 4
GL Prognies = t 1 = 6 1 = 5
GL Locais = 1 1 = 3 1 = 2
GL Interao = (P x L) = (t 1) (l 1)
402
= (6 1) (3 1) = (5) (2) = 10
GL Resduo Mdio = N' = 15 . 3 = 45
SQ Prognies =
( )
N

T
2 2
.
A A
T
l r

=
( )
72
8 , 355 . 1
3 . 4
) 3 , 63 ( ) 3 , 211 ( ) 8 , 209 ( ) 6 , 210 (
2 2 2 2 2

+ + +

=
72
6 , 193 . 838 . 1
12
42 , 987 . 307

= 25.665,618 25.530,467 = 135,151
SQ Locais =
( )
N

T
2 2
.
L L
T
t r

=
( )
72
8 , 355 . 1
6 . 4
) 7 , 549 ( ) 5 , 299 ( ) 6 , 506 (
2 2 2 2

+ +

=
72
6 , 193 . 838 . 1
24
9 , 513 . 648

= 27.021,413 25.530,467 = 1.490,946
SQ Interao (P x L) =
( ) ( )
N

A T
2 2
AL
T
r
L

(SQ Prognies + SQ Locais)
=
( )
72
8 , 355 . 1
4
) 4 , 85 ( ... ) 1 , 39 ( ) 5 , 82 (
2 2 2 2

+ + +

(135,151 + 1.490,946)
=
72
6 , 193 . 838 . 1
4
54 , 932 . 108
1.626,097
403
= 2.733,135 25.530,467 1.626,097 = 76,571
QM Prognies =
5
151 , 135
Pr
Pr
=
ognies GL
ognies SQ
= 27,0302
QM Locais =
2
946 , 490 . 1
=
Locais GL
Locais SQ
= 745,473
QM Interao (P x L) =
( )
( ) 10
571 , 76
=
L x P Interao GL
L x P Interao SQ
= 7,6571
QM Resduo Mdio
=
l
L sduo QM L sduo QM L sduo QM
C B A
) ( Re ) ( Re ) ( Re + +

=
3
9745 , 8
3
4354 , 1 7560 , 3 7831 , 3
=
+ +
= 2,9915
F Calculado para Prognies
=
6571 , 7
0302 , 27
) (
Pr
=
L x P Interao QM
ognies QM
~ 3,53
F Calculado para Locais
=
6571 , 7
473 , 745
) (
=
L x P Interao QM
Locais QM
~ 97,36
F Calculado para Interao (P x L)
=
9915 , 2
6571 , 7
Re
) (
=
Mdio sduo QM
L x P Interao QM
~ 2,56
F Tabelado (1%) para Prognies = 5,64
F Tabelado (5%) para Prognies = 3,33
F Tabelado (1%) para Locais = 7,56
404
F Tabelado (5%) para Locais = 4,10
F Tabelado (1%) para Interao (P x L) ~ 2,7575
F Tabelado (5%) para Interao (P x L) = 2,0575
TABELA 12.7 - ANLISE DA VARINCIA CONJUNTA DAS ALTURAS (EM
METROS) DE PLANTAS DE PROGNIES DE Eucaliptus grandis
COM SETE ANOS DE IDADE. PIRACICABA-SP, 1982
Causa de Variao GL SQ QM F
Espcies (E) 5 135,151 27,0302 3,53 *
Locais (L) 2 1.490,946 745,4730 97,36 **
Interao (P x L) 10 76,571 7,6571 2,56 *
Resduo Mdio 45 - 2,9915
(*) Significativo no nvel de 5% de probabilidade.
(**) Significativo no nvel de 1% de probabilidade.
De acordo com o teste F, tem-se:
Houve diferena significativa, no nvel de 5% de probabilidade, entre
as prognies de Eucaliptus grandis em relao altura de plantas com sete
anos de idade.
Houve diferena significativa, no nvel de 1% de probabilidade, entre
os locais em relao altura de plantas de Eucaliptus grandis com sete anos
de idade.
Houve diferena significativa, no nvel de 5% de probabilidade, para a
interao (P x L), indicando que a altura das prognies de Eucaliptus grandis
com sete anos de idade depende dos locais onde as mesmas foram cultivadas.
b) Coeficiente de Variao:
Para Araraquara - SP:
24
6 , 506
) (
= =

N
X
m

~ 21,1083
7831 , 3 Re = = sduo QM s = 1,9450193
CV =
1083 , 21
9450193 , 1 . 100 . 100
=
m
s

~ 9,21%
405
O coeficiente de variao em Araraquara - SP foi de 9,21%, indicando
uma tima preciso experimental.
Para Bento Quirino - SP:
24
5 , 299
) (
= =

N
X
m

~ 12,4792
7560 , 3 Re = = sduo QM s = 1,9380402
CV =
4792 , 12
9380402 , 1 . 100 . 100
=
m
s

~ 15,53%
O coeficiente de variao em Bento Quirino - SP foi de 15,53%,
indicando uma preciso experimental regular.
Para Mogi-Guau - SP:
24
7 , 549
) (
= =

N
X
m

~ 22,9042
4354 , 1 Re = = sduo QM s = 1,1980818
CV =
9042 , 22
1980818 , 1 . 100 . 100
=
m
s

~ 5,23%
O coeficiente de variao em Mogi-Guau foi de 5,23%, indicando
uma tima preciso experimental.
c) Teste de Tukey:
Prognies:
m
1
= 17,550 m
4
~ 19,883
m
2
~ 17,483 m
5
~ 21,033
m
3
= 19,425 m
6
= 17,608
A (5%) = q
r
L) x P Interao( QM

