Baixe o app para aproveitar ainda mais
Prévia do material em texto
1. PARCELA PERDIDA Muitas vezes, ocorre o fato de chegarmos ao final do experimento e não conseguirmos obter o valor observado em uma ou mais parcelas do experimento. Quando isto ocorre, temos o que denominamos de parcelas perdidas. Existem várias explicações para a ocorrência de parcelas perdidas num experimento, dentre as quais citamos: a) morte da maioria das plantas responsáveis pela parcela; b) falha do experimentador na coleta dos dados (por exemplo, inclui a produção da bordadura na da área útil da parcela); c) extravio da ficha onde estão anotados os dados da parcela; d) a parcela apresenta um valor muito discrepante dos demais e não é considerado para efeito de analise; e) a parcela apresenta um valor duvidoso. 1.1. PARCELA PERDIDA EM DBC No caso do delineamento em blocos casualizados com uma parcela perdida, para podermos efetuar a analise de variância, devemos inicialmente calcular uma estimativa da parcela perdida, que vai nos possibilitar a execução da aná1ise do experimento. A perda de uma parcela em DBC é estimada através do método dos mínimos quadrados, pela seguinte fórmula: X = )1()1( JI GJBIT , onde: I = numero de tratamentos do experimento; T = total das parcelas existentes no tratamento que teve a parcela perdida; J = numero de blocos do experimento; B = total das parcelas existentes no bloco que teve a parcela perdida; G’ = total de todas as parcelas existentes no experimento. Obtida a estimativa da parcela perdida, completamos o quadro de valores observados e calculamos as somas de quadrados da maneira usual, como se não houvesse parcela perdida. Ao montar o quadro de analise de variância do experimento, devemos lembrar que a parcela perdida foi estimada, o que acarreta a perda de um grau de liberdade para o total e, conseqüentemente, para o resíduo. Portanto, o esquema de analise de variância de um experimento em blocos casualizados com I tratamentos, J repetições e uma parcela perdida será: 1 CAUSA DA VARIAÇÃO G.L. TRATAMENTOS Nº TRAT - 1 BLOCOS Nº BLOC - 1 RESÍDUO (ERRO) DIF. TOTAL T – 2 Exemplo: Cinco provadores de cerveja fizeram um teste de sabor para 3 marcas conhecidas. Os resultados obtidos foram: MARCA DE CERVEJA PROVADORES BAMBA ESCORIA ANÁRQUICA TOTAL TOTAL O provador______________não se sentiu bem e por isso não avaliou a cerveja escoria Pergunta-se: existe diferença nos sabores das 3 marcas de cerveja? 1º Passo: calculo da parcela perdida através da fórmula: X = )1()1( JI GJBIT 2º Passo: Coloca-se a estimativa da parcela perdida no quadro de resultados e refaz o somatório dos tratamentos e dos blocos; 3º Passo: Calcula-se as somas de quadrados de maneira usual; SQTotal = 2 - 2 N SQ Trat’s = 1/r T²i – C 2 SQ Blocos = 1/n B²i – C 4º Passo: Calcula-se a anava de maneira usual. F.V. G.L. S.Q.. Q.M. Fc Ft TRATAMENTOS BLOCOS ERRO TOTAL 5º Passo: Conclusões da ANAVA 1.2. PARCELA PERDIDA EM DIC Quando temos 1 parcela perdida em delineamento inteiramente casualizado não é necessário estimar a parcela, pois as condições experimentais são tidas como homogêneas, porém deve-se levar em conta a perda de 1 grau de liberdade para o total, e que determinado tratamento terá um número menor de repetição. Exemplo: Um DIC foi instalado para testar o efeito da época de aplicação de fungicida no controle da ferrugem do cafeeiro. Cada parcela útil era composta por 4 plantas e a partir de cada uma delas se determinou o número médio de pústulas obtido a partir de 10 folhas por planta. ÉPOCA S O N D J TEST 2,4 2,5 2,4 2,8 8,5 4,9 1,8 1,7 4,6 3,3 7,8 5,3 2,6 1,9 3,3 3,1 6,5 5,2 2,2 2,8 2,7 3,2 X 6,1 TOTAL Pede-se fazer a anava e tirar as conclusões de interesse. 1º Passo: Calcula-se as somas de quadrados de maneira usual; SQTotal = 2 - 2 N 3 SQ Trat’s = 1/r T²i – C 2º Passo: Calcula-se a anava de maneira usual. F.V. G.L. S.Q. Q.M. Fc Ft TRATAMENTOS ERRO TOTAL 3º Passo: Conclusões da anava: EXERCÍCIOS: PARCELA PERDIDA EM D.B.C. 1. Num experimento de competição de variedades de cana-de-açúcar foram obtidos os seguintes dados referentes a produção em t/ha. VARIEDADES 1 2 3 4 TOTAIS 1 - CB 50-70 135 148 133 149 2 - CB 50-72 X 142 142 142 3 - CB 50-76 95 110 94 110 4 - CB 50-80 124 130 100 140 5 - CB 50-84 139 142 133 147 TOTAIS Pede-se: a) Estimar a parcela perdida b) Fazer a ANAVA e tirar as conclusões de interesse. 