Análise de variância e testes de hipóteses

123
ANLISE DE VARINCIA E
TESTES DE HIPTESES
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.
124
A variao que contribui para o erro experimental pode ser de dois

tipos:
a) Inerente prpria variabilidade do material experimental;
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
t1
SQ1
QM1 = SQ1/
t1
F = QM1/
QM2
Dentro
de
Amostragens
t (r 1)
SQ2 = SQ Total
SQ1
Total
t.r1
SQ Total
QM2 = SQ2/
t (r 1)
*: 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.
125
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.
4.1.1 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 defrontar-se 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.
+ ti + eij,
Para o delineamento inteiramente casualizado, este modelo Xij = m
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
+ ti + bj + eij, onde o valor de qualquer unidade
casualizados : Xij = m
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
+ t(k)ij + lj + cj + eijk,
delineamento em quadrado latino, este modelo : Xijk = m
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
126
todas as parcelas que recebem o mesmo tratamento ocupem posies

adjacentes na rea experimental, visto que as parcelas adjacentes,
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 S2. 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, tem-se 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 =
s 2 mxima
s 2 mnima
onde:
s2 mxima = maior valor das estimativas das varincias entre as amostras;
s2 mnima = menor valor das estimativas das varincias entre as amostras.
O valor calculado de F-mximo confrontado com o valor de Fmximo tabelado, com K = nmero de estimativas das varincias das
diferentes amostras e (N 1) graus de liberdade associados a cada estimativa
127
de varincia, sendo N = nmero de observao de cada amostra (TABELA

A.1).
Logo tem-se:
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, tomase a mdia aritmtica dos mesmos para usar a TABELA A.1.
Exemplo 1: Verificar se as varincias so homogneas pelo teste Fmximo 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
II
III
IV
VI
Totais de Variedades
78
90
90
75
70
88
491
2 AFC - 65/5236
100
65
78
92
85
90
510
3 IAC - 13.1
102
95
102
85
80
98
562
4 IPEANE - SU 01
98
70
85
85
88
80
506
1 ALLEN - 333/57
FONTE: FERREIRA (1977).
As varincias de cada variedade so:
s12
N 1
40.553
4912
6
74,5667
128
510
44.098
s
2
2
N 1
s 32
N 1
s 42
N 1
F-mximo =
149,6000
562
53.062
43.098
84,2667
5062
6
85,0667
s 2 mxima
149,6000/74,5667 2,01
s 2 mnima
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,
tem-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
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.
4.1.2 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 utilizamse transformaes de dados.
129
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: sementes por parcela, perodo de enraizamento de bulhos, insetos por
planta, carrapatos por animal, 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, subtrados de 100,
antes de se fazer a 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 x 0,5 ou x 1 , em lugar de x .
b) Logartmica usada sempre que tem-se 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. Essas
transformaes satisfatria quando os dados se referem contagem de
bactrias, de esporos, de gros de plen, 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.
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).
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
130
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 1/4 N e a proporo 100% para 100
1/4 N , antes de transformar os dados em arco seno x (%) .
Existe uma tabela prpria para esta transformao (TABELA A.2).
4.1.2.1 Escolha da melhor transformao
Em alguns casos fica-se sem saber qual seria a transformao mais
adequada. Quando defrontar-se com tais situaes, tem-se vrias maneiras
para escolher a melhor transformao. Entre as vrias maneiras, uma das mais
simples 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
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.
131
TABELA 4.3 PERODO DE ENRAIZAMENTO (EM DIAS) DE CULTIVARES DE

CEBOLA (Allium cepa L.) DE DIAS CURTOS. PIRACICABA SP
Cultivares
01 BAIA PERFORME
02 BAIA DO CEDO SMP-V
03 BAIS TRIUNFO SMJ-II
04 BARREIRO SMJ-II
05 COJUMATLAN L. 2691
06 CREOLA CATARINENSE
07 EXCEL BEMUDAS 986
08 IPA 2
09 PIRA OURO A/R
10 PIRA TROPICAL A/C
11 TEXAS GRANO
12 WHITE CREOLE
13 BAIA DO CEDO SMJ-III
14 BAIA SETE VOLTAS
15 BARREIRO ROXA SMP-IV
16 BARREIRO SMP-III
17 CIGANINHA
18 CREOLA
19 PIRA COUTO
20 PIRA GRANA
21 PIRA LOPES A/R
22 PIRA PERA A/C
23 PIRA LOPES A/C
24 ROXA CHATA SMP IV
25 TUBARO
II
Totais de Cultivares
48,0
18,4
46,6
14,0
10,6
64,0
31,0
17,0
16,8
15,2
11,4
26,0
24,2
19,4
8,0
22,0
4,6
19,8
16,2
32,6
25,8
19,4
18,6
13,0
19,2
33,4
10,2
42,8
32,0
2,4
44,7
14,8
10,8
26,8
9,8
2,5
18,4
8,4
18,2
14,2
36,2
6,2
28,4
22,2
21,4
5,0
16,0
8,0
5,4
13,2
81,4
28,6
89,4
46,0
13,0
108,7
45,8
27,8
43,6
25,0
13,9
44,4
32,6
37,6
22,2
58,2
10,8
48,2
38,4
54,0
30,8
35,4
26,6
18,4
32,4
Os resultados esto contidos no quadro a seguir:
132
Raiz Quadrada
Logartmica
Cultivares
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
Razo = Amplitude
Mxima/Amplitude
Mnima
Maior
Menor
Amplitude
Maior
Menor
Amplitude
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
2,8433/0,1384 20,54
0,7126/0,0277 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).
4.1.2.2 Coeficiente de variao
transformaes
como
indicativo
para
o uso
de
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
133
transformados, indica que a transformao foi vlida. Em caso contrrio, no