406
= 4,91
12
6571 , 7

= 4,91 66 0,63809166 ~ 3,922

Locais:
m
A
~ 21,108 m
C
~ 22,904
m
B
~ 12,479
A (5%) = q
r
L) x P Interao( QM

= 3,88
24
7,6571

= 3,88 3 0,31045833 ~ 2,192
Agora, pode-se estruturar uma tabela ilustrativa nica contendo as
comparaes entre mdias de prognies e entre mdias de locais, conforme se
verifica a seguir:
TABELA 12.8 - MDIAS DE ALTURAS (EM METROS) DE PLANTAS DE
PROGNIES DE Eucaliptus grandis COM SETE ANOS DE IDADE
EM TRS MUNICPIOS DO ESTADO DE SO PAULO.
PIRACICABA-SP, 1982
Prognies
Locais
Mdias de
Prognies
1/
Araraquara Bento Quirino Mogi-Guau
1 - Pretria
2 - 637
3 - 2093
4 - 2094
5 - 9559
6 9575
20,625 9,775 22,250
19,050 12,025 21,375
23,025 14,000 21,250
22,500 12,975 24,175
21,950 14,125 27,025
19,500 11,975 21,350
17,550
a
17,483
a
19,425
a
19,883
a
21,033
a
17,608
a
Mdias de Locais
2/
21,108
b
12,479
a
22,904
b
NOTAS: (1/) As mdias de prognies com a mesma letra no diferem entre si pelo teste de Tukey no
nvel de 5% de probabilidade.
(2/) As mdias de locais com a mesma letra no diferem entre si pelo teste de Tukey no nvel de 5%
de probabilidade.
407
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
tem-se:
1 - Com relao s prognies de Eucaliptus grandis:
A prognie 9559, procedente da Austrlia, apresentou a maior altura
de plantas com sete anos de idade, apesar de no diferir estatisticamente das
demais prognies de Eucaliptus grandis.
2 - Com relao aos locais do Estado de So Paulo:
Os locais Araraquara e Mogi-Guau no diferiram estatisticamente
entre si, e proporcionaram as maiores alturas de plantas de Eucaliptus grandis
com sete anos de idade.
O local Bento Quirino proporcionou a menor altura de plantas de
Eucaliptus grandis, e diferiu estatisticamente dos demais locais.
d) Desdobramento do Nmero de Graus de Liberdade de Prognies
Mais o da Interao Prognies x Locais:
SQ Prognies dentro do local A =
( )
t r r
L de dentro
L
.
2
2
1 1
T

T
A

=
( )
6 . 4
6 , 506
4
) 0 , 78 ( ... ) 2 , 76 ( ) 5 , 82 (
2 2 2 2

+ + +

=
24
56 , 643 . 256
4
94 , 987 . 42

= 10.746,985 10.693,482 = 53,503
SQ Prognies dentro do local B =
( )
t r r
L de dentro
L
.
2
2
2 2
T

T
A

=
( )
6 . 4
5 , 299
4
) 9 , 47 ( ... ) 1 , 48 ( ) 1 , 39 (
2 2 2 2

+ + +

=
24
25 , 700 . 89
4
69 , 158 . 15

= 3.789,6725 3.737,5104 = 52,1621
408
SQ Prognies dentro do local C =
( )
t r r
L de dentro
L
.
2
2
3 3
T

T
A

=
( )
6 . 4
7 , 549
4
) 4 , 85 ( ... ) 5 , 85 ( ) 0 , 89 (
2 2 2 2

+ + +

=
24
09 , 170 . 302
4
91 , 785 . 50

= 12.696,478 12.590,42 = 106,058
QM Prognies dentro do local A =
1
Pr
t
A local do dentro ognies SQ

=
5
503 , 53
1 6
503 , 53
=

= 10,7006
QM Prognies dentro do local B =
1
Pr
t
B local do dentro ognies SQ
=
5
1621 , 52
1 6
1621 , 52
=

= 10,43242
QM Prognies dentro do local C =
1
Pr
t
C local do dentro ognies SQ

=
5
058 , 106
1 6
058 , 106
=

= 21,2116
F Calculado para prognies dentro do local A

=
9915 , 2
7006 , 10
Re
Pr
=
Mdio sduo QM
A local do dentro ognies QM
~ 3,58
F Calculado para prognies dentro do local B

=
9915 , 2
43242 , 10
Re
Pr
=
Mdio sduo QM
B local do dentro ognies QM
~ 3,49
409
F Calculado para prognies dentro do local C

=
9915 , 2
2116 , 21
Re
Pr
=
Mdio sduo QM
C local do dentro ognies QM
~ 7,09
F Tabelado (1%) para Prognies dentro dos locais = 3,4675
F Tabelado (5%) para Prognies dentro dos locais = 2,43
A TABELA 12.7, agora, fica da seguinte maneira:
TABELA 12.7 - ANALISE DA VARINCIA CONJUNTA DAS ALTURAS (EM
METROS) DE PLANTAS DE PROGNIES DE Eucaliptus grandis COM
SETE ANOS DE IDADE. PIRACICABA-SP,1982
Causa de Variao GL SQ QM F
Locais (L) 2 1.490,9460 745,47300 97,36 * *
Prognies dentro do local Araraquara 5 53,5030 10,70060 3,58 * *
Prognies dentro do local Bento Quirino 5 52,1621 10,43242 3,49 * *
Prognies dentro do local Mogi-Guau 5 106,0580 21,21160 7,09 * *
Resduo Mdio 45 - 2,99150
NOTA: (**) Significativo no nvel de 1% de probabilidade.
De acordo com o teste F, tem-se:
Houve diferena significativa, no nvel de 1% de probabilidade, entre
os locais em relao altura de plantas de Eucaliptus grandis com sete anos
de idade.
Houve diferena significativa, no nvel de 1% de probabilidade, entre
as prognies de Eucaliptus grandis dentro dos locais Araraquara, Bento
Quirino e Mogi-Guau em relao altura de plantas com sete anos de idade.
e) Teste de Tukey:
Prognies dentro do local Araraquara:
m
1
= 20,625 m
4
= 22,500
m
2
= 19,050 m
5
= 21,950
m
3
= 23,025 m
6
= 19,500
Prognies dentro do local Bento Quirino:
410
m
1
= 9,775 m
4
= 12,975
m
2
= 12,025 m
5
= 14,125
m
3
= 14,000 m
6
= 11,975
Prognies dentro do local Mogi-Guau:
m
1
= 22,250 m
4
= 24,175
m
2
= 21,375 m
5
= 27,025
m
3
= 21,250 m
6
= 21,350
A (5%) = q
r
Mdio Resduo QM

