Sei sulla pagina 1di 31

1 - INTRODUÇÃO

Na pesquisa agronômica, a Estatística experimental é uma ferramenta que pode e

deve ser utilizada pelos pesquisadores na elucidação de princípios biológicos e na solução de problemas agrícolas; para empregá-la eficientemente é essencial uma completa compreensão do assunto na qual se vai aplicá-la. Desse modo, as considerações práticas são tão importantes como os requisitos teóricos, para a determinar o enfoque estatístico ao problema.

1.1-

CONSIDERAÇÕES GERAIS

1.1.1

– Alguns Conceitos

A Estatística

experimental

é

a

experimentais obtidos de experimentos.

parte

da

Matemática

aplicada

aos

dados

Os experimentos ou ensaios são pesquisas planejadas para obter novos fatos, negar ou confirmar hipóteses ou resultados obtidos anteriormente. Em outras palavras, são pesquisas planejadas, que seguem determinados princípios básicos, com o objetivo de fazer comparações dos efeitos dos tratamentos. Os ensaios podem ser: absoluto – quando tem apenas um tratamento e comparativo – quando possui mais de um tratamento. Tratamento é o objeto da pesquisa, ou seja, é a condição imposta a parcela cujo efeito desejamos medir ou comparar em um experimento. Por exemplo: variedade, fórmula de adubação, espaçamento, densidade, etc. Parcela é a unidade em que é feita a aplicação casualizada do tratamento, de modo a fornecer os dados experimentais que deverão refletir seu efeito. Em outras palavras, é a menor porção do material experimental onde os tratamentos são avaliados. Por exemplo, uma parcela pode ser: uma única planta ou grupo delas, uma área de terreno com plantas, um lote de sementes, um vaso, uma caixa de madeira, uma gaiola, uma baia, etc. De modo geral, o número de indivíduos ou área de uma parcela depende do grau de heterogeneidade do material a ser pesquisado - quanto maior for a heterogeneidade, maior deverá ser o número de indivíduos, a fim de bem representar o tratamento.

O estudo de experimentos, desde o seu planejamento até o relatório final, constitui o objetivo da Estatística Experimental.

1.2-

Classificação dos experimentos.

 

Os experimentos são classificados em aleatórios e sistêmicos. Aleatórios: São aqueles cujo no planejamento entra o acaso. Os mais importantes

são: Delineamento Inteiramente Casualizado, Delineamento em Blocos Casualizados e Delineamento em Quadrado Latino. Sistêmicos: São aqueles em que os tratamentos a serem avaliados são colocados juntos. Usam apenas o princípio da repetição, o que pode levar a um erro experimental muito grande.

1.3-

Tipos de Experimentos

Existem três tipos de experimentos:

 

Preliminar: é aquele conduzido dentro de estações experimentais para a obtenção de novos fatos. É cientifico, mas apresenta baixa precisão. Próprio para ensaios de introdução de variedades de espécies cultivadas, ou quando se dispõe de um elevado número de tratamentos e é necessário fazer uma triagem. Crítico: é aquele que tem por objetivo negar ou confirmar um hipótese obtida no experimento preliminar e é conduzido dentro ou fora das fronteiras das estações experimentais, Demonstrativo: é aquele lançado pela rede de extensão rural. É de cunho demonstrativo, pois tem por objetivo demonstrar junto aos agricultores os melhores resultados do experimento crítico.

1.4-

Tipos de variações

 

Na experimentação agrícola ocorrem três tipos de variações. Variação premeditada: Se origina dos diferentes tratamentos, deliberadamente introduzidos pelo pesquisador, com o propósito de fazer comparações.

Variação externa: Ocorre devido a variações intencionais de causas conhecidas,

que agem de modo sistemático. Por exemplo: heterogeneidade de solo, umidade, temperatura, etc. Variação acidental: que é de causa desconhecida, de natureza aleatória e que não está sob o controle do pesquisador. Tal variação é que constitui o chamado erro experimental. Esta variação promove diferença entre as parcelas que recebem o mesmo tratamento. Entre as variações acidentais podemos citar:

diferença na constituição genética das plantas ou animais; ligeiras variações de espaçamento, profundidade da semeadura, quantidade de adubos aplicados, quantidade de ração administrada, etc. Os efeitos da variação acidental, sempre presentes não podem ser conhecidos individualmente e alteram, pouco ou muito, os resultados obtidos experimentalmente. Em virtude disso, o pesquisador tem a obrigação de fazer de tudo o que for possível para reduzir o erro experimental, a fim de não incorrer resultados dessa natureza. Cabe a ele, pois, verificar se as diferenças observadas no experimento tem ou não valor, ou seja, se são significativas ou não significativas.

1.5- Forma da parcela

A fim de reduzir o efeito da variação acidental nos experimentos, o pesquisador

deve dar atenção especial aos seguintes pontos: forma da parcela, tamanho da parcela, orientação das parcelas, efeito bordadura entre as parcelas, falhas de

plantas nas parcelas, número de repetições dos experimentos, delineamentos experimentais e a forma de condução do experimento.

1.5.1 – Forma da Parcela

A forma da parcela refere-se à razão entre o comprimento e a largura da parcela.

A melhor forma da parcela será, para cada caso, a que melhor controle as variações acidentais e a que se adapte à natureza dos tratamentos a estudar. Tratando-se de parcelas pequenas, a forma tem pouca ou nenhuma influência sobre o erro experimental. Em parcelas grandes, a forma tem uma influência notável. Em geral, as parcelas longas e estreitas são as mais recomendáveis: assim, as parcelas de uma repetição tenderão a participar de todas as grandes manchas de fertilidade do

terreno que ocupam, e também, quando for grande o número de tratamentos, o bloco não se afastará muito da forma quadrada, que é outra recomendação para se diminuir o efeito da variação ambiental.

1.5.2 – Tamanho da Parcela

O tamanho da parcela compreende não apenas a área colhida, mas toda a área

que recebeu o tratamento. O melhor tamanho da parcela será aquele que proporcione uma menor variação acidental, desde que não afete a precisão do experimento.

Alguns cuidados importantes devem ser tomados, como:

a) Tipo do experimento: As práticas relacionadas ao experimento podem determinar o tamanho da parcela. Ensaios com fertilizantes requerem parcelas maiores que estudos de avaliação de cultivares. Experimentos com irrigação ou com práticas de preparo do solo requerem parcelas ainda maiores.

b) Heterogeneidade do solo: Quando a heterogeneidade do solo é do tipo “em retalhos”, isto é, quando a correlação entre produtividade de áreas adjacentes é baixa, uma grande parcela deve ser usada.

c) Efeito bordadura: Quando tal efeito é grande, o tamanho da parcela deve ser

maior, para possibilitar que algumas fileiras externas sejam descartadas.

d) Disponibilidade de recursos: Se a disponibilidade de recursos for limitada, como por exemplo pequena quantidade de sementes, área experimental reduzidas, etc., forçosamente, as parcelas deverão ser menores.

e) Características Avaliadas: Quando diversas características devem ser medidas,

o pesquisador pode necessitar de muitas plantas adicionais para amostragens,

especialmente quando a avaliação requer destruição de plantas nos estágios

iniciais de crescimento.

1.5.3 – Orientação das Parcelas

A orientação das parcelas refere-se à escolha da direção ao longo da qual os

comprimentos das parcelas serão colocados.