se justifica o seu uso.
Considerando os dados do Exemplo 2, tem-se:
Dados originais
Dados transformados em
CV = 38,26%
x
Dados transformados em log x
CV = 21,35%
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.
4.1.2.3 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.
4.2 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
134
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: H0 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
H1, 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 H0 implica a aceitao da hiptese alternativa H1.
Considerando o exemplo das variedades de sorgo granfero, tem-se:
A= m
B
H0 : m
Am
B
H1 : m
A> m
B
H1 : m
ou
A< m
B
H1 : m
Ao testar-se as hipteses pode-se cometer geralmente dois tipos de

erros, os quais so: rejeitar H0, quando ela verdadeira (erro tipo I); aceitar
H0, quando ela falsa (erro tipo II).
Dos dois tipos de erros o mais importante o do tipo I. Esse tipo de
erro, 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%.
135
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 H0 se esta for verdadeira, mas
tambm, uma grande probabilidade de rejeit-la se ela for falsa. A
probabilidade de rejeitar H0, 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:
H0 Verdadeira
H0 Falsa
Rejeio H0
Erro Tipo I
Deciso Correta
Aceitao H0
Deciso Correta
Erro Tipo II
Na execuo de um teste de hiptese estatstica, para que o mesmo

tenha validade, deve-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.
c) Escolha do teste estatstico Em funo das hipteses que vo ser
testadas, pode-se usar o teste t, F, x2, 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
136
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?
4.2.1 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=
QM T
QM R
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:
Quadro da ANAVA
Causa de Variao
GL
QM
E(QM)
Tratamentos
t1
s 12
s 2 + r. s t2
Resduo
t (r 1)
s 22
s2
Total
t.r1
De onde obtm-se:
s 2 = s 22 que a estimativa da varincia do erro experimental;
s 2 + r . s 2t = s 12
137
s 2t =
s12 s 2
que a estimativa da varincia de tratamentos.
r
Por essa observao v-se o porqu do teste F ser o quociente entre

QMT pelo QMR, ou seja,
F=
s 2 r.s 2t
s2
QM T
= 12 =
QM R
s2
s2
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 n1 = graus de liberdade de tratamentos e n2 = graus de liberdade
do resduo (TABELAS A.3 e A.4).
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
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) H0 : os tratamentos no diferem entre si;
b) H1: pelo menos dois deles diferem entre si.
No teste, sempre se aceita uma hiptese e rejeita-se a outra.
138
Obviamente, se no h efeito de tratamentos, os dois quadrados

mdios estimam a mesma varincia e, consequentemente, qualquer diferena
em ordem de grandeza entre eles ser devido ao acaso.
Exemplo 3: Verificar pelo teste F se existe ou no diferena
significativa entre os tratamentos referentes aos dados da TABELA 4.4.
TABELA 4.4 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
Populaes
Resduos
12
26
1,188133
0,794191
Total
38
1,982327
Coeficiente de Variao: %
QM
0,099011
0,030546
3,24
10,09
FONTE: MELO e FERREIRA (1983).
As tabelas de F com n1 = 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, chegase 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).
139
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 n1 = graus de liberdade de tratamentos e n2 = 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
F calculado > F tabelado (1%) - recorre-se no nvel de 5% de
probabilidade;
F calculado < F tabelado (5%) - * (existe diferena significativa entre
F calculado > F tabelado (5%) - ns (no existe diferena significativa
probabilidade no existe nenhum contraste entre mdias de tratamentos que
difere de zero).
significativa entre os tratamentos referentes aos dados da TABELA 4.5.
140
TABELA 4.5 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 x 0,5 . PIRACICABA, SP
Causa da Variao
GL
SQ
Populaes
Resduos
1
18
0,0092681
0,2794557
Total
19
0,2887238
QM
0,0092681
0,0155253
F
0,597
13,90
FONTE: FERREIRA e MELO (1983).
As tabelas de F com n 1 = 1 e n2 = 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 12 e s 22 ), supostas independentes.
Assim, admitindo-se s 12 , calculada com N1 dados e s 22 , com N2 dados.
Diz-se, ento, que s 12 tem N1 1 graus de liberdade e, analogamente, s 22 tem
N2 1 graus de liberdade.
O F neste caso o quociente entre as duas varincias, ou seja:
F=
s12
s 22
Admite-se sempre s 12 > s 22 , de modo que tem-se F > 1.

O valor de F calculado comparado com o F tabelado, o qual obtido
em funo dos nmeros de graus de liberdade N1 1 e N2 1,
respectivamente, de s 12 e s 22 .
Neste caso, quando se aplica o teste F est-se testando as seguintes
hipteses:
a) H0: S 12 = S 22 , isto , a hiptese de nulidade admite que as duas
populaes tm a mesma varincia;
141
b) H1: S 12 > S 22 , isto , a hiptese alternativa admite que a populao 1

tem maior varincia do que a populao 2.
significativa entre as varincias dos dois tratamentos a partir de dados da
TABELA 4.6.
TABELA 4.6 GANHOS DE PESO (kg), DE LEITOAS DUROC JERSEY
ALIMENTADAS COM FENO DE ALFAFA E FENO DE QUICUIO
POR UM PERODO DE TRS MESES
Mdias
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
70,4 kg
63,1 kg
FONTE: GOMES (1985).
Logo, tem-se:
s =
N 1
67,52 70,52 76,02 67,52 281,5
s12
= 16,062333
3
2
252,5
65,0 58,5 65,0 64,0
2
s 22
F=
= 9,729000
s 12
16,062333
=
1,65
2
9,729000
s2
As tabelas de F com n1 = 3 e n2 = 3 fornecem os seguintes valores:

