Baixe o app para aproveitar ainda mais
Prévia do material em texto
EXPERIMENTAÇÃO AGRICOLA Conceito Básicos Experimento ou ensaio: trabalho previamente planejado, no qual se faz comparações dos efeitos dos tratamentos. Tratamento: qualquer método, elemento ou material cujo efeito desejamos medir ou comparar em um experimento. EX: variedade de banana, adubação para cultura de milho, hibrido de sorgo. Unidade Experimental ou Parcela: unidade que vai receber o tratamento e fornecer dados que deverão refletir seu efeito. EX: um lote de sementes, uma planta, um vaso de planta, um grupo de plantas. Erro Experimental: resultado de uma medição menos o seu valor verdadeiro ou mensurado. População ou Conjunto Universo: conjunto constituído por todos os dados possíveis com relação a característica em estudo. Amostra: Parte representativa da população. Média Aritmética: ; – média amostral; µ – média populacional testada; Mediana: valor que divide esse conjunto em dois subconjuntos com igual número de dados. Moda: Valor que ocorre com maior frequência no conjunto Variância: média dos quadrados dos desvios em relação à média. Desvio Padrão (): Raiz quadrada da variância. Coeficiente de variação: desvio padrão em termos de porcentagem da média. Erro Padrão da Média: ideia da precisão como foi estimada a média, quanto menor o erro melhor a estimativa da média. Experimento: Preliminar (objetivo de lançar novo cultivo, nunca testado – laboratório), critico (realizar uma crítica de um experimento – área maior e trabalhar com blocos), demonstrativo (objeto de demonstrar um fato dentro de um cultivo já existente – campo, fazendas) Princípios Básicos da experimentação Princípio da Repetição (r): Número de vezes que o tratamento aparece no experimento. Possibilita a estimação do erro experimental e melhora a precisão do experimento. De uso obrigatório. Princípio da Casualização: Distribuição aleatório do tratamento nas parcelas experimentais (sorteio), tem a finalidade de distribuição independente do erro experimental. De uso obrigatório; Proporciona a todos os tratamentos a mesma probabilidade de serem designados a qualquer uma das parcelas; Evita que um ou mais tratamentos seja sistematicamente favorecido ou prejudicado por algum fator. Princípio do Controle Local: Distribui os tratamentos no campo em áreas homogêneas, ou seja, subáreas chamadas blocos. Tem a função de dividir um ambiente heterogêneo em subambientes homogêneos. Tornando assim o experimento mais eficiente, ao reduzir o erro experimental. Controle do ambiente em que se está implementando o experimento. Não é obrigatório (utilizado no DBC e DQL). Delineamento Experimental Plano utilizado para realizar o experimento (maneira como os diferentes tratamentos serão distribuídos nas parcelas experimentais). Projeto de planejamento e condução de um experimento (planejamento, implementação, obtenção de dados e avaliação). Delineamento Inteiramente Casualizado (DiC) (menos preciso): ferramenta estatística para avaliar dados estatísticos observados a partir de um experimento para aceitar ou rejeitar uma hipótese. Objetivo: permite a estimativa do erro experimental, contribui para aumentar a precisão dos experimentos e fornece informações para determinar o procedimento mais apropriado para proceder os testes de significância. Vantagens: Pode usar qualquer número de tratamentos ou repetições (não precisa ser o mesmo), número de repetições pode varias de um tratamento para outro, ANOVA (nos de variância) mais simples, número de graus de liberdade (medida de possibilidades de combinações ao acaso) para o resíduo é maior possível. Desvantagens: exige homogeneidade TOTAL das condições experimentais, conduz a estimativas elevadas do erro experimental. Pressupostos: Efeitos aditivos (tratamentos são dependentes), erros são independentes nas distribuições dos tratamentos e repetições, desvio padrão é igual para todos. Princípios: Casualização e repetição Sequência: Croqui (homogêneo) – Sorteio (casualização) – Repetição dos tratamentos – Coleta dos dados e Tabulação – ANOVA (Teste de significância). Hipóteses Básicas: quando de instala um experimento no DiC, o objetivo é verificar se existe diferença significativa entre pelo menos duas médias de tratamentos. As hipóteses testadas são: : µ1=µ2=...