2. Em um experimento para comparar a produção de quatro variedades de alho foi utilizado o D.B.C com 4 repetições. Os dados em Kg/parcela são apresentados no quadro seguinte: VARIEDADES I II III TOTAL AMARANTE 23,19 20,13 24,52 GIGANTE LAVÍNIA 21,90 24,56 27,13 QUITÉRIA 26,27 X 24,15 CHONAN 21,32 27,58 36,05 TOTAL Pede-se: a) Estimar a parcela perdida b) Fazer a ANAVA e tirar as conclusões de interesse. 2. NOÇÕES DE CONTRASTE, CONCEITOS DE COVARIÂNCIA E ORTOGONALIDADE 4 Os testes de comparações múltiplas, ou testes de comparações de médias, servem como um complemento do teste de “F”, para detectar diferenças entre os tratamentos, o teste de TUKEY é um deles, porém existem outros, e para sua melhor compreensão é necessário o conhecimento de alguns conceitos. 2.1 CONTRASTE DE MÉDIAS Se tivermos a seguinte função linear: Y = f (x) = a1x1 + a2x2 + ...+ anxn E verificarmos que: ai = a1 + a2 + ...+ an = 0 Dizemos que Y é um contraste nas variáveis x Por exemplo: Y = x1 + x2 – x3 – x4. Y é um contraste, pois temos: a1 = 1, a2 = 1, a3 = 1 e a4 = 1, e temos: 1 + 1 + ( 1) + ( 1) = 0 Se, as variáveis x forem médias, teremos um contraste de médias. Suponha 4 tratamentos, cujas médias verdadeiras são: M1, M2, M3, M4, as seguintes relações constituem contraste de médias: Y1 = M1 – M2 Y2 = M1 + M2 – 2M3 Y3 = M1 + M2 + M3 – 3M4 Fica claro que o número de contrastes que podemos formar com grupos de médias é grande, e numa análise estatística formamos aqueles que realmente são de interesse da pesquisa. Quando temos as estimativas das médias, obtemos também as estimativas dos contrastes, e representamos por: Ŷ c 1 m̂ 1 + c 2 m̂ 2 + . . . + c n m̂ n , onde: c i = 0 2.3 CONTRASTES ORTOGONAIS 5 A ortogonalidade entre dois contrastes indica uma independência entre eles, isto é, a variação de um é completamente independente da variação do outro. Os contrastes são ortogonais quando o somatório dos coeficientes de cada média em cada contraste é igual a zero. Considerando o exemplo temos: Y M1 M2 M3 M4 Y1 Y2 Y3 Dizemos então que os contrastes Y1, Y2 e Y3 são ortogonais entre si. Considerando os seguintes contrastes: Y1 = M1 + M2 – M3 – M4 Y2 = M2 M3 Temos: Y M1 M2 M3 M4 Y1 Y2 Dizemos que os contrastes Y1 e Y2 não são ortogonais entre si. 2.4 COVARIÂNCIA DE DOIS CONTRASTES A covariância, ou variância da estimativa de um contraste, quando as médias possuem o mesmo número de repetições, o que é mais freqüente em análise de variância, é dado por: Cov (Y 1, Ŷ 2) = (a1x1 + a2x2 + ...+ anxn) r s 2 Ou mais simplesmente: V ( Ŷ ) = r QMERRO 2ia , Onde ai indica os coeficientes dos contrastes envolvidos Exemplo: 6 As médias de produção de frutos de abacaxi (em t/ha), num estudo de consórcio na cultura do abacaxi foram as seguintes: 1 - abacaxi (0,90 x 0,30 m) monocultivo m1 = 53,5 t/ha 2 - abacaxi (0,80 x 0,30 m) monocultivo m2 = 56,5 t/ha 3 - abacaxi (0,80 x 0,30 m) + amendoim m3 = 62,0 t/ha 4 - abacaxi (0,80 x 0,30 m) + feijão m4 = 60,4 t/ha Verificando os tratamentos, temos que 2 são monocultivo e 2 são em consórcio. Interessa comparar esses 2 grupos de tratamentos, bem como comparar dentro de cada grupo. Os contrastes de médias que nos dão essas comparações são: Y1 = m1 + m2 - m3 - m4 Y2 = m1 - m2 Y3 = m3 - m4 As estimativas desses contrastes são: Ŷ 1 = m1 + m2 m3 m4 = Ŷ 2 = m1 m2 = Ŷ 3 = m3 m4 = Observamos que o contraste Ŷ 1 compara as médias do grupo de monocultivoe do grupo em consórcio, isto é: Ŷ 1 = 2 43 2 21 2 ˆ mmmmY E isto nos indica que o grupo monocultivo produz, em média, ____t/ha de frutos a menos que o grupo em consórcio. Para os outros temos: Ŷ 2 = O tratamento em monocultivo no espaçamento 0,90 x 0,30 m produz, em média, ____ t/ha a menos do que o abacaxi no espaçamento 0,90 x 0,30 m Ŷ 3 = O consorcio abacaxi + amendoim produz em média ___ t/ha. De frutos a mais que o consórcio abacaxi + feijão. 3. OUTROS TESTES ESTATÍSTICOS 3.1 Teste de SCHEFFÉ É utilizado para contrastes que envolvam grupos de médias. Para sua utilização, temos os seguintes passos: 7 1º) Escolha do contraste: Y = a1x1 + a2x2 + ...+ anxn 2º) Formulação das hipóteses: H0 : Y = 0 (o contraste é não significativo) H1 : Y 0 (o contraste é significativo) 3º) Calculo da estatística do teste: S = 2)1( iaR QMERRO fxI , onde: I = número de tratamentos do experimento; fx = valor de tabela (geralmente 5%) em função dos números de graus de liberdade de tratamentos e resíduo (erro) (tabela de F); R = Número de repetições do tratamento; 2 ia = Somatório dos coeficientes, ao quadrado, dos contrastes envolvidos. 