1% = 29,46 e 5% = 9,28.
142
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.
4.2.2 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
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?
2, m
3 e m
4 so as mdias de quatro tratamentos de um
1, m
Se m
= m
= m
2, Y
3 e Y
3
1 m
1 + m
2 2m
1+ m
2 + m
experimento, Y 1 = m
3
2
4 so exemplos de contrastes. O que caracteriza um contraste que se as
3m
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.
3 = m
1 = m
2 = m
4 = 1, tem-se:
De fato, com m
=11=0
Y
1
= 1 + 1 2 (1) = 0
Y
2
= 1 + 1 + 1 3 (1) = 0
Y
3
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:
143
_______________________________________________________________
1
m
2
m
3
m
4
m
Y
1
Y
3
= 0
__________________________________________________________________________
Diz-se ento que os contrastes Y 1 , Y 2 e Y 3 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=
Y0
s2 Y
onde:
Y = um constante qualquer;
s2 Y = a estimativa da varincia da estimativa de um contraste.
O valor de s2 Y obtido atravs da seguinte frmula:

a) Para o caso do delineamento inteiramente casualizado, tem-se:
C
C
CN
s2 Y = 1 2 ...
rN
r1 r 2
2
2
s
onde:
C = o coeficiente do contraste;
r = o nmero de repeties da mdia;
s2 = a estimativa da varincia do erro experimental, que corresponde ao
quadrado mdio do resduo.
144
Como, geralmente, na rea da agropecuria os pesquisadores tm mais

interesse pelos contrastes simples, a frmula de s2 Y fica da seguinte
maneira:
1 1
s2 Y = s 2
r1
r2
onde:
b) Para o caso do delineamento em blocos casualizados, tem-se:
b.1) Quando nos contrastes simples as mdias dos tratamentos
avaliados apresentam o mesmo nmero de repeties (sem parcela perdida), a
frmula de s2 Y fica da seguinte maneira:
2
s2 Y = s 2
r
onde:
b.2) Quando se tem apenas uma parcela perdida, a frmula de s2 Y

fica assim:
2
2
t
s2 Y =
s
r r r 1t 1
onde:
t = o nmero de tratamentos do experimento;
r = o nmero de repeties do experimento;
145
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 s2 Y
fica assim:
1 1
s2 Y = s 2
r1
r2
onde:
r = o nmero efetivo de repeties;
Os valores de r, nmero efetivo de repeties, so obtidos atravs da
m
1 m
u,
regra prtica de Taylor, ou seja, considerando-se o contraste Y
entre as mdias dos tratamentos i e u . O tratamento i ter o seguinte nmero
efetivo de repeties: valor 1 para os blocos onde os tratamentos i e u
aparecem; valor t 2/t 1 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.
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 s2 Y fica da seguinte maneira:
2
r
s2 Y = s 2
onde:
146
c.2) Quando se tem apenas uma parcela perdida, a frmula de s2 Y

fica assim:
2
2
1
s2 Y =
s
r r 1r 2
onde:
r = o nmero de repeties do experimento;
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 n1 =
nvel de significncia (o nvel de 5% de probabilidade o mais utilizado na
prtica) e n2 = 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
probabilidade o contraste no difere de zero).
Quando se aplica o teste t est-se testando as seguintes hipteses:
a) H0 : Y = 0 (tratamentos semelhantes);
b) H1 : Y 0 (tratamentos diferentes).
Exemplo 6: Verificar pelo teste t se existe ou no diferena
significativa em um grupo escolhido de contrastes ortogonais a partir de dados
da TABELA 4.7.
147
TABELA 4.7 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
GLR
18
QMR
83,3753
3,77 *
FONTE: CAMPOS (1984).

NOTA: (1/) Dados mdios provenientes de quatro repeties no delineamento inteiramente
casualizado.
Pode-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:
= m
1 m
2 m
3 m
4 m
5 m
6
Y
1
= 2m
3 m
5 m
6
Y
2
= m
5 m
6
Y
3
= m
1 m
2 2m
4
Y
4
= m
1 m
2
Y
5
Considerando-se que eles foram estabelecidos a priori, isto , no

foram sugeridos pelos prprios resultados, ento se pode aplicar o teste t.
Os resultados esto contidos na tabela a seguir:
148
Contraste
Valor
)
S2 ( Y
1
Y
2
Y
3
Y
4
Y
5
Y
36,19
125,0630
3,24 *
12,17
125,0630
1,09 ns
0,85
41,6877
0,13 ns
29,93
125,0630
2,68 *
0,65
41,6877
0,10 ns
t tabelado (5%)
t calculado
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 das variedades Co 775, Co 740 e Co 678
significativamente maior do que a mdia dos rendimentos das demais
variedades.
b) O contraste Y 2 no foi significativo no nvel de 5% de
probabilidade, ou seja, o rendimento mdio da variedade Co 421 no difere da
mdia do rendimento 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 rendimento
mdios semelhantes.
d) O contraste Y 4 foi significativo no nvel de 5% de probabilidade,
ou seja, a mdia dos rendimentos das variedades Co 775 e Co 740
significativamente maior do que o rendimento mdio 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 semelhantes.
O teste t tambm pode ser utilizado quando se quer comparar as
1e m
2).
mdias de duas amostras ( m
2 , com N2 dados. Diz-se,

