Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO PIAUÍ CENTRO DE CIÊNCIAS AGRÁRIAS DEPART. DE PLANEJ. E POL. AGRÍCOLA APOSTILA BÁSICA PARA O ACOMPANHAMENTO DA DISCIPLINA EXPERIMENTAÇÃO AGRÍCOLA, MINISTRADA AOS ALUNOS DO CURSO DE BACHARELADO EM ENGENHARIA AGRONÔMICA Autor: Prof. Dr. José Algaci Lopes da Silva Colaboradores: Dyego Leandro da Costa Monte (Est. de Eng. Agronômica). Jorge Manuel de Isasa Araújo (Est. de Eng. Agronômica). Revisão: Antonio Victor Cavalcante Rocha Silva (Est. de Eng. Agronômica).(2017.1) Maria Eduarda Cabral da Silva (Est. De Eng. Agronômica).(2017.1) TERESINA – PIAUÍ – BRASIL Junho / 2017 1 AGRADECIMENTOS Os escritores em geral devem mais às pessoas com quem convivem do que eles gostariam de reconhecer. E o autor desta modesta apostila não foge à regra. Devemos mais aos alunos, aos colegas, aos nossos professores, aos amigos do que sabemos reconhecer. Fazer agradecimentos não é, pois, tarefa fácil. Mas alguns nomes precisam ser citados, porque são de pessoas que deram ajuda, muito de perto para a elaboração deste texto. Ficam então aqui registrados nossos agradecimentos aos Professores Fernando Pinheiro Reis e Paulo Roberto Cecon (Estatística – UFV – Viçosa-MG), aos pós-graduandos que cursaram a disciplina Estatística Experimental (UFPB – CCA) e Técnicas Experimentais em Agronomia (UFPI / CCA / PPGA), contribuindo para a melhoria e aplicabilidade do conteúdo. Claro, aos dois monotores da dsiciplina Experimentação Agrícola (2013.1), estudantes de Eng. Agronômica Jorge Manuel de Isasa Araújo e Dyego Leandro da Costa Monte, os quais auxiliaram nesta versão adaptada para a graduação. 2 APRESENTAÇÃO A presente apostila constitui o material básico utilizado na disciplina Experimentação Agrícola do Curso de Bacharelado em Engenharia Agronômica do Centro de Ciências Agrárias da Universidade Federal do Piauí, Campus Ministro Petrônio Portela. A Experimentação Agrícola é a ciência que tem como objetivo estudar experimentos (ensaios, podendo ser a campo ou em laboratórios), englobando etapas como o planejamento, execução, coleta e análise dos dados experimentais e interpretação dos resultados obtidos. Num total de nove capítulos, procurou-se apresentar de uma forma didática o conteúdo programático desta disciplina. No Capítulo I faz-se uma breve revisão, pois estes conteúdos foram abordados na discplina Estatística Aplicada a Agronomia, sobre as principais medidas de posição ou de tendência central e de dispersão. Noções iniciais sobre Estatística Experimental serão vistas no Capítulo II, onde apresentou-se um resumo sobre os princípios básicos da experimentação. A partir do Capítulo III até o VIII reuniram-se os principais delineamentos experimentais: DIC, DBC, DQL, bem como Arranjos Fatoriais e em Parcelas Subdivididas. Logo no início deste capítulo, após a apresentação do Delineamento Inteiramente Casualizado (DIC), foram mostrados alguns dos principais testes paramétricos de comparações múltiplas como Tukey, Duncan, Scheffé, etc. O Capítulo IX traz uma modesta contribuição sobre os temas Análise de Regressão e de Correlação, onde destacam-se os métodos de estimação dos parâmetros da equação de regressão, a análise de variância da regressão, teste de significância dos betas, coeficiente de determinação, etc. Ao final de cada capítulo e em um apêndice são propostos exercícios de fixação, onde o estudante terá oportunidade de conhecer o estilo do professor quanto aos seus questionamentos e nível de raciocínio exigidos. Ao final, a Bibliografia Consultada. 3 UNIVERSIDADE FEDERAL DO PIAUÍ CENTRO DE CIÊNCIAS AGRÁRIAS DEP. DE PLANEJ. E POL.AGRÍCOLA Prof.: Dr es .Algaci Lopes DISCIPLINA: ExperimentaçãoAgrícola Carga Horária: 60h. 4 créds. EMENTA: Modelos matemáticos de delineamentos básicos; Testes de significância; Ensaios fatoriais; Ensaios em parcelas subdivididas; Análise conjunta de ensaios; Estudos de regressão; Planejamento de ensaios; Uso de softwares em análises estatísticas. OBJETIVO GERAL Proporcionar aos estudantes conhecimento dos fundamentos necessários ao estudo dos experimentos e da experimentação sob os aspectos do planejamento, execução, condução, amostragem, coleta de dados e análise estatística dos mesmos, bem como interpretação dos resultados. CONTEÚDO PROGRAMÁTICO 1. INTRODUÇÃO Medidas de tendência central e de dispersão Variações premeditada, sistemática e do acaso 2. PRINCÍPIOS BÁSICOS DE EXPERIMENTAÇÃO Parcela Casualização Repetição Controle de local 3. TESTES DE SIGNIFICÂNCIA OU DE COMPARAÇÕES MÚLTIPLAS Teste de F Teste de t Contrastes Teste de Tukey Teste de Duncan Teste de Scheffé 4. DELINEAMENTOS BÁSICOS Delineamento inteiramente casualizado – DIC Delineamento em blocos casualizados – DBC Delineamento em quadrados latinos - DQL Experimentos fatoriais com dois e três fatores Experimentos em parcelas subdivididas Análise conjunta de experimentos 4 5. ANÁLISE DE CORRELAÇÃO E DE REGRESSÃO Coeficiente de correlação e regressão linear simples Análise de variância da regressão Coeficiente de determinação Regressão linear múltipla Testes das estimativas dos coeficientes – Teste t Regressão através de polinôminos ortogonais 6. Uso do softwareExcel. METODOLOGIA TEÓRICA - Aulas expositivas, com apresentação de exemplos teóricos e práticos. PRÁTICA - Apresentação de exemplos práticos, discussão e interpretação de resultados de experimentos à luz de fundamentos estatísticos. BIBLIOGRAFIA BÁSICA BANZATTO, D.A. e KRONKA, S.N. Experimentação agrícola. Jaboticabal: FUNEP, 1989. 247 p. BARBIN, D. Planejamento e análise estatística de experimentos agronômicos. Arapongas: Editora Midas, 2003. 208 p. FERREIRA, P.V. Estatística experimental aplicada à Agronomia. 2 a edição. Editora da UFAL (EDUFAL). Maceió, Alagoas, 1996, 604 p. GOMES, F.P. & GARCIA, C.H. Estatística aplicada a experimentos agronômicos e florestais. Piracicaba: FEALQ, 2002. 309p. GOMES, F.P. Curso de estatística experimental. 13 ed. Piracicaba – SP. Livraria NOBEL S.A. 1990. 468 p. HOFFMANN, R. & VIEIRA, S. Análise de regressão. Uma introdução à Econometria. São Paulo-SP. Ucitec, (2 ed.). 379p. 1983. ZIMMERMANN, F.J.P. Estatística aplicada à pesquisa agrícola. Santo Antonio de Goiás: EMBRAPA arroz e feijão, 2004. 402 p. BIBLIOGRAFIA COMPLEMENTAR FONSECA, J.S. MARTINS, G.A. Curso de estatística. 3 ed. São Paulo – SP. Atlas. 1992. 317 p. SAMPAIO, I.B.M. Estatística aplica à experimentação animal. Belo Horizonte-MG. Fundação de Ensino e Pesquisa em Medicina Veterinária e Zootecnia. 1998. 221 p. STORCK, R.G.D. ESTEFANEL, V. GARCIA, D.C. Experimentos fatoriais: modelos e análises pelos pacotes SAS e SAEG e STORCK, L. LOPES, S.J. Experimentação II. Santa Maria – RS. Dep. de Fitotecnia / UFSM, 1997. 207 p. 5 PERIÓDICOS Crop Science Biometrics Pesquisa Agropecuária Brasileira – PAB Ciência Rural 6 ESTATÍSTICA EXPERIMENTAL Muito do conhecimento que a humanidade acumulou ao longo dos séculos foi adquirido através da experimentação. A ideiade experimentar, no entanto, não é apenas antiga, também pertence ao nosso dia-a-dia. Todos nós já aprendemos algumas coisas, ao longo da vida, experimentando. A experimentação, no entanto, só se definiu como técnica sistemática de pesquisa neste século, quando foi formalizada através da estatística (PIMENTEL GOMES, 1985). Hoje são feitos experimentos em quase todas as áreas do trabalho, embora alguns pesquisadores acreditem, ingenuamente, que certas técnicas experimentais sejam conhecidas apenas em sua área. Na verdade, as técnicas experimentais são universais e se aplicam a diferentes áreas – Agronomia, Medicina, Engenharia e Psicologia – e os métodos de análise são sempre os mesmos (VIEIRA, S. & HOFFMANN, R., 1989). A Estatística Experimental foi proposta inicialmente na área de ciências biológicas por Ronald A. Fisher em 1919. Fisher propôs o uso da análise de variância (ANOVA) como ferramenta para análise e interpretação de dados. (JANAÍNA RIBEIRO COSTA, EMBRAPA, 2003). Seguindo o exemplo de R.A. Fisher, podemos definir a Estatística como a Matemática aplicada aos dados de observação. Mas tais dados são, em muitos casos, colhidos através de trabalhos feitos propositalmente e em condições previamente especificadas: temos então dados experimentais, obtidos de experimentos. O estudo dos experimentos, seu planejamento, execução e análise, é que constitui o objeto da Estatística Experimental. (PIMENTEL GOMES, 1990). 