= 4,2125
4
2,9915

= 4,2125 0,747875
= 4,2125 0,86479 = 3,643
A TABELA 12.8, agora, fica da seguinte maneira:
TABELA 12.8 MDIAS DE ALTURAS (EM METROS) DE PLANTAS DE PROGNIES
DE Eucaliptus grandis COM SETE ANOS DE IDADE EM TRS
MUNICPIOS DO ESTADO DE SO PAULO. PIRACICABA-SP, 1982
Prognies
Locais
Mdias de
Prognies
Araraquara
2/
Bento Quirino Mogi-Guau
1 - Pretria
2 - 637
3 - 2093
4 - 2094
5 - 9559
6 9575
20,625
ab
9,775
a
22,250
a
19,050
a
12,025
ab
21,375
a
23,025
b
14,000
b
21,250
a
22,500
ab
12,975
ab
24,175
ab
21,950
ab
14,125
b
27,025
b
19,500
ab
11,975
ab
21,350
a
17,550
17,483
19,425
19,883
21,033
17,608
Mdias de Locais
1/
21,108
b
12,479
a
22,904
b
NOTAS: (1/) As mdias de locais com a mesma letra no diferem entre si pelo teste de Tukey no nvel
de 5% de probabilidade.
(2/) Nas colunas, as mdias de prognies dentro de locais seguidas de pelo menos uma mesma
letra no diferem entre si pelo teste de Tukey no nvel de 5% de probabilidade.
411
De acordo com o teste de Tukey, no nvel de 5% de probabilidade,
tem-se:
1 Com relao aos locais do Estado de So Paulo:
Os locais Araraquara e Mogi-Guau no diferiram estatisticamente
entre si, e proporcionaram as maiores alturas de plantas de Eucaliptus grandis
com sete anos de idade.
O local Bento Quirino proporcionou a menor altura de plantas de
Eucaliptus grandis com sete anos de idade, e diferiu estatisticamente dos
demais locais.
2 Com relao as prognies dentro dos locais:
Em Araraquara, a prognie 2093 de Eucaliptus grandis apresentou a
maior altura de plantas com sete anos de idade, e diferiu estatisticamente da
prognie 637, que apresentou a menor altura de plantas. Neste mesmo local, as
prognies Pretria, 2094, 9559 e 9575 de Eucaliptus grandis apresentaram
uma altura de plantas intermediria entre as prognies 2093 e 637.
Em Bento Quirino, as prognies 9559 e 2093 de Eucaliptus grandis
apresentaram as maiores alturas de plantas com sete anos de idade, e diferiram
estatisticamente da prognie Pretria, que apresentou a menor altura de
plantas. Neste mesmo local, as prognies 637, 2094 e 9575 de Eucaliptus
grandis apresentaram uma altura de plantas intermediria entre as prognies
9559 e 2093, e Pretria.
Em Mogi-Guau, a prognie 9559 de Eucaliptus grandis apresentou a
maior altura de plantas com sete anos de idade, apesar de no diferir
estatisticamente da prognie 2094, que apresentou uma altura de plantas
intermediria entre as prognies avaliadas. Neste mesmo local, as prognies
Pretria, 637, 2093 e 9575 de Eucaliptus grandis apresentaram as menores
alturas de plantas com sete anos de idade, e diferiram estatisticamente da
prognie 9559.
12.4 Exerccios
a) A partir dos dados das TABELAS 12.9 e 12.10, pede-se:
a.1) Fazer a anlise da varincia conjunta;
a.2) Obter os coeficientes de variao das anlises da varincia
individuais;
a.3) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de adubao e de locais;
a.4) Se a interao adubao x locais for significativa, fazer o
desdobramento do nmero de graus de liberdade de adubao mais o da
interao adubao x locais;
412
a.5) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de adubao dentro de locais.
TABELA 12.9 VALORES E SIGNIFICNCIAS DOS QUADRADOS MDIOS DAS
ANLISES DA VARINCIA DE ADUBAO DE PLANTAS DE
ALGODOEIRO, CUJO PARMETRO FOI A PRODUO
(kg/parcela) EM CINCO LOCAIS (A, B, C, D, E)

QM
Causa de ____________________________________________________
Variao GL A B C D E
Adubao 4 1,2730
**
7,8940
**
2,1880
*
17,6350
**
1,3457
**

Resduo 15 0,2700 0,6580 0,6830 0,6180 0,0115

FONTE: GOMES (1985).
NOTAS: (*) Significativo no nvel de 5% de probabilidade pelo teste F.
(**) Significativo no nvel de 1% de probabilidade pelo teste F.
TABELA 12.10 TOTAIS DE PRODUO (kg/parcela) DOS ENSAIOS DE
ADUBAO DE PLANTAS DE ALGODOEIRO CONDUZIDOS
EM CINCO LOCAIS (A, B, C, D, E) NO DELINEAMENTO
INTEIRAMENTE CASUALIZADO COM CINCO
TRATAMENTOS (ADUBAO) E QUATRO REPETIES