Assim, m 1 calculada com N1 dados e m
1 tem N1 1 graus de liberdade e, analogamente, m
2 tem N2 1
ento, que m
graus de liberdade.
O valor de t dado pela frmula:
t
1 m
2
m
1
1
s 2m
N
N
2
1
149
onde:
s 2m = a mdia das varincias das duas amostras (s 12 e s 22 ).
O valor de s 2m dado pela frmula:
s 2m =
s 12 s 22
=
2
2
X
N1
N1 1
2
X
N2

N 2 1

2
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 n1 = nvel de significncia (o nvel de
5% de probabilidade o mais utilizado na prtica) e n2 = graus de liberdade,
que igual a N1 + N2 2.
Quando se aplica o teste t, nesta situao, est-se testando as seguintes
hipteses:
2 , isto , a hiptese de nulidade admite que as duas
1= m
a) H0 : m
populaes tm a mesma mdia;
2 m
2 , isto , a hiptese alternativa admite que as duas
b) H1 : m
populaes tm mdias diferentes.
Exemplo 7: Verificar pelo teste t se existe ou no diferena
significativa entre as mdias dos dois tratamentos a partir de dados da
TABELA 4.8.
TABELA 4.8 PRODUO MDIA (quintais/acre) DE DUAS VARIEDADES DE
BATATINHA DURANTE CINCO ANOS
Variedades
A
B
1o
2o
Ano
3o
4o
5o
34
30
30
17
41
33
25
25
45
25
FONTE: CENTENO (1982).
Logo, tem-se:
Mdias
35
26
150
s2
X2
X
2
N 1
342 302 412 252 452 175
s12
65,5
302 172 332 252 252 130
s 22
4
65,5 37,0
51,25
2
s 2m
1 =
m
175
= 35
5
2=
m
130
= 26
5
37,0
1 m
2
m
1
1
s 2m
N1 N 2
35 26
1 1
51,25
5 5
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.
4.2.3 Teste de Bonferroni (tB)
O teste de Bonferroni um aperfeioamento do teste t e para a sua
aplicao o pesquisador deve levar em conta os mesmos requisitos deste.
151
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 4.7 (Exemplo 6),
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 um pelo menos de n contrastes
ortogonais seja significativo de n.
Para resolver esse problema, o teste de Bonferroni indica o uso, para
cada contraste, de um nvel de probabilidade = /n, pois ento, para o
conjunto tem-se n = . No Exemplo 6, com = 5% e n = 5, o valor de tB
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:
tB =
Y0
s2 Y
onde:
Y = um constante qualquer;
s2 Y = a estimativa da varincia da estimativa de um contraste (ver teste t).
Para verificar a significncia estatstica dos contrastes, compara-se o

valor de tB calculado de cada contraste com o valor de tB tabelado, com n1 =
nvel de significncia = /n e n2 = graus de liberdade do resduo
(TABELA A.7).
Logo, tem-se:
tB calculado tB tabelado () - existe diferena significativa entre os
tratamentos no nvel de probabilidade, ou seja, h uma probabilidade acima
de x% de que o contraste seja diferente de zero;
tB calculado < tB tabelado () - ns (no existe diferena significativa
entre os tratamentos no nvel de probabilidade, ou seja, com x% de
Quando se aplica o teste tB est-se testando as seguintes hipteses:
152
Considerando os dados do Exemplo 6, tm-se os seguintes resultados
que esto contidos na tabela a seguir:
Contraste
Valor
)
S2 ( Y
1
Y
2
Y
3
Y
4
Y
5
Y
36,19
125,0630
3,24 **
12,17
125,0630
1,09 ns
0,85
41,6877
0,13 ns
29,93
125,0630
2,68 ns
0,65
41,6877
0,10 ns
tB tabelado (1%)
tB calculado
2,88

concluses:
a) O contraste Y 1 foi significativo no nvel de 1% de probabilidade,
ou seja, a mdia dos rendimentos das variedades Co 775, Co 740 e Co 678
significativamente maior do que a mdia dos rendimentos das demais
variedades.
probabilidade, ou seja, as variedades Co 419 e Co 413 apresentam rendimento
mdios semelhantes.
d) O contraste Y 4 no foi significativo no nvel de 1% de
probabilidade, ou seja, a mdia dos rendimentos das variedades Co 775 e Co
740 no difere do rendimento mdio da variedade Co 678.
Observa-se o rigor do teste de Bonferroni neste exemplo em relao
ao teste t, pois ele detectou diferena significativa entre os tratamentos apenas
no contraste Y 1, enquanto que o teste t encontrou diferena significativa
nos contrastes Y 1 e Y 4.
153
4.2.4 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%) . s ( Y ) = t (5%)
2.s 2
r
onde:
t (5%) = o valor tabelado do teste t no nvel de 5% de probabilidade
(TABELA A.7);
2
s = a estimativa da varincia do erro experimental, que corresponde ao
quadrado mdio do resduo;
r = o nmero de repeties do experimento e/ou da mdia.
Quando as mdias dos tratamentos avaliados apresentarem nmero de
repeties diferentes (caso de parcelas perdidas) o valor de s ( Y ), que a raiz
quadrada da estimativa da varincia da estimativa de um contraste, depende do
delineamento estatstico utilizado (ver teste t).
O valor de cada contraste ( Y ) comparado com o valor de LSD.
Logo, tem-se:
LSD (5%) - * (existe diferena significativa entre os tratamentos
Y
no nvel de 5% de probabilidade, ou seja, h uma probabilidade acima de 95%
de que o contraste seja diferente de zero);
< LSD (5%) - ns (no existe diferena significativa entre os
Y
tratamentos no nvel de 5% de probabilidade, ou seja, com 95% de
Quando se aplica o teste LSD, est-se testando as seguintes hipteses:
154
Exemplo 8: Verificar pelo teste LSD se existe ou no diferena