4º) Estimativa do contraste: Y = a1y1 + a2y2 +...+ anyn 5º) Aplicação do teste: Se Y S H0 (aceita-se H0), Se Y S H1 (rejeita-se H0, e aceita-se H1) Um exemplo: Um experimento foi conduzido com a finalidade de se testar cultivares de arroz em solos sob vegetação de cerrado. As médias relativas à matéria seca total (em gramas) das cultivares analisadas estão apresentadas no quadro abaixo: CULTIVAR MÉDIAS A - IAC 64 2,28 B - IR 30 1,28 C - PRETO PRECOCE 2,21 D - CICA 1,21 A ANAVA foi: F.V. G.L. S.Q. Q.M. Fc Ft TRATAMENTOS 3 2,9934 0,9978 25,54 4,07 ERRO 8 0,3126 0,0391 TOTAL 11 3,3060 Quero comparar a cultivar IAC 64 com as demais. Aplicando o teste de Scheffé: 1º Escolha do contraste: 8 Ŷ = 3 x mA – mB – mC – mD 2º Formulação das hipóteses H0 mA = (mB + mC + mD)/3, ou seja: a produção média da cultivar IAC 64 é igual a produção média das outras três cultivares. HA mA (mB + mC + mD)/3, ou seja: a produção média da cultivar IAC 64 é diferente da produção média das outras três cultivares. 3º Calculo da estatística do teste: S = 2)1( iaR QMERRO fxI S = S = S S 4º Estimativa do contraste Ŷ = Ŷ = 5º Aplicação do teste: Como Ŷ > S = ____ Outro exemplo: Em um experimento de competição de adubos nitrogenados para o abacaxizeiro, foram utilizados 6 tratamentos (5 adubos e 1 testemunha) e 4 repetições, no delineamento em blocos casualizados. Os tratamentos utilizados, com as respectivas médias de produção, em Kg/ parcela foram: TRATAMENTOS MÉDIAS 1 – Testemunha 21,57 2 – Sulfato de amônio 27,76 3 – Salitre do Chile 24,58 4 – Uréia 28,44 5 – Nitrocalcio de Cubatão 28,85 6 – Nitrocalcio de Cubatão + enxofre 28,30 Dados: Q.M. ERRO = 0,64, G.L. ERRO = 15 Pede-se: Verificar pelo teste de Scheffé se existe diferença, ao nível de 5% de probabilidade, entre o Nitrocálcio de Cubatão (com e sem enxofre) e os demais adubos nitrogenados. 9 1º Escolha do contraste: Ŷ = 2º Formulação das hipóteses H0 HA 3º Calculo da estatística do teste: S = 2)1( iaR QMERRO fxI S = S = S = S = 4º Estimativa do contraste Ŷ = Ŷ = Ŷ = Ŷ = 5º Aplicação do teste: Como Ŷ = 10 3.2 Teste “t” de STUDENT O teste de “t” serve para comparar médias, ou grupos de médias. Geralmente o interesse é verificar se a estimativa do contraste difere significativamente de zero. (valor que deveria assumir se a hipótese H0 fosse verdadeira). Outra aplicação do teste é comparar a estimativa do contraste com um valor arbitrário. Em qualquer das aplicações, o valor da estatística “t” deve ser comparado (em valor absoluto) com os valores críticos de “t”, tabelados em função do número de graus de liberdade (G.L.) associado à variância e do nível de significância do teste. A estatística “t” é dado pela seguinte fórmula: t = )ˆ(ˆ 0ˆ YV Y , onde: Ŷ = é o contraste de interesse; )ˆ(ˆ YV = r QMERRO . 2ia , onde cada 2ia indica os coeficientes dos contrastes envolvidos. Exemplo: Considere o exemplo anterior (competição de adubos nitrogenados) Pede-se : Verificar, pelo teste de “t”, se os adubos nitrogenados possuem efeito na produção do abacaxizeiro. O contraste que nos permite fazer essa comparação é: Ŷ =______________________________________________________, e a sua estimativa é: Ŷ = ______________________________________________________ Ŷ =______.Kg/parcela. Isto indica que os adubos nitrogenados proporcionam, em média um aumento de produção de _____Kg/parcela ( Ŷ /5) em relação a testemunha. Calculo da estatística “t” t = 2 0ˆ iaR QMERRO Y t = t = t = 11 t = Na tabela de “t” temos para 15 G.L. do Erro = 2,13 (5%) Como a estatística “t” (calculada) supera (em valor absoluto) o valor crítico ao nível de 5% de probabilidade, concluímos que o contraste é significativo, ou seja, existe uma probabilidade superior a 95% que os adubos nitrogenados proporcionem um aumento médio de _____ kg/parcela na produção do abacaxizeiro, quando comparados com a testemunha. 