Estatistica Experimental

Estatstica Experimental
2012
Estatstica
Experimental
Material Didtico
Apostila da disciplina de estatstica experimental destinada aos acadmicos do
curso de ps-graduao em gentica e melhoramento de plantas da
Universidade do Estado de Mato Grosso UNEMAT
Prof. Dr. Willian Krause

UNEMAT
2012
1. Noes bsicas de experimentao agrcola

A Estatstica Experimental a cincia que tem como objetivo estudar experimentos (ensaios),
englobando etapas como o planejamento, execuo, coleta e anlise dos dados experimentais e interpretao
dos resultados obtidos. Ela foi proposta inicialmente na rea de cincias biolgicas por Ronald A. Fisher em
1919. Fisher props o uso da anlise de varincia (ANAVA) como ferramenta para anlise e interpretao de
dados. A ANAVA permite a decomposio do grau de liberdade e da soma de quadrados total em somas de
quadrados correspondentes s fontes de variao previamente definidas no planejamento do experimento.
A fase de planejamento do experimento merece considervel ateno por parte do pesquisador, pois
dela depender o sucesso da anlise e interpretao dos resultados sendo, portanto, recomendvel uma
consulta a um estatstico antes da instalao do experimento. O planejamento envolve etapas como:
a) Formulao de hipteses
Ao planejar o problema que se vai pesquisar, dever ser dada especial ateno aos seguintes pontos:
- Definio da importncia do problema que se estuda;
- Determinao do(s) objetivo(s) e finalidade da investigao.
Definir a importncia do problema que se estuda explicar o que vamos estudar. Ser impossvel o
planejamento das etapas subseqentes se no ficar claramente evidenciado o problema a investigar. No
basta, por exemplo, dizer que se vai estudar a biodiversidade do Pantanal, o efeito da poluio do rio
Sepotuba, pois provavelmente nenhum pesquisador ter possibilidade e capacidade de abordar todos os
aspectos da biodiversidade ou da poluio. importante tambm especificar sua extenso.
Antes de empreender o experimento, o pesquisador deve revisar tudo o que diz respeito ao fato em
estudo, com a finalidade de saber o que j se conhece sobre o assunto. Decerto sero encontrados vrios
subsdios que fornecero valiosa colaborao para o estudo. A reviso bibliogrfica sobre o assunto dever
sofrer cuidadosa seleo para que os resultados mais afins possam ser aproveitados no conforto e discusso
posteriores da pesquisa.
A hiptese, resultado de um raciocnio indutivo (consciente ou subconsciente), requer demonstrao
ou prova de sua adequao. Sabemos que a veracidade de uma hiptese nunca pode ser demonstrada ou
provada definitivamente. O que se faz verificar se ela no seria falsa; o que nos levaria a rejeit-la e a
formular outra, se necessrio. Enquanto no se possa demonstrar que ela incorreta, mantm-se a hiptese
como boa. Dela deduzimos as conseqncias ou fazemos previses. Por sua vez, essas conseqncias e
previses sero testadas, para ver se a hiptese adotada ainda se mantm ou no.
A hiptese estatstica formulada denominada hiptese de nulidade e simbolizada por Ho. Suponha
que se deseja estudar qual cultivar (considerando, por exemplo, trs cultivares diferentes) proporcionar a
melhor produtividade na cultura da soja. No exemplo, Ho seria: no existem diferenas significativas entre as
cultivares (ou seja, qualquer diferena observada devida a fatores no controlados). Ho poder ser aceita ou
rejeitada; caso seja rejeitada, aceitaremos uma hiptese denominada alternativa, simbolizada por H1 que no
exemplo seria: as cultivares diferem significativamente entre si (ou as cultivares se comportam de modo
diferente quanto a produtividade).
2
b) Escolha dos fatores e seus respectivos nveis

Fatores (ou tratamentos) so aqueles que o pesquisador tem interesse em estudar o seu efeito sobre as
variveis respostas. As subdivises de um fator so os nveis dos mesmos. Por exemplo, se o interesse for
planejar um experimento para se estudar o efeito de seis tipos diferentes de rotaes de cultura, o fator em
estudo rotao e os nveis deste fator so os seis tipos de rotao. Em alguns casos, como por exemplo, nos
experimentos fatoriais ou em parcelas subdivididas, dois ou mais fatores so estudados. Suponha que se
deseja estudar o efeito de duas variedades de cana de acar e trs doses de nitrognio; neste caso se trata de
um experimento em fatorial 2x3, em que se tem dois fatores (variedade e dose de nitrognio); dois nveis do
fator variedade e trs nveis do fator dose de nitrognio.
Um fator pode ser classificado em:
b.1) Qualitativo: quando os nveis do fator so categorias, atributos.
Por exemplo: nome de variedades de cana de acar (SP701143 e SP813250); mtodos de plantio
(direto, convencional); origem de solos (MG, RJ, BA, SP); etc.
b.2) Quantitativo: quando os nveis do fator so mensuraes de valores reais. Normalmente os
nveis so valores numricos acompanhados de uma unidade de medida. Por exemplo: dose de nitrognio (0,
25 e 50 kg ha-1); espaamento de plantio de maracuj (1, 2, 3, 4m entre plantas), etc.
c) Escolha da parcela (unidade experimental)
Parcela a unidade experimental que receber o tratamento. A parcela pode assumir diferentes
formas e tamanhos. Por exemplo, uma parcela poder ser constituda por uma ou vrias plantas; um vaso
contendo uma ou mais plantas; uma placa de Petri com determinado meio de cultura; uma rea com vrias
plantas; um animal; etc.
d) Escolha do delineamento experimental
Delineamento experimental o plano de distribuio dos tratamentos na rea experimental. Como
exemplo de delineamentos tem-se o delineamento inteiramente casualizado (DIC), o delineamento em blocos
casualizados (DBC), o delineamento em quadrados latinos (DQL), os delineamentos em blocos incompletos
(por exemplo, os ltices, blocos aumentados, etc.).
e) Escolha das variveis a serem analisadas
Variveis respostas ou variveis dependentes ou simplesmente variveis so caractersticas obtidas
em cada parcela. Os dados (observaes) so realizaes de uma varivel e sero analisados para verificar se
h diferena entre os nveis dos fatores (tratamentos). Assim, exemplos de variveis so: produo de gros
de feijo; altura de plantas de milho; pH, teor de Ca, Mg e P em amostras de solo; nmero de plantas de
cana-de-acar atacadas por cercosporiose; etc.
Uma varivel tambm pode ser classificada, semelhantemente aos fatores (tratamentos), em:
e.1) Qualitativa
e.1.1) Nominal: quando so categorias, atributos, sem uma ordenao natural. Por exemplo: cor dos
gros do feijoeiro (marrom, preto, branco); textura do solo (arenoso, argiloso, silte); etc.
e.1.2) Ordinal: quando so atributos com uma ordenao natural. Por exemplo: suscetibilidade do
cafeeiro ferrugem (alta, mdia, baixa); nota para o ataque de cercosporiose em cana-de-acar (escala de 1,
para ausncia da doena, at 9, para o mximo de doena); etc.
e.2) Quantitativa
e.2.1) Discretas: quando so contagens de nmeros inteiros positivos com uma ordenao natural.
Por exemplo: nmero de chuvas em 2002 superior a 80 mm/h (ex. 20 chuvas); nmero de plantas atacadas
com a broca do fruto do cafeeiro (ex. 200 plantas); nmero de minhocas encontradas em determinada
amostra de solo (ex. 50 minhocas).
e.2.2) Contnuas: quando so mensuraes de valores reais; normalmente existe uma unidade de
medida acompanhando a varivel. Por exemplo: produtividade (100,0 kg ha-1); renda (R$2.050,73/ms);
altura (2,5 m); dimetro (8,18 cm); peso (98,5 g); pH (5,5); teor de P, Ca, Mg, K, matria orgnica, etc.
f) Anlise dos dados obtidos com o experimento.
2. Definies gerais
a)
Pesquisa e experimentao: o termo pesquisa deve ser empregado quando se investigam
coisas novas, e experimentao, ao se verificar a adaptao de conhecimentos ou tecnologias a situaes