A orientação das unidades experimentais pode reduzir ou aumentar os efeitos dos

gradientes de fertilidade do campo. Se o terreno tem um gradiente de fertilidade

conhecido, por exemplo, as parcelas de cada repetição ou bloco devem ser colocadas com sua maior dimensão no sentido paralelo ao gradiente.

1.5.4 – Efeito da Bordadura entre as Parcelas

Denomina-se efeito bordadura à diferença em comportamento entre plantas ao longo dos lados ou extremidades de uma parcela e as plantas do centro dessa parcela. Essa diferença pode ser medida pela altura da planta, resistência às pragas e moléstias, rendimentos de grãos e frutos, etc. O efeito bordadura pode ocorrer: quando um espaço não plantado é deixado entre blocos e entre parcelas; quando determinados tratamentos influenciam nocivamente no comportamento dos tratamentos vizinhos, como por exemplo experimento de competição de cultivares, experimentos com fungicidas, herbicidas, inseticidas, etc. Para minimizar o efeito bordadura, o pesquisador deve tomar as seguintes precauções:

a) Evitar o uso de áreas não-plantadas para separar parcelas experimentais;

b) O número de ruas no experimento deve se reduzir ao máximo.

c) Não medir caracteres agronômicos em fileiras-bordadura que provavelmente, sofreram os efeitos de competição entre parcelas.

d) Plantar uma poucas fileiras de um genótipo uniforme ao redor do perímetro do experimento, para minimizar o efeito de bordos não-plantados sobre parcelas localizadas ao longo dos lados do campo experimental.

e) Quando as variedades a serem avaliadas diferem bastante quanto ao hábito de crescimento, escolher um delineamento experimental que permita agrupamento de variedades homogêneas, particularmente pela altura.

f) A quantidade de fileiras a excluir depende do tipo de efeito bordadura. Quando

houver dúvida e quando o tamanho da parcela for bastante grande, excluir pelo menos duas fileiras. No que pese todas as precauções anteriores, o pesquisador deve ter consciência que, no caso de experimentos de competição de variedades as parcelas experimentais devem ter, no mínimo, três fileiras, de modo que se possa efetuar a colheita apenas na fileira central, a qual é denominada área útil. Além disso, devem-se eliminar as cabeceiras, plantas estar que se localizam nas extremidades da fileira.

A recomendação acima se fundamenta em resultados experimentais obtidos na literatura em diversas culturas, onde se mostram que, em geral:

a) Existe competição entre variedades, na maioria dos estudos.

b) A competição, usualmente, é confinada a uma fileira de cada lado da parcela.

c) A competição entre variedades de hábitos de crescimento semelhantes é

desprezível.

d) Uma variedade altamente produtiva é usualmente, um forte competidor.

e) A competição é complexa e varia com as condições ambientais.

f) Os rendimentos de fileiras não-competitivas são menores variáveis que os

rendimentos de fileiras competitivas.

1.5.5 - Falhas de Plantas nas Parcelas

Pode-se dizer que uma parcela experimental apresenta falhas quando ela possui um Stand reduzido em relação ao inicial. As falhas de plantas nas unidades experimentais é uma das principais causas do erro experimental. Contudo nem todas as falhas influem no erro experimental, só aquelas extrínsecas aos tratamentos são as que influem, tal é o caso de morte de plantas devidas as pragas e doenças, empoçamento de água em virtude de desníveis do terreno, etc. Mas apesar de todas as precauções possíveis, tomadas pelo experimentador, ocorrem falhas em alguns experimentos, que podem ser de pequena ou grande monta. Se são de pequena monta, digamos de 5% em geral, não constituem um fator sério. Porém, se estiverem no intervalo de > 5% 30%, é necessário recorrer a métodos de correção de falhas. Se as falhas são maiores de 30% da população de plantas, é preferível repetir o experimento. Alguns métodos de correção de falhas são apresentados a seguir:

a) Ausência de correção: O pesquisador ignora a presença de falhas e determina o rendimento da parcela com base na área escolhida. Aqui é assumido que o rendimento de uma falha é totalmente compensado pelo aumento em rendimento das covas vizinhas.

b) Regra de três: O pesquisador considera que o rendimento de uma falha é igual ao rendimento médio das outras covas na parcela. Por esse método, admite-se que a presença de uma ou mais falhas não afetam a performance das plantas vizinhas.

c)

Regra de três, considerando a colheita apenas das plantas competitivas:

Por esse método, admite-se que a presença de uma ou mais falhas afeta a performance das plantas vizinhas. Dessa forma, todas as plantas imediatamente a uma falha serão eliminadas e o rendimento da parcela é obtido considerando-se apenas as plantas competitivas.

d) Uso de fórmulas: Por esse método, utilizam-se fórmulas para efetuar a correção dos pesos de grãos provenientes de parcelas com falhas. Com essa finalidade, vários Estatísticos desenvolveram tais fórmulas de correções de stands de plantas cultivadas. Por exemplo, Zuber (1942) e Leng e Finley (1957) desenvolverm, respectivamente, as seguintes fórmulas de correção de stands de milho:

CW = ( H

0,3M / H

M ) FW

CW = peso corrigido; FW = peso de campo;

e

CW = (1 + 0,6 M / H ) FW , onde

M

= número de falhas;

H

= stand inicial. Todavia, torna-se impossível o estabelecimento de qualquer formula confiável,

para a correção de stands de plantas cultivadas, pois a porcentagem de aumento de rendimento de grãos rodeando uma falha varia com a cultivar, o espaçamento, o nível de fertilidade do solo, a época de plantio, etc.

e) Análise de covariância: A Análise de covariância é um método estatístico que combina os conceitos da análise de variância e da regressão, de maneira a fornecer uma análise mais discriminatória do que qualquer um desses métodos isoladamente. Ele envolve duas variáveis concorrentes e correlacionadas as quais, no presente caso, são o rendimento e o número de plantas por parcela. Tal método envolve conhecimento de análise de variância e de regressão. Contudo, se as pressuposições da análise de covariância forem satisfeitas, ela é, provavelmente, o melhor procedimento de ajuste de stands.

1.5.6 – Número de repetições

O número de repetições de um experimento depende de vários fatores:

variabilidade do meio em que se realiza o experimento; número de tratamentos em

estudo; recursos financeiros, físico, humano, etc. Quanto maior a variabilidade do meio, maior deve ser o número de repetições. O número ideal de repetições em um experimento pode ser determinado por meio de ensaios de uniformidade ou por meio de métodos baseados em resultados anteriores. Tais meios são trabalhosos e nem sempre chegam a resultados satisfatórios. Uma regra prática, que tem surtido bons resultados na experimentação agrícola e zootécnica, é a de que os ensaios devem ter, no mínimo, 20 parcelas e/ou 10 graus e liberdade para o resíduo ou erro experimental.

1.5.7 – Forma de Condução dos Experimentos

A escolha do terreno: Para reduzir o erro experimental, é necessário escolher o terreno mais uniforme possível Plantio: Evitar diferenças nas parcelas, uniformizando o trabalho das máquina e dos homens que serão empregados nas diferentes operações culturais, evitando diferença de profundidade de semeadura, adubação desproporcional, amontoa, etc. Interrupção de trabalho: Se por algum motivo há necessidade de suspender os trabalho para continuar no dia seguinte, deve-se ter o cuidado de não interromper o trabalho até que haja terminado o serviço iniciado em determinado bloco.

