Apostila 2012

MINISTRIO DA EDUCAO
SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA

INSTITUTO FEDERAL DE MATO GROSSO CAMPUS SO VICENTE
DEPARTAMENTO DE GRADUAO E PS-GRADUAO
ESTATSTICA
EXPERIMENTAL
CHARLES DE ARAUJO
2012
1. INTRODUO
A estatstica experimental tem por objetivo o planejamento, a execuo, a anlise dos

dados obtidos e a interpretao dos resultados experimentais.
Um novo conhecimento, freqentemente, obtido pela anlise e interpretao
cuidadosa de dados, tornando-se necessrio cuidadoso planejamento da coleta desses dados, a
fim de que um mximo de informaes seja obtido com mnimo de recursos.
Provavelmente, a funo mais importante do estatstico seja sua participao no
delineamento de experimentos eficientes, que possibilitaro a obteno de estimativas corretas
(sem tendenciosidades) de mdias, de diferenas entre tratamentos e do erro experimental.
Entretanto, em algumas situaes so apresentados ao estatstico dados experimentais
que no permitem resposta s questes inicialmente formuladas. Isso decorre muitas vezes
porque o planejamento experimental no foi realizado de forma correta, especialmente no
momento da definio e montagem dos experimentos.
2. PLANEJAMENTO EXPERIMENTAL
Alm de dominar a metodologia estatstica necessria para o planejamento e para a

anlise dos dados, o pesquisador deve conhecer exatamente o que deseja estudar, como obter
os dados, bem como ter uma estimativa qualitativa de como esses dados sero analisados. Em
uma pesquisa cientifica, o procedimento geral formular hipteses e verific-las, diretamente,
ou atravs de suas conseqncias. Para tanto, necessrio um conjunto de observaes
(dados), sendo o planejamento de experimentos essencial para indicar o esquema sob o qual
as hipteses possam ser testadas.
As hipteses so testadas atravs de mtodos de anlise estatstica que dependem do
modo como s observaes ou dados foram obtidos. Desta forma, o planejamento de
experimentos e a anlise dos resultados esto intimamente ligados e devem ser utilizados em
certa seqncia nas pesquisas cientificas. Isto pode ser visualizado na Figura 3, em que as
tcnicas de planejamento devem ser usadas entre as etapas (1) e (2), e os mtodos de anlise
estatstica na etapa (3).
Figura 3. Esquema circular do mtodo cientfico.

O que obriga a utilizar a anlise estatstica para testar as hipteses formuladas a
presena de variaes do acaso ou variao aleatria. So variaes que ocorrem nos
experimentos atribudos a efeitos de fatores no controlados (conhecidos ou no), que afetam
os resultados experimentais. Entre estes fatores citam-se:
variao na constituio gentica das plantas;
pequenas diferenas de fertilidade do solo;
ligeiras variaes no espaamento e distribuio de adubos;
pequenas variaes nas doses de adubos, inseticidas, fungicidas, herbicidas;
profundidade de semeadura um pouco maior ou menor que a prevista no trabalho;
incidncia desigual de doenas e pragas;
pequenos erros de pesagem etc.
Esses efeitos, que sempre ocorrem, no podem ser conhecidos individualmente e

tendem a mascarar o efeito do tratamento em estudo. Visando tornar mnima a variao do
acaso, o experimentador deve fazer o planejamento do experimento de tal forma que consiga
isolar os efeitos de todos os fatores que podem ser controlados.
Durante a instalao e a execuo do experimento, o experimentador deve procurar
diminuir o efeito dos fatores no controlados. Por exemplo: se a semeadura feita
manualmente, para evitar variaes de espaamentos entre linhas (Figura 4), podem-se
estender barbantes ou estacas espaadas de acordo com o espaamento da cultura (Figura 5);
para evitar a variao de espaamentos entre plantas, pode-se utilizar uma ripa perfurada, com
um furo distanciado do outro tantos centmetros quanto o espaamento entre plantas.
Figura 4. Semeadura manual de milho em experimento realizado no IFMT Campus So

Vicente.
Figura 5. Estaca de madeira contendo distncia para semeadura de milho em experimento
realizado no IFMT Campus So Vicente.
Na instalao e conduo de experimentos, em funo da aplicao dos tratamentos

muitas vezes so realizadas improvisaes que permitem simular o que acontece no campo.
Por exemplo, a aplicao de diferentes quantidades de fertilizante (Figura 6), a semeadura a
diferentes espaamentos ou profundidades.
Figura 6. Utilizao de garrafas PET descartveis e kit de aplicao de soro, para simular a
aplicao de diferentes quantidades de fertilizante nitrogenado aplicado via gotejamento em
tomateiro.
Para evitar pequenas variaes na profundidade de semeadura, pode-se utilizar um

soquete juntamente com a ripa perfurada, durante a semeadura. As sementes so colocadas na
perfurao e comprimidas pelo soquete, que penetra at a profundidade de semeadura
recomendada para a cultura.
O planejamento constitui a etapa inicial de qualquer trabalho e, portanto, um
experimento tambm deve ser devidamente planejado, de modo a atender aos interesses do
experimentador e as hipteses bsicas necessrias para a validade da anlise estatstica.
Freqentemente, o estatstico consultado para tirar concluses com base em dados
experimentais. Considerando que essas concluses dependem da forma como foi realizado o
experimento, o estatstico solicitar uma descrio detalhada do experimento e de seus
objetivos. Com relativa freqncia, ocorrem casos em que, aps a descrio do experimento,
o estatstico verifica que no pode chegar concluso alguma, tendo em vista que o
experimentador ou no utilizou um delineamento adequado ou no entendeu as hipteses
bsicas necessrias para a validade da analise estatstica. Assim sendo, o estatstico pode
apenas aconselhar o experimentador a repetir o experimento. Para evitar essa perda de tempo
e de recursos, primordial o planejamento adequado do experimento.
Ao iniciar o planejamento de um experimento, o experimentador deve formular uma
srie de quesitos e buscar responde-los. Como exemplo, pode-se citar:
- Quais as caractersticas que sero analisadas?

Num mesmo experimento, varias caractersticas podem ser estudadas; por exemplo,
num experimento com a cultura do algodo, pode-se determinar: altura das plantas (cm),
comprimento dos entrens no caule (cm), nmero de capulhos por planta, produtividade de
algodo em caroo (kg/ha), porcentagem de plantas acamadas etc. Portanto, devem-se definir
adequadamente quais as caractersticas de interesse, para que as mesmas possam ser
determinadas no decorrer do experimento.
- Quais os fatores que afetam essas caractersticas?

Relacionar todos os fatores que possuem efeito sobre as caractersticas que sero
estudadas, como por exemplo: cultivar, adubao, espaamento, irrigao, sistema de cultivo,
controle de pragas e doenas etc.
- Quais desses fatores sero estudados no experimento?

Nos experimentos simples, apenas um tipo de tratamento ou fator pode ser estudado de
cada vez, sendo os demais fatores mantidos constantes. Por exemplo, quando fizer um
experimento de competio de cultivares de algodo, todos os outros fatores, como
espaamento, adubao, irrigao e tratos culturais devem ser os mesmos para todas as
cultivares. No caso de experimentos mais complexos, como os experimentos fatoriais e em
parcelas subdivididas, pode-se estudar simultaneamente os efeitos de dois ou mais tipos de
tratamentos ou fatores, como por exemplo, cultivares e adubaes.
- Como ser a unidade experimental?

A unidade experimental parcela poder ser constituda por uma nica planta ou por um
grupo delas. Quando se utiliza uma nica planta por parcela, se ocorrer qualquer problema
com ela, ter-se- um caso de parcela perdida, o que causar complicaes na anlise
estatstica. Portanto, deve-se definir perfeitamente o que constituir a parcela.
2.1. Etapas do planejamento experimental e anlise de resultados
MONTGOMERY (1991) indica um procedimento para o planejamento e para a

anlise dos resultados:
a) reconhecimento e definio do problema: em grande parte depende da experincia j

adquirida no estudo de processos semelhantes;
b) escolha das variveis ou caractersticas a serem avaliadas: (fatores de influncia) e das

faixas de valores em que essas variveis sero avaliadas, definindo-se o nvel especfico
(valor) que ser empregado em cada ensaio. Deve-se verificar como essas variveis sero
controladas nos nveis escolhidos e como eles sero medidos. A avaliao intensiva de
diversas variveis pode ser necessria quando o estudo encontra-se em seus estgios iniciais e
no se detm uma experincia anterior, exigindo a avaliao das variveis em diversos nveis.
Quando deseja-se verificar a influncia de uma varivel em particular, o nmero de nveis
deve ser reduzido, alm de manter-se as demais variveis influentes em nveis to constantes
quanto possvel;
c) escolha adequada da varivel de resposta: de modo que se garanta a objetividade na

anlise dos resultados obtidos. O critrio principal para essa escolha de que o erro
experimental de medida da varivel de resposta seja mnimo, permitindo a anlise estatstica
dos dados, com um nmero mnimo de rplicas;
d) delineamento dos experimentos: tamanho da amostra (nmero de rplicas), sequncia de

execuo dos ensaios, necessidade de aleatorizao ou do uso de blocos. Como afirmado
anteriormente, a experimentao um processo iterativo. Principalmente em processos
complexos, com diversas variveis influentes, no se deve partir de um conjunto extenso de
experimentos, que envolva um grande nmero de variveis, estudadas em diversos nveis.
mais produtivo estabelecer-se um conjunto inicial com nmero reduzido de ensaios (poucas
variveis, poucos nveis de avaliao), ir aprendendo sobre o processo e aos poucos,
acrescentar novas variveis e nveis e eliminar variveis que no se apresentem influentes.
Com essa iniciativa, reduz-se o nmero total de ensaios e o que mais importante reserva-se
os recursos para aqueles ensaios realmente importantes, que normalmente no fornecem
resultados objetivos nas tentativas iniciais;
e) execuo dos experimentos: monitorando-os e controlando-os. Essa etapa extremamente

importante, pois garante a validade experimental e exige do pesquisador um conhecimento
profundo dos instrumentos, equipamentos e mtodos de controle e monitoramento;
f) anlise dos resultados: com o uso de mtodos estatsticos, a fim de que as concluses
estabelecidas sejam objetivas. Destaque-se que esses mtodos no permitem afirmar se uma
dada varivel apresenta ou no um determinado efeito: eles apenas garantem a confiabilidade
e a validade dos resultados, de modo que se possa determinar o erro associado nas concluses,
de acordo com um dado grau de confiana previamente estabelecido;
g) elaborao das concluses e recomendaes: a partir da anlise dos resultados. As

concluses e recomendaes permitiro que decises sejam tomadas a respeito do processo
em estudo. Uma documentao extensa, com o uso de grficos e tabelas permite que se
apresente os resultados obtidos, a anlise efetuada, bem como futuras repeties do
procedimento empregado.
2.2. Execuo dos experimentos
O que um experimento?
Considera-se experimento, ou ensaio experimental, a investigao previamente
planejada, que segue determinados princpios bsicos, para a obteno de novos fatos, ou para
confirmar ou rejeitar os resultados de experimentos anteriores, que iro auxiliar numa certa
deciso a ser tomada, tais como: recomendar certa variedade, indicar determinado
procedimento, receitar um defensivo, recomendar certo espaamento de plantas, etc.
Tais experimentos enquadram-se em 3 categorias:
a) Experimentos preliminares: o nmero de tratamentos grande. O nmero de
repeties pode ser pequeno, inclusive podendo ser igual a um (01). Auxilia na
escolha dos tratamentos a serem estudados nos experimentos crticos.
b) Experimentos crticos: so experimentos em que as respostas aos tratamentos so
comparadas. O nmero de observaes suficiente para dar segurana razovel na
determinao de diferenas significativas.
c) Experimentos demonstrativos: so experimentos conduzidos em trabalhos de
extenso, com o objetivo de comparar um novo tratamento ou novos tratamentos com
um padro.
3. EXPERIMENTAO
3.1. Conceitos
a) Tratamento: o mtodo, elemento ou material cujo efeito desejamos medir ou