diversas daquelas nas quais foram criadas ou desenvolvidas. Assim a criao de novas cultivares deve ser
considerada como pesquisa, mas a realizao de um ensaio de competio de linhagens e/ou cultivares em
ambiente diverso quele no qual foram criadas uma experimentao.
b)
Fator: aquilo que se aplica em um ensaio de forma no homognea, por exemplo, cultivar,
quando se testam vrias delas; adubao ao se compararem diversas formulaes; etc.

c)
Nvel: as diferentes manifestaes de um fator, por exemplo as doses de adubaes
empregadas, os espaamentos utilizados, as cultivares que se testam, diferentes temperaturas de coco, etc.
d)
Tratamento: cada um dos nveis do fator ou cada uma das combinaes dos nveis dos
fatores, quando testando mais de um fator.

e)
Testemunha: tratamento padro de comparao. Pode ser a ausncia de um fator (dose zero
de um adubo), ou a aplicao usual do fator (cultivar recomendada para cultivo na regio, espaamento
adotado pelos agricultores, etc).
f)
Ensaio ou experimento: o conjunto de todos os tratamentos, aplicados de forma repetida.
Quando mais de um fator estiver sendo estudado, o ensaio chamado de ensaio ou experimento fatorial.
g)
Delineamento: o esquema adotado para a distribuio dos tratamentos.
h)
Unidade experimental (parcela): sujeito ao se aplica um dos tratamentos. Pode ser uma rea
de solo, um vaso, um animal, uma placa de petri, um indivduo, etc.

i)
rea til: poro da unidade experimental efetivamente utilizada na avaliao do tratamento.
j)
Bordadura: parte da parcela no coletada para avaliao do efeito do tratamento.
empregada para evitar efeito de competio ou de contaminao entre parcelas vizinhas. Normalmente
constituda pelo mesmo material da rea til.
4
k)
Repetio: cada uma das aplicaes de um tratamento.
l)
Bloco: conjunto ambiental homogneo que contm todos os tratamentos ou parte deles (no
caso de blocos incompletos).
3. Anlise de varincia
A anlise de varincia (ANAVA) um dos mtodos para anlise dos dados que visa decompor a
variao total entre parcelas em fontes (causas) de variao devidas a efeitos principais dos fatores, efeitos de
interaes entre fatores, efeitos de aninhamento e resduo (erro). Para facilitar o entendimento, antes de
partirmos para exemplos de anlises de varincia, necessrio fazer alguns comentrios sobre os princpios
bsicos da experimentao e tambm sobre as pressuposies da anlise de varincia.
3.1. Princpios bsicos da experimentao

Os delineamentos experimentais clssicos so baseados nos trs conceitos a seguir, estabelecidos por
Fisher (1935).
a) Repetio: refere-se ao nmero de parcelas que recebero um mesmo tratamento. Os tratamentos
devem ser repetidos, possibilitando, assim, estimar o erro experimental sem o qual no seria possvel realizar
testes de hipteses. O uso de um nmero adequado de repeties possibilita uma boa estimativa do erro
experimental, melhorando as estimativas de interesse. fcil entender que o teste de hipteses ser tanto
mais preciso quanto menor for a estimativa do erro experimental que, em realidade, reflete a varincia da
mdia dos tratamentos. No entanto, o nmero de repeties pode ser limitado, por exemplo, pelo nmero de
tratamentos que sero comparados, pela disponibilidade de material e de rea experimental, entre outros
fatores.
b) Casualizao: refere-se distribuio aleatria dos tratamentos s parcelas de modo que todas as
parcelas tenham a mesma chance de receber qualquer um dos tratamentos. Com isso, a casualizao evita
que determinado tratamento seja favorecido e garante que os erros sejam independentes (Mead & Curnow,
1983). Alguns programas computacionais elaboram planilhas de campo j com os tratamentos aleatorizados,
como por exemplo, o GENES, SISVAR e outros.
c) Controle local: a idia bsica do controle local a partio do conjunto total de parcelas em
subconjuntos (blocos) que sejam os mais homogneos possveis. Para Hinkelmann & Kempthorne (1994), o
princpio do controle local o reconhecimento de padres supostamente associados s parcelas. Este
princpio utilizado para atenuar problemas de heterogeneidade ambiental (por exemplo de solo, de
distribuio de gua no caso de experimentos irrigados, etc.).
3.2. Pressuposies de uma anlise de varincia