Conhecimento dos produtos estudados (usados): Conhecer a procedência de cada

um dos produtos estudados e usados no experimento, fórmulas químicas, concentrações e demais características. Experimentos com árvores frutíferas e florestais: Evitar o emprego de árvores

provenientes de sementes, pois provavelmente a população se tornará mais heterogênea do que a que provem de enxertia. Quando isso não é possível, então deve-se selecionar no campo árvores da mesma variedade, idade e vigor, para conduzir o experimento, nem que as mesmas acabem ficando intercaladas com as não selecionadas. Coleta dos dados: O próprio pesquisador deverá fazê-lo, pois assim, o mesmo terá mais confiança nos dados coletados, ao mesmo tempo que poderá tomar conhecimento de fatos imprevistos, que podem explicar resultados finais inesperados.

1.6-

Qualidade de um Bom Experimento

As qualidades de um bom experimento são:

a) Simplicidade de execução – No planejamento do experimento, o pesquisador deve ser claro e objetivo, de modo que qualquer pesquisador possa conduzi-lo em alguma eventualidade.

b) Não apresentar erros sistemáticos – Evitar erros na demarcação das parcelas e das fileiras de plantas, de modo a proporcionar condições de igualdade para todos os tratamentos no experimento;

c) Ter alta precisão – Quanto maior a precisão do experimento, menor será o

erro experimental e as conclusões obtidas terão maior crédito.

d) Ser exato – Quando os dados experimentais estão muito próximos dos valores verdadeiros.

e) Fornecer amplos resultados – o experimento deve fornecer amplos resultados, de modo que as conclusões tiradas beneficiem a agricultura e justifiquem os recursos e tempo empregados.

1.7- Qualidade de um Bom Pesquisador

Um bom pesquisador deve: ter conhecimento do material que irá trabalhar, da região que irá desenvolver a pesquisa, e dos princípios da experimentação, pois, caso contrário, não irá resolver os problemas da região, nem tão pouco tirará conclusões que beneficiem a agricultura; ter dedicação, persistência; ser observador, pois muitas descobertas para agricultura resultaram do senso de observação de muitos pesquisadores, alem de servir para explicar resultados inesperados na pesquisa; fazer uso do bom senso e ser ético acima de tudo.

2

– ANÁLISE DE VARIÂNCIA

Um problema que se apresenta com maior freqüência do que outro na analise estatística é o de avaliar se duas ou mais amostras diferem significativamente com relação a alguma variável. Em função disso, é necessário um método estatístico para solucionar problemas dessa natureza. Um dos métodos mais utilizados para solucionar tais problemas é conhecido como análise de variância. A análise de variância foi introduzida por Fischer e é essencialmente um processo baseado na decomposição da variância total existente entre uma série de observações, em partes que podem ser atribuídas a causas conhecidas e numa parte devida a causas desconhecidas ou não suscetíveis de controle.

2.1 – Suposições da Análise de Variância

Uma análise de variância só deve ser aplicada a um conjunto de dados quando este atender quatro pressuposições: aditividade, independência, normalidade e homocedasticidade dos erros. Para que a aditividade ocorra, os efeitos dos fatores que ocorrem no modelo matemático devem ser aditivos, ou seja, os efeitos m , t i e e ij devem ser aditivos. Para que a independência seja garantida os erros ou desvios eij, devidos ao efeito de fatores não controlados, devem ser independentes para isso, é necessário que as parcelas tenham sido escolhidas levando-se em consideração os critérios de aleatorização, delineamento e esquema amostral. Para analisar a normalidade dos dados, estes devem se ajustar a uma distribuição normal de probabilidades, ou seja, os erros ou desvios eij, devidos ao efeito de fatores não controlados, devem possuir uma distribuição normal de probabilidade. Quando se verifica a falta de normalidade dos dados, usamos transformações matemáticas, para que os mesmos sejam normalmente distribuídos. Estudando a Homocedasticidade, ou seja, a homogeneidade de variâncias, verificaremos que os erros ou desvios e ij devidos ao efeitos não controlados,

devem possuir uma variância comum 2 . Isto significa que a variabilidade das

repetições de um tratamento deve ser semelhante à outros tratamentos, isto é, os tratamentos devem possuir variâncias homogêneas. Constatada a hetorecedasticidade, devemos verificar se ela é regular ou irregular.

Regular: devida a falta de normalidade dos dados;

Irregular: devida a grande variabilidade dos dados ou tratamentos.

Se a hetorecedasticidade for regular, devemos buscar transformações tal que os dados possam apresentar uma distribuição normal. As transformações utilizadas são:

∑ Transformação de raiz quadrada x ; ∑ Transformação angular - arcsen x /100 ;
∑ Transformação de raiz quadrada
x ;
∑ Transformação angular - arcsen
x /100 ;

Transformação logarítmica - log x ou ln x

Se a hetorecedasticidade for irregular, devemos eliminar os dados ou tratamentos discrepantes.

2.2 Testes de Hipóteses

A retirada de conclusões sobre uma ou mais populações é feita através da estimação de parâmetros ou pelos testes de hipóteses. A estimação de parâmetros (a média, o desvio padrão, etc.) é feita por diversos métodos. Quanto aos testes de hipóteses, os mesmos são usados pelos pesquisadores para decidir sobre a aceitação ou rejeição de hipóteses. Hipóteses são suposições acerca dos parâmetros de uma ou mais populações. Antes de aplicar tais testes, devemos formular as hipóteses estatísticas. Podemos considerar duas hipóteses, são elas:

Para a analise consideraremos as seguintes hipóteses:

H 0 : Os Tratamentos T i = 0, ou seja, não existe efeito tratamento (Hipótese de Nulidade). versus H 1 : T i π 0, para pelo menos um Tratamento, ou seja, existe efeito Tratamento (Hipótese alternativa). A rejeição de H 0 implica a aceitação da hipótese alternativa H 1 .

Ao testarmos as hipóteses podemos cometer dois tipos de erros, os quais são:

rejeitar H 0 , quando ela é verdadeira (erro tipo I) ou aceitar H 0 , quando ela é falsa (erro tipo

II).

probabilidade de

cometermos o erro do tipo I é chamada de nível de significância (α). Os níveis de

significância mais usuais na área agrícola são 5% e 1%.

O quadro a seguir resume a natureza dos erros envolvidos no processo de

decisão quando testamos as hipóteses:

Dos dois

tipos de erros o mais importante é o

do

tipo

I.

A

 

H 0 Verdadeira

H 1 Falsa

Rejeição H 0

Erro do Tipo I

Decisão correta

Aceitação H 0

Decisão correta

Erro Tipo II

Na execução de um teste de hipótese estatística, para que o mesmo tenha

validade, devemos levar em consideração as seguintes etapas:

Formulação das hipóteses;

Especificação do nível de significância;

Escolha do teste estatístico;

Determinação da região crítica;

Decisão final.

2.3 A Tabela de Análise de Variância

A análise de variância é uma técnica que consiste na decomposição da variância

total (e dos graus de liberdade) em partes atribuídas a causas conhecidas e

independentes (fatores não controlados) e a uma porção residual de origem desconhecida

e natureza aleatória (fatores não controlados).