7 ÍNDICE Pág. CAPÍTULO I - Medidas de Posição e de Dispersão .................................................... 08 CAPÍTULO II - Princípios Básicos da Experimentação .............................................. 10 CAPÍTULO III - Delineamento Inteiramente Casualizado (DIC) ............................... 12 CAPÍTULO IV - Testes Paramétricos de Comparações Múltiplas ............................. 16 CAPÍTULO V - Delineamento em Blocos Casualizados (D.B.C.) ............................. 25 CAPÍTULO VI - Delineamento ao Quadrado Latino (DQL) ...................................... 29 CAPÍTULO VII - Experimentos Fatoriais ................................................................... 33 CAPÍTULO VIII - Experimentos em Parcelas Subdivididas ...................................... 47 CAPÍTULO IX - Análise de Regressão e de Correlação ............................................. 54 Análise de Correlação .................................................................................................. 54 Listas de Exercícios ...................................................................................................... 64 Bibliografias ................................................................................................................. 72 TABELAS Estatísticas (F, Tukey, Duncan, ..., a 1%, 5% e 10%) ............................... 73 ANÁLISE ESTATÍSTICA VIA SAEG, Versão 9.1 – For Windows ................... 79 ANÁLISE CONJUNTA DE EXPERIMENTOS.......................................................... CROQUI EXPERIMENTAL........................................................................................ 84 95 8 CAPÍTULO I Medidas de Posição e de Dispersão 1.1. Medidas de Posição ou de Tendência Central Após serem tabulados, é necessário encontrar valores típicos que possam representar a distribuição como um todo. Esses valores tendem a se localizar em um ponto central e reproduzir características da população ou da amostra, quanto mais homogêneos forem os componentes menores serão estes valores. Esses valores são chamados de medidas de tendência central ou de posição. Importarão para nossa disciplina duas destas, a média aritmética populacional e amostral, originadas da população e da amostra, respectivamente. 1.1.1. Medidas Populacional ((letra grega mi); m): Dado um conjunto N valores ou observações {X1, X2, X3, X4,...XN}: = Xi/N = {X1 + X2 + X3 +...+ XN}/N; onde N é o tamanho da população. 1.1.2. Média Amostral ( X ): Dado um conjunto n valores oriundos de amostragem representativa de uma população {x1, x2, x3, x4,... xn}: X = xi/n = {x1 + x2 + x3 +...+ xN}/n; onde n é o tamanho da amostra. 1.2. Medidas de Dispersão: Na seção anterior, vimos a média que é considerada mais importante medida de tendência central. Contudo, ela não nos diz como os dados de uma amostra ou população se distribuem em torno dela. Por exemplo: (1) 10, 10, 10, 10, 10 X = 10; (2) 8, 10, 12, 9, 11 X = 10; (3) 10, 3, 9, 17, 11 X = 10; (4) 17, 15, 7, 3, 8 X = 10; Vimos que as amostras (1), (2), (3) e (4) têm a mesma média, mas observamos que na amostra (1) todos os valores são iguais a 10, ou seja, igual à média aritmética, logo todos os valores estão concentrados na média, não existindo dessa forma qualquer diferença entre cada valor e a média, conseqüentemente não existe variabilidade nos dados. Ao passo que, nas outras existem diferenças em relação à média, sendo a amostra (4) a mais variável ou de maior variância. 9 Portanto, além da média, necessitamos de uma medida estatística complementar para melhor caracterizar cada amostra apresentada. As mais usuais medidas responsáveis por esta caracterização são: 1.2.1. Variância (2 = populacional e S2 = amostral) Define-se variância de um conjunto N ou n observações, como sendo a relação entre a SQDx (soma de quadrados dos desvios de x) e os graus de liberdade da população (variância popul. ou da amostra (var. amostral). Assim: 2 = SQDx/N – 1 ou S2 = SQDx/n – 1; onde, SQDx = (Xi – )2 ou SQDx = (xi – X ) 2 ; população e amostra, respectivamente. Trabalhando esta expressão, chega-se à seguinte fórmula de variância: 2 = {Xi2 (Xi)2 /N}/N – 1 ou S2 = {xi2 – (xi)2/n}/n – 1 1.2.2. Desvio Padrão ( = populacional e s = amostral) Ao contrário da variância, apresenta os valores nas suas unidades originais. O desvio padrão, amostral ou populacional, é encontrado extraindo-se a raiz quadrada da variância, ou seja: = 2 e s = 2S 1.2.3. Coeficiente de Variação (C.V.): Expresso em percentagem (%), tem a finalidade de medir o grau de precisão de um experimento, sendo eficiente ainda na comparação de grupos com unidades diferentes. É encontrado através da seguinte fórmula: C.V. = 100 . s/ m , onde s é o desvio padrão e m é a média geral do experimento. O C.V. ainda pode ser encontrado pela seguinte fórmula, C.V.(%) = . 100. Segundo PIMENTEL GOMES (1985), o grau de precisão de um experimento pode, na maioria dos casos, obedecer à seguinte tabela: Intervalo do C.V.(%) Qualidade do Experimento 0 C.V. 10 Ótimo 11 C.V. 20 Bom 21 C.V. < 30 Regular C.V. 30 Ruim Natan Realce Natan Realce 10 CAPÍTULO II Princípios Básicos da Experimentação A pesquisa científica está constantemente se utilizando de experimentos para provar suas hipóteses. É claro que os experimentos variam de uma pesquisa para outra, porém, todos eles são regidos por alguns princípios básicos, dos quais depende a maior ou menor validez das conclusões obtidas. Tais princípios são: repetição, casualização e controle local (FERREIRA, P.V., 1996). 2.1. Princípio da Repetição: Uma das maneiras mais eficientes de aumentar a precisão de um experimento consiste em aumentar o número de repetições dos tratamentos. Assim, em um experimento deve-se ter o maior número possível de repetições.É através da repetição que se estima o erro experimental, principal função deste princípio. O número de repetições de um experimento depende de uma série de fatores: a) tipo de solo em que foi instalado o experimento; b) espécie vegetal a ser estudada (ciclo, porte, densidade, etc.); c) custo de execução das etapas do experimento; d) número de tratamentos, pois, quanto menor o número de tratamentos, maior deve ser o número de repetições por tratamento. Via de regra, diz-se que um bom experimento deverá ter no mínimo 20 (vinte) parcelas experimentais ou 10 (dez) graus de liberdade associado ao resíduo. 2.2. Princípio da Casualização: A casualização tem por objetivo evitar que um determinado tratamento seja favorecido ou desfavorecido quando distribuídos nas diversas unidades experimentais ou parcelas. Significa que a distribuição dos tratamentos nas parcelas deve ser feita totalmente ao acaso, mediante sorteio ou algum outro procedimento que não permita a influência do pesquisador ou de seus ajudantes nos tratamentos. Os erros experimentais, através da casualização, tornam-se independentes, o que possibilita a aplicação dos testes de significância (Mead & Curnow, 1983). Alguns programas computacionais elaboram planilhas de campo já com os tratamentos aleatorizados, como por exemplo o MSTAT, SISVAR e outros. (JANAÍNA RIBEIRO COSTA, EMBRAPA, 2003). 