Quando se realiza anlise de varincia, as seguintes condies devem ser satisfeitas:
a) os efeitos de tratamentos e ambientes devem ser aditivos porque a variao ser decomposta
(Y=m+trat+erro).
5
b) Os erros experimentais devem ser aleatrios, independentes e normalmente distribudos com

mdia zero e varincia comum (homogeneidade de varincia).
Aleatrio: o nico manejo que pode variar no experimento o que se est testando;
Independncia dos erros: o erro deve ser independente da mdia, no pode haver
associao do erro com a mdia;
Sem a distribuio normal dos erros no pode aplicar testes;
Homogeneidade das varincias: ao aplicar os testes, os erros precisam ser comuns para
todos os tratamentos.
3.3. Delineamento Inteiramente Casualizado (DIC)

a) Caractersticas
- Os tratamentos so distribudos nas parcelas de forma inteiramente casual (aleatria).
- O DIC possui apenas os princpios da casualizao e da repetio, no possuindo controle local e, portanto,
as repeties no so organizadas em blocos.
- Normalmente mais utilizado em experimentos de laboratrio; experimentos em vasos ou bandejas em
casa de vegetao, onde h possibilidade de controle das condies ambientais. Nos experimentos em casa
de vegetao recomenda-se constantemente mudar as parcelas de posio para evitar diferenas ambientais
devido a posio da parcela na casa de vegetao. A instalao do DIC no campo experimental exige certa
homogeneidade das condies ambientais (como por exemplo, quanto fertilidade do solo, distribuio
uniforme de gua, etc.).
b) Vantagens
- Possui grande flexibilidade quanto ao nmero de tratamentos e repeties, sendo dependente, entretanto, da
quantidade de material e rea experimental disponveis.
- Pode-se ter DIC no balanceado, ou seja, com nmeros de repeties diferentes entre tratamentos, o que
no leva a grandes alteraes. Mas os testes de comparaes mltiplas passam a ser aproximados e no mais
exatos. O ideal que os tratamentos sejam igualmente repetidos.
- Considerando o mesmo nmero de parcelas e tratamentos avaliados, o delineamento que possibilita o
maior grau de liberdade do erro.
c) Desvantagens
- Exige homogeneidade das condies experimentais. Se as condies no forem uniformes, como se
esperava antes da instalao do experimento, toda variao (exceto devida a tratamentos) ir para o erro,
aumentando sua estimativa e reduzindo, portanto, a preciso do experimento.
d) Modelo estatstico do DIC
y = m + t + e , em que, y representa a observao do i-simo tratamento na j-sima repetio;
m representa uma constante geral associada a esta varivel aleatria; t representa o efeito do i-simo
tratamento; e e representa o erro experimental associado a observao y , suposto ter distribuio normal
com mdia zero e varincia comum.
6
e) Exemplo de DIC
Suponha que foi avaliado o peso seco da parte area (g/parcela) de 4 variedades de cana-de-acar.
O experimento foi instalado em casa de vegetao. O delineamento foi o inteiramente casualizado com 3
repeties. Cada parcela era constituda de 1 vaso com 3 plantas. Os dados de peso esto dispostos no
Quadro a seguir:
Peso seco da parte area (g/parcela) de 4 variedades de cana-de-acar (A, B, C e D) em um delineamento

inteiramente casualizado com 3 repeties.
Tratamento (Cultivares)
A
A
A
B
B
B
C
C
C
D
D
D
Repetio
1
2
3
1
2
3
1
2
3
1
2
3
Total Geral
Varivel (Peso em g)
200
280
250
390
420
410
180
210
190
650
610
625
Total dos Tratamentos

730
1220
580
1885
4415
Croqui de campo
C
A disposio das repeties de cada tratamento realizada de forma totalmente aleatria s parcelas.
f) Esquema de anlise de varincia do DIC com fontes de variao e graus de liberdade
Considerando I tratamento e cada tratamento com J repeties, temos a representao esquemtica
dos dados do exemplo acima num delineamento inteiramente casualizado.
Quadro dos dados:
Tratamento (Cultivares)
1
1
1
2
2
2
Repetio
1
2
3
1
2
3
Varivel (Peso em g)
yij = y11 = 200
yij = y12 = 280
yij = y13 = 250
yij = y21 = 390
yij = y22 = 420
yij = y23 = 410
7
Total dos Tratamentos

yi. = y1. = y11 + y12 + y13 = 730
yi. = y2. = y21 + y22 + y23 = 1220
3
3
3
4
4
4

1
2
3
1
2
3
Total Geral
yij = y31 = 180

yij = y32 = 210
yij = y33 = 190
yij = y41 = 650
yij = y42 = 610
yij = y43 = 625
yi. = y3. = y31 + y32 + y33 = 580
yi. = y4. = y41 + y42 + y43 = 1885

y.. = 4415
Quadro da anlise de varincia:

Fonte de Variao
Grau de Liberdade
Soma de Quadrado
Quadrado Mdio
Teste F
(FV)
(GL)
(SQ)
(QM)
(F)
I-1
y. y..
j
ij
SQ
GL
QM
QM
I(J-1)
SQ SQ
Tratamento
Erro ou Resduo
Total
y
IJ-1
$.. % =
Mdia Geral #Y
y..
ij
Coeficiente de Variao = CV#%% =
)*+,
$ .. . 100
-
I = n de tratamentos; J = n de repeties
Resolvendo o exemplo anterior, temos:
GLTot = (4 x 3) 1 = 11
GLTrat = 4 - 1 = 3
GLE = 4 (3-1) = 8
Considerando C =
y2..
ij
, temos:
SQTot = (2002 + 2802 + 2502 + 3902 + 4202 + 4

102 + 1802 + 4102 + 1902 + 6502 + 6102 + 6252) -
00123
045
SQTot =350972,917
7583 9 183 9 2:83 9 1::23
;
5
SQTrat = 6
C = 345956,250
SQE = 350972,917 - 345956,250 = 5016,667

QMTrat =
QME =
Fc =
$
Y.. =
502<2=,28
5
5016,667
8
11251:,728
=7,8:5
0012
045
= 115318,750
= 627,083
= 183,897
= 367,917
y..
ij
SQ
GL
CV#%% =
=7,8:5
. 100
5=7,<17
= 6,81

FV
GL
SQ
QM
Tratamento
345956,250
115318,750
Erro ou Resduo
5016,667
627,083
Total
11
350972,917
Mdia
367,917
CV#%%
6,81
Fc
183,897
g) Concluso e interpretao da anlise de varincia