Na tabela ANAVA, o valor F, obtido por SNEDECOR, tem por finalidade comparar

as estimativas das variâncias, utilizando-se do teste de hipóteses.

Tabela 1: Tabela de análise de variância (ANAVA)

Causas de variação

GL

SQ

QM

F

P-valor

Tratamento

k-1

SQTr

QMTr

F

Resíduo

n-k

SQR

QMR

Total

n-1

SQT

a) Os graus de liberdade:

De

tratamentos: k - 1

Do

total: n-1, com n = kr

Do

resíduo: (n-1)-(k-1) = n-k

b) O valor de C, dado pelo total geral elevado ao quadrado e dividido pelo número de observações. O valor de C é conhecido como correção:

C =

(

y)

2

n

c) A soma do quadrado total:

SQT =

y

2

C

d) A soma do quadrado dos tratamentos

SQT

r

=

T

2

r

C

e) A soma do quadrado do resíduo

SQR = SQT SQT

r

f) O quadrado médio de tratamentos

QMT

r

=

SQT

r

k

1

g) O quadrado médio de resíduo

h) O valor de F

QMR =

F =

SQR

n

k

QMT

r

QMR

Para fazermos a análise e verificar se os Tratamentos são significativos, podemos

utilizar a estatística F ou o P-valor.

Estatística F

Se F calculado F (tabelado) , (*) - rejeitamos a hipótese H 0 e verificamos ao nível de α% de

significância que: T i π 0, para pelo menos um Tratamento, ou seja, existe efeito

Tratamento e eles são significativos.

Se F calculado < F (tabelado) , (ns) - aceitamos a hipótese H 0 e verificamos ao nível de α% de

significância que: T i = 0, ou seja, não existe efeito Tratamento e eles não são significativos.

P- valor

Se P-valor < α%, (*) - rejeitamos a hipótese H 0 e verificamos ao nível de α% de

significância que: T i π 0, para pelo menos um Tratamento, ou seja, existe efeito

Tratamento e eles são significativos.

Se P-valor ≥ α%, (ns) - aceitamos a hipótese H 0 e verificamos ao nível de α% de

significância que: T i = 0, ou seja, não existe efeito Tratamento e eles não são

significativos.

EXEMPLO:

1. Em um experimento planejado para verificar o efeito de alguns porta-enxertos para citros no desenvolvimento da laranjeira Pêra, MOURÃO FILHO ensaiou várias medidas, como a altura das árvores, volume da copa, diâmetro do tronco, produção de frutos, etc. Foram utilizados 5 porta-enxertos, que são os tratamentos:

T1 = Limoeiro Cravo T2 = Laranjeira Caipira T3 = Laranjeira Trifoliata T4 = Tangerineira Cleópatra T5 = Limoeiro Volkamericano A variável que estudaremos será a medida do volume das copas, em m 3 . Os dados se encontram no quadro a seguir:

Quadro 1: Volume da Copa (m 3 ) de laranjeira Pêra enxertada sobre 5 porta-enxertos.

Cultivar

 

Repetições

 

Total

T1

5,73

8,97

8,46

9,26

32,42

T2

4,25

7,4

6,45

6,29

24,39

T3

4,43

3,4

4,38

3,78

15,99

T4

12,75

11,9

11,58

15,05

51,28

T5

10,97

11,24

11,91

12,23

46,35

 

170,43

a) Identifique: O fator; Os níveis; A unidade de análise; A variável resposta; O número de

parcelas;

b) Quais as hipóteses a serem testadas sobre o experimento. Complete a Tabela de

Análise de variância e faça as comparações das hipóteses citadas.

Tabela 2: ANÁLISE DE VARIÂNCIA

FV

GL

SQ

QM

Fc

cultivar

erro

Total

2.4 Os Testes de Comparação de Médias

A análise de variância, como é feita usualmente, pressupõe a independência dos efeitos dos diversos tratamentos utilizados no experimento. Quando esse efeito é significativo para uma variável qualitativa, devemos prosseguir para um teste de comparação de médias. A seguir, será citado os principais testes utilizados:

A seguir, será citado os principais testes utilizados: 2.4.1- Teste de t (LSD) O teste de

2.4.1- Teste de t (LSD) O teste de t, conhecido por LSD (Least Significant Difference), é o que menos controla a taxa de erro por experimento e só deve ser usado para realizar comparações previamente estabelecidas. Uma alternativa para isso, foi proposta por Fisher, que afirma que o teste de t poderia ser usado se fosse detectado um F significativo na análise de variância. Este procedimento é conhecido por t protegido de Fisher. No entanto, é conveniente salientar que muitas vezes ao realizar um experimento, pelo menos um tratamento difere dos demais. Assim o valor de F será certamente

significativo em todos estes casos. Ao realizar o teste de t em situações como esta, extremamente comum no dia a dia do pesquisador, a taxa de erro por experimento seria elevada, pois temos uma situação de H 0 parcial, em que o teste não é apropriado.

2.4.2- Teste de TUKEY

O teste de Tukey serve para testar qualquer contraste que envolva duas médias.

Por ser um teste rigoroso, geralmente, o teste de Tukey é aplicado ao nível de 5% de

probabilidade. Atualmente, o teste de Tukey é o teste mais utilizado para comparações das médias de um experimento.

A diferença mínima significativa estimada para o teste é dada por:

dms = =

q

QMR r
QMR
r

em que:

representa a diferença mínima significativa (dms) a uma taxa nominal de significância definida por α, geralmente de 5%; q representa o quantil da amplitude estudentizada, que depende do número de tratamentos (k) e dos graus de liberdade do resíduo (n-k).

r é o número de repetições, ou de unidades experimentais, com que se estimou

QMR é o quadrado médio do resíduo (ANAVA);

cada média de tratamento.

2.4.3- Teste SCOTT e KNOTT Este procedimento utiliza um teste de razão de verossimilhança para particionar os níveis de tratamentos em grupos. Estes grupos são bem definidos e não apresentam a ambigüidade dos demais PCM. Detalhes deste procedimento podem ser visto em Scott e Knott (1974), Silva (1998), Silva, Ferreira e Bearzoti (1998) e Ramalho, Ferreira e Oliveira (1998). Silva (1998) trabalhando com simulação verificou que o teste tem praticamente o dobro do poder para detectar pequenas diferenças (de até dois erros padrão) entre médias de tratamentos. Por outro lado, o procedimento mostrou ser adequado para controlar a taxa de erro tipo I por comparação, mas mostrou um indicio de não controlar totalmente a taxa de erro tipo I por experimento sob H 0 parcial, apesar de controlar adequadamente esta taxa de erro sob H 0 total.

2.4.4- Teste de DUNCAN

O teste de Duncan é mais trabalhoso do que os testes anteriores porque exige o

cálculo de diversas diferenças mínimas significantes. Para aplicar o teste de Duncan é preciso ordenar as médias. Calcula-se então a diferença mínima significante(d.m.s.) para comparar a média maior com a menor. Sempre que duas médias não são estatisticamente diferentes, não se pode testar as diferenças entre as médias que estão no intervalo delimitado por aquelas duas médias. Para fazer o teste é usual escrever as médias em linha e em ordem crescente. Toda vez que a diferença média entre duas médias não é significante, sublinha-se o intervalo delimitado por essas duas médias. Cada comparação não significante deve ser indicada por uma linha, distinta das demais;

médias sublinhadas por uma mesma linha não são estatisticamente diferentes e as diferenças entre elas podem ser testadas.