comparar em um experimento. Ex: variedades de milho, nveis de protena na rao,
tipos de aleitamento de bezerros, doses de fertilizantes ou defensivos, entre outros.
b) Unidade experimental ou parcela: a unidade que ir receber o tratamento e fornecer

os dados que devero refletir seu efeito. Em experimentos conduzidos em laboratrio, a
parcela pode ser uma placa de petri com meio de cultura; uma caixa gerbox. Em
ensaios conduzidos em casa de vegetao, a parcela pode ser um conjunto de vasos; um
vaso com 2 ou 3 plantas; um vaso com uma nica planta. Em experimentos de campo,
a parcela pode ser uma planta; uma linha de 5m de comprimento; quatro linhas de 5m
de comprimento
c) Unidade amostral: material em que as medidas dos efeitos dos tratamentos sero
realizadas. Pode ser uma frao da unidade experimental, ou a prpria unidade
experimental. Ex: uma planta amostrada em uma parcela com vrias plantas.
d) Bordadura: so reas na parcela que no so avaliadas para evitar a influncia dos

tratamentos aplicados nas parcelas vizinhas. Assim, numa parcela tem-se a rea total e
a rea til. Os dados a serem usados na analise estatstica sero aqueles coletados
apenas na rea til da parcela. Como exemplo, tem-se nas Figuras 1 e 2:
rea total da parcela
Quatro linhas de 10 m de comprimento, espaadas de 1 m, perfazendo rea total de 40

m;
rea til da parcela
Duas linhas centrais da parcela, descontando-se 1m nas extremidades, perfazendo rea

til de 16 m (2 m 8 m).
Figura 1. Esquema de rea total e rea til da parcela.
Figura 2. Definio de parcela til e bordadura.
e) Delineamento experimental: o plano utilizado na experimentao e implica na

forma como os tratamentos sero designados e distribudos s unidades experimentais.
f) Anlise de varincia: processo aritmtico da partio da soma de quadrados total em
componentes associados a causas reconhecidas de variao.
g) Erro experimental: variao entre observaes realizadas em unidades experimentais

que receberam o mesmo tratamento. Essa variao provm duas fontes principais: a
variabilidade do material experimental e a variao que resulta de qualquer falha na
uniformizao fsica do experimento. Exemplo: num experimento em que se estuda a
nutrio de ratos, h a variao entre animais, em razo de diferenas em suas
constituies genticas (variao intrnseca do material experimental) e h variao
entre gaiolas, nas quais so colocados os ratos, que podem estar dispostos em
diferentes temperaturas, iluminao e outros fatores (variao por erro na conduo
fsica do experimento).
4. PRINCPIOS BSICOS DA EXPERIMENTAO
4.1. Repetio
o nmero de vezes que um tratamento ocorre num experimento. Portanto, o
princpio da repetio consiste em aplicarmos o mesmo tratamento a vrias parcelas num
mesmo experimento.
Ao se comparar duas variedades de algodo, A e B, plantadas em duas parcelas da
rea experimental, prximas ou no, o simples fato A ter produzido mais do que B (kg de
algodo em caroo/ha) no suficiente para concluir que a variedade A mais produtiva que
B, pois muitas explicaes, alm do fator variedade, podem justificar os resultados obtidos,
ou ainda que o melhor desempenho poder ter ocorrido por simples acaso. Por outro lado, se
as duas variedades foram plantadas em vrias parcelas e, ainda assim, verificarmos que a
variedade A apresenta, em mdia, maior produo, ento j existe um indicativo de que ela
seja mais eficiente, transmitindo ento um maior grau de confiabilidade na concluso obtida.
- Sem repetio:
Parcela 1 Parcela 2
A B
- Com repetio:
Parcela 1 Parcela 2 Parcela 3 Parcela 4 Parcela 5
A A A A A
B B B B B
As principais funes da repetio so:
permitir uma estimativa do erro experimental:
O erro experimental uma medida da variao que existe entre observaes de

parcelas tratadas semelhantemente. Esta variao conhecida como variao de acaso,
sendo oriunda de duas fontes principais: a variabilidade inerente do material; variabilidade
resultante da falta de uniformidade na conduo fsica do experimento.
Atravs da repetio possvel estimar o erro experimental. Num experimento
sem repetio, no se sabe se a diferena constatada entre tratamentos pode ser explicada
como sendo uma diferena entre tratamentos ou entre parcelas experimentais.
aumentar a preciso do experimento;
aumentar a preciso das estimativas obtidas no experimento.
No existe regra dizendo qual deve ser o nmero de repeties. Isto depende do
conhecimento do pesquisador sobre o assunto, disponibilidade de espao fsico, recursos
financeiros, material necessrio. Na experimentao agrcola e experincia indica que
dificilmente se conseguem resultados razoveis com experimentos que tenham menos de 20
parcelas. Assim sendo, num experimento com 2 tratamentos, devemos ter pelo menos 10
repeties, para que haja no mnimo 20 parcelas ao todo.
Outra indicao til a de que devemos ter pelo menos 10 graus de liberdade para o
resduo.
4.1.1. Determinao do nmero necessrio de repeties

Um dos problemas mais interessantes da experimentao a determinao prvia do
nmero necessrio de repeties. Numerosas solues foram propostas mas nenhuma
inteiramente satisfatria. Na experimentao agrcola ou zootcnica a experincia indica que
dificilmente se conseguem resultados razoveis com ensaios que tenham menos de 20
parcelas. Este nmero deve ser tomado, em geral, como mnimo. Assim sendo, num
experimento com 2 tratamentos, devemos ter pelo menos 10 repeties, para que haja no
mnimo 20 parcelas ao todo.
Outra indicao til a de que devemos ter, em geral, pelo menos 10-12 graus de
liberdade para o resduo (que ser abordado adiante).
H possibilidade de determinao do nmero de repeties atravs de frmulas
estatsticas. Entretanto, essas frmulas so complexas e nem sempre resultam em nmero
adequado e possvel de ser utilizado de repeties.
4.2. Casualizao ou aleatorizao

Evita que um dos tratamentos seja sistematicamente favorecido por qualquer fator
externo, ou seja, os tratamentos so distribudos de maneira aleatria nas parcelas. Dessa
forma, os tratamentos tem a mesma probabilidade de ser destinado a qualquer parcela.
O princpio da casualizao permite obter uma estimativa vlida do erro experimental
e garante o uso de testes de significncia por tornar os erros experimentais independentes.
Vale ressaltar que sem os princpios bsicos da repetio e da casualizao no existe
experimentao.
A casualizao tem por objetivo assegurar uma estimativa no viciada do erro
experimental, das mdias dos tratamentos e das diferenas entre mdias. Em condies de
campo, tem-se:
- Sem casualizao (com repetio)
A A A A A
B B B B B
- Com casualizao (com repetio)

A B A B A
B B A B A
Se, aps a repetio e casualizao, a cultivar A apresentar maior produtividade, de se

esperar que esta concluso seja realmente vlida.
4.3. Controle local
um princpio muito utilizado, mas no obrigatrio, pois podemos realizar

experimentos sem utiliz-lo. Consiste em distribuir as cultivares no campo sempre em reas
mais homogneas possveis, quanto s condies de tipo de solo, fertilidade, umidade,
porosidade, etc., podendo haver variao acentuada de uma rea para outra. Estas reas
homogneas assim formadas so chamadas BLOCOS.
A finalidade do princpio do controle local dividir um ambiente heterogneo em sub-
ambientes homogneos e tornar o delineamento experimental mais eficiente, pela reduo do
erro experimental. Isso acontece por exemplo, quando a rea a ser utilizada para realizao de
determinado experimento apresenta certa declividade e diferenas em relao as
caractersticas do solo na parte alta, mdia e baixa. Nesse caso, o correto subdividir essa
rea heterognea em subreas homogneas, conforme a figura abaixo.
Figura 3. rea experimental (ambiente heterogneo) e alocao do blocos (sub-ambiente
homogneo).
Suponhamos que deseja-se comparar 4 variedades de soja. Para melhorar a preciso da

comparao plantaremos as variedades em parcelas to semelhantes quanto possvel, bem
prximas, que constituiro um bloco.
O bloco deve ser o mais uniforme possvel. Em outras palavras, a variao dos blocos
deve ser a menor possvel, ao passo que a variao entre blocos pode ser grande ou pequena.
5. DELINEAMENTO EXPERIMENTAL
a maneira de dispor as parcelas no experimento. um plano utilizado na

experimentao e implica na forma como os tratamentos sero designados s unidades
experimentais e em um amplo entendimento das anlises a serem feitas quando todos os
dados estiverem disponveis. Como delineamentos experimentais, podem-se citar:
- Delineamento Inteiramente Casualizado (DIC): repetio e casualizao. Indicado para

condies homogneas (laboratrio e casa de vegetao).
- Delineamento em Blocos Casualizados (DBC): repetio, casualizao e controle local

(em um sentido). Indicado para condies heterogneas (campo). Na Figura 3, a rea
experimental heterognea, a declividade do terreno ocorre em um s sentido, gerando um
gradiente de fertilidade na rea. Desta forma, deve-se dividir o ambiente heterogneo (rea
experimental) em sub-ambientes homogneos (blocos horizontais).
- Delineamento em Quadrado Latino (DQL): repetio, casualizao e controle local (em

dois sentidos). Indicado para condies extremamente heterogneas (campo). Por exemplo:
declividade do solo em dois sentidos (horizontal e vertical).
6. DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
O delineamento inteiramente casualizado considera os princpios de repetio e

casualizao. o tipo delineamento mais simples que existe. As unidades experimentais
devem ser essencialmente homogneas, isto , a variao entre elas deve ser pequena.
Exemplo: experimentos em laboratrios, amostras homogeneizadas que sero divididas para
comporem as parcelas.
A casualizao feita inteiramente ao acaso e no h restries. Este experimento
tambm chamado de experimento com um critrio de classificao.
6.1. Vantagens do DIC

Flexvel: qualquer nmero de tratamento ou repetio. O nmero total de parcelas
depende do nmero de unidades experimentais disponveis.
A anlise de varincia simples se o nmero de repeties variar com os tratamentos ;
os vrios tratamentos estiverem sujeitos a varincias desiguais, isto , mesmo se ocorrer a
no-homogeneidade do erro experimental ou houver perda de algumas unidades
experimentais.
6.2. Desvantagens do DIC

Muitas vezes ineficiente. H superestimao do erro experimental, pois toda a
varincia atribuda aos tratamentos e ao erro experimental.
6.3. Modelo Estatstico

Para efetuar a anlise de varincia em qualquer delineamento, deve-se pressupor um
modelo estatstico representativo do delineamento. O modelo estatstico de um experimento
em delineamento inteiramente casualizado o seguinte:
Y = m + t + eij
Yij = valor da parcela que recebeu tratamento i e se encontra no bloco j;

m = mdia da populao;
ti = efeito devido ao tratamento i, que foi aplicado na parcela;
eij = erro devido aos fatores no controlados na parcela.
6.4. Planejamento Experimental