Para verificar a significncia do teste F, num nvel pr-estabelecido, o valor de F calculado (Fc)
comparado com o valor de F tabelado (Ft). O valor de Ft obtido da seguinte forma: Ft = F (GLTrat; GLE),
onde o valor do GLTrat observado para identificar a coluna e o valor do GLE observado para identificar a
linha. O valor da tabela encontrado mediante a intercesso da linha e coluna ser o valor de Ft. Deve-se
observar o valor de Ft para a 5% (Anexo 3)e 1% (Anexo 4). Assim:
- Se o valor de F calculado maior ou igual que o valor de F tabelado (Fc Ft), rejeita-se H0, diz-se que o
teste foi significativo no nvel de probabilidade esperado, logo existe diferena significativa entre os
tratamentos.
- Se o valor de F calculado menor que o valor de F tabelado (Fc < Ft), no rejeita-se H0, diz-se que o teste
foi no significativo, logo no existe diferena significativa entre os tratamentos.
No exemplo acima, temos:
- Hipteses
H0: trat 1 = trat 2 = trat 3 = trat 4
H1: trat 1 trat 2 trat 3 trat 4
- Fc = 183,897
- Ft = F (GLTrat; GLE) = F5% (3; 8) = 4,07 (Anexo 3)
Ft = F (GLTrat; GLE) = F1% (3; 8) = 7,59 (Anexo 4)
- Concluso: Fc Ft, rejeita-se H0. Desta forma, existe diferena significativa entre os tratamentos ao nvel de
1% de probabilidade de erro. Ou seja, as cultivares de cana de acar avaliadas no experimento acima
diferem estatisticamente quanto ao peso de massa seca.
As mdias dos tratamentos so calculadas conforme a seguinte frmula $
Y. =
730
= 243,33
3
1220
$
Y. =
= 406,67
3
-@.
.

Assim, temos:
580
= 193,33
3
1885
$
Y0. =
= 628,33
3
$
Y1. =
$
Y5. =
3.4. Delineamento em Blocos Casualizados (DBC)

a) Caractersticas
Os tratamentos so distribudos aleatoriamente em blocos (princpio do controle local) de modo que
haja maior uniformidade possvel dentro de cada bloco. O nmero de parcelas por bloco igual ao nmero
de tratamentos, ou seja, cada bloco dever conter todos os tratamentos. O DBC possui os trs princpios
bsicos da experimentao: casualizao, repetio e controle local e, portanto, as repeties so organizadas
em blocos. Normalmente, o delineamento mais utilizado em condies de campo. A eficincia do DBC
depende da uniformidade dentro de cada bloco, podendo haver heterogeneidade entre blocos. Os blocos
podem ser instalados na forma quadrada, retangular ou irregular, desde que seja respeitada a uniformidade
dentro do bloco.
b) Vantagens
- Controla diferenas nas condies ambientais de um bloco para outro.
- Leva a uma estimativa mais exata da varincia residual, uma vez que a variao ambiental entre blocos
isolada.
d) Desvantagens
- H uma reduo no nmero de graus de liberdade do erro, pois o DBC utiliza o princpio do controle local.
- O nmero de tratamentos a ser utilizado limitado pela exigncia de homogeneidade dentro dos blocos,
no podendo ser muito elevado.
e) Modelo estatstico do DBC
y = m + b + t + e , em que, y representa a observao do i-simo tratamento no j-simo bloco;
m representa uma constante geral associada a esta varivel aleatria; b representa o efeito do j-simo bloco;
t representa o efeito do i-simo tratamento; e e representa o erro experimental associado a observao y ,

suposto ter distribuio normal com mdia zero e varincia comum.
f) Exemplo de DBC
Estudou-se a influncia de 4 tipos de cobertura morta (sorgo, crotalria, milheto e vegetao
espontnea) no peso seco de brcolis. O experimento foi instalado em DBC com 5 repeties. Os dados de
peso seco esto dispostos na Tabela a seguir:
10
Peso seco (kg/parcela) de brcolis em um experimento em blocos casualizados (DBC) com 5 repeties em
que foi avaliada a influncia de 4 tipos de cobertura morta (1: sorgo, 2: crotalria; 3: milheto e 4: vegetao
espontnea)
Tipos de cobertura morta
Sorgo
Sorgo
Sorgo
Sorgo
Sorgo
Crotalria
Crotalria
Crotalria
Crotalria
Crotalria
Milheto
Milheto
Milheto
Milheto
Milheto
Espontnea
Espontnea
Espontnea
Espontnea
Espontnea
Total Geral
Repetio
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
Totais dos Tratamentos

yi. = y1. = y11 + y12 + y13 + y14 + y15 = 292,1
yi. = y2. = y21 + y22 + y23 + y24 + y25 = 343,8
yi. = y3. = y31 + y32 + y33 + y34 + y35 = 291,6
yi. = y4. = y41 + y42 + y43 y44 + y45 = 259,6
Totais dos blocos
y.j = y.1 = y11 + y21 + y31 + y41 = 253,6
y.j = y.2 = y12 + y22 + y32 + y42 = 250,7
y.j = y.3 = y13 + y23 + y33 + y43 = 249,0
y.j = y.4 = y14 + y24 + y34 + y44 = 218,8
y.j = y.5 = y15 + y25 + y35 + y45 = 215,0
11
Peso seco (kg/parcela)

yij = y11 = 72,8
yij = y12 = 58,3
yij = y13 = 50,4
yij = y14 = 51,6
yij = y15 = 59,0
yij = y21 = 69,0
yij = y22 = 64,1
yij = y23 = 72,1
yij = y24 = 73,6
yij = y25 = 65,0
yij = y31 = 45,3
yij = y32 = 60,9
yij = y33 = 67,2
yij = y34 = 66,2
yij = y35 = 52,0
yij = y41 = 66,5
yij = y42 = 67,4
yij = y43 = 59,3
yij = y44 = 27,4
yij = y45 = 39,0
1187,1

Croqui de Campo
Bloco 1
Bloco 2
Bloco 3
Bloco 4
Bloco 5
A disposio dos tratamentos realizada de forma aleatria dentro dos blocos.

g) Esquema de anlise de varincia do DBC com fontes de variao e graus de liberdade
No DBC as repeties representam os blocos, assim o quadro de anlise de varincia para os dados de
um DBC expresso de uma maneira geral por:
FV
GL
SQ

y.
y..
ij
Bloco
J-1
Tratamento
I-1
y. y..
j
ij
(I-1) (J-1)
SQ SQ SQ J
Erro ou Resduo
Total
y
IJ-1
$.. % =
Mdia Geral #Y
y..
ij
y..
ij
)*+,
$ .. . 100
-
I = n de tratamentos; J = n de blocos
GLTot = (4 x 5) 1 = 19
GLB = (5-1) = 4
GLTrat = (4-1) = 3
GLE = (4-1) (5-1) = 12
SQTot = (72,82 + 69,02 + + 39,02)
<,13 9 9 1::22<,=3
;
2
SQTrat = 6
11:7,13
042
= 2748,7495
C = 728,3935
12
QM
SQ J
GLJ
QMJ
QM
SQ
GL
SQ
GL
QM
QM
SQ J =
25,=3 9 9 12,83
0
C = 355,4020
SQE = 2748,7495 728,3935 355,4020 = 1664,9540