significativa entre as mdias pareadas a partir de dados da TABELA 4.9.
TABELA 4.9 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/
PROMETRIN 1/
________________________ ________________________
A
B
A
B
BARREIRO SMP-IV
ROXA CHATA SMP-IV
BAIA PERIFORME
RED CREOLE
GL Resduo
QM Resduo
2,7 +
3,0
2,9
3,1
4,1
3,6
4,0
4,4
3,2
3,2
3,1
3,2
4,3
3,9
4,0
4,4
60
0,17154
F Variedades
14,07 **
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, cujos resultados esto na tabela a seguir:
155
Variedades
BARREIRO SMP-IV
ROXA CHATA SMP-IV
BAIA PERIFORME
REF CREOLE
LSD (5%)
BENTAZON
PROMETRIN
2,7
3,0
2,9
3,1
4,1
3,6
4,0
4,4
1,4 *
0,6 *
1,1 *
1,3 *
3,2
3,2
3,1
3,2
4,3
3,9
4,0
4,4
1,1 *
0,7 *
0,9 *
1,2 *
0,586
0,586
NOTA: (*) Significativo no nvel de 5% de probabilidade pelo teste DMS.

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
para os outros tipos de comparaes.
4.2.5 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.
d(5%) = t (5%) . s ( Y )
156
= t (5%)
2.s 2
r
onde:
t (5%) = o valor tabelado do teste de Dunnett no nvel de 5% de
probabilidade (TABELAS A.8 e A.9);
2
s = a estimativa da varincia do erro experimental, que corresponde ao
quadrado mdio do resduo;
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 ), que a raiz
quadrada da estimativa da varincia da estimativa de um contrates, depende do
delineamento estatstico utilizado (ver teste t).
O valor de cada contraste ( Y ) comparado com o valor de d. Logo,
tem-se:
d(5%) - * (existe diferena significativa entre os tratamentos no
Y
nvel de 5% de probabilidade, ou seja, h uma probabilidade acima de 95% de
que o contraste seja diferente de zero);
< d(5%) - ns (no existe diferena significativa entre os
Y
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) H0 : Y = 0 (tratamento semelhante ao controle);
b) H1 : Y 0 (tratamento diferente do controle).
Exemplo 9: Verificar pelo teste de Dunnett se existe ou no diferena
significativa dos tratamentos em relao ao controle a partir de dados da
TABELA 4.10.
157
TABELA 4.10 GANHOS DE PESO (kg), E VALORES DE GL RESDUO, QM

RESDUO E F DE PORCOS ALIMENTADOS COM QUATRO
RAES
Raes
Mdia 1/
A (Controle)
B
C
D
26,0
39,0
32,0
22,0
GL Resduo
16
QM Resduo = s2
68,75
3,99 *
FONTE: GOMES (1985).

NOTA: (1/) Dados mdios provenientes de cinco repeties no delineamento inteiramente
casualizado.
Logo, tem-se:
d(5%) = t 5%
= 2,63 2,12
2s 2
r
2.68,75
13,79
5
m
A m
B 26,0 39,0 13,0 ns
Y
1
m
A m
C 26,0 32,0 6,0 ns
Y
2
m
A m
D 26,0 22,0 4,0 ns
Y
3
De acordo com os resultados, pode-se concluir que todos os contrastes

foram no significativos no nvel de 5% de probabilidade, ou seja, as raes B,
C e D no diferem da rao A (controle) quanto ao ganho de peso em porcos.
4.2.6 Teste de Tukey
O teste de Tukey ( ) usado na anlise de varincia para comparar
todo e qualquer contraste entre duas mdias de tratamentos. o teste de
158
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:
(5%) = q
s
r
onde:
q = o valor da amplitude total estudentizada no nvel de 5% de probabilidade
(TABELA A.10);
s = a estimativa do desvio padro do erro experimental, que corresponde
raiz quadrada do quadrado mdio do resduo;
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.
O valor de cada contraste ( Y ) comparado com o valor de . Logo,
tem-se:
(5%) - * (existe diferena significativa entre os tratamentos no
Y
< (5%) - ns (no existe diferena significativa entre os
Y
159
Exemplo 10: Verificar pelo teste de Tukey se existe ou no diferena
significativa entre os tratamentos a partir dos dados da TABELA 4.11.
TABELA 4.11 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
5,69 *
FONTE: SILVA e FERREIRA (1985).