3.3 Teste de DUNCAN O teste de DUNCAN fornece resultados mais discriminados que os do teste de TUKEY. Sendo menos rigoroso que ele, porém de aplicação mais trabalhosa. A diferença fundamental está na obtenção da estatística do teste, enquanto o teste de TUKEY tem apenas uma DMS, o teste de DUNCAN tem várias, ou seja uma para cada número de médias abrangidas pelo contraste. A estatística do teste é dada por: Dn = Zn d QMERRO , onde: Zn = É a amplitude total estudentizada cujo valor é encontrado em tabela, em função do número de médias abrangidas pelo contraste (i) e do número de graus de liberdade do erro. Para aplicação do teste as médias devem ser colocadas em ordem decrescente. Exemplo: Considere o exemplo anterior (competição de adubos nitrogenados) As médias devem estar em ordem decrescente, então: TRATAMENTOS MÉDIAS 5 – Nitrocalcio de Cubatão 28,85 4 – Uréia 28,44 6 – Nitrocalcio de Cubatão + enxofre 28,30 2 – Sulfato de amônio 27,76 3 – Salitre do Chile 24,58 12 1 – Testemunha 21,57 1º Contraste que abrange 6 médias Ŷ 1 = M5 – M1 28,85 21,57 = 7,28 Kg/parcela. Para testar o contraste calculamos: D6 = Z6 4 64,0 Z6 (5%) (6 médias e 15 G.L. Erro) = 3,36 D6 = 3,36 16,0 D6 = 1,34 Kg/ parcela Como Ŷ 1 D6, O contraste é significativo, rejeitamos H0 e concluímos que M5 M1 2º Contraste que abrange 5 médias Ŷ 2 = Ŷ 3 = Para testar os contrastes Ŷ 2 e Ŷ 3 calculamos: D5 = Z5 4 64,0 Z5 (5%) (5 médias e 15 G.L. Erro) = _____ D5 = ____ 16,0 D5 = ____ Kg/ parcela Como Ŷ 2 Como Ŷ 3 3º Contraste que abrange 4 médias Ŷ 4 = Ŷ 5 = Ŷ 6 = Para testar os contrastes Ŷ 4, Ŷ 5 e Ŷ 6 calculamos: D4 = Z4 4 64,0 Z4 (5%) (4 médias e 15 G.L. Erro) = ____ D4 = ____ 16,0 D4 = ____ Kg/ parcela Como Ŷ 4 13 Como Ŷ 5 Como Ŷ 6 4º Contraste que abrange 3 médias Ŷ 7 = Ŷ 8 = Para testar os contrastes Ŷ 7 e Ŷ 8 calculamos: D3 = Z3 4 64,0 Z3 (5%) (3 médias e 15 G.L. Erro) = ____ D3 = ____ 16,0 D3 = ____ Kg/ parcela Como Ŷ 7 Como Ŷ 8 5º Contraste que abrange 2 médias Ŷ 9 = Ŷ 10 = Para testar os contrastes Ŷ 9 e Ŷ 10 calculamos: D2 = Z2 4 64,0 Z2 (5%) (2 médias e 15 G.L. Erro) = ____ D2 = ____ 16,0 D2 = ____ Kg/ parcela Como Ŷ 9 Como Ŷ 10 Em resumo temos: TRATAMENTOS MÉDIAS 5 – Nitrocalcio de Cubatão 28,85 4 – Uréia 28,44 6 – Nitrocalcio de Cubatão + enxofre 28,30 2 – Sulfato de amônio 27,76 3 – Salitre do Chile 24,58 1 – Testemunha 21,57 Médias ligadas por uma barra não diferem entre si pelo teste de DUNCAM ao nível de 5% de probabilidade. OBSERVAÇÃO: 14 Nesteexemplo o teste de DUNCAN apresentou resultados iguais aos do teste de TUKEY, o que nem sempre ocorre, pois freqüentemente o teste de DUNCAN acusa diferenças significativas entre médias que não diferiram pelo teste de TUKEY. EXERCÍCIOS: TESTES DE SCHEFFÉ, t DE STUDENT e DUNCAN. 1. Foram comparadas diferentes fontes de Nitrogênio em um ensaio segundo o delineamento inteiramente casualizado com 3 repetições na cultura do repolho. Os dados seguintes referem-se as produções em Kg por 10 m² REPETIÇÕES TRATAMENTOS I II III Nitrocálcio dose 1 70,3 64,3 79,0 Nitrocálcio dose 2 81,0 75,1 71,3 Sulfato de Amônia 75,5 63,0 65,4 Nitrato de Cálcio 85,2 80,5 83,6 Testemunha 35,7 39,6 45,5 Pede-se:] a) Apresente a análise de variância e tire as conclusões de interesse b) Monte um grupo de contrastes ortogonais de interesse prático e aplique um teste adequado. c) Responda através de um teste adequado se a adubação nitrogenada na cultura do repolho é significativa. 2. Um experimento foi realizado com o objetivo de avaliar os efeitos de 5 tratamentos em relação ao crescimento de mudas de Pinus scarpa, 60 dias após a semeadura. O ensaio foi executado num viveiro onde havia uma grande homogeneidade nas condições experimentais. Optou-se por um delineamento inteiramente casualizado com 4 repetições. Os tratamentos utilizados foram os seguintes: A - Solo de cerrado (SC) B - Solo de cerrado + esterco (SC + E) C - Solo de cerrado + esterco + NPK (SC + E + NPK) D - Solo de cerrado + vermiculita (SC + V) E - Solo de cerrado + vermiculita + NPK (SC + V + NPK) Os resultados obtidos para as alturas médias de plantas, em cm, foram: REPETIÇÕES TRATAMENTOS 1 2 3 4 TOTAIS 15 SC 6,0 5,5 5,2 4,5 21,2 SC + E 7,1 7,3 6,7 6,1 27,2 SC + E + NPK 6,8 6,6 7,2 5,8 26,4 SC + V 5,0 5,8 5,7 5,9 22,4 SC + V + NPK 6,5 6,7 6,7 5,7 25,6 A) Faça a ANAVA e interprete-a B) Aplique o teste de Duncan e interprete C) Teste um contraste de interesse usando Scheffé. 