QMTrat =
QMB =
QME =
Fc =
7:,5<52
5
522,088
0
= 88,8505
1==0,<208
:1
0,7<7:
15:,70=
= 242,7978
= 138,7462
Mdia =
= 1,750
11:7,1
042
= 59,4
CV#%% =
15:,70=
. 100
2<,0
= 19,83

FV
GL
SQ
QM
Fc
Bloco
355,4020
88,8505
0,640
Tratamento
728,3935
242,7978
1,750
Erro ou Resduo
12
1664,9540
138,7462
Total
19
2748,7495
Mdia
59,4
CV#%% = 6,81
19,83
h) Concluso e interpretao da anlise de varincia

Para o DBC, valem as mesmas consideraes realizadas para o DIC.
No exemplo acima, temos:
- Hipteses
H0: trat 1 = trat 2 = trat 3 = trat 4
H1: trat 1 trat 2 trat 3 trat 4
- Fc = 1,750
- Ft = F (GLTrat; GLE) = F5% (3; 12) = 3,49 (Anexo 3)
Ft = F (GLTrat; GLE) = F1% (3; 12) = 5,95 (Anexo 4)
- Concluso: Fc < Ft, no rejeita-se H0. Desta forma, no existe diferena significativa entre os tratamentos.
Ou seja, os quatro tipos de cobertura morta avaliadas no experimento acima no influenciaram sobre o peso
seco de brcolis.
$. =
As mdias dos tratamentos so calculadas conforme a seguinte frmula Y
292,1
= 58,42
5
343,8
$. =
Y
= 68,76
5
-@.
.

Assim, temos:
291,6
= 58,32
5
259,6
$0. =
Y
= 51,92
5
$1. =
Y
$5. =
Y
13
3.5. Experimentos fatoriais

a) Caractersticas
Em alguns experimentos, o pesquisador avalia dois ou mais tipos de tratamentos e deseja verificar se
h interao entre estes tipos. Tais experimentos so denominados experimentos fatoriais e os tipos de
tratamentos so denominados fatores. As categorias (subdivises) de cada fator so ditas nveis do fator.
Como exemplo, considere um experimento em que se comparou o efeito de 3 cultivares de maracuj (FB
100, BRS Ouro Vermelho e IAC 275) e o efeito de um determinado produto qumico para o controle da
verrugose (Cobre-S, Recop). Neste caso, existem dois fatores: cultivares e produto qumico. Os nveis do
fator cultivar so 3 ((FB 100, BRS Ouro Vermelho e IAC 275) e do produto qumico so 2 (Cobre-S,
Recop).
Costuma-se representar o fatorial pela multiplicao dos nveis. No exemplo anterior o fatorial 3x2
(fatorial 3 por 2), assim fica claro que existem dois fatores, o primeiro fator com 3 nveis de cultivar e o
segundo com 2 nveis de produto. O nmero total de tratamentos avaliados tambm dado pela
multiplicao dos nveis, ou seja, no exemplo so avaliados 3x2 = 6 tratamentos avaliados (1: FB 100 com
Cobre-S; 2: FB 100 com Recop; 3: BRS Ouro Vermelho com Cobre-S; 4: BRS Ouro Vermelho com Recop;
5: IAC 275 com Cobre-S; 6: IAC 275 com Recop. Se fossem, por exemplo, 3 fatores com 5, 2 e 3 nveis para
cada fator respectivamente, a representao seria: fatorial 5x2x3, sendo avaliado um total de 30 tratamentos e
assim por diante. Vale lembrar que os experimentos fatoriais no so delineamentos e sim um esquema de
desdobramento de graus de liberdade de tratamentos, e podem ser instalado em qualquer dos delineamentos
experimentais, DIC, DBC, etc.
b) Vantagens
- Permite estudar os efeitos principais dos fatores e os efeitos das interaes entre eles.
c) Desvantagens
- Como os tratamentos correspondem a todas as combinaes possveis entre os nveis dos fatores, o nmero
de tratamentos a ser avaliado pode aumentar muito, no podendo ser distribudos em blocos completos
casualizados devido exigncia de homogeneidade das parcelas dentro de cada bloco. Isto pode levar a
complicaes na anlise, sendo preciso lanar mo de algumas tcnicas alternativas (como por exemplo, o
uso de blocos incompletos).
- A anlise estatstica e a interpretao dos resultados pode tornar-se um pouco mais complicada que nos
experimentos simples.
d) Modelo estatstico do fatorial
O modelo a seguir corresponde a um modelo de um delineamento em blocos casualizados (DBC) em
esquema fatorial com 2 fatores (A e D), mas pode ser estendido para os casos em que h mais fatores,
incluindo os fatores isolados e as interaes duplas, triplas e outras entre os fatores.
YL = m + b + A + DL + #AD%L + eL
em que, Yikj o valor observado referente a parcela que recebeu o i-simo nvel do fator A e o k-simo nvel
do fator D no j-simo bloco; m representa uma constante geral; bj representa o efeito do j-simo bloco; Ai
14
representa o efeito do i-simo nvel do fator A; D representa o efeito do k-simo nvel do fator D; (AD)ik
representa a interao entre o efeito do i-simo nvel do fator A e o efeito do k-simo nvel do fator D e eikj
representa o erro experimental associado observao Yikj, suposto ter distribuio normal com mdia zero e
varincia comum.
e) Exemplo de fatorial
Em um experimento em blocos casualizados com 4 repeties, no esquema fatorial 2x3 foi avaliado
o efeito de 2 variedades de cana de acar (V1 e V2) e 3 tipos de inoculantes (I1, I2 e I3) quanto ao peso do
colmo (ton ha-1). Os dados esto apresentados na Tabela a seguir.
Tabela. Peso do colmo (ton/ha) para os 6 tratamentos de um experimento em blocos casualizados (DBC),
com 4 repeties, em esquema fatorial 2x3
Variedades de cana
(Fator A)
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
Total Geral
Tipos de inoculantes
(Fator D)
1
1
1
1
2
2
2
2
3
3
3
3
1
1
1
1
2
2
2
2
3
3
3
3
Repetio
Peso do colmo (ton/ha)
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
yikj = y111 = 238,1