Considere, por exemplo, um DIC com 4 tratamentos (A, B, C, D) e 4 repeties,
perfazendo um total de 16 parcelas. A casualizao feita em toda a rea experimental,
utilizando-se papis numerados. Para isso necessrio identificar cada tratamento com as
respectivas repeties da seguinte forma: A1, A2, A3, A4, B1, B2, B3, B4, C1, C2, C3, C4, D1, D2,
D3, D4.
Identificar cada parcela com um nmero de 1 a 16 de uma maneira conveniente. O
esquema para o experimento, pronto para a execuo, est apresentado na figura abaixo.
D3 B2 A1 B4
1 2 3 4
D4 B1 C1 C2
5 6 7 8
A3 D2 B3 A2
9 10 11 12
D1 A4 C4 C3
13 14 15 16
Tabela 1. Esquema para um DIC com 4 tratamentos e 4 repeties.
Aps a coleta dos dados, eles so organizados numa tabela, onde se identifica o
tratamento e a repetio, conforme abaixo.
Repeties Tratamentos
1 2 3 4 --
1 Y11 Y21 Y31 Y41 --
2 Y12 Y22 Y32 Y42 --
3 Y13 Y23 Y33 Y43 --
4 Y14 Y24 Y34 Y44 --
Totais de T1 T2 T3 T4 G
tratamentos
6.5. Anlise de Varincia

o processo desenvolvido por Ronald A. Fisher para repartir a varincia de uma
varivel aleatria em partes ortogonais (independentes) correspondentes a tratamentos e erro
experimental. Seus objetivos so:
- obter estimativas precisas das mdias dos tratamentos e diferenas entre mdias.
- testar hipteses sobre igualdade de mdias de tratamentos e sobre a existncia de interaes
entre fatores;
- obter estimativas dos componentes de varincia.
Uma vez conhecidas as variaes existentes num experimento, obtm-se as varincias
que so conhecidas como quadrados mdios.
6.6. Anlise de varincia do DIC
- Variao Total (Soma de Quadrados Total = SQTotal)

A soma de quadrados total (SQTotal) uma medida de disperso de todas as
observaes em relao mdia geral do experimento. Ela rene duas variaes importantes:
a variao atribuda exclusivamente aos efeitos dos diferentes tratamentos e outra devido a
fatores casuais (erro experimental ou resduo).

Y 2

ij
SQ Y 2
TOTAL
ij
ij
- Variao dos Tratamentos (Soma de Quadrados Tratamentos = SOTrat)

A soma de quadrados de tratamentos (SQT) uma medida da disperso das mdias
dos tratamentos em relao mdia geral. Se todas as mdias forem iguais, ento SQT = 0.
Quanto mais diferentes forem as mdias dos tratamentos, maior ser SQT.
T 2 2
Y ij ij
SQ em que Ti o total de tratamentos
Tratamento
j ij
- Variao do resduo (Soma de Quadrados Resduo = SQRes)

A soma de quadrados dos resduos (SQR) uma medida da disperso das observaes
dentro dos tratamentos em relao as suas mdias respectivas. Quanto menor for a variao
entre as observaes dentro de cada tratamento menor ser SQR. Se todas as observaes de
cada tratamento forem iguais, ento SQR = 0.
SQResduo = SQTotal SQTratamento
Os resultados numricos de uma anlise de varincia, normalmente, so apresentados

em quadros da anlise de varincia.
Quadro de anlise de varincia (ANOVA) de um experimento inteiramente casualizado com

nmero igual de repeties.
Fonte de Graus de Soma de Quadrado F

variao liberdade quadrados mdio
T Y
2
2
ij ij
SQ trat QM trat
Tratamentos i 1
j ij g.l.trat QM res
SQ res
Resduo (Erro) i(j 1) SQtotal SQtrat.
g.l.res
Y
2

ij
Total ij 1 Y 2
ij
ij
6.7. Teste de hiptese (Teste F)
Por meio deste teste, verifica-se se a fonte de variao significativa:
H0 : t1 = t2 = t3 = ti , o que equivale a dizer que todas as mdias dos tratamentos, so

estatisticamente nulos ou iguais, no nvel de probabilidade que foi executado o teste.
Ha : t1 t2 t3 ti ento rejeita-se H0, o que equivale a dizer que existe pelo menos duas
mdias dos tratamentos, estatisticamente diferente de zero, no nvel de probabilidade que foi
realizado o teste.
O teste da hiptese de nulidade dado por:
QMTratamen
tos
F
QMRe
sduo
(
Erro
)
O teste F unilateral, um valor de F significativo, em um determinado nvel de
probabilidade, indica que h uma probabilidade de que pelo menos um tratamento seja
diferente dos demais. Isto significa que os efeitos de tratamentos so estaticamente diferentes,
ou seja, houve resposta para tratamentos.
A regra decisria para o teste F a seguinte:
- se o valor do F calculado F tabelado (Tabela para o Teste F), ento rejeita-se H0 e

conclui-se que os tratamentos tem efeito diferenciado no nvel de significncia em que
foi realizado o teste;
- se o valor do F calculado < F tabelado, ento no rejeita-se H0 e conclui-se que os
tratamentos tem efeitos iguais no nvel de significncia em que foi realizado o teste.
Isto no significa que as mdias de tratamentos sejam iguais, mas que suas diferenas,
no comprovadas, podem ser explicadas pela variao ao acaso.
6.7.1. Tabela do teste F
Os nveis usuais para significncia so, em geral, de 5% ou de 1%. No caso de 5%, o

acaso explicaria as diferenas observadas em menos de 5% dos experimentos similares,
restando mais de 95% devidos a diferenas reais de efeito de tratamentos. Tambm poderia
ser considerado que ao utilizar o nvel de probabilidade de 5%, a chance de deciso em
relao a regra (H0 e Ha) considerada, teria 5% de chance de estar errada. Se for utilizado
nvel de probabilidade menor (1%), a chance de considerar uma afirmao errada ou incorreta
seria menor.
A definio do nvel de probabilidade a ser utilizado deve ser realizada pelo
pesquisador ou analisador dos dados. Deve ser ressaltado que, dependendo do valor do F
calculado (valor elevado), o nvel de significncia mais baixo pode ser preferencialmente
utilizado (1%).
Para encontrarmos o valor de F tabelado na tabela do teste F necessrio o nmero de
graus de liberdade de tratamentos (n1), representado nas colunas da tabela, e o nmero de
graus de liberdade do resduo (n2), representado nas linhas da tabela, no nvel de
probabilidade desejado (1 ou 5%). O valor que coincidir na coluna e linha definidas o valor
de F tabelado. Ex: experimento com 5 graus de liberdade para tratamento e 19 graus de
liberdade para resduo. O valor de F tabelado no nvel de 5% de probabilidade ser de 2,74.
Existem situaes na tabela de F em que os valores de graus de liberdade de
tratamentos e de resduo no constam na tabela, apresentando apenas intervalos. Por exemplo
o valor de 36 graus de liberdade do resduo no consta na tabela F, apenas o intervalo entre 30
e 40. Nesse caso h necessidade de realizao da interpolao harmnica para encontrarmos o
valor de F tabelado. Tomando como exemplo o valor 36 para graus de liberdade do resduo
anteriormente citado e considerando 4 graus de liberdade para tratamentos, encontramos os
seguintes valores de F:
para 30 graus de liberdade do resduo .............. 2,69
para 40 graus de liberdade do resduo .............. 2,61
Nesse caso, faz-se a seguinte regra de trs:

1/30 1/40 = 1/120 -------------> 2,75 2,70 = 0,05
1/30 1/36 = 1/180 -------------> y
y = 1/180 (0,05) / 1/120 = 0,033 0,03
6.7.2. Erro de Tipo I e de Tipo II
Ao tomar uma deciso, conforme a apresentada acima para o teste F ou para outro
teste de significncia, podem ocorrer dois tipos de erro:
a) Erro de tipo I: que consiste em aceitar como diferentes mdias de tratamentos que na
verdade so iguais.
b) Erro de tipo II: que consiste em aceitar como iguais mdias de tratamentos que so
diferentes.
Os nveis mencionados de probabilidade mencionados nos testes estatsticos se
referem apenas ao erro de tipo I. Por exemplo, o teste F no nvel de 5% de probabilidade
significa que, se as mdias forem exatamente iguais, variaes ao acaso nos levaro a obter
um resultado significativo em 5% dos casos. Para reduzir a ocorrncia do erro tipo I,
deveramos, pois, diminuir essa probabilidade, e aplicar o teste F no nvel de 1% de
probabilidade. Mas ao reduzir a probabilidade de erro do tipo I, automaticamente se aumenta
a probabilidade do erro de tipo II, isto , de aceitar como iguais mdias realmente diferentes.
Por outro lado, quando um teste de comparao de mdias no d resultado significativo, isto
no prova que as mdias sejam iguais, pois no existe nenhum teste estatstico capaz de
comprovar a igualdade de mdias. A concluso correta de um teste que no se revelou
significativo apenas de que no se comprovou diferena significativa entre as mdias. Tal
diferena pode ser nula, mas, quase sempre pequena, e no nula, pequena tendo em vista a
impreciso das estimativas, medida pelo erro padro da mdia.
6.8. Exemplo:
Comparao de seis tratamentos de aplicao de fungicidas em sementes de abbora. O
experimento foi conduzido em estufa (condies homogneas), usando-se o delineamento
com os tratamentos inteiramente casualizados, com um vaso por tratamento.
Varivel analisada: peso da matria fresca de plantas (g)
Repeties (j) Tratamento (i) Total

A B C D E F
1 15,0 14,2 22,0 21,0 11,8 17,3
2 16,2 14,8 21,0 20,7 11,6 16,9
3 15,5 15,0 20,0 20,5 14,3 19,4
4 15,0 14,5 21,5 18,8 14,4 19,1
5 16,0 13,0 21,8 18,6 14,2 20,8
Total de
tratamentos T ij 77,7 71,5 106,3 99,6 66,3 93,5 Y ij
= 514,9
a) Hipteses
- Tratamentos:
H0: A = B = C = D = E = F (Fcal Ftab) (Os fungicidas no diferem entre si)
H1: A B C D E F (Fcal > Ftab) (Pelo menos um fungicida difere dos demais)
b) Clculos com os dados obtidos (Quadro da ANOVA)
Y 2

ij
SQ 2
TOTAL
ij Y
ij
Y = (15,0 + 16,2 + ... + 20,8) = 514,9
ij
Y = (15,02 + 16,22 + ... + 20,82) = 9.131,25

2
ij
ij = 6 x 5 = 30
SOTOTAL = 9.131,25 ( 514,9)2 = 293,85
30
T 2 2
Y ij ij
SQ
Tratamento
j ij
T 2
ij = [(77,7)2 + (71,5)2 + ... + (93,5)2] = 45.507,33
SOTratamento = 45.507,33 ( 514,9)2 = 264,07

5 30

SQResduo = 293,85 264,07 = 29,78
Quadro da ANOVA (Anlise de Varincia)

FV GL SQ QM F
Tratamentos 6-1= 5 264,07 52,81 42,56**
Resduo 6(5-1)= 24 29,78 1,24
Total (6x5) - 1= 29 293,85
** Significativo no nvel de 1% de probabilidade, pelo teste F.
- Ftab (=5%) (5; 24): 2,62