4. EXPERIMENTOS FATORIAIS Nos experimentos mais simples comparamos tratamentos de apenas um tipo ou fator, permanecendo os demais fatores constantes. Assim, nesses experimentos, quando comparamos inseticidas, todos os demais fatores, como, por exemplo: variedades, adubações, tratos culturais etc., devem ser mantidos constantes, isto é, devem ser os mesmos para todos os inseticidas estudados. Entretanto, existem casos em que vários fatores devem ser estudados simultaneamente para que possam nos conduzir a resultados de interesse. Para tanto, nos utilizamos dos experimentos fatoriais, que são aqueles nos quais são estudados, ao mesmo tempo, os efeitos de dois ou mais tipos de tratamentos ou fatores. Cada subdivisão de um fator é denominada de nível do fator e os tratamentos nos experimentos fatoriais consistem de todas as combinações possíveis entre os diversos fatores nos seus diferentes níveis. Por exemplo, podemos, em um experimento fatorial, combinar 2 variedades de cana-de-açúcar, com 3 diferentes herbicidas. Então, teremos um fatorial 2x3, com os fatores: Variedades (V) e Herbicidas (H), sendo que o fator Variedades ocorre em 2 níveis (V1 e V2), o fator Herbicidas ocorre em 3 níveis (H1, H2 e H3) e os 6 tratamentos são: Outro exemplo: Podemos, num experimento fatorial 3x3x2, combinar 3 Variedades (V1, V2 e V3), 3 Adubações (A1, A2 e A3) e 2 Épocas de plantio (E1 e E2) e teremos 18 tratamentos, que são todas as combinações possíveis dos 3 fatores em seus diferentes níveis. Os 18 tratamentos são: 16 Os experimentos fatoriais não constituem um delineamento experimental, e sim um esquema orientado de desdobramento de graus de liberdade de tratamentos e podem ser instalados em qualquer dos delineamentos experimentais. Os experimentos fatoriais nos permitem tirar conclusões mais amplas. Assim, se num experimento fatorial competirmos diversos adubos para uma cultura e diversos espaçamentos de plantio, podemos estudar o comportamento dos adubos, dos espaçamentos e ainda, se o comportamento dos adubos, quando associados a um determinado espaçamento de plantio, se altera se for associado aos outros espaçamentos (ou, se o comportamento dos espaçamentos de plantio, quando associados a um determinado adubo, se altera se for associado aos outros adubos). Nos experimentos fatoriais, após uma análise de variância preliminar, de acordo com o delineamento adotado, procedemos ao desdobramento dos graus de liberdade de tratamentos, isolando os efeitos principais dos fatores e os efeitos das interações entre os fatores. As principais vantagens dos experimentos fatoriais em relação aos experimentos simples são: A) Permitem estudar os efeitos simples e principais dos fatores e os efeitos das interações entre eles; B) Todas as parcelas são utilizadas no cálculo dos efeitos principais dos fatores e dos efeitos das interações, razão pela qual o número de repetições é elevado. As principais desvantagens dos experimentos fatoriais são: A) Sendo os tratamentos constituídos por todas as com binações possíveis entre os níveis dos diversos fatores, o número de tratamentos aumenta muito e, muitas vezes, não podemos distribuí-los em blocos casualizados, devido à exigência de homogeneidade das parcelas dentro de cada bloco. Isto nos obriga a utilizar a técnica do confundimento e a trabalhar com blocos incompletos equilibrados, o que leva a algumas complicações na análise estatística; B) A análise estatística é mais trabalhosa que nos experimentos simples e a interpretação dos resultados se torna mais difícil à medida que aumentamos o número de níveis e de fatores no experimento. 4.1 ANÁLISE DE VARIÂNCIA: O esquema da ANAVA, para o caso de DBC fica: F.V. G.L. S.Q. Q.M. Fc BLOCOS B – 1 SQB QMB QMB/QME 1º FATOR 1º F – 1 SQF1 QMF1 QMF1/QME 2º FATOR 2º F – 1 SQF2 QMF2 QMF2/QME INTERAÇÃO (1ºF – 1).(2ºF – 1) SQI QMI QMI/QME 17 ERRO SQE QME TOTAL TOTAL – 1 Exemplo: Um experimento fatorial 2X3, com 2 níveis de calagem (C1 e C2) e 3 níveis de adubação (A1, A2 e A3) teria os seguintes tratamentos: E poderia ter a seguinte casualização, se fosse instalado em 4 blocos ao acaso: 1º B 2º B 3º B 4º B O esquema da ANAVA preliminar seria: F.V. G.L. TRATAMENTOS BLOCOS ERRO TOTAL Os graus de liberdade de tratamentos devem ser desdobrados de acordo com o esquema fatorial 2X3, ficando: Calagem (C) = Tratamentos = 5 G.L. Adubação (A) = Interação (CxA) = O esquema de análise de variância, com desdobramento dos graus de liberdade de tratamentos, de acordo com o esquema fatorial 2X3 fica: F.V. G.L. (TRATAMENTOS) BLOCOS ERRO CALAGEM (C) ADUBAÇÃO (A) INTERAÇÃO (CXA) TOTAL 18 4.2 INTERAÇÃO ENTRE FATORES: A interação mede a dependência entre os dois ou mais fatores em estudo, e podemos ter: Interação não significativa, e Interação significativa. 