yikj = y112 = 256,0
yikj = y113 = 267,7
yikj = y114 = 163,6
yikj = y121 = 223,6
yikj = y122 = 217,0
yikj = y123 = 184,7
yikj = y124 = 210,5
yikj = y131 = 286,8
yikj = y132 = 205,8
yikj = y133 = 231,6
yikj = y134 = 252,9
yikj = y211 = 347,5
yikj = y212 = 403,9
yikj = y213 = 347,0
yikj = y214 = 442,6
yikj = y221 = 351,2
yikj = y222 = 452,5
yikj = y223 = 396,9
yikj = y224 = 298,4
yikj = y231 = 372,3
yikj = y232 = 406,5
yikj = y233 = 374,5
yikj = y234 = 363,8
Totais
(A x D)
yik. = y11. = 925,4
yik. = y12. = 835,8
yik. = y13. = 977,1
yik. = y21. = 1541,0
yik. = y22. = 1499,0
yik. = y23. = 1517,1

y... = 7295,4
Totais dos blocos

y..j = y..1 = y111 + y121 + y131 + y211 + y221 + y231 = 1819,5
y..j = y..2 = y112 + y122 + y132 + y212 + y222 + y232 = 1941,7
y..j = y..3 = y113 + y123 + y133 + y213 + y223 + y233 = 1802,4
y..j = y..4 = y114 + y124 + y134 + y214 + y224 + y234 = 1731,8
15
Totais da Interao AxD (variedades de cana x tipos de inoculantes)

yik. = y11. = y111 + y112 + y113 + y114 = 925,4
yik. = y12. = y121 + y122 + y123 + y124 = 835,8
yik. = y13. = y131 + y132 + y133 + y134 = 977,1
yik. = y21. = y211 + y212 + y213 + y214 = 1541,0
yik. = y22. = y221 + y222 + y223 + y224 = 1499,0
yik. = y23. = y231 + y232 + y233 + y234 = 1517,1
Tabela Auxiliar
D1
D2
D3
A1
925,4(4)
835,8(4)
977,1(4)
A2
1541,0(4)
1499,0(4)
1517,1(4)
(8)
(8)
2334,8
2494,2(8)
Total
2466,4
*Os valores entre parnteses correspondem ao nmero de parcelas que deu origem.
Total
2738,3(12)
4557,1(12)
7295,4(24)
Totais do Fator A (variedades de cana)

yi.. = y1.. = y111 + y112 + y113 + y114 + y121 + y122 + y123 + y124 + y131 + y132 + y133 + y134 = 2738,3
yi.. = y2.. = y211 + y212 + y213 + y214 + y221 + y222 + y223 + y224 + y231 + y232 + y233 + y234 = 4557,1
Totais do Fator D (tipos de inoculantes)

y.k. = y.1. = y111 + y112 + y113 + y114 + y211 + y212 + y213 + y214 = 2466,4
y.k. = y.2. = y121 + y122 + y123 + y124 + y221 + y222 + y223 + y224 = 2334,8
y.k. = y.3. = y131 + y132 + y133 + y134 + y231 + y232 + y233 + y234 = 2494,2
Croqui de Campo
Tratamento 1 = variedade de cana 1, inoculante 1
16
Bloco 1
Bloco 2
Bloco 3
Bloco 4
A disposio dos tratamentos realizada de forma aleatria dentro dos blocos.

g) Esquema de anlise de varincia do DBC num esquema fatorial com fontes de variao e graus de
liberdade
FV
GL
Bloco
SQ

J-1
(Tratamento)
y..
ik
y...
ikj
y..
y...
kj
ikj
Fator A
I-1
Fator D
K-1

y.L.
y...

ij
ikj
Interao AxD
(I-1) (K-1)

yL.
y...

SQ P SQ Q
j
ikj
Erro ou Resduo
(IK-1) (J-1)
SQ SQ J SQ P SQ Q SQ PQ
Total

yL
IKJ-1
$... % =
Mdia Geral #Y
y...
ikj
y...
ikj
)*+,
$ ... . 100
-
I = nveis do Fator A; K = nveis do Fator D; J = n de blocos

7<2,03
SQTot = (238,12 + 256,02 + + 363,82) 4 5 4 0 = 172067,105

SQ J =
1:1<,23 9 9 1751,:3
45
75:,53 90227,13
;
540
SQA = 6
C = 3806,8083
C = 137834,7267
0==,03 990<0,3
;
40
SQD = 6
C = 1812,49
17
QM
SQ J
GLJ
QMJ
QM
SQ P
GLP
QMP
QM
SQ Q
GLQ
SQ PQ
GLPQ
SQ
GL
QMQ
QM
QMPQ
QM
<2,03 991217,13
;
0
SQAD = 6
C SQ P SQ Q = 964,9733
SQE = 172067,105 3806,8083 137834,7267 1812,49 964,9733 = 27648,1067

5:8=,:8:5
5
QMB =
157:50,7=7
1
QMA =
1:1,0<

QMD =
QMAD =
QME =
= 1268,9361
= 137834,7267
= 906,245
<=0,<755

= 482,4867
7=0:,18=7
12
= 1843,2071
Fator A
Fc =
157:50,7=7
1:05,871
= 74,78
Fator D
<8=,02
Fc = 1:05,871 = 0,492
Fator AD
Fc =
0:,0:=7
1:05,871
Mdia =
= 0,262
7295,4
= 303,98
2x3x4
CV#%% =
27648,1067
. 100 = 14,12
303,98

FV
GL
SQ
QM
Fc
Bloco
(4-1) = 3
3806,8083
1268,9361
0,688
(Tratamento)
(6-1) = 5
140612,19
28122,483
15,257
Fator A
(2-1) = 1
137834,7267
137834,7267
74,78
Fator D
(3-1) = 2
1812,49
906,245
0,492
AxD
(2-1) (3-1) = 2
964,973
482,4867
0,262
Erro ou Resduo
(2 x 3 1) (4-1) = 15
27648,1067
1843,2071
Total
2 x 3 x 4 -1 = 23
172067,105
Mdia
14,12
CV#%%
303,98