NOTA: (1/) Dados mdios provenientes de oito repeties no delineamento em blocos
casualizados.
Logo, tem-se:
(5%) q
s
r
3,82
6,673264
3,49
8
m
1 m
2 25,80 29,53 3,73 *
Y
1
m
1 m
3 25,80 25,73 0,07 ns
Y
2
m
2 m
3 29,53 25,73 3,80 *
Y
3
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
160
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:
(5%) q
s2 Y
2
onde:
q = o valor da amplitude total estudentizada no nvel de 5% ou de 1% de
probabilidade (TABELAS A.10 e A.11);
s2 = a estimativa da varincia da estimativa de um contraste, que depender
do delineamento estatstico utilizado (ver teste t).
4.2.7 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
cada contraste. Na sua aplicao deve-se ordenar as mdias de tratamentos em
ordem crescente ou decrescente. 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.
D (5%) = z
s
r
onde:
z = o valor da amplitude total estudentizada no nvel de 5% de probabilidade
(TABELA A.12);
161
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:
D (5%) - * (existe diferena significativa entre os tratamentos no
Y
< D (5%) - ns (no existe diferena significativa entre os
Y
probabilidade o contraste difere de zero).
Quando se aplica o teste de Duncan, est-se testando as seguintes
hipteses:
Exemplo 11: Verificar pelo teste de Duncan se existe ou no diferena
significativa entre os tratamentos a partir dos dados da TABELA 4.12.
TABELA 4.12 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
2 Stylosanthes scabra
3 Stylosanthes leiocarpa
4 Stylosanthes hamata
5 Stylosanthes viscosa
6 Stylosanthes debilis
67,54
83,74
84,75
87,97
88,98
90,00
GL Resduo
72
QM Resduo
20,6518
300,32 **
FONTE: REIS (1984).

NOTA: (1/) Dados mdios provenientes de oito repeties no delineamento inteiramente
casualizado.
Logo, tem-se:
162
D2 (5%) = z 2
s
r
2,821
20,6518
4,53
8
m
1 m
2 67,54 83,74 16,20 *
Y
1
m
2 m
3 83,74 84,75 1,01 ns
Y
2
m
3 m
4 84,75 87,97 3,22 ns
Y
3
m
4 m
5 87,97 88,98 1,01 ns
Y
4
m
5 m
6 88,98 90,00 1,02 ns
Y
5
D3 (5%) = z 3
s
r
2,971
20,6518
4,77
8
1 m
3 67,54 84,75 17,21 *
Y6 m
2 m
4 83,74 87,97 4,23 ns
Y7 m
3 m
5 84,75 88,98 4,23 ns
Y8 m
4 m
6 87,97 90,00 2,03 ns
Y9 m
D4 (5%) = z 2
s
r
3,071
20,6518
4,93
8
1 m
4 67,54 8797 20,43 *
Y10 m
2 m
5 83,74 88,98 5,24 *
Y11 m
3 m
6 84,75 90,00 5,25 *
Y12 m
D5 (5%) = z 2
s
r
3,134
20,6518
5,04
8
163
1 m
5 67,54 88,98 21,44 *
Y13 m
2 m
6 83,74 90,00 6,26 *
Y14 m
D6 (5%) = z 2
s
r
3,194
20,6518
5,13
8
1 m
6 67,54 90,00 22,46 *
Y15 m
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.
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.
diferentes (caso de parcelas perdidas), a frmula do teste de Duncan a
seguinte:
D(5%) z
s 2 Y
2
onde:
z = o valor da amplitude total estudentizada no nvel de 5% ou de 1% de
probabilidade (TABELAS A.12 e A. 13);
2
s (Y ) = a estimativa da varincia da estimativa de um contraste, que
depender do delineamento estatstico utilizado (ver teste t).
164
4.2.8 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.
SNK (5%) = q
s
r
onde:
q = o valor da amplitude total estudentizada no nvel de 5% de probabilidade
(TABELA A.10);
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:
SNK (5%) - * (existe diferena significativa entre os tratamentos
Y
no nvel de 5% de probabilidade, ou seja, h uma probabilidade acima de 95%
de que o contraste seja diferente de zero);
< SNK (5%) - ns (no existe diferena significativa entre os
Y
probabilidade o contraste difere de zero).
Quando se aplica o teste de SNK, est-se testando as seguintes
hipteses:
NSK2 (5%) = z 2
s
r
2,821
20,6518
4,53
8
m
1 m
2 67,54 83,74 16,20 *
Y
1
165
m
2 m
3 83,74 84,75 1,01 ns
Y
2
m
3 m
4 84,75 87,97 3,22 ns
Y
3
m
4 m
5 87,97 88,98 1,01 ns
Y
4
m
5 m
6 88,98 90,00 1,02 ns
Y
5
NSK3 (5%) = z 3
s
r
2,971
20,6518
5,45
8
1 m
3 67,54 84,75 17,21 *
Y6 m
2 m
4 83,74 87,97 4,23 ns
Y7 m
3 m
5 84,75 88,98 4,23 ns
Y8 m
4 m
6 87,97 90,00 2,03 ns
Y9 m
NSK4 (5%) = z 2
s
r
3,071
20,6518
5,99
8
1 m
4 67,54 8797 20,43 *
Y10 m
2 m
5 83,74 88,98 5,24 ns
Y11 m
3 m
6 84,75 90,00 5,25 ns
Y12 m
NSK5 (5%) = z 2
s
r
3,134
20,6518
6,38
8
1 m
5 67,54 88,98 21,44 *
Y13 m
2 m
6 83,74 90,00 6,26 ns
Y14 m
166
NSK6 (5%) = z 2
s
r
3,194
20,6518
6,66
8
1 m
6 67,54 90,00 22,46 *
Y15 m
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.
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
apenas cinco contrastes, enquanto que o teste de Duncan encontrou diferena
significativa entre os tratamentos em oito contrastes.
diferentes (caso de parcelas perdidas), a frmula do teste SNK a seguinte:
D(5%) z
s 2 Y
2
onde:
q = o valor da amplitude total estudentizada no nvel de 5% ou de 1% de
probabilidade (TABELAS A.10 e A. 11);
2
s (Y ) = a estimativa da varincia da estimativa de um contraste, que
depender do delineamento estatstico utilizado (ver teste t).
4.2.9 Teste de Scott e Knott (SK)
167
O teste SK utiliza a razo de verossimilhana para testar