2.4.5- Teste de DUNNETT

O teste de Dunnett deve ser aplicado toda vez que se pretende comparar as

médias dos tratamentos apenas com a média do controle ou testemunha. Para se obter a diferença mínima significativa, aplica-se a fórmula:

= d

2 ◊ QMR r
2 ◊ QMR
r

em que:

representa a diferença mínima significativa (d.m.s.) a uma taxa nominal de significância definida por α%; d representa um valor tabelado, que depende do número de graus de liberdade do resíduo (n-k), e do número de grupos tratados;

r é o número de repetições, ou de unidades experimentais, com que se estimou

QMR é o quadrado médio do resíduo;

cada média de tratamento.

Exemplo: Aplicar o teste de comparação de médias no exercício anterior.

3 – TIPOS DE DELINEAMENTOS E ESQUEMA DE DISTRIBUÇÃO DE PARCELAS

3.1 - Delineamento Inteiramente Casualizado

O delineamento inteiramente casualizado é o mais simples de todos os

delineamentos experimentais, e os experimentos instalados de acordo com este delineamento são denominados de experimentos inteiramente casualizados ou experimentos inteiramente ao acaso. Este delineamento apresenta as seguintes características:

Utiliza-se apenas dos princípios da repetição e da casualização;

Os tratamentos são designados às parcelas de forma inteiramente casual com números iguais ou diferentes de repetição; Para a instalação deste experimento em campo, devemos ter certeza da homogeneidade das condições ambientais e material experimental.

Freqüentemente este experimento é mais utilizado em experimentos de laboratório e nos ensaios com vasos, realizados dentro de casa de vegetação, nos quais as condições experimentais podem ser perfeitamente controladas. Em experimentos realizados em vasos, estes podem ser constantemente mudados de posição, de forma inteiramente casual, para evitar influencias externas sempre sobre os mesmos vasos.

O delineamento inteiramente casualizado apresenta, em relação aos outros

delineamentos, as seguintes vantagens:

É um delineamento bastante flexível;

O número de repetições pode ser diferente de um tratamento para o outro, embora

o

ideal é que sejam iguais;

análise estatística é simples;

A

O número de graus de liberdade para o resíduo é o maior possível; Em relação aos outros delineamentos experimentais, este apresenta as seguintes desvantagens:

Exige homogeneidade total das condições amostrais;

Pode conduzir a uma estimativa de variância residual bastante alta, por não usar o principio do controle local; Neste delineamento, as parcelas que receberão cada um dos tratamentos são determinadas de forma inteiramente casual, por meio de um sorteio, para que cada

unidade experimental tenha a mesma probabilidade de receber qualquer um dos tratamentos estudados, sem nenhuma restrição de casualização. Exemplo:

Um engenheiro florestal pretende testar a aplicação de vermiculita na formação de mudas de Pinus oocarpa . Foi comparado o efeito de 5 tratamentos, que são:

1 – Solo de cerrado (SC)

2 - Solo de cerrado + cama de aviário (SC + CA)

3 – Solo de cerrado + cama de aviário + NPK (SC + CA + NPK)

4 - Solo de cerrado + Vermiculita (SC + V)

5 - Solo de cerrado + Vermiculita + NPK (SC + V+ NPK) Para obter resultados bem gerais, que delineamento deverá utilizar? Descreva como montaria o experimento.

3.2 – Delineamento em Blocos Casualizados

O Delineamento em blocos casualizados é também denominado de Delineamento em blocos ao acaso ou ainda de Delineamento em blocos completos casualizados e se constitui no mais utilizado de todos os delineamentos experimentais. Sempre que não houver homogeneidade das condições experimentais, devemos utilizar o principio do controle local, estabelecendo, então subambientes homogêneos (blocos) e instalando, em cada um deles, todos os tratamentos, igualmente repetidos. Este experimento utiliza-se de três princípios básicos da experimentação:

repetição, casualização e controle local.

As principais características deste delineamento são:

a) As parcelas são distribuídas em grupos ou blocos (principio do controle local), sendo as mais uniformes possíveis, dentro de cada bloco;

b) O número de parcelas por blocos deve ser múltiplo do número de tratamentos;

c) Os tratamentos são designados às parcelas de forma casual, sendo esta

casualização feita dentro de cada bloco. No campo é recomendável que os blocos se apresentem com uma forma aproximadamente quadrada, embora muitas vezes eles sejam instalados de forma retangular ou irregular, para que possam apresentar homogeneidade nas suas parcelas. As principais vantagens deste delineamento são:

Controla as diferenças que ocorrem nas condições experimentais, de um bloco para outro;

Permite utilizar qualquer número de tratamentos e de blocos;

Conduz a uma estimativa mais exata para a variância residual;

A análise de variância é relativamente simples, sendo apenas um pouco mais demorada. As principais desvantagens deste delineamento são:

Pela utilização do principio do controle local, há uma redução no número de graus de liberdade do resíduo;

A exigência de homogeneidade das parcelas dentro de cada bloco limita o número de tratamentos, que não pode ser muito elevado. Exemplo:

Um pesquisador dispõe de terra de dois tipos distintos, embora semelhantes (de lombada e de encosta). O mesmo deseja fazer um experimento com 4 fórmulas de adubação. Para obter resultados bem gerais, que delineamento deverá utilizar? Descreva como montaria o experimento.

3.3 – Delineamento em Quadrado Latino

O delineamento em quadrado latino, apesar de sua alta eficiência, constitui-se no delineamento estatístico menos utilizado na pesquisa agronômica por ter uma flexibilidae muito menor que a dos outros, ou seja, exige que o número de tratamentos seja igual ao número de repetições. Devido a isso não se usam quadrados latinos no caso de termos mais de 8 tratamentos, pois então o número de repetições seria alto. Por outro lado quadrados latinos 3x3 e 4x4 encerram tão poucas parcelas que só podem ser usados se o experimento incluir vários quadrados latinos. O quadrado latino leva em consideração os três princípios básicos da experimentação: repetição, casualização e controle local. Contudo, possui um controle local mais eficiente que o delineamento em blocos casualizados (controle na horizontal e na vertical). Os tratamentos são distribuídos de tal forma que apareçam somente uma só vez em cada linha e em cada coluna. As principais vantagens deste delineamento são:

Controla a heterogeneidade do ambiente onde será conduzido;

Conduz a estimativa menos elevada do erro experimental. As principais desvantagens são:

A análise estatística é mais demorada;

Exige que os blocos fiquem num mesmo local da área experimental;

Exige que o número de tratamentos seja igual ao número de repetiçoes;

Apresenta o número menor de grau de liberdade para o resíduo;

Exige que o quadro auxiliar da analise de variância esteja completo para podes efetuar a analise estatística;

Há uma redução de graus de liberdade para o resíduo, pela utilização do principio do controle local;

Exemplo:

Um zootecnista quer experimentar 5 Fontes de adubações nitrogenadas na recomposição de pastagens (F1, F2, F3, F4, F5) com 5 capins distintos (C1, C2, C3, C4, C5) usados para pastagens. Monte o croqui utilizando o delineamento em quadrado Latino.