- Ftab (=1%) (5; 24): 3,90 (Ver tabela teste F)
- Como Fcal (45,26) > Ftab (3,90), ento, aceita-se a hiptese Ha e rejeita-se a hiptese H0
(A B C D E F), ou seja, pelo menos um tratamento (fungicida) difere dos demais,
no nvel de 1% de probabilidade.
6.9. Exemplo de DIC com parcela perdida:
Existem situaes que durante o desenvolvimento de experimentos pode ocorrer perda

na avaliao dos dados. Essas perdas so causadas por diversos motivos (Ex: ataque de
pragas, doenas, predadores, excesso de umidade em determinada parcela). Nesse caso, a
anlise dos dados realizada considerando a parcela perdida.
Considerando os mesmos dados do exemplo anterior, mas supondo que houve a morte
da planta de abbora do tratamento 1, repetio 5. Portanto, a anlise dos dados dever ser
realizada da seguinte forma:
Dados do exemplo anterior com parcela perdida:
Considerando os dados do exemplo anterior, entretanto, houve a perda de uma parcela
do tratamento A, repetio 5, conforme o quadro abaixo.
Repeties (j) Tratamento (i) Total

A B C D E F
1 15,0 14,2 22,0 21,0 11,8 17,3
2 16,2 14,8 21,0 20,7 11,6 16,9
3 15,5 15,0 20,0 20,5 14,3 19,4
4 15,0 14,5 21,5 18,8 14,4 19,1
5 - 13,0 21,8 18,6 14,2 20,8
Total de
tratamentos T ij 61,7 71,5 106,3 99,6 66,3 93,5 Y ij
= 498,9
Clculos com os dados obtidos considerando parcela perdida

Y 2

2 ij
SQ Y

TOTAL
ij
ij 1
Y = (15,0 + 16,2 + ... + 20,8) = 498,9
ij
Y = (15,02 + 16,22 + ... + 20,82) = 8.875,25

2
ij
SOTOTAL = 8.875,25 (498,9)2 = 292,45

30
T 2 2
Y
SQ
ij ij

Tratamento
j ij
1
(61
,7 ) (71,
5
2 2 2 2 2 2
106 ,
3 99,6 66,
3
93
,
5)(2
498
,
9
)
SQTratamento
4 5 29
SOTratamento = 951,72 + 7894,01 8582,8 = 262,93

SQResduo = 292,45 262,93 = 29,52

FV GL SQ QM F
Tratamentos 6-1= 5 262,93 52,59 41,09**
Resduo 23 29,52 1,28
Total (6x5) 2= 28 292,45
** Significativo no nvel de 1% de probabilidade, pelo teste F.
Observe que o nmero de graus de liberdade do resduo mudou em funo da parcela
perdida. Portanto, a comparao do F calculado com o tabelado tambm ir mudar e novos
valores devero ser comparados.
- Ftab (=5%; 5; 23): 2,64

- Ftab (=1%; 5; 23): 3,94
- Como Fcal (41,09) > Ftab (3,94), ento, aceita-se a hiptese Ha e rejeita-se a hiptese H0
(A B C D E F), ou seja, pelo menos um tratamento (fungicida) difere dos demais,
no nvel de 1% de probabilidade.
Observa-se que para o exemplo anterior a anlise de varincia considerando parcela

perdida pouco mudou. Entretanto, deve-se ressaltar que a realizao de forma correta deve ser
considerada, pois a perda de graus de liberdade total e do resduo.
Alm da anlise de varincia, possvel medir a preciso do experimento, ou seja, se
as caractersticas avaliadas realmente foram devidas ao efeito dos tratamentos.
7. COEFICIENTE DE VARIAO
O coeficiente de variao (CV) dado pela seguinte frmula:
QME

CV
100
Y
em que Y
Y ij
a mdia geral.
ij
O coeficiente de variao d uma idia da preciso do experimento. Tendo em vista os
coeficientes de variao obtidos comumente nos experimentos agrcolas, podemos considera-
los baixos, quando inferiores a 10%, mdios, quando de 10 a 20%, altos, quando de 20 a 30%,
muito altos, quando superiores a 30%.
Considerando o exemplo anterior o coeficiente de variao calculado da seguinte

forma:
7.1. Exemplo 1 (DIC)
Coeficiente de Variao (CV):

timo: CV < 10%
Bom: 10% CV < 20%
Regular: 20% CV < 30%
Ruim: CV 30%
Y
Y ij
=
514,9
= 17,16
ij 30
1
,24

CV 100
= 6,49% (TIMO)
17
,16
Como anlise suplementar ao teste F, possvel a utilizao de tcnicas de
complementao na anlise de varincia, atravs dos seguintes procedimentos:
1 Ajustamento de funes de resposta atravs de tcnicas de anlise de regresso para

fatores quantitativos.
2 Contrastes ortogonais para fatores quantitativos e qualitativos que permitem estruturao.
3 Comparaes mltiplas de mdias para fatores quantitativos e qualitativos que permitem

ou que no permitem estruturao.
8. TESTES DE COMPARAES DE MDIAS
Os testes de comparaes mltiplas ou testes de comparaes de mdias servem como

complemento ao teste F, para detectar diferenas entre os tratamentos.
8.1. TESTE t
O teste t (ou teste de Student) o mais antigo, mas continua til e aplicado em muitos
casos, inclusive para calcular intervalos de confiana para mdias ou diferenas de mdias.
Mas no pode ser aplicado sem cuidados especiais. So os seguintes os requisitos geralmente
aceitos para sua utilizao racional:
As comparaes a que se aplica o teste t devem ser escolhidas antes de serem
examinados os dados.
Podem-se fazer no mximo tantas comparaes quantos forem os graus de liberdade
para tratamentos, e os contrastes devem ser ortogonais.
S se aplica o teste t se for significativo o valor do teste F calculado.
Mas o que se entende por contrastes ortogonais?

Seja um ensaio com 4 tratamentos, cujas mdias verdadeiras so m1, m2, m3 e m4, em
experimento inteiramente casualizado ou em blocos ao acaso, e todos os tratamentos com o
mesmo nmero de repeties. Nestas condies:
Y1 = m1 m2
Y2 = m1 + m2 2m3
Y3 = m1 + m2 + m3 3m4
Esses so exemplos de contrastes ou comparaes possveis de serem realizadas. O

que caracteriza um contraste que se forem iguais todas as mdias que nele ocorrem, o
contraste dever ser nulo. Para que isto acontea, a soma algbrica dos coeficientes deve ser
nula. Por exemplo, a funo linear:
Y = c1m1 + c2m2 + c3m3 + c4m4
Ser um contraste se tivermos c1 + c2 + c3 + c4 = 0. exatamente isto que ocorre nos
contrastes apresentados acima (Y1, Y2 e Y3). Por exemplo, se tomarmos o contraste Y2 tem-
se:
Y2 = m1 + m2 2m3
Os coeficientes desse contraste so: 1 1 2
Se somarmos os coeficientes o resultado ser: 1 + 1 2 = 0
Dizemos ento que esse contraste ortogonal, pois o somatrio dos coeficientes
igual a zero.
Consideremos agora, simultaneamente, os contrastes:
Y1 = m1 m2
Y3 = m1 + m2 + m3 3m4
Os coeficientes do primeiro contraste so: 1 1 0 0

Os coeficientes do segundo contraste so: 1 1 1 3
Se multiplicarmos o primeiro coeficiente de Y1, pelo primeiro de Y2 e assim por
diante, e somarmos os produtos, teremos:
1 x 1 + (1) x 1 + 0 x 1 + 0 x 3 = 1 1 = 0
Dizemos ento que esses contrastes so ortogonais.

Na anlise da varincia os contrastes ortogonais so importantssimos. Do ponto de
vista prtico, a ortogonalidade indica que a variao de um contraste inteiramente
independente da variao de outro que lhe seja ortogonal.
O teste t dado pela expresso:
Y
t
s (Y )
Onde:
c2 c2 c2
s (Y ) V (Y ) e V (Y ) 1 2 n s 2
r1 r2 rn
c = coeficiente do contraste
s2 = quadrado mdio do resduo
r = nmero de repeties
Y = diferena entre as mdias dos contrastes
Tomando os dados do exemplo 1 analisado pelo teste F temos:
Fungicidas Mdias
A 15,54
B 14,30
C 21,26
D 19,92
E 13,26
F 18,70
r=5
QMresduo = 1,28
g.l. do resduo = 24
Nestas condies, pela regra decisria do teste F correto o uso do teste t, desde que
se atenda as demais restries: s aplica-lo a no mximo 5 contrastes ortogonais, previamente
escolhidos, ou sugeridos por razes alheias aos dados do experimento. Sejam eles:
Y1 = m(A) m(B)
Y2 = m(C) m(D)
Y3 = m(F) m(E)
Y4 = m(C) + m(D) m(E) m(F)
Y5 = m(A) + m(B) + m(C) + m(D) + m(F) 5m(E)
Temos as estimativas seguintes para esses contrastes ortogonais:

Y1 = 15,54 14,30 = 1,24
Y2 = 21,26 19,92 = 1,34
Y3 = 18,70 13,26 = 5,44
Y4 = 21,26 + 19,92 18,70 13,26 = 9,22
Y5 = 15,54 + 14,30 + 21,26 + 19,92 + 18,70 5(13,26) = 22,93
Tomando como exemplo para comparao pelo teste t ser utilizado o contraste Y4. O
valor de t nesse caso ser:
12 12 12 12
V (Y ) 1,24 = 0,992
5 5 5 5
s(Y ) 0,992 = 0,996
Para o valor de t temos:

9,2
t 9,26
0,996
A tabela de t, no nvel de 0,1% de probabilidade e 24 graus de liberdade do resduo,

apresenta o valor t = 3,75. Como o valor de tcalculado = 9,22 maior do que o ttabelado = 3,75, o
contraste significativo, isto , h diferena real entre os efeitos dos fungicidas C e D em
comparao com os fungicidas E e F. As comparaes nos demais contrastes podem ser
realizadas da mesma forma.
8.2. TESTE DE TUKEY
O teste de Tukey pode ser utilizado para testar todo e qualquer contraste entre 2 mdias.
Este um teste muito verstil, mas que no permite comparar grupos de mdias entre si. O
teste tem por base a diferena mnima significativa (DMS), representada por e calculada
por:
Q.M .Re sduo

q
r
Onde:
q = amplitude total estudentizada, cujo valor encontrado em tabelas, em funo do nmero
de tratamentos (i) e do nmero de graus de liberdade do resduo, no nvel de probabilidade;
Q.M.Resduo = Quadrado mdio do resduo
r = nmero de repeties das mdias confrontadas no contraste.
Obs: para que o teste seja exato, exige que todas as mdias possuam o mesmo nmero de
repeties. Se as 2 mdias confrontadas no contraste no possurem o mesmo nmero de
repeties, podemos aplicar o teste de forma aproximada, calculando-se o valor da d.m.s.,
representada por , como:
Exemplos de aplicao do teste de Tukey, considerando os dados do exemplo 1 apresentado

no DIC
a) Testes de mdias do Exemplo 1 (DIC) utilizando teste de Tukey (q)