Totais
Tratamentos ________________________________________________________
(Adubao) A B C D E
N
1
PK
1
14,6 45,0 27,5 33,4 6,88
N
1
PK
2
11,8 39,0 32,0 30,0 9,85
N
2
PK
1
12,8 42,0 26,5 33,2 10,70
N
2
PK
2
11,8 42,5 33,5 31,0 11,41
Testemunha 8,4 30,5 30,5 13,4 6,24
FONTE: GOMES (1985).
413
13
EXPERIMENTOS EM BLOCOS
CASUALIZADOS COM ALGUNS
TRATAMENTOS COMUNS
Na pesquisa agropecuria, no muito raro ocorre de ter-se um grande
nmero de tratamentos a serem avaliados, quando, por exemplo, tem-se
interesse em estudar o comportamento de cultivares numa determinada regio
e, principalmente, quando avaliam-se prognies, clones e/ou linhagens durante
a conduo de um programa de melhoramento. Se fosse utilizado o
delineamento em blocos casualizados tradicional, com todos os tratamentos,
isto acarretaria um tamanho excessivo de cada bloco, o que comprometeria a
aplicao do princpio do controle local.
Dentre as alternativas para se contornar o problema, destaca-se a
anlise de experimentos em blocos casualizados com alguns tratamentos
comuns, cujo procedimento, em sntese, o seguinte:
a) Os tratamentos so subdivididos em grupos;
b) Cada grupo de tratamentos constituir um experimento em blocos
casualizados;
c) So tomados alguns tratamentos que integraro todos os grupos.
So os chamados tratamentos comuns; os demais tratamentos so
denominados regulares;
d) Procede-se anlise de varincia da maneira usual,
independentemente para cada experimento;
e) Tendo como elo de ligao os tratamentos comuns, feita a anlise
conjunta de todos os experimentos.
13.1 Esquema da Anlise da Varincia Conjunta
A anlise conjunta destes experimentos relativamente fcil, e
corresponde ao uso de um delineamento em blocos incompletos, de grande
flexibilidade e eficincia, muito mais simples, robusto (os delineamentos que
sejam pouco afetados por perdas de parcelas, de tratamentos ou de blocos) e
414
conveniente do que os reticulados quadrados e cbicos, mais antigos, usados
para fins similares e que devem ser abandonados.
A anlise conjunta, por sua vez, teria o seguinte esquema:
Quadro da ANAVA Conjunta
Causa de Variao GL SQ QM F
Experimentos e 1 SQ Experimentos - -
Blocos dentro de SQ Blocos dentro de
Experimentos e (r 1) Experimento - -
Trat. (ajustados) e . tr + tc 1 SQ Trat. (ajustados) QM Trat.(ajustados) QM Trat.(ajustado)/QM Resduo
Int. Trat. Comuns x SQ Int. Trat. Comuns x QM Int. Trat. Comuns x QM Int. Trat. Comuns x
Experimentos (tc - 1) (e - 1) Experimentos Experimentos Experimentos/QM Resduo
Resduo e (r 1) (tr + tc 1) SQ Resduo QM Resduo
Total (tr + tc) e . r 1 SQ Total
onde :
GL = nmero de graus de liberdade;
SQ = soma de quadrados;
QM = quadrado mdio;
F = valor calculado do teste F;
e = nmero de experimentos;
r = nmero de repeties do experimento;
tr = nmero de tratamentos regulares por experimento;
tc = nmero de tratamentos comuns por experimento;
SQ Total =
( )
N

2
2
X
X
onde:
X = valor de cada observao;
N = nmero de observaes, que corresponde ao nmero de tratamentos
regulares (tr) mais o nmero de tratamentos comuns (tc) multiplicado
pelo nmero de repeties do experimento (r) multiplicado pelo nmero
de experimentos (e);
SQ Experimentos =
( )
N

2 2
) (
X
tr tc r
E
onde:
E = total de cada experimento (inclui os tratamentos comuns e regulares);
SQ Blocos dentro de Experimentos
= SQ Blocos (E
1
) + SQ Blocos (E
2
) +...+ SQ Blocos (E
N
)
415
onde:
SQ Bloco (E) = soma de quadrados de blocos do experimento respectivo, ou
seja,
SQ Blocos (E) =
( )
r tc tr
X
tc tr
B
) (
2 2
+


onde:
B = total de cada bloco do experimento respectivo;
SQ Resduo
= SQ Resduo (E
1
) + SQ Resduo (E
2
) +... + SQ Resduo (E
N
)
onde:
SQ Resduo (E) = soma de quadrados do resduo do experimento respectivo.
Resta, agora, obter as outras somas de quadrados, o que se consegue
atravs da tabela de dupla entrada a seguir:
Tabela de Dupla Entrada
Tratamentos Comuns 1 Experimento 2 Experimento 3 Experimento Totais de Tratamentos
(E
1
) (E
2
) (E
3
) Comuns

C
1
TC
1
E
1
(r)
TC
1
E
2
TC
1
E
3
TC
1
(e . r)
C
2
TC
2
E
1
TC
2
E
2
TC
2
E
3
TC
2
C
3
TC
3
E
1
TC
3
E
2
TC
3
E
3
TC
3
Totais de Experimentos TE
1
(tc . r)
TE
2
TE
3
TG
(tc . e . r)
SQ Tratamentos Comuns =
( )
r e tc
TG
r e
TC
. . .
2 2

onde:
TC = total de cada tratamento comum;
TG = total geral;
SQ Experimentos =
( )
r e tc
TG
r tc
TE
. . .
2 2

416
onde:
TE = total de cada experimento, incluindo apenas os tratamentos comuns;
SQ Interao (Tratamentos Comuns x Experimentos)
=
( )
r e tc
TG
r
TCE
. .
2 2

(SQ Tratamentos Comuns + SQ Experimentos)


onde:
TCE = total de cada combinao (CE) entre tratamentos comuns e
experimentos;
SQ Tratamentos (ajustados) = SQ Total
[SQ Experimentos + SQ Blocos dentro de Experimentos +
SQ Interao (Tratamentos Comuns x Experimentos) + SQ Resduo]
QM Resduo = ;
Re
Re
sduo GL
sduo SQ
QM Interao (Tratamentos Comuns x Experimentos)
=
) ' (
) ' (
os Experiment x Comuns s Tratamento Interao GL
os Experiment x Comuns s Tratamento Interao SQ