3.4 – Experimentos fatoriais

Quando desejamos estudar vários fatores simultaneamente, utilizamos os experimentos fatoriais, que são aqueles nos quais são estudados, ao mesmo tempo, os efeitos de dois ou mais tipos de tratamentos ou fatores. Cada subdivisão de um fator é denominada nível do fator e os tratamentos nos experimentos fatoriais consistem de todas as combinações possíveis entre os diversos fatores, nos seus diferentes níveis. Os experimentos fatoriais não constituem um delineamento experimental, mas sim um esquema de arranjo de tratamentos, que deverão ser distribuídos por um delineamento. Devemos sempre fazer uma análise de variância preliminar em função do delineamento utilizado para posteriormente considerarmos:

_ Efeito simples de um fator;

_ Efeito principal de um fator;

_ Efeito da interação entre os dois fatores. As principais vantagens de um experimento fatorial são:

Com um único experimento, podemos estudar os efeitos simples e principais dos fatores e os efeitos das interações entre eles;

Todas as parcelas são utilizadas no cálculo dos efeitos principais dos fatores e dos efeitos das interações, razão pela qual o número de repetições é elevado ; As desvantagens são:

A análise estatística é mais trabalhosa que nos experimentos simples, e a interpretação dos resultados se torna mais difícil à medida que aumentamos o número de níveis e de fatores;

Dificuldade de uso de Blocos em função do número muito elevado de tratamentos.

EXEMPLO:

Um pesquisador pretende estudar os efeitos de 2 variedades (V1, V2) de trigo submetidas a 3 fontes de adubação nitrogenada (A 0 , A 1 , A 2 ). Monte o croqui para um experimento fatorial.

3.5 – Experimentos em parcelas subdivididas

Conhecido como “split-splot”, estuda ao mesmo tempo os efeitos de dois ou mais fatores (tratamentos). Neste esquema a casualização dos níveis dos fatores é feita em dois estágios que são denominadas parcela que são divididas em parte menores e iguais, denominadas de subparcelas (que constituem a unidade básica para fins de análise estatística). Não constitui um delineamento experimental, mas sim um esquema de arranjo de tratamentos, que deverão ser distribuídos por um delineamento. Sua principal característica é que a casualização é feita em dois estágios:

Num primeiro estágio, casualizamos os níveis de um fator, nas parcelas (denominados Tratamentos Primários, Principais ou A);

Num segundo estágio, casualizamos os níveis do outro fator, nas subparcelas de cada parcela (denominados Tratamentos Secundários, Subtratamentos ou B); Nesse delineamento, temos dois resíduos:

Resíduo A: Base de comparação dos Tratamentos Principais, Blocos, Linhas e Colunas;

Resíduo B; Base de comparação dos tratamentos Secundários e da Interação dos Tratamentos Principais * Tratamentos Secundários; Sempre que possível, deve-se fazer a opção pelo esquema fatorial, para não diminuirmos o grau de liberdade residual dos fatores testados.

Exemplo:

Um pesquisador pretende estudar os efeitos de 2 variedades (V1, V2) de trigo submetidas a 3 fontes de adubação nitrogenada (A 0 , A 1 , A 2 ). Monte o croqui para um experimento “Split-Splot”.

3.6 – Experimentos em faixas

Este experimento constitui uma variação dos experimentos em parcelas subdivididas e são, também conhecidos, como “split-block designs”. Nestes experimentos, os tratamentos das subunidades, em vez de serem casualizados, independentemente, dentro de cada parcela, são casualizados em faixas, dentro de cada bloco. Este experimento pode ser conveniente para facilitar operações físicas em experimentos de campo, em que é necessário testar ambos fatores em áreas relativamente amplas. Este esquema sacrifica a precisão dos efeitos principais dos fatores para propiciar maior precisão da interação. Como o número de grau de liberdade para estimar os dois fatores são, geralmente pequenos, o delineamento não é recomendado, ao menos que as considerações práticas indiquem seu uso.

EXEMPLO:

Um pesquisador pretende estudar os efeitos de 2 variedades (V1, V2) de trigo submetidas a 3 fontes de adubação nitrogenada (A 0 , A 1 , A 2 ). Monte o croqui para um experimento “Split-block designs”.

EXERCICIO RESOLVIDO 1 - Vamos considerar os dados de um experimento,inteiramente casualizado,com quatro repetições, no esquema fatorial 3x2, para testar o efeito de 3 Recipientes (R1, R2, R3) para a produção de mudas e 2 espécies de eucaliptos (E1 e E2), quanto ao desenvolvimento das mudas. Os Recipientes e as Espécies estudados foram:

R1 = saco plásticos pequenos E1 = Eucalyptus citriodora R2 = saco plásticos grande E2 = Eucalyptus grandis R3 = Laminado

Tratamentos

1

2

3

4

Totais

R1E1

26,4

26,0

25,0

25,4

102,6

R1E2

24,8

24,6

26,7

25,2

101,3

R2E1

25,7

26,3

25,1

26,4

103,5

R2E2

19,6

21,1

19,0

18,6

78,3

R3E1

22,8

19,4

18,8

19,2

80, 2

R3E2

19,8

21,4

22,8

21,3

85,3

TABELA DE ANÁLISE DE VARIÂNCIA

FV

GL

SQ

QM

Fc

Tratamentos

5

175,70

35,14

27,45

erro

18

23,09

1,28

Total corrigido

23

198,79

TABELA DE ANÁLISE DE VARIÂNCIA

FV

GL

SQ

QM

Fc

Recipientes

2

94.38

47.190417

36.165

Espécies

1

19.62

19.620417

15.036

Recipientes*Espécies

2

63.33

31.665417

24.267

erro

18

23.49

1.304861

Total corrigido

23

200.819583

 

CV

(%) =

4.97

Média geral:

22.9791667

Número de observações:

24

Análise do desdobramento de Recipientes dentro de cada nível de:

Espécies

TABELA DE ANÁLISE DE VARIÂNCIA

FV

GL

SQ

QM

Fc

Recipientes /1

2

88.21

44.11

33.801

Recipientes/ 2

2

69.50

34.75

26.631

Resíduo

18

23.49

1.30

Codificação usada para o desdobramento cod. Espécies

1

= 1

2

= 2

Tukey para o desdobramento de Recipientes dentro da codificação: 1

Tratamentos

Médias

Resultados do teste

3

20.05

a1

1

25.73

a2

2

25.88

a2

Tukey para o desdobramento de Recipientes dentro da codificação: 2

Tratamentos

Médias

Resultados do teste

2

19.58

a1

3

21.33

a1

1

25.32

a2

Análise do desdobramento de Espécies dentro de cada nível de:Recipientes

TABELA DE ANÁLISE DE VARIÂNCIA

FV

GL

SQ

QM

Fc

Especies /1

1

0.32

0.320000

0.245

Especies /2

1

79.38

79.380000

60.834

Especies /3

1

3.25

3.251250

2.492

Resíduo

18

23.49

1.304861

Codificação usada para o desdobramento cod. Recipientes

1

= 1

2

= 2

3

= 3

Tukey para o desdobramento de Espécies dentro da codificação: 1

Tratamentos

Médias

Resultados do teste

2

25.33

a1

1

25.73

a1

Tukey para o desdobramento de Espécies dentro da codificação: 2

Tratamentos

Médias

Resultados do teste

2

19.58

a1

1

25.88

a2

Tukey para o desdobramento de Espécies dentro da codificação: 3

Tratamentos

Médias

Resultados do teste

1

20.05

a1

2

21.33

a1

R1

R2

R3

E1

E2

2 - Consideremos os dados de um experimento em blocos casualizados no esquema fatorial 3x2x2, com os fatores Cultivares de Trigo (C 1 :