Probabilidade (erro): 1%
No tratamentos em estudo: 6
No GL resduo: 24
q (=1%; 6; 24) = 5,37
Q.M . Re sduo
Diferena mnima significativa - dms ou q
r
1,24
5,37 = 2,67
5
Posteriormente, as medias dos tratamentos devem ser colocadas em ordem decrescente
e realizao das comparaes entre as mesmas, atravs das diferenas entre as mdias:
C = 21,26 D = 19,92 F = 18,70 A = 15,54 B = 14,30 E = 13,26
C = 21,26 - 1,34 2,56 6,02 6,96 8,00
D = 19,92 - - 1,22 4,38 5,62 6,66
F = 18,70 - - - 3,16 4,40 5,44
A = 15,54 - - - - 1,24 2,28
B = 14,30 - - - - - 1,04
E = 13,26 - - - - - -
As diferenas entre as mdias determinadas no quadro acima devem ser comparadas

com a dms calculada pelo teste de Tukey. Se a diferena entre as mdias dos tratamentos
comparados for maior do que a dms, os tratamentos so considerados estatisticamente
diferentes pelo teste de Tukey, no nvel de probabilidade utilizado. Por outro lado, se a
diferena entre as mdias dos tratamentos for menor do que a dms, os tratamentos so
considerados estatisticamente iguais pelo teste de Tukey, no nvel de probabilidade utilizado.
Para indicar igualdade ou diferena entre os tratamentos utiliza-se a colocao de letras em
ordem alfabtica. Mdias seguidas pela mesma letra indicam tratamentos iguais.
Fungicidas Matria fresca (g)
C 21,26 a
D 19,92 a
F 18,70 a
A 15,54 b
B 14,30 b
E 13,26 b
Mdias seguidas de mesma letra no diferem significativamente entre si no nvel de 1% de
probabilidade pelo teste Tukey.
Concluses do experimento
- Fungicidas com maior eficincia: C, D e F
- Fungicidas com menor eficincia: A, B e E
8.3. TESTE DE DUNCAN
O teste de Duncan fornece resultados mais discriminados que os do teste de Tukey,

sendo menos rigoroso que ele, mas de aplicao mais trabalhosa. O teste exige que as mdias
sejam colocadas em ordem decrescente e que todas elas possuam o mesmo nmero de
repeties, para ser exato.
Cada contraste testado envolve apenas 2 mdias, embora a amplitude do contraste
possa abranger um nmero maior de mdias. Este teste baseia-se na amplitude total mnima
significativa, denotada por Di e que, para testar em contraste obtida por:
Q.M .Re sduo
Di Z i
r
Onde:
Zi = amplitude total estudentizada, cujo valor encontrado em tabelas, em funo do nmero
de mdias abrangidas pelo contraste (i) e do nmero de graus de liberdade do resduo, no
nvel de probabilidade;
s = desvio padro residual = Q.M . Re sduo ;
Concluso:
Se < Di , o contraste no significativo, conclumos que as mdias confrontadas no
diferem entre si.
Se Di , o contraste significativo, conclumos que as mdias contrastadas diferem
entre si e passamos a testar contrastes que abrangem um nmero menor de mdias.
8.4. TESTE DE DUNNETT

Este teste utilizado quando as nicas comparaes que interessam ao experimentador
so aquelas feitas entre um determinado tratamento padro, geralmente a testemunha, e cada
um dos demais tratamentos, no havendo interesse na comparao dos demais tratamentos
entre si.
Assim, um experimento com i tratamentos permite a aplicao do teste a i 1
comparaes.
1 = m1 mp
2 = m2 mp
.
.
.
i 1 = mi 1 mp
A estatstica para este teste fica:
d = td . S()
Onde:
td = valor dado na tabela para uso no teste de Dunnett, em funo do nmero de graus de
liberdade de tratamentos (i 1) e do nmero de graus de liberdade do resduo.
^ ^
S() = erro padro do contraste = V ( Y )
^ ^ 1 1
sendo V (Y ) s 2 onde s2 = Q.M.Resduo
ri rk
Dessa forma, a equao fica:
Q.M .Re sduo

d ' td
r
Concluso:
Se < d , o contraste no significativo e as mdias desse contraste no diferem
entre si.
Se d , o contraste significativo, indicando que a mdia da testemunha (ou
padro) difere estatisticamente da mdia do tratamento com ela comparado.
8.5. TESTE DE SCHEFF
Este teste pode ser aplicado para testar todo e qualquer contraste de mdias, mesmo quando
sugerido pelos dados. frequentemente utilizado para testar contrastes que envolvem grupos
de mdias.
Para sua aplicao correta, exige apenas que o teste F da ANOVA para tratamentos
seja significativo.
A estatstica do teste a seguinte:
^ ^
S (i 1) F V (Y )
Onde:
I = nmero de tratamentos do experimento.
F = valor crtico da tabela, no nvel de probabilidade, em funo de graus de liberdade de
tratamentos e do resduo.
Se S , dizemos que o contraste significativo no nvel de probabilidade, indicando que
os grupos de mdias confrontadas no contraste diferem entre si a esse nvel de probabilidade.
^ ^ 1 1 2
sendo V (Y ) s onde s2 = Q.M.Resduo
ri rk
Dessa forma, a equao fica:

QM Re sduo
S (i 1) F
r
8.6. TESTE DE STUDENT-NEWMAN-KEWS (SNK)
Considerado intermedirio entre o teste de Duncan e de Tukey em relao a

rigorosidade. O teste de SNK semelhante ao teste de Duncan por apresentar mesmo nmero
de mdias abrangidas pelo contraste. A diferena que na dms do SNK so usados os valores
tabelados de qi ao invs de zi, ou seja, deve-se procurar o valor tabelado na Tabela de q ao
nvel de significncia estabelecido (a), correspondente a combinao entre o nmero de
mdias abrangidas na comparao (n) e o grau de liberdade do erro (GLE) da anlise de
varincia.
s2
SNKi qi
r
qi = amplitude total estudentizada, cujo valor encontrado em tabelas, em funo do nmero

de mdias abrangidas pelo contraste em vez do nmero de tratamentos e do nmero de graus
de liberdade do resduo, ao nvel de probabilidade;
S = desvio padro residual = Q.M . Re sdu o ;
Nesse caso a frmula acima ser:
Q.M . Re sduo
SNKi qi
r
9. DELINEAMENTO EM BLOCOS CASUALIZADOS (DBC)
O delineamento em blocos casualizados tambm denominado de delineamento em

blocos ao acaso ou ainda delineamento em blocos completos casualizados, e se constitui no
mais utilizado de todos os delineamentos experimentais.
Este tipo de delineamento utilizado quando as condies experimentais no so
completamente homogneas. Nesta situao devemos ento dividir a rea ou o material
experimental em blocos (ou grupos) de tal forma que exista homogeneidade dentro de cada
um deles e que cada um deles contenha uma repetio de cada tratamento distribudos
inteiramente ao acaso dentro de cada bloco.
O DBC envolve os trs princpios bsicos da experimentao:
1. Repetio: existe pelo menos uma repetio de cada tratamento no experimento;
2. Casualizao: os tratamentos so distribudos inteiramente ao acaso dentro de cada
bloco;
3. Controle local: faz-se a diviso do local ou do material experimental, em sub-grupos
ou blocos de tal forma que se tenha garantido a uniformidade nestes blocos.
Em experimentos de campo, deve-se dividir a rea experimental, em sub-grupos ou
blocos de tal forma que cada um possa ser homogneo dentro de si em relao declividade,
fertilidade, incidncia de luz solar, etc. Nos experimentos zootcnicos, deve-se dividir o grupo
maior de animais em subgrupos que sejam homogneos com relao a idade, peso, raa, etc.
Em experimentos instalados segundo o DBC, no importa que as condies
experimentais de um bloco sejam diferentes das condies experimentais do outro bloco. O
que importa a homogeneidade dentro de cada bloco. O DBC usado quando se deseja
controlar uma causa de variao alm do efeito de tratamentos.
Exemplos:
a) Desuniformidade do terreno: reas adjacentes nos experimentos de campo tem menor
variabilidade.
b) Animais de mesmo peso em cada bloco.
c) Observaes em um determinado dia.
d) Uso de mais de um equipamento.
e) Uso de mais de uma pessoa para avaliar certos caracteres.
f) Sexo, idade, condio, etc.
Num experimento com 6 tratamentos, por exemplo, 6 cultivares designadas A, B, C, D, E e F,

em 4 blocos, o plano experimental aps o sorteio dos tratamentos poderia ser o seguinte:
A F B E C D E B D A F C F E A B D C C A D B F E
Bloco I Bloco II Bloco III Bloco IV
H um total de 24 parcelas, sendo 6 em cada bloco para os 6 tratamentos.
Quanto distribuio dos blocos no campo, eles podem ficar juntos ou separados pela
rea experimental (Figura 9). Porm, geralmente so colocados uns prximos aos outros,
visando maior facilidade nos trabalhos de campo, durante a execuo do experimento.
Figura 9. Distribuio dos blocos na rea experimental.
9.1. Vantagens do DBC

1. As unidades experimentais so agrupadas em blocos, de forma que maior
preciso obtida na comparao entre dois tratamentos, que no delineamento
inteiramente casualizado.
2. No h restrio no nmero de tratamentos ou de blocos.
3. A anlise estatstica simples.
9.2. Desvantagens do DBC
Quando a variao entre unidades experimentais dentro de blocos grande. Isso

geralmente ocorre quando o nmero de tratamentos grande e no possvel assegurar
uniformidade entre unidades experimentais dentro de blocos. Em tais situaes usam-se
outros tipos de delineamento.
9.3. Modelo Estatstico

O modelo estatstico de um experimento em blocos casualizados o seguinte:
Yij = m + ti +bj + eij
Yij = valor da parcela que recebeu tratamento i e se encontra no bloco j;

m = mdia da populao;
ti = efeito devido ao tratamento i, que foi aplicado na parcela;
bj = efeito do bloco j, em que se encontra a parcela;
eij = erro devido aos fatores no controlados na parcela.
9.4. Anlise de varincia do DBC
As frmulas para calcular as somas de quadrados (SQ) so:

Y 2

ij
SQ Y 2
TOTAL
ij
ij
T
2 2
Y
ij ij
SQ
Tratamento em que Ti o total de tratamentos
j ij
B 2 2
Y ij ij
SQ
Bloco em que Bi o total de blocos
i ij
SQResduo = SQTotal SQBloco SQTratamento
O quadro da ANOVA para a anlise de um experimento instalado segundo o DBC

com i tratamentos e j repeties (blocos) do seguinte tipo.
Quadro de anlise de varincia (ANOVA) de um experimento em blocos casualizados com
nmero igual de repeties.
Fonte de Graus de Soma de quadrados Quadrado F

variao liberdade mdio
T Y
2
2
ij ij
SQ trat QM trat
Tratamentos i 1
j ij g.l.trat QM res
B
Y
2
2
ij ij
SQ bloco
Blocos j1
i ij g.l.bloco
SQ res
Resduo (Erro) (i 1).(j 1) SQtotal SQtrat. SQBloco
g.l.res
Y
2

ij
Total ij 1 Y 2
ij
ij
As hipteses em julgamento no experimento (teste F) sero:

- Tratamentos
H0: t1 = t2 = t3 =. . . = tn (Fcal Ftab) (Os tratamentos no diferem entre si)
H1: t1 t2 t3 . . . tn (Fcal > Ftab) (Pelo menos um tratamento difere dos demais)
- Blocos
H0: B1 = B2 =... = Bn (Fcal Ftab) (Os blocos no diferem entre si)
H1: B1 B2... Bn (Fcal > Ftab) (Pelo menos um bloco difere dos demais)
O teste F para blocos, ou seja, a comparao entre blocos, geralmente desnecessria,
pois ao instalar o experimento no DBC, o pesquisador utilizou os blocos para controlar uma
causa de variao conhecida. Nos casos em que a variao entre blocos duvidosa, o
pesquisador pode realizar o teste F para blocos, para servir como orientao para a instalao
de futuros experimentos.
A regra decisria para o teste F a mesma que no caso do DIC, ou seja:
- se o valor de F calculado F tabelado, ento rejeita-se H0 e conclui-se que h
diferena significativa entre os tratamentos no nvel de significncia em que foi
realizado o teste.
- se o valor de F calculado < F tabelado, ento no rejeita-se H0 e conclui-se que no h
diferena significativa entre os tratamentos no nvel de significncia em que foi
realizado o teste.
9.5. Exemplo DBC