QM Tratamentos (ajustados)
=
) (
) (
ajustados s Tratamento GL
ajustados s Tratamento SQ
As comparaes entre tratamentos seguem as regras seguintes:
a) Contraste entre dois tratamentos regulares do mesmo experimento:
s
2
(
Y

) =
r
2
s
2
417
b) Contraste entre dois tratamentos regulares de experimentos
diferentes:
s
2
(
Y

) =
r
2
|
.
|

\
|
+
tc
1
1 s
2

c) Contraste entre dois tratamentos comuns:
s
2
(
Y

) =
r e .
2
s
2
d) Contraste entre um tratamento regular e um comum:
s
2
(
Y

) =
r
1
|
.
|

\
|
+ +
e tc e tc .
1 1 1
1 s
2

As estimativas das mdias de tratamentos se obtm da seguinte
maneira:
a) Para os tratamentos comuns: mdia aritmtica dos dados
respectivos, sem nenhum ajuste;
b) Para o tratamentos regulares: mdia aritmtica dos dados
respectivos menos uma correo K,
onde:
K = mdia dos tratamentos comuns no experimento respectivo menos a mdia
geral dos tratamentos comuns.
Algumas observaes:
a) Quando se tem apenas um tratamento comum, no h possibilidade
de estimar-se a interao (Tratamentos Comuns x Experimentos);
b) conveniente ter-se pelo menos dois tratamentos comuns, pois no
caso de se ter um tratamento comum e ocorrer a sua perda, no h
possibilidade de se efetuar a anlise conjunta;
c) Os experimentos podero apresentar nmero de tratamentos
regulares diferentes, sem dificultar a anlise da varincia conjunta. Contudo,
conveniente que esse nmero no seja excessivamente discrepante para que
todos os blocos tenham tamanhos similares;
d) A perda de blocos traz alguma dificuldade, mas existe mtodo
apropriado para este caso (ver GOMES, 1985);
418
e) A perda de parcelas, que no implique a perda total de um
tratamento ou bloco, resolve-se facilmente; basta aplicar no experimento
respectivo o mtodo relativo aos blocos casualizados (Captulo 6);
f) Quando a Interao Tratamentos Comuns x Experimentos for no
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 regulares. Tal fato dever ocorrer quando todos os
experimentos so conduzidos lado a lado, numa mesma rea, ou em condies
mais ou menos semelhantes, embora em localidades distintas;
g) Quando a Interao 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 dever ocorrer quando os experimentos forem conduzidos
em condies ecolgicas diferentes. Neste caso, a situao se torna um tanto
complexa, mas um procedimento indicado ser, sem dvida, o de tornar para
resduo o quadrado mdio da Interao Tratamentos Comuns x Experimentos
para a comparao de tratamentos regulares de experimentos diferentes.
13.2 Exemplo de Experimentos em Blocos Casualizados com Alguns
Tratamentos Comuns
A fim de apresentar-se a anlise da varincia conjunta e a
interpretao dos resultados, ser discutido, a seguir, um exemplo de
experimentos em blocos casualizados com alguns tratamentos comuns.
Exemplo 1: A partir dos dados das TABELAS 13.1 e 13.2, pede-se:
a) Fazer a anlise da varincia conjunta;
b) Obter os coeficientes de variao das anlises da varincia
individuais;
c) Aplicar, se necessrio, o teste de Tukey a 5% de probabilidade na
comparao de mdias de variedades.
419
TABELA 13.1 DADOS DE PRODUO (t/ha) DE VARIEDADES DE CANA-DE-ACAR
Ensaio 1 Ensaio 2
Variedades B
1
B
2
Totais de
Variedades

Variedades B
1
B
2
Totais de
Variedades
V
1
157,3 139,9 297,2
V
2
132,1 134,6 266,7
V
3
135,9

128,7 264,6
V
4
111,8 115,4 227,2
V
5
122,7 118,3 241,0
V
6
135,5 132,5 268,0
V
7
123,0 128,5 251,5
V
8
152,0 138,6 290,6
V
9
83,4 95,8 179,6
V
10
111,2 120,7 231,9
V
1
141,0 145,7 286,7
V
2
109,6 124,8 234,4
V
11
118,2

123,0 241,2
V
1 2
86,0 89,4 175,6
V
1 3
123,6 118,6 242,2
V
14
151,4 146,2 297,6
V
15
95,0 108,3 203,3
V
16
131,6 126,2 257,8
V
17
120,2 135,1 255,3
V
18
142,5 139,8 282,3
Totais de
Blocos 1.264,9 1.253,0 2.517,9
Totais de
Blocos 1.219,3 1.257,1 2.476,4

Ensaio 3

Ensaio 4
Variedades B
1
B
2
Totais de
Variedades
Variedades B
1
B
2
Totais de
Variedades

V
1
140,7 145,9 286,6
V
2
119,8 125,3 245,1
V
19
120,4

113,2 233,6
V
20
130,7 118,9 249,6
V
21
113,7 122,0 235,7
V
22
112,3 132,5 244,8
V
23
129,8 123,4 253,2
V
24
104,6 113,7 218,3
\V
25
123,4 133,2 256,6
V
26
121,8 122,2 244,0
V
1
134,9 136,0 270,9
V
2
129,6 114,6 244,2
V
27
131,6

130,4 262,0
V
28
117,8 123,7 241,5
V
29
117,6 122,3 239,9
V
30
103,9 109,8 213,7
V
31
115,9 114,6 230,5
V
32
108,4 103,4 211,8
V
33
106,1 111,8 217,9
V
34
145,2 140,7 285,9
Totais de
Blocos 1.217,2 1.250,3 2.467,5
Totais de
Blocos 1.211,0 1.207,3 2.418,3
FONTE: CAMPOS (1984).
420
TABELA 13.2 VALORES E SIGNIFICNCIA DOS QUADRADOS MDIOS DAS
ANLISES DA VARINCIA DAS PRODUES (t/ha) DE
VARIEDADES DE CANA-DE-ACAR