Fator A
- Hipteses
H0: A1 = A2
H1: A1 A2
18
- Fc = 74,78
- Ft = F (GLA; GLE) = F5% (1; 15) = 4,54 (Anexo 3)
Ft = F (GLA; GLE) = F1% (1; 15) = 8,68 (Anexo 4)
- Concluso: Fc > Ft, rejeita-se H0. Desta forma, existe diferena significativa entre os nveis do fator A ao
nvel de 1% de probabilidade de erro. Ou seja, as variedades de cana avaliadas no experimento acima
diferiram entre si para a caracterstica peso do colmo.
Fator D
- Hipteses
H0: D1 = D2 = D3
H1: D1 D2 D3
- Fc = 0,492
- Ft = F (GLD; GLE) = F5% (2; 15) = 3,68 (Anexo 3)
Ft = F (GLD; GLE) = F1% (2; 15) = 6,36 (Anexo 4)
- Concluso: Fc < Ft, no rejeita-se H0. Desta forma, no existe diferena significativa entre os nveis do fator
D. Ou seja, as variedades de cana avaliadas no experimento acima no diferiram entre si para a caracterstica
peso do colmo.
Interao AD
- Hipteses
H0: AD1 = ... = AD6
H1: AD1 ... AD6
- Fc = 0,262
- Ft = F (GLAD; GLE) = F5% (2; 15) = 3,68 (Anexo 3)
Ft = F (GLAD; GLE) = F1% (2; 15) = 6,36 (Anexo 4)
- Concluso: Fc < Ft, no rejeita-se H0. Desta forma, a interao AD foi no significativa.
Quando a interao significativa, temos que estudar o comportamento dos nveis de um fator
dentro de cada nvel do outro fator. Quando a interao no significativa podemos testar as hipteses sobre
os efeitos principais dos fatores A e D.
Segue abaixo a Tabela com as mdias:
Fator A
$
Y.. =
Fator D
Y..
kj
$
Y.L. =
Y.L.
ij
$1.. =
Y
2738,3
= 228,19
12
$
Y.1. =
2466,4
= 308,3
8
$
Y.. =
4557,1
= 379,76
12
$
Y.. =
2334,8
= 291,8
8
19

$
Y.5. =
2494,2
= 311,8
8
Exemplo 2: Foram avaliados 7 cultivares de maracuj amarelo com e sem o uso da polinizao
artificial, num esquema fatorial (2 x 7), com delineamento em blocos casualizados e 5 repeties. Os dados
esto na Tabela abaixo:
Polinizao
Artificial
Cultivares
Rep
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
Com
IAC 275
IAC 275
IAC 275
IAC 275
IAC 275
IAC 277
IAC 277
IAC 277
IAC 277
IAC 277
FB 100
FB 100
FB 100
FB 100
FB 100
FB 200
FB 200
FB 200
FB 200
FB 200
Sol do Cerrado
Sol do Cerrado
Sol do Cerrado
Sol do Cerrado
Sol do Cerrado
Gigante Amarelo
Gigante Amarelo
Gigante Amarelo
Gigante Amarelo
Gigante Amarelo
Ouro Vermelho
Ouro Vermelho
Ouro Vermelho
Ouro Vermelho
Ouro Vermelho
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
Peso de
Frutos
(g)
210,1
138,6
166,1
169,2
181,8
149,7
181,7
170,2
180,1
166,3
242,8
286,9
194,3
236,3
261,3
251,3
295,3
319,0
247,1
260,4
253,3
239,3
174,3
236,3
248,5
171,2
226,1
228,7
267,7
280,2
231,1
278,8
175,3
204,2
226,3
20
Polinizao
Artificial
Cultivares
Rep
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
Sem
IAC 275
IAC 275
IAC 275
IAC 275
IAC 275
IAC 277
IAC 277
IAC 277
IAC 277
IAC 277
FB 100
FB 100
FB 100
FB 100
FB 100
FB 200
FB 200
FB 200
FB 200
FB 200
Sol do Cerrado
Sol do Cerrado
Sol do Cerrado
Sol do Cerrado
Sol do Cerrado
Gigante Amarelo
Gigante Amarelo
Gigante Amarelo
Gigante Amarelo
Gigante Amarelo
Ouro Vermelho
Ouro Vermelho
Ouro Vermelho
Ouro Vermelho
Ouro Vermelho
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
Peso de
Frutos
(g)
109,2
95,0
131,7
153,5
173,2
132,4
161,0
121,9
172,0
168,8
85,5
145,2
187,9
135,3
166,5
149,4
220,9
216,3
160,4
132,3
167,4
166,8
121,4
141,1
147,7
181,1
182,0
176,1
132,5
218,1
155,9
165,5
176,7
190,1
205,8
Os clculos para a montagem do quadro da anlise de varincia igual ao exemplo anterior. Dessa
forma o resultado seria:
FV
GL
SQ
QM
Fc
Bloco
6176,5043
1544,1261
Polinizao (P)
69336,5926
69336,5926
74,684
Cultivares (C)
39050,1419
6508,357
7,01
PxC
14711,4887
2451,9148
2,641
Erro ou Resduo
52
48276,507
928,3944
Total
69
177551,2345
Mdia
189,95
CV#%%
16,04

Polinizao (Fator A)
- Hipteses
H0: Com = Sem
H1: Com Sem
- Fc = 74,684
- Ft = F (GLA; GLE) = F5% (1; 52) = 4,03 (Anexo 3)
Ft = F (GLA; GLE) = F1% (1; 52) = 7,12 (Anexo 4)
- Concluso: Fc > Ft, rejeita-se H0. Desta forma, existe diferena significativa entre os nveis do fator A ao
nvel de 1% de probabilidade de erro. Ou seja, a polinizao artificial influencia no peso do fruto de
maracuj.
$.. =
As mdias com e sem polinizao artificial foram as seguintes: Y
Polinizao Artificial
-@..
L
Peso do fruto (g)
Com
$
Y1.. =
7749,8
= 221,4
7x5
Sem
$
Y1.. =
5546,7
= 158,5
7x5
Cultivares (Fator D)
- Hipteses
H0: IAC 275 = IAC 277 = ... = Ouro Vermelho
H1: IAC 275 IAC 277 ... Ouro Vermelho
- Fc = 7,01
- Ft = F (GLD; GLE) = F5% (6; 52) = 3,14 (Anexo 3)
21
Ft = F (GLD; GLE) = F1% (6; 52) = 2,28 (Anexo 4)

- Concluso: Fc > Ft, rejeita-se H0. Desta forma, existe diferena significativa entre os nveis do fator D ao
nvel de 1% de probabilidade de erro. Ou seja, as cultivares diferiram entre si para a caracterstica peso do
fruto de maracuj.
$.L. =
As mdias das cultivares foram as seguintes: Y
Cultivares
IAC 275
IAC 277
FB 100
FB 200
Sol Cerrado
Gigante Amarelo
Ouro Vermelho
-.T.