BR20 – Guató, tolerante ao alumínio; C 2 : BR-36 – Ianomani, sensível ao alumínio; e C 3 : BR40 – Tuiúca, moderadamente sensível ao alumínio), calagem (Ca 0 : 0 t/ha; e Ca 1 : 4,4t/ha de calcário) e fosfatagem (P 0 : 0 mg de P/kg de solo; e P 1 : 87 mg de P/kg de solo), no qual foi estudada a eficiência da cultura na utilização do fósforo, obtida pelo quociente do teor de matéria seca da parte aérea pela quantidade de fósforo absorvida

Quadro1: Resultado da eficiência na utilização de Fósforo

   

Blocos

 

Tratamentos

1

2

3

4

1-C 1 Ca 0 P 0

1255

1250

908

1431

2- C 1 Ca 0 P 1

556

476

588

500

3- C 1 Ca 1 P 0

714

770

667

667

4- C 1 Ca 1 P 1

417

454

454

385

5- C 2 Ca 0 P 0

1428

1444

1667

1428

6- C 2 Ca 0 P 1

625

526

667

526

7- C 2 Ca 1 P 0

769

911

1000

1254

8- C 2 Ca 1 P 1

370

476

417

357

9- C 3 Ca 0 P 0

1660

1662

1667

1667

10- C 3 Ca 0 P 1

526

714

588

714

11- C 3 Ca 1 P 0

625

909

909

667

12- C 3 Ca 1 P 1

526

556

400

476

TABELA DE ANÁLISE DE VARIÂNCIA

FV

GL

SQ

QM

Fc

Cultivar

2

280979.29

140489.64

10.550

Calagem

1

1810798.52

1810798.52

135.975

Fósforo

1

4709400.52

4709400.52

353.633

Cultivar*Calagem

2

101204.29

50602.14

3.800

Cultivar*Fósforo

2

144533.79

72266.89

5.427

Calagem*Fósforo

1

722016.02

722016.02

54.217

Cultivar*Calagem*Fós 2

 

96632.79

48316.39

3.628

Blocos

3

23001.72

7667.24

0.576

erro

33

439467.02

13317.18

Total corrigido

47

8328033.979167

 

CV

(%) =

13,98

Média geral:

825.48

N 6 observações:

48

Análise do desdobramento de Cultivar dentro de cada nível de:Calagem Fósforo

TABELA DE ANÁLISE DE VARIÂNCIA

FV

GL

SQ

QM

Fc

Cultivar

/1

2

418266.17

209133.08

15.704

Cultivar

/2

2

22288.67

11144.33

0.837

Cultivar

/3

2

167474.67

83737.33

6.288

Cultivar

/4

2

15320.67

7660.33

0.575

Resíduo

33

439467.02

13317.18

Codificação usada para o desdobramento cod. Calagem Fósforo

1

= 0

0

2

=

0 1

3

=

1

0

4

=

1 1

Tukey para o desdobramento de Cultivar dentro da codificação: 1 Teste Tukey para a FV Cultivar

Tratamentos

Médias

Resultados do teste

1

1211.000000 a1

2

1491.750000

a2

3

1664.000000

a2

Tukey para o desdobramento de Cultivar dentro da codificação: 2 Teste Tukey para a FV Cultivar

Tratamentos

Médias

Resultados do teste

1

530.000000 a1

2

586.000000 a1

3

635.500000 a1

Tukey para o desdobramento de Cultivar dentro da codificação: 3 Teste Tukey para a FV Cultivar

Tratamentos

Médias

Resultados do teste

1

704.500000 a1

3

777.500000 a1

2

983.500000

a2

Tukey para o desdobramento de Cultivar dentro da codificação: 4 Teste Tukey para a FV Cultivar

Tratamentos

Médias

Resultados do teste

2

405.000000 a1

1

427.500000 a1

3

489.500000 a1

Análise do desdobramento de Calagem dentro de cada nível de:Cultivar Fósforo

TABELA DE ANÁLISE DE VARIÂNCIA

FV

GL

SQ

QM

Fc

alagem

/1

1

513084.50

513084.50

38.53

Calagem

/2

1

21012.50

21012.50

1.58

Calagem

/3

1

516636.13

516636.13

38.79

Calagem

/4

1

65522.00

65522.0

4.90

Calagem

/5

1

1571764.50

1571764.50

118.03

Calagem

/6

1

42632.00

42632.00

3.20

Resíduo

33

439467.020833

13317.182449

Codificação usada para o desdobramento cod. Cultivar Fósforo

1

=

1

0

2

=

1 1

3

=

2

0

4

=

2 1

5

=

3

0

6

=

3 1

Tukey para o desdobramento de Calagem dentro da codificação: 1 Teste Tukey para a FV Calagem

Tratamentos

Médias

Resultados do teste

1

704.500000 a1

0

1211.000000

a2

Tukey para o desdobramento de Calagem dentro da codificação: 6 Teste Tukey para a FV Calagem

Tratamentos

Médias

Resultados do

teste

1

489.500000 a1

0

635.500000 a1

Análise do desdobramento de Fósforo dentro de cada nível

de:Cultivar Calagem TABELA DE ANÁLISE DE VARIÂNCIA

FV

GL

SQ

QM

Fc

Pr>Fc

Fósforo

/1

1

927522.00

927522.00

69.649

Fósforo

/2

1

153458.00

153458.00

11.52

Fósforo

/3

1

1640766.12

1640766.12

123.21

Fósforo

/4

1

669324.50

669324.50

50.26

Fósforo

/5

1

2115624.50

2115624.50

158.86

Fósforo

/6

1

165888.00

165888.00

12.46

Resíduo

33

439467.02

13317.18

Codificação usada para o desdobramento cod. Cultivar Calagem

Tukey para o desdobramento de Calagem dentro da codificação: 2 Teste Tukey para a FV Calagem

1

= 1

0

2

=

1 1

3

=

2 0

4

= 2

1

5

= 3

0

6

=

3 1

Tratamentos

Médias

Resultados do teste

1

427.500000 a1

0

530.000000 a1

Tukey para o desdobramento de Calagem dentro da codificação: 3 Teste Tukey para a FV Calagem

Tratamentos

Médias

Resultados do teste

1

983.500000 a1

0

1491.750000

a2

Tukey para o desdobramento de Calagem dentro da codificação: 4 Teste Tukey para a FV Calagem

Tratamentos

Médias

Resultados do teste

1

405.000000 a1

0

586.000000

a2

Tukey para o desdobramento de Calagem dentro da codificação: 5 Teste Tukey para a FV Calagem

Tratamentos

Médias

Resultados do teste

1

777.500000 a1

0

1664.000000

a2

Tukey para o desdobramento de Fósforo dentro da codificação: 1 Teste Tukey para a FV Fósforo

Tratamentos

Médias

Resultados do teste

1

530.000000 a1

0

1211.000000

a2

Tukey para o desdobramento de Fósforo dentro da codificação: 2 Teste Tukey para a FV Fósforo

Tratamentos

Médias

Resultados do teste

1

427.500000 a1

0

704.500000

a2

Tukey para o desdobramento de Fósforo dentro da codificação: 3 Teste Tukey para a FV Fósforo