QM 1/
Causa de ____________________________________________________
Variao GL Ensaio 1 Ensaio 2 Ensaio 3 Ensaio 4
Blocos 1 - - - -
Variedades 9 589,09 * * 710,39 * * 158,52 * 310,98 * *
Resduo 9 46,77 35,06 46,43 22,08
CAMPOS, 1984.
NOTAS: (*) Significativo no nvel de 5% de probabilidade pelo teste F.
(**) Significativo no nvel de 1% de probabilidade pelo teste F.
Resoluo:
a) Anlise de Varincia Conjunta:
> QM Resduo = 46,77
< QM Resduo = 22,08
R =
08 , 22
77 , 46
Re
Re
=
<
>
sduo QM
sduo QM
~ 2,12
Verifica-se que a relao entre o maior e o menor QM Resduos das
anlises individuais de aproximadamente 2,12. Logo, os quatro ensaios
podero ser reunidos numa nica anlise conjunta, sem restries.
Procede-se anlise conjunta, conforme se segue:
e = 4
r = 2
tr = 8
tc = 2
N = (tr + tc) e . r = (8 + 2) 4 . 2 = (10) 8 = 80
GL Experimentos = e 1 = 4 1 = 3
421
GL Blocos dentro de Experimentos = e (r 1)
= 4 (2 1) = 4 (1) = 4
GL Variedades (ajustados) = e . tr + tc 1
= 4 . 8 + 2 1 = 32 + 2 1 = 33
GL Interao Tratamentos Comuns x Experimentos = (tc 1) (e 1)
= (2 1) (4 1) = (1) (3) = 3
GL Resduo = e (r 1) (tr + tc 1)
= 4 (2 1) (8 + 2 1) = 4 (1) (9) = 36
GL Total = (tr + tc) e . r 1
= (8 + 2) 4 . 2 1 = (10) 8 1 = 80 1 = 79
EX = (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
EX
2
= (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
= 1.237.863,13
SQ Total =
( )
80
) 1 , 880 . 9 (
13 , 863 . 237 . 1
2 2
2
=
N

X
X
=
80
0 , 376 . 616 . 97
13 , 863 . 237 . 1
= 1.237.863,13 1.220.204,7 = 17.658,43
422
SQ Experimentos =
( )
N

2 2
) (
X
tr tc r
E

=
( )
80
1 , 880 . 9
) 8 2 ( 2
) 3 , 418 . 2 ( ) 5 , 467 . 2 ( ) 4 , 476 . 2 ( ) 9 , 517 . 2 (
2 3 2 2 2

+
+ + +

=
( )
80
0 , 376 . 616 . 97
20
0 , 108 . 409 . 24
2

= 1.220.455,4 1.220.204,7 = 250,7

SQ Blocos dentro de Experimentos = SQ Blocos (E
1
) +
SQ Blocos (E
2
) + SQ Blocos (E
3
) + SQ Blocos (E
4
)
=
(

+
+
2 ) 2 8 (
) 9 , 517 . 2 (
2 8
) 0 , 253 . 1 ( ) 9 , 264 . 1 (
2 2 2
+
(

+
+
2 ) 2 8 (
) 4 , 476 . 2 (
2 8
) 1 , 257 . 1 ( ) 3 , 219 . 1 (
2 2 2
+
(

+
+
2 ) 2 8 (
) 5 , 476 . 2 (
2 8
) 3 , 250 . 1 ( ) 2 , 217 . 1 (
2 2 2
+
(

+
+
2 ) 2 8 (
) 3 , 418 . 2 (
2 8
) 3 , 207 . 1 ( ) 0 , 211 . 1 (
2 2 2

=
(


20
4 , 820 . 339 . 6
10
0 , 981 . 169 . 3
+
(


20
0 , 557 . 132 . 6
10
9 , 992 . 066 . 3
+
(


20
3 , 556 . 088 . 6
10
9 , 825 . 044 . 3
+
423
(


20
9 , 174 . 848 . 5
10
3 , 094 . 924 . 2
= [316.998,10 316.991,02] + [306.699,29 306.627,85] +
[304.482,59 304.427,82] + [292.409,43 292.408,75]
= 7,08 + 71,44 + 54,77 + 0,68 = 133,97
SQ Resduo = SQ Resduo (E
1
) + SQ Resduo (E
2
) +
SQ Resduo (E
3
) + SQ Resduo (E
4
)
= [GL Resduo (E
1
) . QM Resduo (E
1
)] +
[GL Resduo (E
2
) . QM Resduo (E
2
)] +
[GL Resduo (E
3
) . QM Resduo (E
3
)] +
[GL Resduo (E
4
) . QM Resduo (E
4
)]
= [9 . 46,77] + [9 . 35,06] + [9 . 46,43] + [9 . 22,08]
= 420,93 + 315,54 + 417,87 + 198,72 = 1.353,06
Tabela de Dupla Entrada
Tratamentos
Comuns

Experimentos
Totais de
Tratamentos Comuns

E
1
E
2
E
3
E
4
V
1
V
2
297,2
(2)
286,7 286,6 270,9
266,7 234,4 245,1 244,2
1.141,4
(8)
990,4
Totais de
Experimentos
563,9
(4)
521,1 531,7 515,1 2.131,8
SQ Tratamentos Comuns =
( )
r e tc
TG
r e
TC
. . .
2 2