4.2.1 Interação não significativa Quando o comportamento de um fator é semelhante para todos os níveis do outro fator, dizemos que a interação não é significativa, isto é, os dois fatores agem independentemente. Exemplo: Considere que temos dois fatores A e B, sendo que o fator A ocorre em dois níveis (0 e 1), e o fator B ocorre em três níveis (0, 1 e 2), temos o seguinte quadro de interação: 0 1 2 0 1 Observa-se claramente que o comportamento do fator B é o mesmo para os dois níveis de A; da mesma forma o comportamento de A é o mesmo para os três níveis de B. Representando graficamente, temos: Observa-se que há uma tendência das retas serem paralelas quando a interação não é significativa. 4.2.2 Interação significativa Quando o comportamento de um fator varia dependendo do nível do outro fator, dizemos que a interação é significativa, isto é, os dois fatores são dependentes. Considere o exemplo anterior com os seguintes valores: 0 1 2 0 1 19 FATOR A FATOR B 0 10 20 30 40 50 60 70 0 10 20 FATOR B FATOR A Neste caso o comportamento do fator B para o nível 0 do fator A; é diferente do comportamento para o nível 1 de A. Representandograficamente, temos: Neste caso as retas não são paralelas e inclusive, geralmente, se cruzam. Considere ainda o exemplo anterior, agora com os seguintes valores: 0 1 2 0 1 Neste caso vemos que o efeito do fator B para o nível 0 do fator A; é menor do que o efeito de B para o nível 1 do fator A. Representando graficamente, temos: Neste caso a tendência das retas são de se afastarem entre si. A) EXEMPLO DE FATORIAL COM INTERAÇÃO NÃO SIGNIFICATIVA: Um experimento em blocos ao acaso foi conduzido com a finalidade de se estudar o efeito do cycocel no desenvolvimento de duas cultivares de arroz. Os dados obtidos para altura das plantas na época da maturação dos grãos foram: 20 0 10 20 30 40 50 60 70 0 10 20 FATOR B FATOR A 0 10 20 30 40 50 60 70 80 0 10 20 TRATAMENTOS BLOCOS IAC 25 IAC 47 TOTAL 0 50 100 150 0 50 100 150 I 88,0 81,9 71,4 75,8 75,4 70,9 64,6 68,3 596,3 II 85,5 77,6 74,6 72,6 78,7 73,4 66,2 69,5 597,1 III 80,0 81,3 73,2 72,3 78,5 72,8 66,1 69,1 593,3 TOTAL 253,5 240,8 219,2 220,7 232,6 217,1 196,9 206,9 1787,7 SQTotal = SQTrat’s = SQBlocos = O quadro de ANAVA preliminar fica: F.V. G.L. S.Q. Q.M. Fc Ft Trat’s Blocos Erro Total Como podemos observar o teste de F deu resultado altamente significativo para tratamentos, porém este resultado é de pouco interesse, pois não se sabe para cada cultivar de arroz qual a dosagem de cycocel é recomendada. Devemos então isolar essas dosagem para cada cultivar, o que é feito montando-se o quadro de interação, da seguinte maneira: 21 0 50 100 150 IAC 25 IAC 47 Calculamos, então, as somas de quadrado de doses, cultivares e da interação entre as doses e as cultivares. SQCultivar = SQDoses = SQ Cult. X Doses = Com as somas de quadrados montamos o novo quadro de ANAVA, que fica: F.V. G.L. S.Q. Q.M. Fc Ft (Trat’s) Blocos Erro Cultivar Doses C x D Total Vemos então que a cultivar IAC apresenta plantas mais altas independente da dosagem de cycocel. Para se verificar qual a melhor dose de cycocel há necessidade de aplicar um teste de médias, no caso, vamos aplicar o teste de Tukey. DMS = q . d QMerro DMS = 22DOSES CULTIVAR DOSES médias Letras As médias seguidas de mesma letra não diferem entre si pelo teste de Tukey ao nível de 5% de significância. B) EXEMPLO DE FATORIAL COM INTERAÇÃO SIGNIFICATIVA: Considere o mesmo exemplo anterior, porém com os dados obtidos em relação à produção de grãos (g/vaso) TRATAMENTOS IAC 25 IAC 47 BLOCOS 0 50 100 150 0 50 100 150 I 7,25 7,45 9,70 9,15 5,10 6,30 4,45 8,10 57,50 II 6,40 6,90 9,10 8,30 4,20 5,10 6,05 7,65 53,70 III 6,00 7,40 9,85 8,20 2,70 4,74 6,15 7,11 52,15 TOTAL 19,65 21,75 28,65 25,65 12,00 16,14 16,65 22,86 163,35 Completar: EXERCÍCIOS: EXPERIMENTOS FATORIAIS 1. Um experimento fatorial 3x2 de adubação PK em cana-de-açúcar foi instalado para avaliar a sua produção. Os dados de produção, em t/ha, foram os seguintes: 23 TRAT’S BLOCO I BLOCO II BLOCO III BLOCO IV TOTAL 00 46,2 77,3 54,5 63,2 241,20 01 61,8 59,9 60,8 61,9 244,40 02 46,9 55,6 59,3 53,4 215,20 10 54,9 64,9 59,1 57,8 236,70 11 58,6 74,6 71,3 68,6 273,1 12 61,0 72,6 63,8 65,3 262,7 20 67,4 77,8 68,8 70,8 284,8 21 72,8 76,0 68,6 73,6 291,0 22 66,0 89,0 51,5 75,7 282,2 TOTAL 541,6 648,8 556,6 590,8 2337,8 As doses de nutrientes empregadas foram: N = 70 Kg/ha, sendo 1/3 no plantio e 2/3 em cobertura; P = 0 – 75 – 150 Kg/ha, no plantio; K = 0 – 75 – 150 Kg/ha, no plantio; Tire todas as conclusões de interesse 2. Considere o experimento onde são comparados 2 variedades de aveia e 4 tratamentos de sementes (3 produtos químicos e testemunha não tratada) quanto ao efeito sobre a produção (g/parcela). As variedades utilizadas foram: V1 = Vicland infectada com H. victoriae, V2 = Vicland não infectada Os tratamentos de sementes foram: T1 = Testemunha (não tratada) T2 Ceresan M T3 Panogen T4 Agrox VARIEDADES TRAT. SEMENTES BLOCOS TOTAIS 1 2 3 4 1 42,9 41,6 28,9 30,8 144,2 V1 2 53,8 58,5 43,9 46,3 202,5 3 49,5 53,8 40,7 39,4 183,4 4 44,4 41,8 28,3 34,7 149,2 1 53,3 69,6 45,4 35,1 203,4 V2 2 57,6 69,6 42,4 51,9 221,5 3 59,8 65,8 41,4 45,4 212,4 4 64,1 57,4 44,1 51,6 217,2 TOTAIS Tire as conclusões de interesse. 