2.3. Princípio do Controle de Local É opcional, depende da necessidade ou não de utilizá-lo. É uma forma de homogeneizar as condições experimentais. Neste caso, o material experimental é dividido em porções homogêneas ou blocos, cada um dos quais contendo todos os tratamentos. É mais utilizado em locais onde as condições experimentais são heterogêneas, ex.: solo com relevo apresentando declividade. Natan Realce Natan Realce Natan Realce Natan Realce Natan Realce Natan Realce Natan Realce Natan Realce Natan Realce Natan Realce 11 Segundo Hinkelmann & Kempthorne (1994), o princípio do controle local é o reconhecimento de padrões supostamente associados às parcelas. Este princípio é utilizado para atenuar problemas de heterogeneidade ambiental (por exemplo distribuição desigual de água em determinados blocos no caso de experimentos irrigados). Os princípios acima mencionados norteiam modelos experimentais que objetivam basicamente controlar ou isolar as diversas variações experimentais, dentre as quais podemos destacar três tipos básicos de variações: a) Variação premeditada – que seria aquela introduzida pelo experimentador, com o objetivo de fazer comparações (são os tratamentos). Ex.: competição entre variedades, diferentes adubações, temperaturas, etc. b) Variação sistemática – é um tipo de variação não intencional, de origem conhecida, podendo ser controlada pelo experimentador. São as variações inerentes às condições experimentais: clima, área, animais em estudo, etc. Pode ser controlada extratificando- se o experimento em blocos, linhas ou colunas, conforme o delineamento experimental adotado. Se desprezada, esta variação estará sendo somada à variação residual, aumentando demasiado o erro experimental, reduzindo a precisão do experimento e dificultando a validez dos testes de comparações múltiplas e da própria análise de variância, os quais serão vistos nos capítulos posteriores. c) Variação aleatória – são as variações não intencionais, de origem desconhecida, que não podem ser controladas pelo experimentador. Constitui o erro experimental ou resíduo. Natan Realce Natan Realce Natan Realce Natan Realce Natan Realce Natan Realce Natan Realce 12 CAPÍTULOS III A IX Delineamentos, Arranjos Experimentais e Testes de Comparações Múltiplas CAPÍTULO III Delineamento Inteiramente Casualizado (DIC) O delineamento inteiramente casualizado é o mais simples de todos os delineamentos experimentais. Os tratamentos são dispostos nas unidades experimentais de forma inteiramente casual, isto é, sem qualquer restrição na casualização. Utilizam-se apenas os princípios da repetição e da casualização. Assim, para utilizar este delineamento deve-se ter homogeneidade das condições ambientais e do material experimental. Seu uso é mais freqüente em experimentos de laboratório e nos ensaios com vasos, realizados em casa-de-vegetação, onde as condições ambientais podem ser perfeitamente controladas. Este delineamento apresenta as seguintes vantagens, em relação a outros delineamentos: a) É um delineamento bastante flexível visto que qualquer número de repetições ou tratamentos pode ser usado e o número de repetições pode variar de um tratamento para outro sem que isto dificulte a análise. Sempre que possível, no entanto, deve-se usar o mesmo número de repetições para todos os tratamentos. b) A análise estatística é simples, mesmo quando o número de repetições por tratamento é variável. c) Apresenta maior número de graus de liberdade associado ao resíduo. 3.1. Modelo Estatístico Yij = m + ti + eij com i = 1, 2,... I; e j = 1, 2,... j; Yij = Valor observado na parcela que recebeu o tratamento i na repetição j; m = média de população; ti = efeito do tratamento i aplicado na parcela; eij = efeito dos fatores não controlados na parcela. 3.2. Esquema de Casualização dos Tratamentos Seja um experimento com 5 tratamentos (A, B, C, D, E) e 4 repetições (20 parcelas) A B D E C B A C D E E A B C D D E A B C Natan Realce Natan Realce Natan Realce Natan Nota COMO NÃO SE UTILIZA DO PRINCIPIO DO CONTROLE LOCAL, QUE EVITA OS ERROS GERADOS PELA HETEROGENEIDADE DO LOCAL, DEVE-SE TER UM LOCAL HOMOGÊNEO. Natan Realce Natan Realce Natan Realce Natan Realce Natan Realce 13 Coleta de dados: TRATAMENTOS A(1) B(2) C(3) D(4) E(5) Y11 Y21 Y31 Y41 Y51 Y12 Y22 Y32 Y42 Y52 Y13 Y23 Y33 Y43 Y53 Y14 Y24 Y34 Y44 Y54 TA TB TC TD TE 3.3. Análise de Variância (ANOVA): Consiste na decomposição da variação total em partes conhecidas (devido ao efeito de tratamentos) e outra parte desconhecida, de natureza aleatória que constitui o erro experimental ou resíduo. 3.3.1. Pressuposições da Análise de Variância: Os diversos efeitos são aditivos; Os erros eij são normais e independentemente distribuídos, com variância homogênea igual a 2. Generalizando para um experimento com I tratamentos e J repetições. SQ total = cij Ij G Yij 2 2 SQT = Ij G Ti J i 2 21 SQ Res = SQ total – SQT 3.3.2. Quadro de Análise de Variância - ANOVA Fonte de Variação GL SQ QM F Tratamento Resíduo I – 1 I(J – 1) SQT SQR QMT QMR QMT/QMR Total I J–1 SQTotal F (gl de trat; gl de res.) Natan Realce Natan Realce Natan Realce 14 Hipótese Estatística: Ho: T1 = T2 = ... = Tn ou seja, os tratamentos são, estatisticamente, iguais entre si; H1: Existe diferença estatística entre os tratamentos. Exemplo prático 1: Os dados abaixo foram obtidos do trabalho “Aplicação da Vermiculita em Afobres” (Dias, 1973), citado por BANZATTO e KRONCA. Utilizou- se, o delineamento inteiramente casualizado, com 4 repetições. Foram comparados os efeitos de 5 tratamentos com relação ao crescimento de mudas de Pinus oocarpa, 60 dias após a semeadura. Os tratamentos utilizados foram: 1. Solo de cerrado; 2. Solo de cerrado + esterco; 3. Solo de cerrado + esterco + NPK; 4. Solo de cerrado + Vermiculita; 5. Solo decerrado + Vermiculita + NPK. Os resultados obtidos para as alturas médias de Pinus oocarpa sob aqueles tratamentos, em cm, aos 60 dias após a semeadura são apresentados a seguir: Alturas médias de Pinus ooscarpa, aos 60 dias após a semeadura, em cm. Tratamentos Repetições Totais 1 2 3 4 1 4,6 5,7 5,8 5,5 21,6 2 6,0 7,1 7,2 6,8 27,1 3 5,8 7,2 6,9 6,7 26,6 4 5,6 4,9 5,9 5,7 22,1 5 5,8 6,4 6,6 6,8 25,6 G = 123,0 Proceder a ANOVA adotando = 5%. Ho: Todos os possíveis contrastes entre médias de tratamentos são estatisticamente nulos, ao nível de 5% de probabilidade. H1: Existe pelo menos um contraste entre médias de tratamentos, estatisticamente diferente de zero, ao nível de 5% de probabilidade. SQ total = Ij G Yij cij 2 2 Assim: SQ total = (4,6) 2 + (6,0) 2 + ... + (6,8) 2 – 20 123 2 = 10,63 SQT = Ij G Ti J i 2 21 15 SQT = 20 123 6,25...1,276,21 4 1 2 222 = 6,63 SQ Res = 10,63 – 6,63 = 4,01 Quadro – ANOVA F.V. GL SQ QM F Tratamento Resíd. 4 15 6,63 4,00 1,66** 0,27 6,15 Total 19 10,63 F1% (4; 15) = 4,89 F5% (4; 15) = 3,06 ** Significativo ao nível de 1% de probabilidade. Conclusão: Rejeita-se Ho, logo, existe pelo menos um contraste entre médias de tratamentos, estatisticamente diferente de zero, ao nível de 1% de probabilidade. Neste caso, recomenda-se a aplicação de testes de comparações múltiplas entre as médias de tratamentos. Para calcular o Coeficiente de Variação faz-se o uso das seguintes fórmulas: C.V.(%) = (Raiz(QMRes) / mg) . 100%. Onde: Média geral (mg) = n=(IJK) 16 CAPÍTULO IV Testes Paramétricos de Comparações Múltiplas Uma vez significativo o teste F, que sugeriu que pelo menos um contraste entre médias de tratamentos seria significativo, faz-se necessária a aplicação de testes específicos, que têm como objetivo ranquear os tratamentos, e assim permitir ao pesquisador tirar conclusões mais seguras e fazer suas recomendações ao público alvo do experimento. 4.1. Teste Tukey: É usado para testar todo e qualquer contraste entre duas médias. Fórmula geral: = cvq ˆˆ 2 1 = diferença mínima significativa. q = amplitude total estudentizada. q = f (, n, n’) = nível de significância. n = número de tratamentos. n' = número de graus de liberdade do resíduo. Seja umimc ˆˆˆ V umimVc ˆˆˆ Admitindo as médias mi independentes V umimVc ˆˆˆ Admitindo que: ru V ri V cV repetições ri de Vem im 22 ˆˆ ; repetiçõesru de Vem umˆ QMRV ru V ri V cV 2 22 ˆˆ ruri QMRcV 11 .ˆˆ = ruri QMR q 11 2 ; Se ri = ru = r, então, = r QMR q Regra Decisória: Se | cˆ | O contraste é significativo (estatisticamente 0) Se | cˆ | < O contraste é não-significativo (estatisticamente nulo) 17 No exemplo 1, comparar as médias pelo teste TUKEY Ho: mi = mj H1: mi mj i j 77,6ˆ 2 m 65,6ˆ 3 m 40,6ˆ 5 m = q ao q r QMR 5; (5;15) = 4,37 = 4,37 4 26,0 = 1,11 52,5ˆ 4 m 40,5ˆ 1 m m2 = 6,77 a m3 = 6,65 a m5 = 6,40 ab m4 = 5,52 b m1 = 5,40 b Conclusão: As medias seguidas de pelo menos uma letra, não diferem entre si, ao nível de 5% de probabilidade, pelo teste TUKEY. Assim o são, os respectivos tratamentos. 