4.2.10 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:
S (5%) (t 1) F (5%)s 2 (Y )
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);
2
s (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
168
Y S (5%) - ns (no existe diferena significativa entre os

Quando se aplica o teste Scheff est-se testando as seguintes
hipteses:
S1 (t 1) Fs 2 (Y ) (6 1)2,77.125,0630 = 41,62
S 2 (t 1) Fs 2 (Y ) (6 1)2,77.125,0630 = 41,62
S 3 (t 1) Fs 2 (Y ) (6 1)2,77.41,6877 = 24,03
S 4 (t 1) Fs 2 (Y ) (6 1)2,77.125,0630 = 41,62
S 5 (t 1) Fs 2 (Y ) (6 1)2,77.41,6877 = 24,03
1 = 36,19 ns
Y
2 = 12,17 ns
Y
3 = 0,85 ns
Y
4 = 29,93 ns
Y
5 = 0,65 ns
Y
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 das variedades Co 775,
Co 740 e Co 678 no difere da mdia dos rendimentos das demais variedades.
169

d) O contraste Y 4 no foi significativo no nvel de 5% de
probabilidade, ou seja, a mdia dos rendimentos das variedades Co 775 e Co
740 no difere do rendimento mdio da variedade Co 678.
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
contrastes Y 1 e Y 4.
4.3 Interpolao Linear e Harmnica
Muitas vezes quando se vai aplicar os testes de hipteses na avaliao
de tratamentos, no se dispe dos valores tabelados de F, t, q e z. 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 n1 = 5 graus de
liberdade de tratamentos e n2 = 34 graus de liberdade do resduo.
A TABELA A.4 fornece o seguinte:
Para n1 = 5 e n2 = 30 .......3,70;
Para n1 = 5 e n2 = 40 .......3,51.
Como v-se, o valor n1 = 5 existe na tabela, mas o valor n2 = 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
170
--------------
logo:
X=
4.0,19
= 0,076
10
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. Neste tipo de interpolao,
usa-se a recproca do nmero de graus de liberdade para armar a regra de trs.
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:
1
1
1
40 60 120
1
1
1
40 48 240
0,02
logo:
1
.0,02
X 240
0,01
1
120
donde resulta que o limite buscado 2,02 0,01 = 2,01.

4.4 Exerccios
a) Considerando-se os dados da TABELA 4.13, 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;
171
a.3) Aplique tambm o teste DMS 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 DMS e tire
as devidas concluses.
TABELA 4.13 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
0
1
2
3
5
7
9
GL Resduo
QM Cerosidade Foliar
QM Resduo
1,8 (x)
1,4
1,5
1,6
1,5
1,6
1,8
Removida
4,7
2,7
2,6
2,2
1,8
1,8
1,8
126
33,12595
0,08333

NOTA: (x) Dados mdios provenientes de 12 repeties no delineamento inteiramente
casualizado.
b) Considerando-se os dados da TABELA 4.14, 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) Compare os resultados obtidos pelos testes de Tukey e de Duncan
e tire as devidas concluses.
b.5) Organize um grupo de contrastes ortogonais, aplique o teste t
no nvel de 5% de probabilidade e tire as devidas concluses.
b.6) Aplique o teste de Scheff no nvel de 5% de probabilidade nos
contrastes do item anterior e tire as devidas concluses.
b.7) Considere a cultivar H 7974 como testemunha, aplique o teste
de Dunnett no nvel de 5% de probabilidade e tire as devidas concluses.
172
TABELA 4.14 PESOS DE ESPIGAS COMERCIALIZVEIS DE CULTIVARES DE

MILHO (Zea maysL.) EM ESTADO VERDE, E VALORES DE GL
RESDUO, QM CULTIVARES E QM RESDUO
Cultivares
Ag IGE
Ag IMS
ESALQ O 2 SACARINO
ESALQ VD-2
ESALQ VD-2 SACARINO
ESALQ VF-1
ESALQ VF-1 SACARINO
H 7974
GL Resduo
Peso de Espigas Comercializveis (kg/ha)

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
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 4.15, 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 Duncan no nvel de 5% de
probabilidade na comparao de mdias de cultivares de cebola;
d.3) Aplique ainda 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.4) Aplique finalmente 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.5) Compare os resultados obtidos pelos testes de Tukey, Duncan
Dunnett e t e tire as devidas concluses.
TABELA 4.15 COMPORTAMENTO DE CULTIVARES DE CEBOLA (Allium cepa L.) EM
RELAO DORMNCIA DE BULBO, EXPRESSO PELO CARTER
173
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. PIRA LOPES A/R
7. PIRA LOPES R/C
8. PIRA LOPES R/R
9. PIRANA A/C
10. PIRANA ROXA
11. PIRA OURO A/C
12. PIRA OURO A/R
13. PIRA OURO R/C
14. PIRA OURO R/R
15. PIRA ROSA A/C
16. PIRA ROSA A/R
17. PIRA ROSA R/C
18. PIRA ROSA R/R
19. PIRA TROPICAL A/R
20. ROXA BARREIRO
42,0
49,1
40,1
27,7
45,2
48,5
42,7
22,3
52,4
71,2
59,9
66,0
60,3
28,4
62,1
41,0
56,8
47,3
28,2
51,4
C.V. (%)
7,93
GL Resduo
40,00
FONTE: FERREIRA e COSTA (1984).