Peso do fruto (g)

152,8
160,4
194,2
225,2
189,6
206,4
200,9
Polinizao x cultivar (Interao AD)

- Hipteses
H0: AD1 = ... = AD14
H1: AD1 ... AD14
- Fc = 2,641
- Ft = F (GLAD; GLE) = F5% (6; 52) = 3,14 (Anexo 3)
Ft = F (GLAD; GLE) = F1% (6; 52) = 2,28 (Anexo 4)
- Concluso: Fc < Ft, rejeita-se H0. Desta forma, a interao foi significativa ao nvel de 5% de probabilidade
de erro.
Quando a interao no significativa podemos testar as hipteses sobre os efeitos principais dos
fatores A e D. Mas quando a interao significativa, temos que estudar o comportamento dos nveis de um
fator dentro de cada nvel do outro fator.
Neste exemplo, como a interao foi significativa, temos que realizar o desdobramento para estudar
o comportamento dos nveis de um fator dentro de cada nvel do outro fator.
Primeiramente vamos estudar os nveis do fator cultivar dentro dos nveis do fator polinizao.
Desdobramento de cultivar dentro de com polinizao, ou seja, D/A1: $
YL. =
Cultivares
IAC 275
IAC 277
FB 100
FB 200
Sol do cerrado
Gigante Amarelo
Ouro vermelho
-@T.

Peso do fruto (g)

173,1
169,6
244,3
274,3
230,3
234,7
223,1
22
$L. =
Desdobramento de cultivar dentro de sem polinizao, ou seja, D/A2: Y
Cultivares
IAC 275
IAC 277
FB 100
FB 200
Sol do cerrado
Gigante Amarelo
Ouro vermelho
-@T.

Peso do fruto (g)

132,5
151,2
144,1
175,9
148,9
177,9
178,8
Agora estudaremos os nveis do fato polinizao dentro dos nveis cultivar.

Desdobramento de polinizao dentro da cultivar 1 (IAC 275), ou seja, A/D1: $
YL. =
Peso do fruto (g)
Com
Sem
132,5
173,1
$L. =
Desdobramento de polinizao dentro da cultivar 2 (IAC 277), ou seja, A/D2: Y
Peso do fruto (g)
Com
Sem
151,2
244,3
$L. =
Desdobramento de polinizao dentro da cultivar 3 (FB 100), ou seja, A/D3: Y
Peso do fruto (g)
Com
Sem
144,0
244,3
$L. =
Desdobramento de polinizao dentro da cultivar 4 (FB 200), ou seja, A/D4: Y
Peso do fruto (g)
Com
Sem
175,9
274,6
-@T.

-@T.

-@T.

-@T.

Desdobramento de polinizao dentro da cultivar 5 (Sol do Cerrado), ou seja, A/D5: $

YL. =
Peso do fruto (g)
Com
Sem
148,9
230,3
23
-@T.

$L. =
Desdobramento de polinizao dentro da cultivar 6 (Gigante Amarelo), ou seja, A/D6: Y
Peso do fruto (g)
Com
Sem
177,9
234,8
$L. =
Desdobramento de polinizao dentro da cultivar 7 (Ouro Vermelho), ou seja, A/D5: Y
Peso do fruto (g)
Com
Sem
178,8
223,1
24
-@T.

-@T.

Estatistica Experimental

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estatistica Experimental

Uploaded by

Copyright:

Available Formats

Estatstica Experimental

Prof. Dr. Willian Krause

Prof. Dr. Willian Krause

1. Noes bsicas de experimentao agrcola

Prof. Dr. Willian Krause

b) Escolha dos fatores e seus respectivos nveis

Prof. Dr. Willian Krause

Pesquisa e experimentao: o termo pesquisa deve ser empregado quando se investigam

coisas novas, e experimentao, ao se verificar a adaptao de conhecimentos ou tecnologias a situaes

quando se testam vrias delas; adubao ao se compararem diversas formulaes; etc.

Nvel: as diferentes manifestaes de um fator, por exemplo as doses de adubaes

fatores, quando testando mais de um fator.

Ensaio ou experimento: o conjunto de todos os tratamentos, aplicados de forma repetida.

Delineamento: o esquema adotado para a distribuio dos tratamentos.

de solo, um vaso, um animal, uma placa de petri, um indivduo, etc.

rea til: poro da unidade experimental efetivamente utilizada na avaliao do tratamento.

Bordadura: parte da parcela no coletada para avaliao do efeito do tratamento.

Prof. Dr. Willian Krause

Repetio: cada uma das aplicaes de um tratamento.

caso de blocos incompletos).

3.1. Princpios bsicos da experimentao

3.2. Pressuposies de uma anlise de varincia

Prof. Dr. Willian Krause

b) Os erros experimentais devem ser aleatrios, independentes e normalmente distribudos com

Sem a distribuio normal dos erros no pode aplicar testes;

3.3. Delineamento Inteiramente Casualizado (DIC)

Prof. Dr. Willian Krause

Peso seco da parte area (g/parcela) de 4 variedades de cana-de-acar (A, B, C e D) em um delineamento

Total dos Tratamentos

Total dos Tratamentos

yi. = y2. = y21 + y22 + y23 = 1220

Prof. Dr. Willian Krause

yij = y31 = 180

yi. = y3. = y31 + y32 + y33 = 580

yi. = y4. = y41 + y42 + y43 = 1885

Quadro da anlise de varincia:

Coeficiente de Variao = CV#%% =

SQTot = (2002 + 2802 + 2502 + 3902 + 4202 + 4

SQE = 350972,917 - 345956,250 = 5016,667

Prof. Dr. Willian Krause

Quadro da anlise de varincia:

g) Concluso e interpretao da anlise de varincia

Prof. Dr. Willian Krause

3.4. Delineamento em Blocos Casualizados (DBC)

t representa o efeito do i-simo tratamento; e e representa o erro experimental associado a observao y ,

Prof. Dr. Willian Krause

Totais dos Tratamentos

Peso seco (kg/parcela)

Prof. Dr. Willian Krause

A disposio dos tratamentos realizada de forma aleatria dentro dos blocos.

Coeficiente de Variao = CV#%% =

Prof. Dr. Willian Krause

SQE = 2748,7495 728,3935 355,4020 = 1664,9540

Quadro da anlise de varincia:

h) Concluso e interpretao da anlise de varincia

Prof. Dr. Willian Krause

3.5. Experimentos fatoriais

Prof. Dr. Willian Krause

Peso do colmo (ton/ha)

yikj = y111 = 238,1

yik. = y12. = 835,8

yik. = y13. = 977,1

yik. = y21. = 1541,0

SQTot = (238,12 + 256,02 + + 363,82) 4 5 4 0 = 172067,105