424
=
( )
2 . 4 . 2
8 , 131 . 2
2 . 4
) 4 , 990 ( ) 4 , 141 . 1 (
2 2 2

+

=
16
2 , 571 . 544 . 4
8
1 , 686 . 283 . 2

= 285.460,76 284.035,7 = 1.425,06
SQ Experimentos =
( )
r e tc
TG
r tc
TE
. . .
2 2


=
( )
2 . 4 . 2
8 , 131 . 2
2 . 2
) 1 , 515 ( ) 7 , 531 ( ) 1 , 521 ( ) 9 , 563 (
2 2 2 2 2

+ + +

=
16
2 , 571 . 544 . 4
4
3 , 561 . 137 . 1

= 284.390,33 284.035,7 = 354,63


SQ Interao (Tratamentos Comuns x Experimentos)
=
( )
r e tc
TG
r
TCE
. .
2 2


(SQ Tratamentos Comuns + SQ Experimentos)
=
( )
2 . 4 . 2
8 , 131 . 2
2
) 2 , 244 ( ... ) 7 , 286 ( ) 2 , 297 (
2 2 2 2

+ + +

(1.425,06 + 354,63) =
16
2 , 571 . 544 . 4
2
0 , 831 . 571
(1.779,69)
= 285.915,5 284.035,7 1.779,69 = 100,11
SQ Variedades (ajustadas) = SQ Total
[SQ Experimentos + SQ Blocos dentro de Experimentos +
SQ Interao (Tratamentos Comuns x Experimentos) + SQ Resduo]
425
= 17.658,43 [250,7 + 133,97 + 100,11 + 1.353,06
= 17.658,43 1.837,84 = 15.820,59
QM Variedades (ajustadas) =
33
59 , 820 . 15
) (
) (
=
ajustadas Variedades GL
ajustadas Variedades SQ

= 479,411818
QM Interao (Tratamentos Comuns x Experimentos)
=
3
11 , 100
) ' (
) ' (
=
os Experiment x Comuns s Tratamento Interao GL
os Experiment x Comuns s Tratamento Interao SQ

= 33,37
QM Resduo =
36
06 , 353 . 1
Re
Re
=
sduo GL
sduo SQ

= 37,585
F Calculado para Variedades (ajustadas)
=
585 , 37
411818 , 479
Re
) (
=
sduo QM
ajustadas Variedades QM

~ 12,76
F Calculado para Interao (Tratamentos Comuns x Experimentos)
=
sduo QM
os Experiment x Comuns s Tratamento Interao QM
Re
) ' (

=
37,585
33,37
~ 0,888

F Tabelado (1%) para variedades (ajustadas) = 2,249
426
F Tabelado (5%) para variedades (ajustadas) = 1,765
F Tabelado (1%) para Interao (Tratamentos Comuns x Experimentos)
= 0,024
F Tabelado (5%) para Interao (Tratamentos Comuns x Experimentos)
= 0,071
TABELA 13.3 ANLISE DA VARINCIA CONJUNTA DAS PRODUES (t/ha) DE
VARIEDADES DE CANA-DE-ACAR. PIRACICABA-SP,1984
Causa de Variao GL SQ QM F
Experimentos 3 250,70 - -
Blocos dentro de Experimentos 4 133,97 - -
Variedades (ajustadas) 33 15.820,59 479,411818 12,76 **
Interao (Tratamentos Comuns
X Experimentos) 3 100,11 33,370000 0,888
ns

Resduo 36 1.353,06 37,585000
Total 79 17.658,43
NOTAS: (ns) No significativo no nvel de 5% de probabilidade.
(**) Significativo no nvel de 1% de probabilidade.
De acordo com o teste F, tem-se:
Houve diferena significativa, no nvel de 1% de probabilidade, entre
as variedades de cana-de-acar em relao produo.
No houve diferena significativa, no nvel de 5% de probabilidade,
para a Interao (Tratamentos Comuns x Experimentos), indicando que os
tratamentos comuns se comportaram mais ou menos do mesmo modo em
todos os ensaios em relao produo de cana-de-acar.
b) Coeficiente de Variao:
Para o Ensaio 1:
20
9 , 517 . 2
) (
= =

N
X
m

= 125,895
77 , 46 ) ( Re
1
= = E sduo QM s ~ 6,83886
427
CV =
895 , 125
83886 , 6 . 100 . 100
=
m
s

~ 5,43%
O coeficiente de variao do ensaio 1 foi de 5,43%, indicando uma
tima preciso experimental.
Para o Ensaio 2:
20
4 , 476 . 2
) (
= =

N
X
m

= 123,82
06 , 35 ) ( Re
2
= = E sduo QM s ~ 5,92115
CV =
82 , 123
92115 , 5 . 100 . 100
=
m
s

~ 4,78%
O coeficiente de variao do ensaio 2 foi de 4,78%, indicando uma
tima preciso experimental.
Para o Ensaio 3:
20
5 , 467 . 2
) (
= =

N
X
m

= 123,375
43 , 46 ) ( Re
3
= = E sduo QM s = 6,81396
CV =
375 , 123
81396 , 6 . 100 . 100
=
m
s

~ 5,52%
O coeficiente de variao do ensaio 3 foi de 5,52%, indicando uma
tima preciso experimental.
Para o Ensaio 4:
20
3 , 418 . 2
) (
= =

N
X
m

= 120,915
08 , 22 ) ( Re
4
= = E sduo QM s ~ 4,69894
428
CV =
915 , 120
69894 , 4 . 100 . 100
=
m
s