NOTA: (1/) Dados mdios provenientes de trs repeties no delineamento inteiramente casualizado.
e) Considerando-se os dados da TABELA 4.16, 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.
TABELA 4.16 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
Cultivares de Tomate
Tratamentos 1/
1 Testemunha
2 Herbicida 1 no Estdio 1
MARGLOBE
1,47 2/
5,00
SANTA CRUZ
GIGANTE KADA
NACIONAL
IPA-3
0,00
5,00
0,37
5,00
174
GL Resduo
QM Resduo
F
5,00
4,88
5,00
4,80
4,79
4,93
4,55
4,86
3,73
4,20
5,00
4,76
4,71
4,83
4,90
41
0,020629
20,24 **
FONTE: 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); Estdio 3 (82 dias aps a
semeadura).
(2/) Dados mdios provenientes de duas repeties no delineamento em blocos casualizados.

Análise de variância e testes de hipóteses

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Análise de variância e testes de hipóteses

Caricato da

Copyright:

Formati disponibili

123

Um problema que se apresenta com maior freqncia do que qualquer

A variao que contribui para o erro experimental pode ser de dois

*: A anlise de varincia denominada segundo um nico critrio, porque, no caso

As frmulas matemticas e o processo de anlise de varincia para

todas as parcelas que recebem o mesmo tratamento ocupem posies

de varincia, sendo N = nmero de observao de cada amostra (TABELA

FONTE: FERREIRA (1977).

As varincias de cada variedade so:

F-mximo tabelado (K = 4; N 1 = 5): 1% = 28,0; 5% = 13,7.

Uma transformao qualquer alterao sistemtica num conjunto de

calculvel de ocorrncia ou no em qualquer indivduo). Tais tipos de dados

TABELA 4.3 PERODO DE ENRAIZAMENTO (EM DIAS) DE CULTIVARES DE

FONTE: FERREIRA (1982).

Os resultados esto contidos no quadro a seguir:

Pelos resultados apresentados acima, verifica-se que a transformao

Uma indicao razovel do efeito favorvel das transformaes de

transformados, indica que a transformao foi vlida. Em caso contrrio, no

Dados transformados em log x

Realmente, as transformaes de dados foram vlidas, pois houve uma

quis j foram vistos no Captulo 3. Quanto aos testes de hipteses, os mesmos

Ao testar-se as hipteses pode-se cometer geralmente dois tipos de

Existe um outro tipo de erro, quase nunca considerado, que seria

Na execuo de um teste de hiptese estatstica, para que o mesmo

tratamento? (2) Quais so os tratamentos que no diferem significativamente

Por que o teste F o quociente entre o QMT pelo QMR?

Por essa observao v-se o porqu do teste F ser o quociente entre

Nesta expresso est-se comparando a varincia de tratamentos com a

Obviamente, se no h efeito de tratamentos, os dois quadrados

FONTE: MELO e FERREIRA (1983).

As tabelas de F com n1 = 12 e n 2 = 26 fornecem os seguintes valores:

Este fato, embora no deva ser esperado, pode ocorrer, e s vezes

TABELA 4.5 ANLISE DA VARINCIA E COEFICIENTE DE VARIAO DA

FONTE: FERREIRA e MELO (1983).

As tabelas de F com n 1 = 1 e n2 = 18 fornecem os seguintes valores:

Admite-se sempre s 12 > s 22 , de modo que tem-se F > 1.

b) H1: S 12 > S 22 , isto , a hiptese alternativa admite que a populao 1

FONTE: GOMES (1985).

67,52 70,52 76,02 67,52 281,5

As tabelas de F com n1 = 3 e n2 = 3 fornecem os seguintes valores:

Os contrastes podem ser:

Diz-se ento que os contrastes Y 1 , Y 2 e Y 3 so ortogonais.

O valor de s2 Y obtido atravs da seguinte frmula:

Como, geralmente, na rea da agropecuria os pesquisadores tm mais

b.2) Quando se tem apenas uma parcela perdida, a frmula de s2 Y

Esta frmula usada para comparar contrastes envolvendo a mdia do

c.2) Quando se tem apenas uma parcela perdida, a frmula de s2 Y

TABELA 4.7 PRODUO MDIA (kg DE ACAR/t DE CANA), E VALORES DE

FONTE: CAMPOS (1984).

Pode-se organizar diversos grupos de contrastes ortogonais com os

Considerando-se que eles foram estabelecidos a priori, isto , no

De acordo com os resultados obtidos pode-se chegar s seguintes

2 , com N2 dados. Diz-se,

Neste caso, o valor de t calculado comparado com o de t tabelado da

FONTE: CENTENO (1982).

342 302 412 252 452 175

302 172 332 252 252 130

t tabelado (5%) = 2,31

Esse aperfeioamento se deve ao fato de que o teste t aplicado para

Para verificar a significncia estatstica dos contrastes, compara-se o

De acordo com os resultados obtidos pode-se chegar s seguintes

4.2.4 Teste LSD

Exemplo 8: Verificar pelo teste LSD se existe ou no diferena