4.2. Teste Duncan: É também usado para testar contrastes entre duas médias: É menos rigoroso que o teste de Tukey em termos de rejeitar Ho. Assim, o teste Duncan pode indicar resultados significativos em casos em que o teste de Tukey não indicaria. Fórmula geral: Di = Z cV ˆˆ 2 1 Di = diferença mínima significativa. Zi = amplitude total estudentizada. Z = f (, n, n’). = nível de significância. ni = número de médias ordenadas abrangidas pelo contraste. n' = número de graus de liberdade do resíduo. Obs.: Quando a maior média não diferir significativamente da menor, pelo teste Duncan, não se admitirá diferenças significativas, pelo mesmo teste, entre médias intermediárias. Vimos que: umimc ˆˆˆ Compara as diferenças entre as médias com o valor de delta (). 18 QMR ruri cV 11 ˆˆ Di = Z . ruri QMR 11 2 ; Se ri = ru = r Di = Z . r QMR Consideramos o exemplo 1, aplicar o teste Duncan adotando = 5%. Ho: mi = mj H1: mi mj i j 77,6ˆ 2 m 65,6ˆ 3 m 40,6ˆ 5 m 52,5ˆ 4 m 25,5ˆ 1 m Z5% (5; 15) = 3,31 D5 = 3,31 4 26,0 = 0,84 | 12 ˆˆ mm | = 1,52* Z5 (4; 15) = 3,25 D4 = 3,25 4 26,0 = 0,83 | 42 ˆˆ mm | = 1,25*; | 13 ˆˆ mm | = 1,40* Z5 (3; 15) = 3,16 Dj = 3,16 4 26,0 = 0,80 | 52 ˆˆ mm | = 0,37 n.h. ; | 43 ˆˆ mm | = 1,13*; | 15 ˆˆ mm = 1,15*| Z5 (2; 15) = 3,01 D2 = 3,01 4 26,0 = 0,77 | 45 ˆˆ mm | = 0,88*; | 14 ˆˆ mm | = 0,27 n.s. Conclusão: As medias unidas por uma mesma barra, não diferem entre si, ao nível de 5% de probabilidade, pelo teste Duncan. 4.3. Teste de Newman-Keuls: Usado para testar contrastes entre duas médias. Em termos de rigor é intermediário entre os testes de Tukey e Duncan. Usa-se a metodologia de Duncan com a tabela de Tukey. m2 = 6,77 m3 = 6,65 m5 = 6,40 m4 = 5,52 m1 = 5,40 19 Fórmula geral: i = q cV ˆˆ 2 1 ; q = f(; g’; n’) = nível de significância. g' = número de médias ordenadas abrangidas pelo contraste. n' = número de graus de liberdade do resíduo. ruri QMRcV 11 ˆˆ i = qi = ruri QMR 11 2 ; Se ri = ru = r i = qi = r QMR No exemplo comparar as médias pelo teste de N.K. Ho: mi = mj H1: mi mj para i j m2 = 6,77 m3 = 6,65 m5 = 6,40 m4 = 5,52 m1 = 5,25 q (5,15) = 4,37 5 = 4,37 |*52,1ˆˆ;11,1 4 26,0 1 mm| 2 q5 = (4,15) = 4,08 4 = 4,08 04,1 4 26,0 mm| 1,25; mm 3 |ˆˆ|ˆˆ| 142 = 1,40 q5%(3; 15) = 3,67 3 = 3,36 4 26,0 = 0,93 |ˆˆ| 52 mm = 0,37 n.s | 43 ˆˆ mm | = 1,13* | 15 ˆˆ mm | = 1,15* q5 ao (2, 15) 3,01 2 = 3,01 4 26,0 = 0,77 | 45 ˆˆ mm | = 0,88*, | 14 ˆˆ mm | = 0,27 ns Conclusão: As médias unidades por uma mesma barra não diferem entre si pelo teste N.K. Ao nível de 5% de probabilidade. 20 4.4. Teste de Dunnett: Este teste é utilizado quando as únicas comparações que interessam ao experimentador são aquelas feitas entre um determinado tratamento padrão, geralmente a testemunha ou controle, e cada um dos demais tratamentos, não havendo interesse na comparação dos demais tratamentos entre si. Assim, um experimento com I tratamentos (um dos quais a testemunha ou padrão P) permite a aplicação do teste a I-1 comparações. O valor do teste ou diferença mínima d’ é dado por: d’ = td.s cˆ td é o valor dado na tabela para uso: no teste de Dunnett. td = f(, n1, n2) d’ = diferença m nima significativa = nível de significância n1 = número de g.l. para tratamento s cVc ˆˆˆ QMR rpri cV 11 ˆˆn2 = número de g.l. para o resíduo. d’ = td. ruri QMR 11 ; Se ri = ru = r d’ = td. r QMR.2 Todo | cˆ | d’ será significativo, indicando que a média da testemunha (ou padrão) difere significativamente da média do tratamento com ela comparado. Todo | cˆ | < d’ será não-significativo. As médias do contraste não diferem entre si. No exemplo anterior, admitindo o tratamento 1 (solo de cerrado) como testemunha, podemos compara-lo, através do teste de Dunnett, com os demais tratamentos. d' = td.s cˆ td5%(4; 15) = 2,73 4 1 4 1 ˆˆ cV . 0,26 = 0,13 13,0ˆ cs = 0,36 d’ = 2,73 x 0,36 = 0,98 *52,1ˆˆˆ 121 mmc *40,1ˆˆˆ 132 mmc .. 143 27,0ˆˆˆ snmmc *15,1ˆˆˆ 154 mmc Conclusão: Verifica-se, portanto, que os tratamentos 2, 3 e 5 diferiam da testemunha e foram estatisticamente superiores. O tratamento 4 não diferiu da testemunha. 21 4.5. Teste de Scheffé: esse teste pode ser aplicado para testar todo e qualquer contraste entre médias de tratamentos. É frequentemente utilizado para testar contrastes que envolvem grupos de médias. A estatística do teste, denotada por S, é calculada por: S = cVFI ˆˆ1 Onde: I = número de tratamentos de experimento; F = valor tabelado; F = F(n1, n2); n1 = g.l. para tratamento; n2 = g.l. para o resíduo. Seja kk mamamac ˆˆˆˆ 2211 kk mamamaVcV ˆˆˆˆ 2211 Admitindo as médias independentes: Obs.: V(k . x) = k 2 . V(x); K = cte. kk maVmaVmaVcV ˆˆˆˆ 2211 kk2 mV amV amV acV ˆˆˆˆ 22 21 2 1 ; se: ri V mV i 2 ˆ k 2 k 22 r V a r V a r V acV 2 2 2 2 1 2 1 ˆ k k a a r a r a VcV 2 2 2 2 1 2 12ˆ Substituindo V 2 por QMR i i k k r a QMR a a r a r a QMRcV 22 2 2 2 1 2 1 .ˆˆ Assim: S = QMR r a r a r a FI k k 2 2 2 3 1 2 11 S = i i r a QMRFI 2 ...1 Hipóteses: 0: 0: 1 cH cHo Ho se-Aceita :S | c|Se Ho se-Rejeita :S |c| Se ˆ ˆ 4.6. Teste “t” de Student: como o teste de Scheffé, é utilisado para testar contrastes entre duas médias ou contrastes que envolvem grupos de médias. É mais complexo que o 22 teste de Scheffé. Para a aplicação correta deste teste devemos considerar os seguintes requisitos básicos: a) Os contrastes a serem testados devem ser ortogonais entre si; b) Os contrastes devem ser estabelecidos antes de serem examinados os dados (na fase de planejamento do experimento). A estat stica do teste, denotada por “t”, é calculada por: t = cV c ˆˆ 0ˆ ou seja, tcalculado = i i r a QMR c 2 . ˆ Hipóteses: Ho : c = 0 H1 : c 0 Regra Decisória: {Se |t calc| t (g.l. resíduo) : Rejeita-se Ho {Se |t calc| < t (g.l. resíduo) : Aceita-se Ho Aplicação prática Em um experimento de competição de adubos nitrogenados para o abacaxizeiro, foram utilizados 6 tratamentos (5 tipos de adubo e 1 testemunha), com 4 repetições por tratamento, no D.I.C. Os tratamentos utilizados, com as respectivas médias de produção, em Kg/parcela, foram: Tratamentos 1. testemunha 1mˆ = 21,57 2. sulfato de amônio 2mˆ = 27,76 3. Salitre do chile 3mˆ = 24,58 4. Uréia 4mˆ = 28,44 5. Nitrogênio de cubatão 5mˆ = 28,85 6. Nitrocálcio de cubatão 6mˆ = 28,30 A estimativa da variância residual ou QMR = 0,64. Verificar, pelos testes “t” e Scheffé, se os adubos nitrogenados promoveram efeito na produção do abacaxizeiro, adotando = 5% de significância. 1. Teste de Scheffé Esquema resumido da ANOVA. F.V. GL Tratos Resíduos 5 (18) total 23 O contraste que nos permite efetuar a comparação acima é: 23 C = 5m1 – m2 – m3 – m4 – m5 – m6, pois m1 é o controle (sem adubo nitrogenado). Ho : c = 0 H1 : c 0 Scheffé (S) 654321 ˆˆˆˆˆˆ5ˆ mmmmmmc cˆ = 5(21,57) – 27,76-24,58-28,44-28,85-28,30 = -30,08 kg/parcela, indicando que os adubos nitrogenados proporcionaram, em média, um aumento de produção de 6,02 kg/parcela ( cˆ /5 = 30,08/5 = 6,02) em relação à testemunha. 30 4 6402 ,ai r QMR cˆVˆ = 4,80 S = cˆVˆFI 1 I = 6; F5% (5; 18) = 2,77; S = 8047725 ,, = 8,15 | cˆ | > S: Rejeita-se Ho, ou seja, os adubos nitrogenados produziram, em média, mais que a testemunha. 2. Teste t C = 5m1 – m2 – m3 – m4 – m5 – m6 Ho : c = 0 H1: c 0 8040830 ,cˆVˆ ;,cˆ t = 7313 804 08300 , , , cˆVˆ cˆ pela tabela “t” t5%(18) = 2,10 |tcalc| > t5% (18): Rejeita-se o Ho, ou seja, os adubos nitrogenados produziram, em média, mais que a testemunha. Considerando este mesmo experimento e = 5%, podem-se: a) Aplicar o teste Tukey b) Aplicar o teste Duncan c) Aplicar o teste de Dunnett d) Verificar, usando os testes de Scheffé e “t”, se existe diferença entre nitrocálcio de Cubatão (com e sem enxofre) e os demais adubos nitrogenados. >> O contraste que nos fornece esta comparação (item d) é: C=2m2+2m3+2m4–3m5–3m6 24 CAPÍTULO V Delineamento em Blocos Casualizados (D.B.C.) 5.1. Introdução O delineamento em blocos casualizados leva em consideração, além dos princ pios da “repetição” e da “casualização”, também o princ pio do “controle local”. é o mais utilizado de todos os delineamentos experimentais. Sempre que não houver homogeneidade dos materiais e/ou das condições experimentais, utilizamos este tipo de delineamento que, nestas condições, é mais eficiente que o inteiramente casualizado. Cada bloco constitui uma repetição e nele os tratamentos são distribuídos inteiramente ao acaso. Deve-se ressaltar que, dentro de cada bloco, o ambiente deve ser o mais homogêneo possível. 