- Experimento: Competio de cultivares de algodo
- Tratamentos: 7 cultivares (BRS1, BRS2, BRS3, BRS4, BRS5, BRS6, BRS7)
- Parcela: rea total (4 linhas de 5m, espaadas de 0,90 m); rea til (2 linhas centrais,
descontando-se 0,50 m nas extremidades)
- Caracterstica avaliada: produtividade (kg de algodo em caroo/ha)
Cultivares Bloco 1 Bloco 2 Bloco 3 Bloco 4 Totais de

Cultivares
BRS1 1.920 2.340 2.100 1.920 8.280
BRS2 3.110 3.700 3.640 3.570 14.020
BRS3 3.260 3.990 3.420 3.510 14.180
BRS4 2.540 2.190 2.010 2.230 8.970
BRS5 2.270 2.800 2.820 2.710 10.600
BRS6 3.000 3.110 3.000 3.800 12.910
BRS7 3.310 3.420 3.640 2.630 13.000
TOTAIS DE 19.410 21.550 20.630 20.370 81.960
BLOCOS
a) Hipteses
- Tratamentos:
H0: BRS1 = BRS2 =. . . = BRS7 (Fcal Ftab) (Os cultivares no diferem entre si)
H1: BRS1 BRS2 . . . BRS7 (Fcal > Ftab) (Pelo menos um cultivar difere dos demais)
- Blocos:
H0: B1 = ... = B4 (Fcal Ftab) (Os blocos no diferem entre si)
H1: B1 ... B4 (Fcal > Ftab) (Pelo menos um bloco difere dos demais)
b) Clculos com os dados obtidos (Quadro da Anova)
SQTotal Yij
2
Yij
2
ij
Yij = 1.920 + 3.110 + ... + 2.630 = 81.960
Yij2 = [(1.920)2 + (3.110)2 + ... + (2.630)2] = 250.660.400,0
ij = 7 x 4 = 28
Y ij
2

81.
2
960
239.908.62
8,6
=
ij 28
SOTotal = 250.660.400,0 239.908.628,6 = 10.751.771,4
B 2 2
Y

ij ij
SQ Bloco
i ij
B 2
ij = [(19.410)2 + (21.550)2 + ... + (20.370)2 = 1.681.684.400
1
.
681
.
684
.
000

SQ
Bloco239
.
908
.
628
,
6240
.
240
.
629
239
.
908
.
628
,
6332
.
000
7
T 2 2
Y ij ij
SQ
Tratamento
j ij
T 2
ij= [(8.280)2 + ... + 13.000)2] = 994.680.200
994 .680 .200
SQTratamento 239 .
908 .
628
,.
6 248.6 0 -
239.
8,6
8.7
4
4
SQResduo = 10.751.771,4 332.000 8.761.421,4 = 1.658.350,0

FV GL SQ QM F
Blocos 4-1= 3 332.000,0 110.666,66 1,20ns
Tratamentos 7-1= 6 8.761.421,4 1.460.236,90 15,85**
Resduo 6x3= 18 1.658.350,0 92.130,55 --
Total (7x4)-1= 27 10.751.771,4 -- --
**: Significativo no nvel de 1% de probabilidade, pelo teste F
ns
: no significativo
- Blocos: Ftab (=5%; 3; 18): 3,16; Ftab (=1%; 3; 18): 5,09

Como Fcal Ftab: ento, aceita-se a hiptese H0 e rejeita-se a hiptese Ha (B1=B2=B3=B4),
ou seja, os blocos no diferem entre si.
- Tratamentos: Ftab (=5%; 6; 18): 2,66; Ftab (=1%; 6; 18): 4,01

Como Fcal > Ftab: ento, aceita-se a hiptese Ha e rejeita-se a hiptese H0 (BRS1 BRS2
BRS3 BRS4 BRS5 BRS6 BRS7), ou seja, pelo menos um cultivar difere dos demais.
9.6. Coeficiente de variao (DBC)
Y
Y ij
=
81.960
= 2.927,10
ij 28
92
.130
,55

CV
100
= 10,37% (BOM)
2
.
927
,
1
9.7. Testes de mdias (DBC) utilizando teste de Duncan (Di)
No GL resduo: 18
Z1 (=1%; 2; 18) = 4,07
Z2 (=1%; 3; 18) = 4,27
Z3 (=1%; 4; 18) = 4,38
Z4 (=1%; 5; 18) = 4,46
Z5 (=1%; 6; 18) = 4,53
Z6 (=1%; 7; 18) = 4,59
Q.M .Re sduo
Diferena mnima significativa - dms ou D i Z i
r
92130 ,55
D1 4,07 = 617,7
4
92130 ,55
D 2 4,27 = 648,0
4
92130 ,55
D3 4,38 = 664,7
4
92130 ,55
D4 4,46 = 676,9
4
92130 ,55
D5 4,53 = 687,5
4
92130 ,55
D6 4,59 = 696,6
4
BRS3 BRS2 BRS7 BRS6 BRS5 BRS4 BRS1
(3.545) (3.505) (3.250) (3.228) (2.650) (2.243) (2.070)
BRS3 - 40 295 317 895 1.302 1.475
(3.545)
BRS2 - - 255 277 855 1.262 1.435
(3.505)
BRS7 - - - 22 600 1.007 1.180
(3.250)
BRS6 - - - - 578 985 1.158
(3.228)
BRS5 - - - - - 407 580
(2.650)
BRS4 - - - - - - 173
(2.243)
BRS1 - - - - - - -
(2.070)
As diferenas entre as mdias determinadas no quadro acima devem ser comparadas
com a dms calculada pelo teste de Duncan, dependendo do nmero de mdias abrangidas pelo
contraste. Por exemplo, se a comparao for entre as mdias dos tratamentos BRS3 e BRS6, o
nmero de mdias abrangidas pelo contraste ser igual a 4 (BRS3, BRS2, BRS7, BRS6). Por
isso que para a comparao desse teste, as mdias dos tratamentos a serem comparadas tem
que necessariamente serem colocadas em ordem decrescente. Como o nmero de mdias
abrangidas pelo contraste igual a 4, utiliza-se para a comparao o D4 do teste de Duncan.
Se a diferena entre as mdias dos tratamentos comparados for maior do que a dms, os
tratamentos so considerados estatisticamente diferentes pelo teste de Duncan, no nvel de
probabilidade utilizado. Por outro lado, se a diferena entre as mdias dos tratamentos for
menor do que a dms, os tratamentos so considerados estatisticamente iguais pelo teste de
Duncan, no nvel de probabilidade utilizado. Para indicar igualdade ou diferena entre os
tratamentos utiliza-se a colocao de letras em ordem alfabtica. Mdias seguidas pela mesma
letra indicam tratamentos iguais.
Cultivares Algodo em caroo (kg/ha)

BRS3 3.545 a
BRS2 3.505 a
BRS7 3.250 ab
BRS6 3.228 ab
BRS5 2.650 bc
BRS4 2.243 c
BRS1 2.070 c
probabilidade pelo teste de Duncan.
Concluso do experimento
- Cultivares com maior eficincia: BRS3 e BRS2
- Cultivares com eficincia intermediria: BRS7 e BRS6
- Cultivares com menor eficincia: BRS5, BRS4 e BRS1
9.8. Exemplo de DBC com parcela perdida

Considerando os dados obtidos no exemplo anterior e supondo que houve a perda de
uma parcela perdida (Cultivar A, bloco 4), conforme apresentado abaixo.
- Experimento: Competio de cultivares de algodo

- Tratamentos: 7 cultivares (A, B, C, D, E, F, G)
- Caracterstica avaliada: produtividade (kg de algodo em caroo/ha)
Cultivares Bloco 1 Bloco 2 Bloco 3 Bloco 4 Totais de
(tratamentos) tratamentos
A 1.920 2.340 2.100 --- 6.360
B 3.110 3.700 3.640 3.570 14.020
C 3.260 3.990 3.420 3.510 14.180
D 2.540 2.190 2.010 2.230 8.970
E 2.270 2.800 2.820 2.710 10.600
F 3.000 3.110 3.000 3.800 12.910
G 3.310 3.420 3.640 2.630 13.000
TOTAIS DE
19.410 21.550 20.630 18.450 80.040
BLOCOS
A anlise pode ser realizada mediante a estimativa de um valor que substituir o que
deveria ser obtido nessa parcela. Esta estimativa de maneira alguma representa o valor que
seria obtido, pois no impossvel saber o valor exato, mas apenas um artifcio de clculo
que conduz ao mesmo resultado a que se chegaria por processos muito mais complexos,
considerando apenas os dados realmente obtidos.
No caso de um experimento em blocos ao acaso, o valor de y, que representar a
parcela perdida ser:
rBnTG
y
r
( )
1 (
n
1)
Onde:
B = total das parcelas restantes no bloco em que aparece a parcela perdida;
r = nmero de blocos;
n = nmero de tratamentos;
T = total do tratamento de parcela perdida nos outros blocos;
G = total das parcelas disponveis.
No exemplo anterior temos:
B = 18.450 r=4 n=7 T = 6.360 G = 80.040
Substituindo esses valores na equao, temos:

418
.
450
7
6.
360
80
.040

y
2
.
126
,
67
(
4
1
)(
7
1)
Este valor substitudo no lugar da parcela perdida e a anlise feita como

anteriormente, com a nica diferena de que se perde um grau de liberdade para o resduo.
Nesse caso, obtem-se a seguinte anlise de varincia.
a) Clculos com os dados obtidos (Quadro da Anova)
Y 2

2 ij
SQ TOTAL
ij Y
ij
Y = 1.920 + 3.110 + ... + 2.630 = 82.166,67
ij
Y = [(1.920)2 + (3.110)2 + ... + (2.630)2] = 251.496.725,29

2
ij
Y 2
82.166,67 2 241.120.05 9,25
ij
=
ij 28
SOTOTAL = 251.496.725,29 241.120.059,25 = 10.376.666,04
B 2 2
Y

ij ij
SQ Bloco
i ij
B 2
ij = [(19.410)2 + (21.550)2 + ... + (20.370)2 = 1.690.146.848,29
1.690.146.848,29
SQBloco 241.120.059,25 241.449.549,76 241.120.059,25 329.490,51
7
ij ij
2 2
T Y
SQ
Tratamento
j ij
Tij = [(8.280) + ... + 13.000)2] = 998.145.367,69
2 2
998.145.36 7,69
SQTratamento 241.120.059,25 249.536.34 1,92 - 241.120.059,25 8.416.282, 68
4