5. EXPERIMENTOS EM PARCELAS SUBDIVIDIDAS Os experimentos em esquema fatorial geralmente recebem críticas quanto ao fato de não tornarem prática a instalação de determinado tipo de tratamento como por exemplo: sistema de irrigação e densidade 24 de plantio, cultivares e adubação, cultivares e espaçamento adubação, raças e doses de vermífugo, tipos de rações e raças etc. Para exemplificar melhor, considere um experimento para comparar 2 variedades (A e B)e 3 níveis de irrigação (0,1 e 2). Instalando este experimento em blocos ao acaso no esquema fatorial poderíamos ter no 1º bloco o seguinte: É obvio que a instalação deste experimento não seria prática. Se tivéssemos mais variedades e/ou mais níveis de água o problema seria mais grave. Uma opção para resolver o problema seria a seguinte; inicialmente sorteamos o fator que torna difícil a instalação no esquema fatorial (irrigação), assim: A seguir sorteamos dentro de cada parcela o outro fator (variedades). Desta forma teremos no 1º bloco: O que fazemos neste caso é simplesmente subdividir a parcela em subparcelas e nesta utilizar outro fator. Qualquer que seja o caso, devemos colocar nas subparcelas aquele fator mais importante ou no qual estejamos mais interessados. 5.1 ESQUEMA GERAL DA ANÁLISE DE VARIÂNCIA Para o caso mais comum relativo ao modelo quando temos “A” tratamentos nas parcelas e “B” tratamentos nas subparcelas e “r” repetições, a análise de variância fica: F.V. G.L. S.Q. Q.M. Fc BLOCOS r – 1 SQB - - TRAT. A A – 1 SQT A QMT A QMT A / QME A ERRO A (A – 1) (r – 1) SQE A QME A PARCELAS A.r 1 SQ PARC. TRAT. B B – 1 SQT B QMT B QMT B / QME B A x B (A – 1) (B – 1) SQ AxB QMAxB QMAxB / QME B ERRO B A (B – 1) (r – 1) SQE B QME B SUB PARCELAS A B r – 1 Uma característica importante deste esquema é a existência de dois erros (QME A e QME B) e geralmente o QME B é menor que QME A pelo seguinte: 1. O tratamento que vai nas subparcelas é repetido maior número de vezes originando maior número de graus de liberdade para o Erro B, o que implica em que ele seja menor. 2. O que mede o Erro A é a variação entre parcelas enquanto que o Erro B é proveniente das 25 variações entre subparcelas. Como se espera que as subparcelae destro das parcelas variem menos do que as parcelas dentro dos blocos normalmente QME B < QME A. Exemplo: Um experimento em blocos ao acaso foi instalado para estudar o efeito do corte das plantas baixeiras do milho, foram utilizadas trás densidades de plantio. O esquema experimental utilizado foi o de parcelas subdivididas: Nas parcelas: DENSIDADE 1 = 25.000 plantas/ha DENSIDADE 2 = 50.000 plantas/ha DENSIDADE 2 = 75.000 plantas/ha Tratamentos nas subparcelas: A – Sem corte das folhas B – Corte das folhas baixeiras aos 50 dias C – Corte das folhas baixeiras aos 60 dias D – Corte das folhas baixeiras aos 70 dias Esquema de uma parcela: D1 D3 D2 A C B D B A C D D A C B Os dados de produção em kg / parcela foram: BLOCOS DENSIDADE CORTE I II III IV V VI 1 A 4,4 4,2 3,5 4,0 7,5 2,2 B 2,4 3,4 2,8 3,2 2,3 2,5 C 2,8 4,2 3,2 3,2 2,4 3,0 D 2,6 3,6 3,3 3,1 2,8 3,2 2 A 5,4 4,6 4,2 3,1 4,5 4,4 B 5,0 4,3 2,6 3,2 5,2 4,1 C 5,0 4,2 3,9 4,8 3,6 3,9 D 5,0 3,7 2,7 4,3 3,7 4,1 3 A 6,3 4,9 5,4 2,8 4,2 4,7 B 6,0 5,0 5,5 3,6 3,1 4,8 C 5,7 3,6 4,6 2,4 3,6 4,6 D 5,3 3,6 4,3 5,7 3,0 4,9 TOTAL 55,9 49,3 46,0 443,4 45,9 46,4 QUADROS AUXILIARES 1º) Quadro de interação de blocos com o tratamento nas subparcelas BLOCOS D E N S ID A D E I II III IV V VI 1 12,2(4) 2 3 26 286,9(72) 2º) Quadro de interação de tratamentos CORTE D E N S ID A D E A B C D 1 25,8(6) 2 3 286,9(72) SQ Blocos = SQ Densidade = SQ Parcelas = SQ Erro A = SQ Parcelas – SQ Blocos – SQ Densidade SQ SubParcelas= SQ Épocas = SQ E x D = ??????? – C – SQE - SQD 27 SQ Erro B = SQ SubParcelas – SQ Parcelas – SQ Épocas – SQ E x D ANÁLISE DE VARIÂNCIA: F.V. G.L. S.Q. Q.M. Fc BLOCOS Densidade Erro A Parcelas Épocas D x E Erro B SubParcelas 5.2. TESTES DE MÉDIAS 5.2.1 Caso em que a interação não é significativa A) Comparações entre os tratamentos que foram nas parcelas (densidades) Seria o único caso necessário de ser aplicado no presente exemplo, pois foi o único efeito que deu significativo: DMS = q . d QMerroA DMS = 3,88 . 