~ 3,89%
O coeficiente de variao do ensaio 4 foi de 3,89%, indicando uma
tima preciso experimental.
c) Teste de Tukey:
m
1
= 142,7 m
13
= 121,1 m
25
= 128,3
m
2
= 123,8 m
14
= 148,8 m
26
= 122,0
m
3
= 132,3 m
15
= 101,6 m
27
= 131,0
m
4
= 113,6 m
16
= 128,9 m
28
= 120,8
m
5
= 120,5 m
17
= 127,6 m
29
= 120,0
m
6
= 134,0 m
18
= 141,2 m
30
= 106,8
m
7
= 125,8 m
19
= 116,8 m
31
= 115,2
m
8
= 145,3 m
20
= 124,8 m
32
= 105,0
m
9
= 89,6 m
21
= 117,8 m
33
= 109,0
m
10
= 116,0 m
22
= 122,4 m
34
= 143,0
m
11
= 120,6 m
23
= 126,6
m
12
= 87,8 m
24
= 109,2
Os ajustes das mdias dos tratamentos so feitos da seguinte maneira:
As mdias das variedades padres (V
1
e V
2
) no precisam ser
ajustadas;
As mdias das variedades novas (tratamentos regulares) so ajustadas
conforme se segue:
Mdia de variedade nova = mdia aritmtica K
Os ajustes, neste caso, so:
429
Mdia das variedades padres no ensaio 1 = 141,0
Mdia das variedades padres no ensaio 2 = 130,3
Mdia das variedades padres no ensaio 3 = 132,9
Mdia das variedades padres no ensaio 4 = 128,8
Mdia Geral das variedades padres = 133,2
Ento:
K
1
= 141,0 133,2 = 7,8
K
2
= 130,3 133,2 = 2,9
K
3
= 132,9 133,2 = 0,3
K
4
= 128,8 133,2 = 4,4
Assim, tem-se:
m
1
= 142,7 m
13
= 124,0 m
25
= 128,6
m
2
= 123,8 m
14
= 151,7 m
26
= 122,3
m
3
= 124,5 m
15
= 104,5 m
27
= 135,4
m
4
= 105,8 m
16
= 131,8 m
28
= 125,2
m
5
= 112,7 m
17
= 130,5 m
29
= 124,4
m
6
= 126,2 m
18
= 144,1 m
30
= 111,2
m
7
= 118,0 m
19
= 117,1 m
31
= 119,6
m
8
= 137,5 m
20
= 125,1 m
32
= 110,3
m
9
= 81,8 m
21
= 118,1 m
33
= 113,4
m
10
= 108,2 m
22
= 122,7 m
34
= 147,4
430
m
11
= 123,5 m
23
= 126,9
m
12
= 90,7 m
24
= 109,5
A
1
(5%) = q
2
) Y

( s
2

s
2
(
Y

) =
|
.
|

\
|
r
2
s
2

=
2
37,585 . 2
=
2
75,17
= 37,585

A
1
(5%) = 5,856
2
37,585
= 5,856 18,7925 = 5,856 . 4,335017 ~ 25,4

A
2
(5%)

= q
2
) Y

( s
2

s
2
(
Y

) =
r
2
|
.
|

\
|
+
tc
1
1 s
2

=
2
2
|
.
|

\
|
+
2
1
1 37,585
= 1 (1 + 0,5) 37,585
= 1 (1,5) 37,585 = 56,3775
A
2
(5%) = 5,856
2
56,3775
= 5,856 28,18875
= 5,856 . 5,3093079 ~ 31,1
431
A
3
(5%)

= q
2
) Y

( s
2
s
2
(
Y

) =
|
.
|

\
|
r e .
2
s
2

=
2 . 4
37,585 . 2

=
8
75,17
= 9,39625
A
3
(5%) = 5,856
2
9,39625
= 5,856 4,698125
= 5,856 . 2,1675159 ~ 12,7
A
4
(5%)

= q
2
) Y

( s
2
s
2
(
Y

) =
r
1
|
.
|

\
|
+ +
e tc e tc .
1 1 1
1 s
2

=
2
1
|
.
|

\
|
+ +
4 . 2
1
4
1
2
1
1 37,585
=
2
1
|
.
|

\
|
+ +
8
1
4
1
2
1
1 37,585
= 0,5 (1 + 0,5 + 0,25 0,125) 37,585
= 0,5 (1,625) 37,585 = 30,537813
A
4
(5%) = 5,856
2
30,537813
432
= 5,856 15,268907
= 5,856 . 3,9075449 ~ 22,9
O valor de A
1
usado para comparar contrastes entre duas variedades
novas do mesmo experimento; o valor de A
2
usado para comparar contrastes
entre duas variedades novas de experimentos diferentes; o valor de A
3
usado
para comparar o contraste entre as duas variedades padres; e o valor A
4

usado para comparar contrastes entre uma variedade nova e uma padro.
TABELA 13.4 PRODUO MDIA (t/ha) DE VARIEDADES DE CANA-DE-
ACAR. PIRACICABA-SP, 1984
Variedades Mdia (em t / ha) Variedades Mdia (em t / ha)
V
9
81,8
a
V
2
123,8
cdefh
V
12
90,7
b
V
13
124,0
cdfhi
V
15
104,5
abce
V
29
124,4
cdfghij
V
4
105,8
abcd
V
3
124,5
cdfghij
V
10
108,2
bcd
V
20
125,1
cdfghij
V
24
109,5
bcdf
V
28
125,2
cdfghij
V
32
110,3
bcdf
V
6
126,2
cdfghij
V
30
111,2
bcdf
V
23
126,9
cdfghij
V
5
112,7
bcdf
V
25
128,6
cdfghij
V
33
113,4
bcdfh
V
17
130,5
dfghij
V
19
117,1
bcdfi
V
16
131,8
dfghij
V
7
118,0
bcdfhi
V
27
135,4
dfghij
V
21
118,1
bcdfhi
V
8
137,5
fghij
V
31
119,6
bcdfh
V
1
142,7
ghij
V
26
122,3
cdfhij
V
18
144,1
hijl
V
22
122,7
cdfghij
V
34
147,4
ij
V
11
123,5
cdfghi
V
14
151,7
j
NOTA: (1/) As mdias de variedades seguidas de pelo menos uma mesma letra no diferem
entre significativo pelo teste de Tukey ao nvel de 5 % de probabilidade.
De acordo com o