5.2. Casualização Seja um experimento com 5 tratamentos (A, B, C, D, E) e 4 repetições no D.B.C. Obs.: Gradiente de fertilidade de cima para baixo (do bloco 1 para o 4). B C D E A Bloco 1 E A B D C Bloco 2 D B C A E Bloco 3 C E A B D Bloco 4 Em experimentos zootécnicos, cada bloco seria constituído por animais com características semelhantes, tais como: idade, peso, sexo, raça, etc. 5.3. Modelo Estatístico Yij = m + ti + bj + eij, para: i = 1, 2, 3, ..., I j = 1, 2, 3, ..., J, onde: Yij = Valor observado, na parcela relativa ao tratamento i no bloco j; m = média geral; ti = efeito devido ao tratamento i; bj = efeito devido ao bloco j. Natan Realce Natan Realce 25 eij = efeito devido aos fatores não controlados (erro experimental ou residual). 5.4. Análise de Variância Consiste na decomposição da variação total nos efeitos de tratamentos, blocos e erro experimental ou resíduo. Seja um experimento com dois tratamentos e 3 repetições no D.B.C. Blocos Trat. 1 Trat. 2 Totais blocos I Y11 Y21 B1 II Y12 Y22 B2 III Y13 Y23 B3 Totais trat. T1 T2 G Generalizando para I tratamentos e J repetições ou blocos:SQtotal = ij ij IJ G Y 2 2 ; SQT = i IJ G Ti J 2 21 ; SQB = IJ G B jI j 2 21 SQRes = SQtotal – SQTratamento – SQBlocos I’= IxJ Quadro da ANOVA: F.V. GL SQ QM F Blocos J-1 SQB Tratos I-1 SQT QMT QMT QMR Resíduo (I-1).(J-1) SQR QMR Total IJ-1 SQtotal Exemplo Prático: Os dados abaixo foram obtidos de um experimento no D.B.C. com 4 repetições. Os tratamentos constaram de 5 variedades de caju e o peso médio dos frutos, em gramas, são dados a seguir: Trats. Blocos Totais I II III IV 1 142,36 144,78 145,19 138,88 571,21 2 139,28 137,77 144,44 130,61 552,10 3 140,73 134,06 136,07 144,11 554,97 4 150,88 135,83 136,97 136,36 560,04 5 153,49 165,02 151,75 150,22 620,48 Totais 726,74 717,46 714,42 700,18 2.858,80 26 Para = 5%, podem-se: a) Proceder a ANOVA b) Aplicar o teste TUKEY c) Aplicar o teste Duncan d) Determinar o Coeficiente de Variação (C.V.) e) Decompor a SQT em contrastes ortogonais e testa-los f) Testar o contraste C = m1 + m2 + m3 – m3, utilizando o teste “t” e Scheffé. Soluções: a) ANOVA: SQtotal = IJ G Yij 2 2 SQtotal = 142,36 2 + 139,28 2 + ... + 150,22 2 - 20 80,858.2 2 SQtotal = 1.273,9522 i i IJ G T J SQT 20 80,858.2 48,62021,571 4 11 2 22 2 2 SQT = 798,9298 SQB = 20 80,858.2 18,70024,726 5 11 2 22 2 2 IJ G I j j SQB = 72,6976 SQRes = SQtotal – SQT – SQB = 406,3248 27 Quadro da ANOVA F.V. GL SQ QM F tratos Blocos Resid. 4 3 12 794,9298 72,6976 406,3248 198,7325** 33,8604 5,87 total 19 1.273,9522 F1% (4; 12) = 5,41 F5% (4; 12) = 3,26 ** Significativo a 1% de probabilidade. Conclusão: Existe pelo menos um contraste entre médias de tratamentos, estatisticamente diferente de zero, ao nível de 1% de probabilidade. b) Teste de TUKEY Ho : mi = mj H1 : mi = mj para i j 03,138ˆ 74,138ˆ 01,140ˆ 80,142ˆ 12,155ˆ 2 3 4 1 5 m m m m m b m b m b m b a m a m 2 3 4 1 5 q5% (5; 12) = 4,51 = 4,51 4 8604,33 13,12 Conclusão: As médias seguidas de pelo menos uma mesma letra, não diferem entre si, ao nível de 5% de probabilidade, pelo teste de Tukey. Obs.: Resolver os itens seguintes. Exercício proposto: Em um experimento no D.B.C, com 8 repetições, são dados: Totais de tratamentos: T1 = 92,1; T2 = 68,6; T3 = 72,8; T4 = 83,8; T5 = 81,7: SQResíduo = 28,52 Para = 5%, pedem-se: a) Análise de variância b)Aplicar o teste de Tukey c) Aplicar o teste de Duncan d) Aplicar os testes de Scheffé e “t” ao contraste: C = 4m1 – m2 – m3 – m4 – m5 e) Calcular o Coeficiente de Variação f) Interpretar os resultados dos itens anteriores 28 CAPÍTULO VI Delineamento em Quadrado Latino (DQL) 6.1. Introdução Quando podemos observar a presença de duas fontes de variabilidade nas unidades experimentais como, por exemplo, número de partos e raças, idade e peso, desníveis no solo, dentre outros, empregamos o delineamento em Quadrado Latino. Cada unidade experimental deve pertencer ao nível de uma e da outra fonte de variabilidade. O número de níveis de ambas as fontes e o número de tratamentos devem ser iguais. Os níveis de uma das fontes formam as linhas e os níveis da outra fonte formam as colunas. Exemplos: 1) Suponhamos que se deseja comparar 5 rações para animais. Sabe-se que diferentes idades e diferentes pesos iniciais afetam o ganho de peso desses animais. Assim, pode-se colocar 5 animais de mesma idade nas linhas e 5 animais com mesmo peso inicial nas colunas. IDADE PESOS P1 P2 P3 P4 P5 I1 B D A E C I2 D A C B E I3 E B D C A I4 A C E D B I5 C E B A D 2) Este delineamento pode também ser usado para eliminar o efeito da heterogeneidade do solo em duas direções perpendiculares (linhas numa direção e colunas na outra). 6.2. Características 1) Este delineamento é recomendável quando as unidades experimentais puderem ser agrupadas de acordo com os níveis de duas fontes de variação. 2) O número total de unidades experimentais necessárias para esse delineamento é igual a I 2 , sendo I o número de tratamentos, linhas ou colunas. 3) Cada tratamento é representado uma única vez e ao acaso em cada linha e em cada coluna. Natan Realce Natan Realce Natan Realce Natan Realce Natan Realce Natan Realce 29 4) O número de tratamentos é igual ao número de repetições, logo, este delineamento é menos flexível que DIC e DBC. 5) Dentro das linhas e dentro das colunas deve-se ter a maior uniformidade possível. 6) Os quadrados latinos constituem um bom tipo de delineamento, mais sua flexibilidade é muito menor em relação aos demais. Como o número de repetições deve ser igual ao número de tratamentos, linhas ou colunas, em geral não se usam quadrados latinos no caso de se ter mais de 8 tratamentos, pois o número de repetições seria, na maioria das vezes, um tanto exagerado. 7) Os quadrados latinos 2x2, 3x3 e 4x4 apresentam, respectivamente, 0, 2 e 6 graus de liberdade para o resíduo. Em tais casos, recomenda-se repetir suficientemente o experimento, objetivando um número de graus de liberdade aceitável para a variância residual ex.: Dois QL de 4x4 dão 15 g.l.res.). Os quadrados latinos mais usuais são 5x5 até 8x8. 6.3. Casualização Seja um experimento no DQL com 5 tratamentos (A, B, C, D, E). 1) Faz-se a distribuição sistemática dos tratamentos nas linhas de maneira que cada coluna contenha também todos os tratamentos: C1 C2 C3 C4 C5 L1 A B C D E L2 E A B C D L3 D E A B C L4 C D E A B L5 B C D E A 2) Em seguida faz-se a redistribuição, ao acaso, das linhas e colunas. 2.1. Permutação, ao acaso, das linhas. L2 E A B C D L4 C D E A B L5 B C D E A L1 A B C D E L3 D E A B C 2.2. Permutação, ao acaso das colunas. C2 C4 C5 C3 C1 L1 B D E C A L2 E B C A D L3 D A B E C L4 C E A D B L5 A C D B E Natan Realce Natan Realce Natan Realce Natan Realce 30 2.3. Renumeração das linhas e das colunas. C1 C2 C3 C4 C5 L1 B D E C A L2 E B C A D L3 D A B E C L4 C E A D B L5 A C D B E (Quadrado Latino casualizado e pronto para instalação) 6.4. Modelo Estatístico Yijk = m + li + cj + (tk)ij + eijk Onde: Yijk = observação relativa ao tratamento k na linha i e coluna j; m = média geral; li = efeito da linha i; cj = efeito da linha j; (tk)ij = efeito do tratamento k na linha i e coluna j; eijk = erro experimental. 