=µa → : µi ≠ µj pelo menos duas médias de tratamento diferem entre si. → A análise de variância (testar hipóteses) só é válida se forem satisfeitas as seguintes condições: Aditividade: efeitos devem se somar (não há interação). Independência: os erros devem ser independentes. Normalidade: os erros devem possuir uma distribuição normal Homogeneidade de variância: os erros devem possuir uma variância comum, ou seja, a variabilidade das repetições de um tratamento deve ser semelhante às dos outros tratamentos. Homogeneidade de Erros Heterogeneidade Irregular: ocorre quando certos tratamentos apresentam maior variabilidade que outros. (experimentos com inseticidas). Heterogeneidade Regular: ocorre devido à falta de normalidade dos dados experimentais. Delineamento em Blocos ao Acaso (DBC): ferramenta estatística utilizada através de dados matemáticos para avaliar dados experimentais obtidos através da colheita para se obter dados experimentais validos e objetivos. Objetivo: permite a estimativa do erro experimental, contribui para aumentar a precisão dos experimentos e fornece informações para determinar o procedimento mais apropriado para proceder os testes de significância. Vantagens: Perda de 1 ou mais blocos não dificulta a estatística, conduz a um menos erro experimental (em relação ao DiC), análise estatística simples, permite utilizar qualquer número de tratamentos e blocos, controla a heterogeneidade do ambiente. Desvantagens: Exige correção de parcelas perdidas através de formulas, o controle local e utilizado com pouca precisão, redução do número de graus de liberdade do resíduo. Princípios: Casualização, repetição e controle local Sequência: Croqui (homogêneo) – Sorteio (casualização) – Repetição dos tratamentos – Coleta dos dados e Tabulação – ANOVA (Teste de significância). Delineamento em Quadrado Latino (DQL) (mais preciso): ferramenta estatística para avaliação de experimentos agrícolas (dados recolhidos) – rejeitar ou aceitar uma hipótese. Objetivo: permite a estimativa do erro experimental, contribui para aumentar a precisão dos experimentos e fornece informações para determinar o procedimento mais apropriado para proceder os testes de significância. Vantagens: conduz menor erro experimental, controle local utilizado com alta precisão, controle da heterogeneidade do ambiente. Desvantagens: ANOVA mais demorada, número de tratamentos tem de ser igual ao número de repetições, os quadrados devem estar localizados na mesma área experimental, número de graus de liberdade do resíduo é reduzido. Princípios: Casualização, repetição e controle local (mais aprimorado). Sequência: Croqui (homogêneo) – Sorteio (casualização) – Repetição dos tratamentos – Coleta dos dados e Tabulação – ANOVA (Teste de significância). Testes de Hipótese Hipótese Nula (): é uma hipótese estatística que contém uma afirmação de igualdade, tal como: ≤, = ou ≥ Hipótese Alternativa (): é o complemento da hipótese nula. É a afirmação que deve ser verdadeira se for falsa e contem uma afirmação de desigualdade estrita, tal como: <, ≠ ou >. Testes bilaterais ou bicaudais : uso dos símbolos = ou ≠. Testes Unilaterais ou unicaudais: uso dos símbolos <, > Teste de Significância p-value < α – rejeita p-value > α – aceita Tipos de Erros Erro Tipo I (probabilidade α) – rejeitar o quando ele é verdadeiro Erro Tipo II (probabilidade β) – aceitar o quando ele é falso Nível de significância (α) (de 1% a 10% de probabilidade): porcentagem do erro experimental, porcentagem máxima permissível para cometer o Erro Tipo I – Constante tabelada para saber se o erro foi alto para aceitar ou rejeitar uma hipótese. β = probabilidade de cometer o Erro Tipo II. Poder do Teste = (1-β)Nível Descritivo (p-valor): probabilidade de significância (se p-valor é muito pequeno, conclui-se que é falso). Se p-valor ≤ α, p-valor baixo – rejeita-se . Se p-valor ≥ α, p-valor alto – aceita-se . PASSO A PASSO – TESTE DE HIPOTESE Escrever a hipótese nula () e hipótese alternativa () – : ≤, = ou ≥ / : <, ≠ ou > Calcular o valor observado (, ) Faça gráfico da sua distribuição. De acordo com a marque a região critica (RC). Calcular valor crítico, que varia de acordo com α e a região crítica (RC). Marcar o valor observado no gráfico Concluir Teste: Se valor observado RC – rejeita-se . Se valor observado RC – aceita-se . Interpretar resultados da conclusão. Tipos de Teste de Hipótese Teste para média com variância conhecida – média amostral; µ – média populacional testada; – desvio padrão n – tamanho da amostra. Teste para média com variância desconhecida – média amostral; µ – média populacional testada; – desvio padrão n – tamanho da amostra. Teste para proporção p (proporção de sucesso) / q (proporção de fracasso – usar quando: n*p ≥ 5 ou n*q ≥ 5 – proporção amostral; p – proporção populacional; n – tamanho da amostra.
Compartilhar