SQResduo = 10.376.666,1 329 .490,51 8.416.282,68 = 1.630.892,86

FV GL SQ QM F
Blocos 4-1= 3 329.490,51 109.830,20 1,14ns
Tratamentos 7-1= 6 8.416.282,68 1.402.713,78 14,62**
Resduo 17 1.658.350,0 95.934,87 --
Total (7x4)-2= 26 10.376.666,04 -- --
ns
: no significativo
- Blocos: Ftab (=5%; 3; 17): 3,20; Ftab (=1%; 3; 17): 5,18
Como Fcal Ftab: ento, aceita-se a hiptese H0 e rejeita-se a hiptese Ha (B1=B2=B3=B4),
ou seja, os blocos no diferem entre si a 5 e 1% de probabilidade pelo teste F.
Como Fcal > Ftab: ento, aceita-se a hiptese Ha e rejeita-se a hiptese H0 (AB
CDEFG), ou seja, pelo menos um cultivar difere dos demais, a 1% de probabilidade
pelo teste F.
10. DELINEAMENTO EM QUADRADO LATINO (DQL)
Este delineamento apropriado quando podemos reconhecer, antes da aplicao dos

tratamentos, duas fontes de variao entre as unidades experimentais. Nesses caso, o controle
efetuado em duas direes: blocos horizontais (linhas) e blocos verticais (colunas), porm os
experimentos no DQL so menos usuais na experimentao agrcola.
A sua configurao constituda de linhas e colunas onde cada uma delas tem a
estrutura de um bloco. Assim, se so i tratamentos, o nmero total de parcelas i2. Este
delineamento utilizado quando podemos observar duas fontes de variabilidade nas unidades
experimentais.
10.1. Caractersticas do DQL

a) O nmero total de unidades experimentais necessrias para um experimento nesse
delineamento igual a i2, sendo i o nmero de tratamentos;
b) Cada tratamento representado uma nica vez e ao acaso em cada linha e em cada
coluna;
c) O nmero de tratamentos igual ao nmero de repeties;
d) Este delineamento aconselhvel quando o nmero de tratamentos oscila entre 3 e 10;
10.2. Casualizao no delineamento em quadrado latino
Consideremos 5 tratamentos: A, B, C, D e F;
- Faz-se a distribuio sistemtica dos tratamentos dentro das linhas, de maneira que
cada coluna contenha tambm todos os tratamentos, como abaixo:
Colunas
Linhas 1 2 3 4 5
1 A B C D E
2 E A B C D
3 D E A B C
4 C D E A B
5 B C D E A
- Em seguida distribui-se as linhas entre si, e depois as colunas, podendo-se obter um

quadrado final semelhante ao apresentado abaixo.
- Casualizando as linhas temos:
Colunas
Linhas 1 2 3 4 5
4 C D E A B
2 E A B C D
1 A B C D E
3 D E A B C
5 B C D E A
- Casualizando as colunas temos:
Colunas
Linhas 4 2 3 5 1
4 A D E B C
2 C A B D E
1 D B C E A
3 B E A C D
5 E C D A B
10.3. Vantagens do DQL

- Extrai-se do erro (resduo) as variaes devido a linhas e colunas;
10.4. Desvantagens do DQL

- diminu os graus de liberdade do resduo;
- o nmero de tratamentos limitado, pois o nmero de linhas tem que ser igual ao
nmero de colunas e igual ao nmero de tratamentos
- restrio quanto a casualizao: um tratamento qualquer deve aparecer somente uma
nica vez na linha e na coluna.
10.5. Modelo estatstico

O modelo estatstico de um experimento em quadrado latino o seguinte:
Yij(k) = m + ti + lj + ck + ejk(i)
Yij(k) = valor da parcela que recebeu tratamento k e se encontra na linha i e na

coluna j;
m = mdia de todas as unidades experimentais para a varivel em estudo;
ti = efeito devido ao tratamento i;
lj = efeito devido a linha j;
ck = efeito devido a coluna k;
ejk(i) = erro devido aos fatores no controlados na parcela i, j, k.
10.6. Anlise de varincia do DQL
As frmulas para se calcular as somas de quadrados (SQ) so:
SQTotal Y 2

Y jk ( i ) 2
jk ( i ) 2
i
SQLinha
L 2
j

Y jk ( i )
2
em que Lj o total de linhas

2
i i
SQColuna
C 2
k

Y jk(i)
2
em que Ck o total de colunas

2
i i
SQTratamento
T i
2

Y jk ( i )
2
em que Ti o total de tratamentos

2
i i
SQResduo = SQTotal SQLinha SQColuna SQTratamento
O quadro da ANOVA para a anlise de um experimento instalado segundo o DQL

com k tratamentos, i linhas e j colunas (i = j = k) do seguinte tipo.
Quadro de anlise de varincia (ANOVA) de um experimento em quadrado latino.

Fonte de Graus de Soma de Quadrado F
variao liberdade quadrados mdio
Ti Y jk (i ) SQ trat QM trat
2 2
Tratamentos i 1
i i 2 g.l.trat QM res
L2j Y jk (i ) SQ linha
2
Linhas i1
i i2 g.l.linha
Ck2 Yjk(i) SQ coluna
2
Colunas i1
i i2 g.l.coluna
SQtotal SQLinha SQ res
Resduo (Erro) (i 1).(i 2)
SQColuna SQtrat g.l.res
Y
2
Total i2 1 Y jk2 (i ) i
jk ( i )
2
10.7. Exemplo DQL
- Experimento: Competio de variedades de cana-de-acar

- Tratamentos: 5 variedades (A, B, C, D, E)
- Parcela: rea total (6 linhas de 10 m, espaadas de 1,4 m); rea til (4 linhas centrais,
descontando-se 1,0 m nas extremidades)
- Caracterstica avaliada: produtividade (kg/parcela)
Coluna
Linha 1 2 3 4 5 Totais de
linhas
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 2.654 2.540 2.289 2.310 1.970 11.763
COLUNAS
a) Hipteses
- Tratamentos:
H0: A = B =. . . = E (Fcal Ftab) (As variedades no diferem entre si)
H1: A B . . . E (Fcal > Ftab) (Pelo menos uma variedades difere das demais)
- Linhas:
H0: L1 = ... = L5 (Fcal Ftab) (As linhas no diferem entre si)
H1: L1 ... L5 (Fcal > Ftab) (Pelo menos uma linha difere das demais)
- Colunas:
H0: C1 = ... = C5 (Fcal Ftab) (As colunas no diferem entre si)
H1: C1 ... C5 (Fcal > Ftab) (Pelo menos uma coluna difere das demais)
b) Clculos com os dados obtidos (Quadro da Anova)
SQTotal Y 2

Y jk ( i )
2
jk ( i ) 2
i
Y = 432 + 724 + ... + 318 = 11.763
ij
Y = [(432)2 + (724)2 + ... + (318)2] = 5.792.451

2
ij
Y = 11.763
jk ( i )
2
5.534.726,8
2
2
i 25
SOTOTAL = 5.792,21 5.534.726,8 = 257.724,2
SQLinha
L 2
j

Y jk ( i )
2
2
i i
L = [(2.322) + (2.676)2 + ... + (2.325)2 = 27.826.037
2
j
2
27
.
826
.
037

SQ
Linha5
.
534
.8
726
,
5.565.20
5.
534
.
726
,
830.480,64
5
SQColuna
C 2
k

Y jk(i)
2
2
i i
C = [(2.654) + (2.540)2 + ... + (1.970)2] = 27.951.837
2
k
2
27
.
951
.
837

SQ 5
.
534
.
Coluna8
726
,
5.590.36
45
.
534
.
726
,
855.640,64
5
Para obter a soma de quadrados relativa a tratamentos, calculamos primeiro os totais

deles:
A = 518 + 524 + 420 + 486 + 515 = 2.463
B = 458 + 550 + 384 + 494 + 318 = 2.204
C = 583 + 724 + 556 + 501 + 660 = 3.024
D = 432 + 400 + 297 + 500 + 438 = 2.067
E = 331 + 478 + 489 + 313 + 394 = 2.005
SQTratamento
T i
2

Y
jk ( i )
2
2
i i
Ti = [(2.463) + ... + (2.005)2] = 28.361.075
2 2
28
.
361
.
075

SQ 5
.
534
.
726
,
8
5.672.2
-
5.534
Tratamento 8
137.
5

SQResduo = 257.724,2 + 30.480,64 + 55.640,64 + 137.488,2 = 34.114,72

FV GL SQ QM F
Linhas 5-1= 4 30.480,64 7.620,16 2,68ns
Colunas 5-1= 4 55.640,64 13.910,16 4,89*
Tratamentos 5-1= 4 137.488,2 34.372,05 12,09**
Resduo (5-1)(5-2)= 12 34.114,72 2.842,49 --
Total 25-1= 24 -- --
*: Significativo no nvel de 5% de probabilidade, pelo teste F
ns
: no significativo
- Linhas: Ftab (=5%; 4; 12): 3,26; Ftab (=1%; 4; 12): 5,41

Como Fcal Ftab: ento, aceita-se a hiptese H0 e rejeita-se Ha (L1=L2=L3=L4=L5), ou seja,
as linhas no diferem entre si, pelo teste F.
- Colunas: Ftab (=5%; 4; 12): 3,26; Ftab (=1%; 4; 12): 5,41

Como Fcal > Ftab: ento, aceita-se a hiptese Ha e rejeita-se a hiptese H0
(C1C2C3C4C5), ou seja, as colunas diferem entre si, pelo teste F a 5% de probabilidade.

CDEF), ou seja, pelo menos uma variedade difere das demais, pelo teste F, a 1% de
probabilidade.
10.8. Coeficiente de variao (DQL)
Y
Y ij
= 11.763 = 470,52
ij
25
CV = 11.763 x 100= 23,05% (REGULAR)

470,52
10.9. Testes de mdias (DQL) utilizando teste de Duncan (z)

No GL resduo: 12
q (5%; 5; 12) = 3,36
Q.M .Re sduo
Diferena mnima significativa - dms ou D i Z i
r
2.842,59
Di 3,36 = 80,11
5

C = 604,8 A = 492,6 B = 440,8 D = 413,4 E = 401,0
C = 604,8 - 164 191,4 203,8 604,8
A = 492,6 - - 51,8 79,2 91,6
B = 440,8 - - - 27,4 39,8
D = 413,4 - - - - 12,4
E = 401,0 - - - - -
Variedades Produo (kg/parcela)

C 604,8 a
A 492,6 b
B 440,8 bc
D 413,4 bc
E 401,0 c
probabilidade pelo teste Duncan.
Concluso do experimento
- Variedades com maior eficincia: C
- Variedades com menor eficincia: E
- Variedades com eficincia intermediria: A, B e D
10.10. Exemplo de DQL com parcela perdida
Semelhante ao descrito para os delineamentos anteriores (DIC e DBC), a anlise

estatstica de experimentos em DQL com parcela perdida, tambm apresenta particularidades
de deve ser realizada conforme a seguir.
Quando a perda de parcela em experimentos onde utilizou-se o DQL h necessidade
de estimar um valor para substituir o que deveria ter sido obtido. A estimativa desse valor
ocorre atravs da utilizao da frmula abaixo:
r L C T 2G
y
( r 1) ( r 2)
Onde:
r = nmero de repeties;
L = total da linha em que aparece a parcela perdida;
C = total da coluna em que aparece a parcela perdida;
T = total do tratamento em que aparece a parcela perdida;
G = total das parcelas disponveis.
10.11. Exemplo de aplicao de DQL com parcela perdida:

Experimento de adubao de milho em quadro latino 6 x 6, em que houve a perda de uma
parcela. Os dados apresentados referem-se a produo de gros em kg/parcela.
Colunas Total de
Linhas 1 2 3 4 5 6 linhas
1 A = 79,8 D = 59,5 B = 78,7 E = 72,9 C = 76,9 F = 85,7 453,5
2 C = 83,7 F = 69,9 D = 74,1 A = 77,3 B = 84,5 E = 72,2 461,7
3 D = 73,8 E = F = 72,2 B = 84,1 A = 87,0 C = 69,4 386,5
4 F = 77,9 B = 87,2 E = 67,5 C = 89,9 D = 83,0 A = 81,1 486,6
5 B = 73,5 C = 81,3 A = 65,7 F = 76,6 E = 70,7 D = 81,1 448,9
6 E = 64,5 A = 81,3 C = 85,6 D = 74,6 F = 63,8 B = 89,9 459,7
Total de
colunas 453,2 379,2 443,8 475,4 465,9 479,4 2.696,9
Totais de tratamentos:
A = 79,8 + 81,3 + 65,7 + 77,3 + 87,0 + 81,1 = 472,2
B = 73,5 + 87,2 + 78,7 + 84,1 + 84,5 + 89,9 = 497,9
C = 83,7 + 81,3 + 85,6 + 89,9 + 76,9 + 69,4 = 486,8
D = 73,8 + 81,3 + 85,6 + 89,9 + 76,9 + 69,4 = 446,1
E = 64,5 + 67,5 + 72,9 + 70,7 + 72,2 = 347,8
F = 77,9 + 69,9 + 72,2 + 76,6 + 63,8 + 85,7 = 446,1
No exemplo temos:
r=6 T = 347,8 L = 386,5 C = 379,2 G = 2.696,9

Substituindo esses valores na equao, temos:
6386,5 379,2 347,8 2 2.696,9

y 64,36 64,4
(6 1) (6 2)
Este valor substitudo no lugar da parcela perdida e a anlise feita como

anteriormente, com a nica diferena de que se perde um grau de liberdade para o resduo.
Nesse caso, o quadro com os dados obtidos ficar da seguinte forma:
Colunas Total de
Linhas 1 2 3 4 5 6 linhas
1 A = 79,8 D = 59,5 B = 78,7 E = 72,9 C = 76,9 F = 85,7 453,5
2 C = 83,7 F = 69,9 D = 74,1 A = 77,3 B = 84,5 A = 81,1 470,6
3 D = 73,8 E = 64,4 F = 72,2 B = 84,1 A = 87,0 C = 69,4 450,9
4 F = 77,9 B = 87,2 E = 67,5 C = 89,9 D = 83,0 E = 72,2 477,7
5 B = 73,5 C = 81,3 A = 65,7 F = 76,6 E = 70,7 D = 81,1 448,9
6 E = 64,5 A = 81,3 C = 85,6 D = 74,6 F = 63,8 B = 89,9 459,7
Total de
colunas 453,2 443,6 443,8 475,4 465,9 479,4 2.761,3
a) Clculos com os dados obtidos (Quadro da Anova)
SQTotal Y 2

Y jk ( i )
2
jk ( i ) 2
i
Y ij
= 79,8 + 59,5 + ... + 89,9 = 2.761,3
Y 2
ij
= [(79,8)2 + (59,5)2 + ... + (89,9)2] = 214.013,5
Y jk ( i )
2
2.761,32 211.799,4
2
=
i 36
SOTotal = 214.013.5 211.799,4 = 2.214,1
SQLinha
L 2
j

Y jk ( i )
2
2
i i
L = [453,5) + (470,6)2 + ... + (459,7)2 = 1.271.470
2
j
2
1.271.470
SQLinha 211.799,4 211.911,7 211.799,4 112,3
6
SQColuna
C 2
k

Y jk(i)
2
2
i i
C = [(453,2) + (443,6)2 + ... + (479,4)2] = 1.272.022
2
k
2
1.272.022
SQColuna 211.799,4 212.003,7 211.799,4 204,3
6
Para obter a soma de quadrados relativa a tratamentos, calculamos primeiro os totais

deles, considerando a estimativa da parcela perdida para o tratamento E:
A = 79,8 + 81,3 + 65,7 + 77,3 + 87,0 + 81,1 = 472,2
B = 73,5 + 87,2 + 78,7 + 84,1 + 84,5 + 89,9 = 497,9
C = 83,7 + 81,3 + 85,6 + 89,9 + 76,9 + 69,4 = 486,8
D = 73,8 + 81,3 + 85,6 + 89,9 + 76,9 + 69,4 = 446,1
E = 64,5 + 64,4 + 67,5 + 72,9 + 70,7 + 72,2 = 412,2
F = 77,9 + 69,9 + 72,2 + 76,6 + 63,8 + 85,7 = 446,1
SQTratamento
T i
2

Y
jk ( i )
2
2
i i
i
T 2
= [(472,2) 2
+ (497,9) 2
+ ... + (446,1)2] = 1.275.770,8
1.275.770,8
SQTratamento 211.799,4 212.628,5 211.799,4 829,1
6

SQResduo = 2.214,1 112,3 204,3 829,1 = 1.068,4

FV GL SQ QM F
Tratamentos 6-1= 5 829,1 165,8 3,10*
Linhas 6-1= 5 112,3 22,5
Colunas 6-1= 5 204,3 40,9
Resduo 19 1.068,4 53,4
Total 36-2= 34 2.214,1
*: Significativo no nvel de 5% de probabilidade, pelo teste F

CDEF), ou seja, pelo menos um tratamento difere dos demais, pelo teste F, a 5% de
probabilidade.
11.12. Coeficiente de variao (DQL)
Y
Y ij
= 2.761,3 = 76,7
ij
36
QM resduo
CV 100
Y
53,4
CV 100 9,52% (timo)
76,7
11.13. Testes de mdias (DQL) utilizando teste de Tukey ()

No GL resduo: 19
q (5%; 6; 19) = 4,47
Q.M . Re sduo
Diferena mnima significativa - dms ou q
r
53,4
4,47 = 13,3
6

B = 83,0 C = 81,1 A = 78,7 D = 74,4 F = 74,4 E = 68,7
B = 83,0 - 1,9 4,3 8,6 8,6 14,3
C = 81,1 - - 2,4 6,8 6,8 12,4
A = 78,7 - - - 4,3 4,3 10,0
D = 74,4 - - - - 0,0 5,7
F = 74,4 - - - - - 5,7
E = 68,7 - - - - - -
Tratamentos Produo (kg/parcela)

B 83,0 a
C 81,1 ab
A 78,7 ab
D 74,4 ab
F 74,4 ab
E 68,7 b
probabilidade pelo teste Duncan.
12. BIBLIOGRAFIA
BANZATTO, D.A.; KRONKA, S.N. Experimentao agrcola. 3. ed. Jaboticabal: FUNEP,

1995. 247p.
COCHRAN, W.G. Tcnicas de amostragem. Rio de Janeiro: Fundo de Cultura, 1955. 555p.
COSTA, J. R. Tcnicas experimentais aplicadas s cincias agrrias. Seropdica: Embrapa

Agrobiologia, 2003. 102p. (Documentos, 163).
COSTA-NETO, P.L.O. Estatstica. So Paulo: Edgard Blucher, 1977. 264p.
PIMENTEL GOMES, F. Curso de estatstica experimental. Piracicaba: Esalq-USP, 2000.

477p.
PIMENTEL GOMES, F. Estatstica aplicada a experimentos agronmicos e florestais:

exposio com exemplos e orientaes para uso de aplicativos. Piracicaba: Esalq-USP,
2002. 309p.
STEEL, GD; TORRIE, JH Principles and procedures of statistic: a biometrical approach.

2.ed. New York: McGraw-Hill, 1980. 633p

Apostila 2012

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

Apostila 2012

Caricato da

Copyright:

Formati disponibili

MINISTRIO DA EDUCAO

SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA

A estatstica experimental tem por objetivo o planejamento, a execuo, a anlise dos

Alm de dominar a metodologia estatstica necessria para o planejamento e para a

Figura 3. Esquema circular do mtodo cientfico.

pequenas diferenas de fertilidade do solo;

ligeiras variaes no espaamento e distribuio de adubos;

pequenas variaes nas doses de adubos, inseticidas, fungicidas, herbicidas;

profundidade de semeadura um pouco maior ou menor que a prevista no trabalho;

incidncia desigual de doenas e pragas;

pequenos erros de pesagem etc.

Esses efeitos, que sempre ocorrem, no podem ser conhecidos individualmente e

Figura 4. Semeadura manual de milho em experimento realizado no IFMT Campus So

Na instalao e conduo de experimentos, em funo da aplicao dos tratamentos

Para evitar pequenas variaes na profundidade de semeadura, pode-se utilizar um

- Quais as caractersticas que sero analisadas?

- Quais os fatores que afetam essas caractersticas?

- Quais desses fatores sero estudados no experimento?

- Como ser a unidade experimental?

MONTGOMERY (1991) indica um procedimento para o planejamento e para a

a) reconhecimento e definio do problema: em grande parte depende da experincia j

b) escolha das variveis ou caractersticas a serem avaliadas: (fatores de influncia) e das

c) escolha adequada da varivel de resposta: de modo que se garanta a objetividade na

d) delineamento dos experimentos: tamanho da amostra (nmero de rplicas), sequncia de

e) execuo dos experimentos: monitorando-os e controlando-os. Essa etapa extremamente

g) elaborao das concluses e recomendaes: a partir da anlise dos resultados. As

2.2. Execuo dos experimentos

a) Tratamento: o mtodo, elemento ou material cujo efeito desejamos medir ou

b) Unidade experimental ou parcela: a unidade que ir receber o tratamento e fornecer

d) Bordadura: so reas na parcela que no so avaliadas para evitar a influncia dos

Quatro linhas de 10 m de comprimento, espaadas de 1 m, perfazendo rea total de 40

Duas linhas centrais da parcela, descontando-se 1m nas extremidades, perfazendo rea

Figura 1. Esquema de rea total e rea til da parcela.

Figura 2. Definio de parcela til e bordadura.

e) Delineamento experimental: o plano utilizado na experimentao e implica na

g) Erro experimental: variao entre observaes realizadas em unidades experimentais

4. PRINCPIOS BSICOS DA EXPERIMENTAO

Parcela 1 Parcela 2 Parcela 3 Parcela 4 Parcela 5

Parcela 6 Parcela 7 Parcela 8 Parcela 9 Parcela 10

O erro experimental uma medida da variao que existe entre observaes de

aumentar a preciso das estimativas obtidas no experimento.

4.1.1. Determinao do nmero necessrio de repeties

4.2. Casualizao ou aleatorizao

Parcela 6 Parcela 7 Parcela 8 Parcela 9 Parcela 10

- Com casualizao (com repetio)

Parcela 6 Parcela 7 Parcela 8 Parcela 9 Parcela 10

Se, aps a repetio e casualizao, a cultivar A apresentar maior produtividade, de se

4.3. Controle local

um princpio muito utilizado, mas no obrigatrio, pois podemos realizar

Suponhamos que deseja-se comparar 4 variedades de soja. Para melhorar a preciso da

a maneira de dispor as parcelas no experimento. um plano utilizado na

- Delineamento Inteiramente Casualizado (DIC): repetio e casualizao. Indicado para

- Delineamento em Blocos Casualizados (DBC): repetio, casualizao e controle local

- Delineamento em Quadrado Latino (DQL): repetio, casualizao e controle local (em

O delineamento inteiramente casualizado considera os princpios de repetio e

6.1. Vantagens do DIC

6.2. Desvantagens do DIC

6.3. Modelo Estatstico

Yij = valor da parcela que recebeu tratamento i e se encontra no bloco j;

6.4. Planejamento Experimental

6.5. Anlise de Varincia

6.6. Anlise de varincia do DIC

- Variao Total (Soma de Quadrados Total = SQTotal)