Tratamentos

Médias

Resultados do teste

1

586.000000 a1

0

1491.750000

a2

Tukey para o desdobramento de Fósforo dentro da codificação: 4 Teste Tukey para a FV Fósforo

Tratamentos

Médias

Resultados do teste

1

405.000000 a1

0

983.500000

a2

Tukey para o desdobramento de Fósforo dentro da codificação: 5 Teste Tukey para a FV Fósforo

Tratamentos

Médias

Resultados do teste

1

635.500000 a1

0

1664.000000

a2

Tukey para o desdobramento de Fósforo dentro da codificação: 6 Teste Tukey para a FV Fósforo

Tratamentos

Médias

Resultados do teste

1

489.500000 a1

0

777.500000

a2

Exercícios para Laboratório:

1 – O pesquisador Alberto Baeta dos Santos, da Embrapa Arroz e Feijão, em 2001, em um

estudo sobre adubação nitrogenada na cultura do arroz irrigado, testou quatro formas de aplicação deste macronutriente: A1 = 80 kg/ha no plantio; A2 = 40 kg/ha no plantio e 40 kg/ha 40 dias após a emergência (DAE); A3 = 13,2 kg/ha no plantio e 66,8 kg/ha aos 40 DAE; e A4 = 13,2 kg/ha no plantio e 33,4 kg/ha aos 40 e aos 60 DAE. O experimento tinha oito repetições, e os dados de produção de grãos em kg/ha estão na tabela a seguir:

Tabela 1: Dados de produção de arroz irrigado, em kg/ha, no delineamento inteiramente casualizado, com quatro tratamentos e oito repetições

Repetições

tratamentos

1

2

3

4

5

6

7

8

A1

6276

6035

6086

5594

6321

6746

5751

6191

A2

7199

6890

6586

7149

6657

6210

6128

6393

A3

6457

6174

6612

6087

5797

5865

6498

6486

A4

7202

7173

7169

6590

6444

6740

6370

7270

Fazer uma análise estatística completa (Estatística descritiva, teste de normalidade, Anava e teste de comparação de médias) para todos os dados da Tabela 1 e estabeleça conclusões ao nível de 5% de significância.

2 - Num experimento visando ao controle do pulgão (Aphis Gossypii Glover) em cultura de pepino, Macedo utilizou 6 repetições dos tratamentos:

A – Testemunha;

B – Azinfólis etílico;

C – Supracid 40 CE dose 1;

D - Supracid 40 CE dose 2;

E - Diazinon 60 CE. O experimento adotado foi inteiramente casualizado, e os dados referentes ao número de pulgões coletados após a pulverização, são apresentado na tabela a seguir:

Tabela 2: Número de pulgões coletados após a pulverização

2: Número de pulgões coletados após a pulverização Fazer uma análise estatística completa (Estatística

Fazer uma análise estatística completa (Estatística descritiva, teste de normalidade, Anava e teste de comparação de médias) para todos os dados da Tabela 1 e estabeleça conclusões ao nível de 5% de significância.

3

- Vamos considerar os dados de um experimento,inteiramente casualizado,com quatro

repetições, no esquema fatorial 3x2, para testar o efeito de 3 Recipientes (R1, R2, R3) para a produção de mudas e 2 espécies de eucaliptos (E1 e E2), quanto ao desenvolvimento das mudas. Os Recipientes e as Espécies estudados foram:

R1 = saco plásticos pequenos R2 = saco plásticos grande R3 = Laminado

E1 = Eucalyptus citriodora E2 = Eucalyptus grandis

Tabela 2: Altura das mudas, em cm, aos 80 dias de idade

Tratamentos

1

2

3

4

R1

E1

26,4

26,0

25,0

25,4

R1

E2

24,8

24,6

26,7

25,2

R2

E1

25,7

26,3

25,1

26,4

R2

E2

19,6

21,1

19,0

18,6

R3

E1

22,8

19,4

18,8

19,2

R3

E2

19,8

21,4

22,8

21,3

Fazer uma análise estatística completa (Estatística descritiva, teste de normalidade, Anava e teste de comparação de médias) para todos os dados da Tabela 1 e estabeleça conclusões ao nível de 5% de significância.

3 - Consideremos os dados de um experimento em blocos casualizados no esquema fatorial

3x2x2, com os fatores Cultivares de Trigo (C 1 : BR20 – Guató, tolerante ao alumínio; C 2 :

BR-36 – Ianomani, sensível ao alumínio; e C 3 : BR40 – Tuiúca, moderadamente sensível ao alumínio), calagem (Ca 0 : 0 t/ha; e Ca 1 : 4,4t/ha de calcário) e fosfatagem (P 0 : 0 mg de P/kg de solo; e P 1 : 87 mg de P/kg de solo), no qual foi estudada a eficiência da cultura na utilização do fósforo, obtida pelo quociente do teor de matéria seca da parte aérea pela quantidade de fósforo absorvida Quadro 1: Resultado da eficiência na utilização de Fósforo

   

Blocos

 

Tratamentos

1

2

3

4

1-C 1 Ca 0 P 0

1255

1250

908

1431

2- C 1 Ca 0 P 1

556

476

588

500

3- C 1 Ca 1 P 0

714

770

667

667

4- C 1 Ca 1 P 1

417

454

454

385

5- C 2 Ca 0 P 0

1428

1444

1667

1428

6- C 2 Ca 0 P 1

625

526

667

526

7- C 2 Ca 1 P 0

769

911

1000

1254

8- C 2 Ca 1 P 1

370

476

417

357

9- C 3 Ca 0 P 0

1660

1662

1667

1667

10- C 3 Ca 0 P 1

526

714

588

714

11- C 3 Ca 1 P 0

625

909

909

667

12- C 3 Ca 1 P 1

526

556

400

476

4

- Na Tabela 1 são apresentados os resultados da produção de palha de trigo em um

experimento em blocos casualizados com parcelas subdivididas. Neste experimento temos,

4 fontes de nitrogênio aplicado as parcelas, em cobertura (fator A), e 3 fertilizantes

comerciais aplicado nas subparcelas(fator B), estando as 12 parcelas disponíveis em 5 blocos. Tabela 3. Produção de palha de trigo em um experimento em blocos casualizados com parcelas subdivididas.

Tratamentos

 

Blocos

A

B

1

2

3

4

5

A 1 = 0

B1

54,712

53,049

51,776

52,966

51,905

B2

35,699

36,942

36,445

32,427

35,138

B3

19,211

20,040

16,017

15,679

18,819

A 2 = 15

B1

41,862

43,558

41,416

38,540

41,045

B2

33,590

30,560

32,080

30,358

29,193

B3

22,561

26,985

23,383

23,770

20,754

A 3 = 30

B1

25,959

26,162

22,805

24,290

22,852

B2

29,329

27,258

28,460

23,916

27,415

B3

32,610

33,179

32,738

29,426

28,835

A 4 = 45

B1

14,508

15,920

14,668

8,945

11,646

B2

24,320

26,145

24,976

23,479

22,419

B3

36,944

40,016

39,112

35,908

35,104

Fazer uma análise estatística completa (Estatística descritiva, teste de normalidade, Anava e teste de comparação de médias) para todos os dados da Tabela 1 e estabeleça conclusões ao nível de 5% de significância.