6.5. Fórmulas das Somas de Quadrados Através de procedimento semelhante ao utilizado no D.B.C., chega-se às seguintes expressões para o cálculo das somas de quadrados: SQtotal = ; 2 2 2 I G Yijk SQL = ; 1 2 2 2 I G L I i i SQC = 2 2 21 I G c I j SQTr = 2 2 21 I G T I k SQRes = Sqtotal – SQL – SQC – SQT I’=IJ Quadro ANOVA: F.V. GL SQ QM F Linhas Colunas Tratamentos I-1 I-1 I-1 SQL SQC SQT QMT QMT/QMR Resíduo (I-2) (I-1) SQR QMR Total I’2-1 SQtotal 31 Exemplo: Em um experimento de competiçãode variedades de cana-de-açúcar foram usadas 5 variedades (A, B, C, D, E) dispostas no DQL. As produções de cana-planta, em kg por parcela, são dadas a seguir: C1 C2 C3 C4 C5 Totais L1 L2 L3 L4 L5 D 432 C 724 E 489 B 494 A 515 A 518 E 478 B 384 D 500 C 660 B 458 A 524 C 556 E 313 D 438 C 583 B 550 D 297 A 486 E 394 E 331 D 400 A 420 C 501 B 318 2322 2676 2146 2294 2325 Totais 2654 2540 2289 2310 1970 11763 SQtotal = 432 2 + 724 2 + ... + 318 2 - 257724 25 11763 2 SQL = 30480 25 11763 232526762322 5 1 2 222 SQC = 55640 25 11763 197022892654 5 1 2 222 Totais dos tratos: TA = 2463; TB = 2204; TC = 3024; TD = 2067; TE = 2005 SQT = 137488 25 11763 200522042463 5 1 2 222 SQRes = SQtotal – SQL – SQC – SQT = 34116 Quadro ANOVA: F.V. GL SQ QM F Linhas Colunas Tratos Resíduo 4 4 4 12 30480 55640 137488 34116 34372** (2843) 12,09 total 24 257724 ** significativo ao nível de 1% de probabilidade, pois F1% (4; 12) = 5,41 Conclusão: Existe pelo menos um contraste entre médias de tratamentos, estatisticamente diferente de zero, ao nível de 1% de probabilidade. Teste TUKEY: Ho : mi = mj H1 : mj mj para i j 80,604ˆ cm mc a r QMR q 32 60,492ˆ Am mA b 80,440ˆ Bm mB b 5 843,2 q 40,413ˆ Em mD b 00,401ˆ Em mE b 54,107 Conclusão: As médias seguidas de pelo menos uma mesma letra, não diferem entre si, ao nível de 5% de probabilidade, pelo teste Tukey. Aplicar o teste Duncan Testar o contraste: C = 3m1 – m2 – m3 – m4 pelos testes de Scheffé e “t”. 33 CAPÍTULO VII Experimentos Fatoriais 7.1. Introdução Experimentos Fatoriais são aqueles em que se estudam simultaneamente dois ou mais fatores. Esses experimentos em si, não constituem um delineamento experimental, mas, podem ser executados em quaisquer dos delineamentos, tais como: inteiramente casualizado, blocos casualizados, quadrado latino, etc. Os experimentos fatoriais geralmente são mais eficientes do que os experimentos simples com um só conjunto de tratamentos (por exemplo só competição de cultivares, sem variação de espaçamentos ou só espaçamentos com único cultivar) e permitem tirar conclusões mais gerais. Assim, se plantarmos 4 cultivares novos (A, B, C, D) num mesmo espaçamento E1, somente poderemos concluir que A, por exemplo, é o melhor se este espaçamento for usado. É possível, porém, que com outro espaçamento E2 o cultivar B venha a superar largamente qualquer outro cultivar com qualquer outro espaçamento. Num experimento fatorial com cultivares e espaçamentos simultaneamente esta possibilidade é pesquisada, de modo que as conclusões são mais gerais. Nos experimentos fatoriais cada nível de um fator se combina com cada um dos níveis de outros fatores, constituindo um tratamento. Assim, em um experimento com dois fatores A e B, onde o fator A tem 4 níveis (A1, A2, A3, A4) e o fator B 3 níveis (B1, B2, B3), teremos, então, um fatorial 4x3 e os tratamentos, resultantes de todas as combinações possíveis, são: A1B1 A2B1 A3B1 A4B1 A1B2 A2B2 A3B2 A4B2 A1B3 A2B3 A3B3 A4B3 Assim, poderíamos combinar os 3 fatores (N, P, K) com 3 níveis cada (as doses): 3 doses de N 3 doses de P 3 doses de K Um Fatorial 3x22 ou 3x2x2 se caracteriza pela combinação de 3 fatores, sendo um com 3 níveis e os outros dois com dois níveis, resultando assim em 12 combinações que constituem os tratamentos. 3 doses de N 2 doses de P 2 doses de K Um Fatorial 23 ou 2x2x2 se caracteriza pela combinação de 3 fatores, cada um com 2 níveis, constituindo, portanto, 8 tratamentos. 2 doses de N (N0, N1) 2 doses de P (P0, P1) 2 doses de K (K0, K1) 34 Os tratamentos serão: N0P0K0 N1P0K0 N0P0K1 N1P0K1 N0P1K0 N1P1K0 N0P1K1 N1P1K1 Quando os tratamentos são quantitativos, é comum apresentar somente através dos níveis. Assim, temos as combinações. 0 0 0 1 0 0 0 0 1 1 0 1 0 1 0 1 1 0 0 1 1 1 1 1 7.2. Classificação dos efeitos: 1. Efeito principal: É o efeito de cada fator, independente da influência de outros fatores. 2. Efeito de interação: É a resposta diferencial da combinação de tratamentos que não se deve a efeitos principais. Ocorre interação quando os efeitos dos níveis de um fator são modificados por níveis do outro fator. Assim temos: 2.1. Não há interação: B\A a1 a2 a3 b1 2 4 6 b2 5 7 9 2.2. Há interação: B\A a1 a2 a3 b1 2 4 6 b2 5 10 2 b2 b1 a1 a2 a3 b1 b2 a1 a2 a3 35 7.3. Análise de Variância: Seja um experimento fatorial com dois fatores A e B, onde: O fator A tem I níveis: A1, A2, ... AI e O fator B tem J níveis: B1, B2, ... BJ No delineamento inteiramente casualizado, com K repetições; O modelo estatístico associado a este tipo de experimento é: Yi j k = + i + j + ()i j + ei j k Onde: I = 1, 2, …, I j = 1, 2, ..., J k = 1, 2, …, K O destaque no modelo, em negrito, é o efeito de tratamento ti, decomposto nos efeitos principais e de interação. i é o efeito do i-ésimo nível do fator A; j = efeito do j-ésimo nível de fator B; ()i j é o efeito da interação entre o i-ésimo nível do fator A e o j-ésimo nível do fator B; ei j k é o erro aleatório associado à observação Yi j k, é o erro experimental. 7.4. Cálculo das somas de quadrado: Consideremos o quadro abaixo: A1 A2 ... A1 B1 B2 ... Bj B1 B2 … BJ B1 B2 … Bj B1 B2 … BJ Y111 Y121 ... Y1J1 Y211 Y221 ... Y2J1 ... ... ... ... Y111 Y121 ... YIJ1 Y112 Y122 ... Y1J2 Y212 Y222 ... Y2J2 ... ... ... ... Yi12 YI22 ... YIJ2 ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... Y11k Y12k ... Y1Jk Y21k Y22k ... Y2Jk ... ... ... ... Y11k Y12k ... YIJk SQtotal = IJK G C;CY ijk ijk 2 2 SQ(A) = CA Jk i i 21 SQ(B) = CB Ik j j 21 SQ(AxB) = SQ(A, B) – SQ(A) – SQ(B) 36 Onde: SQ(A, B) = SQT = ij J CBA k 2 1 1 SQResíduo = SQtotal – SQT Observação: Se o delineamento for blocos casualizados, o SQResíduo será: SQResíduo = SQtotal – SQT - SQblocos ANOVA Quadro da análise de variância (D.I.C.) F.V. GL SQ QM F A B A x B I-1 J-1 (I-1) (J-1) SQ (A) SQ (B) SQ (AxB) QM (A) QM (B) QM (AxB) QMA / QMR QMB / QMR QM (AxB) / QMR (tratos) (IJ-1) (SQT) Resíduo IJ (k-1) SQR QMR total Ijk-1 SQtotal 7.5. Exemplos ilustrativos: 1) Seja um experimento com dois fatores A e B, com 3 e 4 níveis, respectivamente, constituindo 12 tratamentos, dispostos no delineamento inteiramente casualizado com 3 repetições. Os totais de tratamentos constam do quadro AUXILIAR: Fator B Fator A 1 2 3 4 Totais 1 120* 132 150 162 564 2 126 141 162 171 600 3 144 150 171 186 651 totais 390 423 483 519 1.815,00 * cada valor como este vem de 3 repetições (DIC, com 3 repetições). Dados: SQtotal = 1.498,67 25,506.91 36 00,815.1 2 C 50318651600564 12 1 222 ,cASQ 751124519483423390 9 1 2222 ,cBSQ 37 751454186126120 3 1 222 ,cSQT SQ (AxB) = 1.454,75 – 318,50 – 1.124,75 = 11,50 SQ Re síduo = SQTotal – SQTrats (A, B) SQ Re síduo = 1.498,67 – 1.454,75 = 43,92 Quadro ANOVA: F.V. GL SQ QM Fc Fator A Fator B Int. A x B 2 3 6 318,50 1.124,75 11,50 159,25** 374,91** 1,92 n.s. 87,02 204,87 1,05 (tratamentos) (11) (1.454,75) Resíduo 24 43,93 1,83 total 35 1.498,67 C.V.(%) 2,68 **significativo ao nível de 1% de probabilidade; n.s. não significativo ao nível de 5% de probabilidade, pelo teste F. FtabA= F1%(2;24) = 5,61 FtabA= F5%(2;24) = 3,40 FtabB= F1%(3;24) = 4,72 FtabB= F5%(3;24) = 3,01 FtabAxB= F1%(6;24) = 3,67 FtabAxB= F5%(6;24) = 2,51 Conclusões: a) Haverá pelo menos um contraste entre médias dos níveis do fator A, estatisticamente diferente de zero, ao nível de 1% de probabilidade, pelo teste F. b) Haverá pelo menos um contraste entre médias dos níveis do fator B, estatisticamente diferente de zero, ao nível de 1% de probabilidade, pelo teste F. c) Não observou-se interação entre os fatores A e B. Isto significa que o comportamento de um fator não depende dos níveis do outro fator, e vice versa, sendo portanto, independentes. Neste caso, em que não houve interação, os fatores podem ser estudados isoladamente. Podemos, neste caso, aplicar um dos métodos de comparações múltiplas (Tukey, Duncan etc.) para comparar as médias dos efeitos principais que foram significativos. Aplicando o teste Tukey os fatores A e B, temos: (adotar = 5%) 38 Fator A 3004712564 12 A Ai mˆ,/ T mˆ 25543 ,mˆA a 00502 ,mˆA b 12 83,1 53,3 12 24;35 QMR q ao 00471 ,mˆA c =1,38 Conclusão: As médias dos níveis do fator A seguidas de pelo menos uma mesma letra, não diferem entre si, ao nível de 5% de probabilidade, pelo teste Tukey. Fator B 903244 9 5 ,;q; T mˆ ao Bi Bj 66574 ,mˆB a 66533 ,mˆB b 761 9 831 903 , , , 00472 ,mˆB c 33431 ,mˆB d =1,76 Conclusão: As médias dos níveis do fator B seguidas de pelo menos uma letra, não diferem entre si, ao nível de 5% de probabilidade pelo teste Tukey. Testar o contraste C = mB1 + mB2 + mB3 – 3mB4 pelo teste de Scheffé: (adotar = 5%) HO: C = 0 H1 : C 0 992866573665300473343 ,,,,,cˆ 442 9 12831 9111 9 831 , x,, cˆVˆ S = cˆVˆFI 1 , onde: I = número de níveis de B; F5% (g.l. de B; g.l. resíduo). J = 4 e F5%(4; 24) = 2,78 S = 6944420133 ,,x,x :Scˆ Re jeita-seHO, ou seja, em média, o nível B4 difere e supera os níveis B1, B2 e B3. Aplicar o teste “t” ao contraste acima. Aplicar o teste Duncan aos níveis dos fatores A e B. 39 7.6. Um exemplo com interação significativa: Em um experimento fatorial 3 x 4 no delineamento em blocos casualizados, com 3 repetições, são dados: B A B1 B2 B3 B4 totais A1 A2 A3 69,40 74,50 64,50 74,50 79,40 63,50 78,40 84,80 65,2 82,60 71,50 62,80 304,90 310,20 256,00 totais 208,40 217,40 228,40 216,90 871,10 Dados: SQResíduo = 24,6400; para = 5%, pedem-se: 2.1. Proceder a ANOVA; 2.2. Aplicar o teste de Tukey 2.3. Testar o contraste C = mB1/A1 + mB2/A1 + mB3/A1 – 3mB4/A1 pelo teste “t”, ao n vel de 5% de probabilidade. ANOVA: 5364,215 36 1,871 8,625,744,69 3 1 );( 2 222 BASQT 8039148 36 1871 025623109304 12 1 2 222 , , ,,,ASQ 4097,22 36 1,871 9,2164,2284,2174,208 9 1 2 2222 BSQ SQ (A x B) = 215,5364 – 148,8039 – 22,4097 = 44,3228 Quadro da ANOVA F.V. GL SQ QM F A B A x B 2 3 6 148,8039 22,4097 44,3228 74,4019** 7,4699** 7,3871** 66,43 6,67 6,59 (Tratamentos) (11) 215,5364 Blocos Resíduo 2 22 24,6400 (1,1200) total 35 ** Significativo ao nível de 1% de probabilidade. F1%(2;22)=5,72. F1%(3;22)=4,82. F1%(6;22)=3,76 Conclusões: 40 a) Haverá pelo menos um contraste entre médias dos níveis do fator A, estatisticamente diferente de zero, ao nível de 1% de probabilidade. b) Haverá pelo menos um contraste entre médias dos níveis do fator B, estatisticamente diferente de zero, ao nível de 1% de probabilidade. c) Houve interação entre os fatores A e B ao nível de 1% de probabilidade. Isto significa que o comportamento de um fator depende dos níveis do outro fator, evidenciando uma dependência entre os fatores. Neste caso, não estudamos os fatores isoladamente, mas modificamos a análise anterior desdobrando a interação, avaliando o comportamento de um fator em cada nível do outro fator. Estudo do fator A dentro dos níveis do fator B. 668916 9 4208 564574469 3 1 2 222 1 , , ,,,B/ASQ 202244 9 4217 563479574 3 1 2 222 2 , , ,,,B/ASQ 59566 9 4228 265884478 3 1 2 222 3 , , ,,,B/ASQ 66065 9 9216 862571682 3 1 2 222 4 , , ,,,B/ASQ Obs.: SQ(A/B) = SQ(A/B1) + SQ(A/B2) + SQ(A/B3) + SQ(A/B4) = … = SQ(A) + SQ(AxB) ANOVA Complementar!! F.V. GL SQ QM F Fator: B Fator: A/B1 A/B2 A/B3 A/B4 3 2 2 2 2 22,4097 16,6689 44,2022 66,5955 65,6600 8,3344** 22,1011** 33,2977** 32,8300** 7,44 19,73 29,73 29,31 (Tratamentos) (11) (215,5364) Blocos Resíduo 2 22 24,6400 (1,1200) total 35 F1% (2; 22) = 5,72 ** Significativo ao nível de 1% de probabilidade. Conclusão: Dentro de cada nível de B, existe pelo menos um contraste entre médias dos níveis de A, estatisticamente diferente de zero, ao nível de 1% de probabilidade. Nesse caso, aplica-se um teste de comparação múltipla para o fator A em cada nível do fator B, uma vez que em todos houve interação. 41 Teste de Tukey q5ao (3; 22) = 3,58; = 192 3 121 583 , , , Obs.: o r é o mesmo usado para obter as médias. 83,24/ˆ 12 BmA a 42622 ,B/mˆA a 132311 ,B/mˆA a b 832421 ,B/mˆA a 502113 ,B/mˆA b 172123 ,B/mˆA b 272832 ,B/mˆA a 572741 ,B/mˆA a 132631 ,B/mˆA a 832342 ,B/mˆA b 732133 ,B/mˆA b 932043 ,B/mˆA c Conclusão: Dentro de um mesmo nível de B, as médias dos níveis de A seguidas de pelo menos uma mesma letra, não diferem entre si, ao nível de 5% de probabilidade, pelo teste Tukey. Estudo do fator B dentro dos níveis de A 642531 12 9304 682478574469 3 1 2 2222 1 , , ,,,,A/BSQ Procedendo de maneira análoga, temos: SQ (B/A2) = 33,9633 SQ (B/A3) = 1,1267 Anova Suplementar F.V. GL SQ QM F Fator A Fator B/A1 B/A2 B/A3 2 3 3 3 148,8039 31,6425 33,9633 1,1267 10,5475** 11,3211** 0,3756 n.s 9,42 10,11 0,33 (tratamentos) (11) (215,5364) Blocos Resíduo 2 22 24,64 (1,12) total 35 F1% (3; 22) = 4,82 ** Significativo ao nível de 1% de probabilidade. ns – não significativo ao nível de 5% de probabilidade. 42 Conclusões: a) Dentro dos níveis A1 eA2, existe pelo menos um contraste entre médias dos níveis B, estatisticamente diferente de zero, ao nível de 5% de probabilidade. b) Todos os contrastes entre médias dos níveis de B dentro de A3, são estatisticamente nulos, ao nível de 5% de probabilidade. Observação: SQ(B/A) = SQ(B/A1) + SQ(B/A2) + SQ(B/A3) = SQ(B) + SQ(AxB) Teste de Tukey Para comparar as médias dos níveis de B dentro de A1 e A2 (onde houve efeito significativo), procede-se de maneira análoga ao desdobramento anterior, onde a expressão para o teste Tukey será: r QMR ;q ao 22 45 = 2,42 422 3 121 963 , , , mB4/A1 = 27,53 a mB3/A2 = 28,27 a mB3/A1 = 26,13 a b mB2/A2 = 26,47 a b mB2/A1 = 24,83 b mB1/A2 = 24,83 b c mB1/A1 = 23,13 b mB4/A2 = 23,83 c mB3/A3 = 21,73 a mB1/A3 = 21,50 a mB2/A3 = 21,17 a mB4/A3 = 20,93 a Testar o contraste: C = mB1/A1 + mB2/A1 + mB3/A1 – 3mB4/A1 HO : c = o H1 : c o 50853273132683241323 ,,,,,cˆ 4849111 3 121 3 2 , , a QMR cˆVˆ i 014 484 508 , , , cˆVˆ cˆ t t5%(g.l.res.) => t5% (22) = 2,07; |tcalc|>t5% (22): Rejeita-se Ho (...) 43 Aplicar o teste de Scheffé ao contraste anterior. Aplicar o teste Duncan às médias anteriores dos desdobramentos. 44 7.7. Um exemplo com três fatores: Num experimento, sob o esquema fatorial 2 3 ou 2 x 2 x 2, com adubação à base de N-P-K em cana-de-açúcar, seguindo o delineamento em blocos casualizados, com 4 repetições, as produções em t/ha, foram: Tratamentos BLOCOS Totais I II III IV 000 controle 100 N 010 P 001 K 110 NP 101 NK 011 PK 111 NPK 63,9 32,5 64,9 46,5 59,7 45,2 73,6 70,8 43,1 50,3 61,1 40,1 73,2 58,4 45,3 68,5 58,9 50,3 58,2 56,0 73,7 53,7 88,8 78,7 57,2 68,4 71,2 51,8 82,7 76,0 62,7 84,9 223,1 201,5 255,4 194,4 289,3 233,3 270,4 302,9 Totais 457,1 440,0 518,3 554,9 1.970,3 As doses de nutrientes usadas foram: N : 0 e 60 kg/ha de N P : 0 e 75 kg/ha de P2O5 K : 0 e 75 kg/ha de K2O Proceder a análise de Variância: 06315121 32 39701 2 ,. ,. C SQtotal = 63,9 2 + 32,5 2 + ... + 84,9 2 – C = 5.852,17 SQBlocos = 100711955404401457 8 1 222 ,.C,,, SQT = 027812930252011223 4 1 222 ,.C,,, Para se proceder ao desdobramento da SQT segundo o esquema fatorial, organizamos os quadros auxiliares que se seguem: Po P1 Totais No N1 417,5 434,8 525,8 592,2 943,3 1.027,0 totais 852,3 1.118,0 1.970,3 45 Ko K1 Totais No N1 478,5 490,8 464,8 536,2 943,3 1.027,0 totais 969,3 1.001,0 1.970,3 Ko K1 Totais Po P1 424,6 544,7 427,7 573,3 852,3 1.118,0 totais 969,3 1.001,0 1.970,3 93218002713943 16 1 22 ,c,.,NSQ 142062011813852 16 1 22 ,.c,.,PSQ 4031000113969 16 1 22 ,c,.,KSQ 40500225925417 8 1 22 ,.c,,P,NSQ SQ(N x P) = SQ(N, P) – SQ(N) – SQ(P) SQ(N x P) = 73,34 SQ(N, K) = 22 25365478 8 1 ,, – C = 359,48 SQ(N x K) = SQ(N, K) – SQ(N) – SQ(K) SQ(N x K) = 109,15 SQ(P, K) = 22 35736424 8 1 ,, – C = 2.257,86 SQ(N x K) = SQ(P, K) – SQ(P) – SQ(K) SQ(P x K) = 20,32 SQ(N x P x K) = SQT(N, P, K) – SQ(N) – SQ(P) – SQ(K) – SQ(N x P) SQ(N x K) – SQ(P x K) SQ(N x P x K) = 119,74 46 Quadro da Análise de Variância: F.V GL SQ QM F N P K N x P N x K P x K N x P x K 1 1 1 1 1 1 1 218,93 2.206,14 31,40 75,34 109,15 20,32 119,74 218,93 2.206,14 31,40 75,34 109,15 20,32 119,74 2,30 23,16** 0,33 0,79 1,15 0,21 1,26 (Tratamentos) (7) (2.781,02) Blocos Resíduo 3 21 1.071,10 2.000,05 95,24 total (31) 5.852,17 ** significativo ao nível de 1% de probabilidade. 7.8. Exercício Proposto 1) Em um experimento fatorial com dois fatores A e B, com 4 e 3 níveis respectivamente, constituindo 12 tratamentos, dispostos no delineamento inteiramente casualizado, com 3 repetições, os dados constam do quadro abaixo: FATOR A FATOR B 1 2 3 4 Totais 1 2 3 12 18 22 14 17 21 16 20 20 15 22 30 17 23 31 18 23 32 20 25 29 21 26 32 23 28 32 23 29 34 24 30 35 26 32 37 229,0 293,0 355,0 totais 160,0 211,0 236,0 270,0 877,0 Adotando = 5%, pedem-se: 1.1. Proceder a análise de Variância; 1.2. Aplicar os testes de Tukey e Duncan de acordo com o resultado da análise de Variância; 1.3. Concluir em todos os casos. 