You are on page 1of 24

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

Estatstica Experimental

Prof. Dr. Willian Krause

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

Estatstica Experimental

Prof. Dr. Willian Krause

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.

Estatstica Experimental

Prof. Dr. Willian Krause

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

Estatstica Experimental

Prof. Dr. Willian Krause

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

Estatstica Experimental

Prof. Dr. Willian Krause

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

Estatstica Experimental

Prof. Dr. Willian Krause

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

Estatstica Experimental
3
3
3
4
4
4

Prof. Dr. Willian Krause


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

Estatstica Experimental
CV#%% =

=7,8:5
. 100
5=7,<17

Prof. Dr. Willian Krause

= 6,81

Quadro da anlise de varincia:


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. =

Estatstica Experimental

Prof. Dr. Willian Krause

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

Estatstica Experimental

Prof. Dr. Willian Krause

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

Estatstica Experimental

Prof. Dr. Willian Krause


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:
Quadro da anlise de varincia:
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

Coeficiente de Variao = CV#%% =

y..

ij

)*+,
$ .. . 100
-

I = n de tratamentos; J = n de blocos
Resolvendo o exemplo anterior, temos:
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

Estatstica Experimental
SQ J =

25,=3 9 9 12,83
0

Prof. Dr. Willian Krause

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

Quadro da anlise de varincia:


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

Estatstica Experimental

Prof. Dr. Willian Krause

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.

Y L = m + b + A + DL + #AD% L + e L
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

Estatstica Experimental

Prof. Dr. Willian Krause

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

Estatstica Experimental

Prof. Dr. Willian Krause

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
Tratamento 2 = variedade de cana 1, inoculante 2
Tratamento 3 = variedade de cana 1, inoculante 3
Tratamento 4 = variedade de cana 2, inoculante 1
Tratamento 5 = variedade de cana 2, inoculante 2
Tratamento 6 = variedade de cana 2, inoculante 3

16

Estatstica Experimental

Prof. Dr. Willian Krause

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
Quadro da anlise de varincia:
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)


y L.
y...


SQ P SQ Q
j
ikj

Erro ou Resduo

(IK-1) (J-1)

SQ  SQ J SQ P SQ Q SQ PQ

Total


 y L

IKJ-1

$... % =
Mdia Geral #Y

y...
ikj

Coeficiente de Variao = CV#%% =

y...
ikj

)*+,
$ ... . 100
-

I = nveis do Fator A; K = nveis do Fator D; J = n de blocos


Resolvendo o exemplo anterior, temos:
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

Estatstica Experimental

Prof. Dr. Willian Krause

<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

Quadro da anlise de varincia:


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

h) Concluso e interpretao da anlise de varincia


Fator A
- Hipteses
H0: A1 = A2
H1: A1 A2

18

Estatstica Experimental

Prof. Dr. Willian Krause

- 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

Estatstica Experimental

Prof. Dr. Willian Krause


$
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

Estatstica Experimental

Prof. Dr. Willian Krause

Os clculos para a montagem do quadro da anlise de varincia igual ao exemplo anterior. Dessa
forma o resultado seria:
Quadro da anlise de varincia:
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

h) Concluso e interpretao da anlise de varincia


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

Estatstica Experimental

Prof. Dr. Willian Krause

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: $
Y L. =
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

Estatstica Experimental

Prof. Dr. Willian Krause

$ 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: $
Y L. =
Polinizao Artificial

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
Polinizao Artificial

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
Polinizao Artificial

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
Polinizao Artificial

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: $


Y L. =
Polinizao Artificial

Peso do fruto (g)

Com
Sem

148,9
230,3

23

-@T.

Estatstica Experimental

Prof. Dr. Willian Krause

$ L. =
Desdobramento de polinizao dentro da cultivar 6 (Gigante Amarelo), ou seja, A/D6: Y
Polinizao Artificial

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
Polinizao Artificial

Peso do fruto (g)

Com
Sem

178,8
223,1

24

-@T.

-@T.