47 2) Em um experimento fatorial, no delineamento inteiramente casualizado, em que foram combinadas duas doses de N e duas doses de fósforo, com 5 repetições por tratamento, são dados: Quadro de Dados: Po P1 No 10,50 9,80 9,90 11,00 11,20 11,20 10,40 10,60 11,20 13,10 N1 11,50 10,20 10,40 12,40 12,70 14,00 18,80 14,20 14,10 13,50 Proceder a análise de variância e concluir para = 5%. 48 CAPÍTULO VIII Experimentos em Parcelas Subdivididas 8.1. Introdução Os experimentos em parcelas subdivididas (Split-Plot) se caracterizam pela sua estruturação através de tratamentos principais ou primários nas parcelas, e estas, por sua vez, são constituídas de tratamentos secundários, que são as subparcelas. Podemos distinguir dois tipos de conformidade com a estruturação das subparcelas, ou seja: 8.2. Parcelas subdivididas no espaço: Quando em cada parcela há uma subdivisão de sua área em sub-áreas, constituindo cada uma delas uma subparcela. Assim, podemos ter, por exemplo, nas parcelas, Variedades, e a sua área poderá se subdividir em sub-áreas, cada uma delas com um Espaçamento diferente, constituindo as subparcelas. Num outro exemplo, poderíamos ter nas parcelas fórmulas de adubação e, nas subparcelas, variedades. 8.3. Parcelas subdivididas no tempo: A parcela não se subdivide em sub-áreas, mas, periodicamente, são tomados dados em cada uma delas, constituindo estas tomadas as subparcelas. Assim, poderíamos ter, por exemplo, nas parcelas diferentes “amadurecedores”, e a cada quinzena retirar uma amostra para determinações tecnológicas. Estas amostras (épocas) constituem as subparcelas. Consideram-se e analisam-se como experimentos em parcelas subdivididas aqueles que se realizam nas mesmas parcelas e com os mesmos tratamentos em dois ou mais anos sucessivos. É recomendável que se instale nas subparcelas o fator de maior intersse, ou seja, aquele no qual se deseja um estudo mais preciso, pois nesta tem-se um maior número de graus de liberdade associado ao resíduo. As parcelas poderão estar dispostas em qualquer tipo de delineamento. Os mais usuais são DIC e DBC. Nos experimentos em parcelas subdivididas temos dois resíduos distintos: O resíduo (a) referente às parcelas e o resíduo (b), correspondente às subparcelas dentro das parcelas. Seja um experimento em parcelassubdivididas, com I variedades aplicadas às parcelas, dispostas no delineamento em blocos casualizados, com J repetições, e k espaçamentos aplicados às subparcelas. O esquema da análise de variância será: 49 ANOVA: F.V. GL Blocos Variedades (T) Resíduo (a) J – 1 I – 1 (I-1) . (J-1) Parcelas (I . J) -1 Espaçamento (T’) T x T’ Resíduo (b) K – 1 (I-1) . (K-1) I . (J-1) . (K-1) total (I . J .K) – 1 8.4. Modelo Estatístico: Yi j k = m + ti + bj + tbi j + t’k + tt’i k + ei j k i = 1, 2, ..., I; j = 1, 2, ..., J; k = 1, 2, …, k Onde: Yi j k = valor observado na ik-ésima subparcela no j-ésimo bloco; m = média geral do experimento; ti = efeito do i-ésimo nível do tratamento T; bj = efeito do j-ésimo bloco; tbi j = efeito associado à ij-ésima observação ou efeito residual das parcelas; t’k = efeito do k-ésimo n vel do tratamento T’; tt’i k = efeito da interação do i-ésimo nível do tratamento T com o k-ésimo nível do tratamento T’; ei j k = efeito associado à ijk-ésima observação ou efeito residual das subparcelas. 8.5. Cálculo das somas de quadrado (SQ’s): Var V1 V2 ... VI Blocos 1 E1 E2 ... Ek E1 E2 ... Ek ... ... ... ... E1 E2 ... Ek 2 E1 E2 ... Ek E1 E2 ... Ek ... ... ... ... E1 E2 ... Ek ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... J E1 E2 ... Ek E1 E2 ... Ek ... ... ... ... E1 E2 ... Ek Ijk Y c ijk 2 SQtotal = Yijk 2 – c Para calcular as demais somas de quadrados, vamos organizar outros quadros auxiliares a partir do quadro anterior: Em parcelas subdivididas: I: Variedades; J; Repetições; K: Espaçamentos. 50 Variedades blocos 1 2 ... I totais 1 2 ... J Y11. Y12. ... Y1j. Y21. Y22. ... Y2j. ... ... ... ... YI1. YI2. ... YIJ. Y.1. = B1 Y.2. = B2 ... Y.J. = BJ totais Y1.. = V1 Y2.. = V2 ... YI.. = V1 Y... = G cV jk SQV i i 21 cB Ik SQB j j 21 SQ Re síduo (a) = SQ(VxB) = SQBSQVcY k ij ij 21 Variedades Espaçamento 1 2 ... I totais 1 2 ... K Y1.1. Y1.2. ... Y1.k. Y2.1. Y2.2. ... Y2.k. ... ... ... ... YI.1. YI.2. ... YI.k. Y..1. = E1 Y..2. = E2 ... Y..k. = Ek totais Y1.. = V1 Y2.. = V2 ... YI.. = V1 Y.. = G cE IJ SQE k k 21 SQESQVE,VSQVxESQ k k.i cY j E,VSQ 2 1 SQRe síduo (b) = SQtotal – SQParcelas – SQE – SQ(VxE) 51 8.6. Quadro da ANOVA: F.V. GL SQ QM F Blocos Var (V) Resíduo (a) J-1 I-1 (I-1) (J-1) SQB SQV SQR (a) QMV QMR (a) QMV/QMR (a) Parcelas (IJ-1) (SQ Parc) Espaçamento (E) V x E Resíduo (b) K-1 (I-1) (K-1) I(J-1) (K-1) SQE SQ V x E SQR (b) QME QM (V x E) QMR (b) QME/QMR (b) QM (V x E)/QMR (b) total (Ijk)-1 SQtotal 8.7. Comparações múltiplas (Teste de Tukey): Podemos estabelecer quatro tipos distintos de contrastes entre médias: 1) Entre duas médias de tratamentos primários, nas parcelas [ex.: entre Variedades (V)]: jk aQMR q q =f [I; (I – 1) (J – 1)] ou seja, q [n o de tratamentos (V); g.l. resíduo (b)] 2) Entre duas médias de tratamentos secundários nas subparcelas [ex.: Espaçamentos (K)]: IJ bQMR q q =f [K;I(J – 1) (K – 1)] ou seja, q [n o de espaçamentos (K); g.l. resíduo (b)] Obs.: Os itens 1 e 2 anteriores são recomendados quando não houver interação significativa entre os fatores, pois quando estes interagem a metodologia correta seriam os itens 3 e 4: 3) Entre duas médias de tratamentos secundários, num mesmo tratamento primário [ex.: Espaçamento (K) dentro de Variedade (V), ou seja, subparcela dentro de parcela]. J bQMR q q =f [K; I(J – 1) (K – 1)] ou seja, q [n o de espaçamentos (K); g.l. resíduo (b)] 52 4) Entre duas médias de tratamentos primários num mesmo tratamento secundário [ex.: Variedade (V) dentro de Espaçamento (K), ou seja, parcela dentro de subparcela]. Jk bQMRKaQMR q 1 q =f (I; n’) I = variedades 11 1 11 1 222 2 KJI bQMRK JI aQMR bQMRKaQMR 'n onde: (I – 1) . (j – 1) é o g.l. res.(a) e I (j – 1) . (K – 1) é o g.l. res. (b). Exemplo prático Os dados a seguir, referem-se ao brix de frutos de 5 variedades de mangueira (parcelas I), colhidas de três pés por variedade (repetições J). De cada pé foram colhidos 4 frutos, um de cada um dos pontos cardeais (subparcelas K). Obs.: Este experimento pode ser considerado como em parcelas subdivididas: Cada parcela é uma variedade de mangueira e as subparcelas são as 4 faces de cada árvore, correspondentes aos 4 pontos cardeais. QUADRO DE DADOS Var Norte Sul Leste Oeste totais Total(var.) 1 18,0 17,5 17,8 17,1 18,8 16,9 17,6 18,1 17,6 17,6 17,2 16,5 70,3 71,6 68,8 210,7 2 16,3 16,6 15,0 15,9 14,3 14,0 16,5 16,3 15,9 18,3 17,5 15,2 67,0 64,7 60,1 191,8 3 16,0 19,5 16,3 16,2 14,9 16,4 17,9 15,0 16,0 16,1 15,3 16,4 66,2 64,7 65,1 196,0 4 16,6 15,9 17,5 15,2 13,2 15,8 14,2 18,0 16,7 15,5 17,3 18,4 61,5 64,4 68,4 194,3 5 18,9 18,5 21,5 18,6 13,7 16,4 15,3 18,2 18,3 17,0 18,3 16,6 69,8 68,7 72,8 211,3 Totais 261,9 237,4 251,6 253,2 1.004,1 G=1.004,1 6180316 60 10041 2 ,. ,. C 53 5529321181917210 12 1 222 ,C,,,VSQ SQParc(V, Re pets.) = 2645872671370 4 1 222 ,C,,, SQR(a)(VxReps.) = SQParc – SQV = 15,71 SQP card = 6020225342379261 15 1 222 ,C,,, SQtotal = 18,0 2 +17,5 2 + … + 16,62 – C = 137,58 Para calcular a SQ da interação (V x Pcard.), vamos estruturar o quadro seguinte: Variedades Pontos Cardeais N S L O 1 2 3 4 5 53,3 47,9 51,8 50,0 58,9 52,8 44,2 47,5 44,2 48,7 53,3 48,7 48,9 48,9 51,8 51,3 51,0 47,8 51,2 51,9 2770951947353 3 1 222 ,C,,,card.P,VSQ SQ(V x P.card) = SQ(V, P.card) – SQV – SQP.card = 20,12 SQRes(b) = SQtotal – SQParc. – SQ(P. card) – SQ(V x P. card) SQRes(b) = 51,60 Quadro da ANOVA F.V. GL SQ QM F Variedades (v) Resíduo (a) 4 10 29,55 15,71 7,39* (1,57) 4,71 Parcelas (14) (45,26) P.card. (P) V x P Resíduo (b) 3 12 30 20,60 20,12 51,60 6,87* 1,68 ns (1,72) 3,99 0,97 total 59 137,58 * significativo a 5% de probabilidade. ns – não significante a 5% de probabilidade. Conclusões: a) Existe pelo menos um contraste entre médias de variedades, estatisticamente diferente de zero, ao nível de 5% de probabilidade. b) Existe pelo menos um contraste entre médias dos pontos cardeais, estatisticamente diferente de zero, ao nível de 5% de probabilidade; 54 c) Não existe interação entre os fatores variedades e pontos cardeais. Isto significa que o comportamento
Compartilhar