24 78,1 DMS =1,06 DENSIDADE médias Letras D 3 D 2 D 1 28 As médias seguidas de mesma letra não diferem entre si pelo teste de Tukey ao nível de 5% de significância. B) Comparação entre tratamentos nas subparcelas (épocas de corte) 5.2.2 Casos em que a interação é significativa A) Comparar dois ou mais tratamentos que foram nas subparcelas um mesmo nível do tratamento da parcela. No presente caso seria comparar duas ou mais épocas de corte para cada densidade. B) Comparar 2 ou mais tratamentos que foram nas parcelas num mesmo nível do tratamento da subparcela. No nosso caso seria comparar duas ou mais densidades para cada época de corte. EXERCÍCOS: PARCELAS SUBDIVIDIDAS 1. Um experimento para testar o efeito da irrigação (ausência e presença) em milho, além de 3 stands (A = 20.000; B = 26.000; C = 32.000 plantas/lha) nos forneceu os seguintes resultados: BLOCO I I 0 I 1 C B A B A C 2,66 2,73 2,92 3,50 2,67 2,98 BLOCO II I 0 I 1 A C B C A B 29 2,58 2,29 3,02 4,01 3,16 3,16 BLOCO III I 1 I 0 A B C B C A 2,78 3,21 3,77 3,07 2,54 2,61 BLOCO IV I 0 I 1 B A C A C B 2,52 2,53 2,57 3,01 3,85 3,66 Tire conclusões de interesse 2. Um DBC com parcelas subdivididas foi instalado para testar 3 métodos de aração (Ml, M2, M3) para 4 variedades (A, B, C, D) de soja. Os resultados (em Kg/parcela) estão abaixo: M2 M1 M3 BL I C D A B B A C D A C D B 63 57 45 52 23 18 31 22 28 45 39 33 M1 M2 M3 BL II D A C B C A B D A B D C 31 29 43 36 81 60 63 76 37 45 50 56 Faça o quadro de ANAVA e tire conclusões gerais 6. REGRESSÃO NA ANÁLISE DE VARIÂNCIA O estudo da regressão exerce papel relevante dentro do campo da Estatística Experimental, devido a sua larga aplicação na interpretação de resultados experimentais, e tem por objetivo determinar a relação existente entre uma característica qualquer de interesse experimental, dependente, e outra característica independente, tomadas juntas. O pesquisador, geralmente, escolhe os valores da variável independente e depois estabelece a relação existente entre os valores das duas variáveis. Tal relação é expressa por uma função matemática (equação de regressão), onde se diz que a variável depende (Y) é uma função da variável independente (X). A regressão tem por objetivo estudar a relação entre duas ou mais varáveis visando descobrir uma curva que a descreva, utilizando-se esta para fins de estimativa ou predição de uma das varáveis. Como exemplo, podemos citar: Rendimento das culturas e a quantidade de chuva caída; 30 Peso dos animais e idade; Rendimento e densidade de plantio; Temperatura e ataque de insetos; Produção das culturas e níveis de irrigação; Produção e nível de adubação; Etc. Como exemplo, temos um experimento para determinar o efeito de doses crescentes de nitrogênio (variável independente X), na produção de uma forrageira (variável dependente Y). PARCELAS 1 2 3 4 5 DOSES DE NITROGÊNIO (KG/ PARCELA) - (VARIÁVEL X) 0,0 50 100 150 200 PRODUÇÃO DE FORRAGEM (KG/PARCELA) - (VARIÁVEL Y) 36 48 56 62 67 Observa-se que o aumento na dose de nitrogênio, aumenta a produção de forragem. Verifica-se que a relação entre as duas variáveis é aproximadamente linear e pode se representada por uma linha reta (curva de regressão), passando entre os pontos de um diagrama de dispersão, conforme apresentado na figura 01. Porém nem sempre é assim, pois a regressão pode não ser linear, mas polinomial tornando mais complexo o seu estudo. Figura 01. Diagrama de dispersão entre doses de nitrogênio e a produção de forragem. 6.1 ANÁLISE DE REGRESSÃO POR POLINÔMIOS ORTOGONAIS A análise de variância só tem validade se atender as suas hipóteses básicas: Aditividade, Independência, Normalidade e Homogeneidade de variâncias. Uma delas é que os erros de observação devem ser independentes, consequentemente não correlacionados. Quando esta hipótese não se verifica, a análise de variância deve refletir a dependência 31 entre os erros de observção, sob pena de não ser válida; Assim nos experimentos em que os tratamentos são quantitativos, como, por exemplo: níveis crescentes de adubo, inseticida, fungicida etc., se justifica a existência de uma correspondência funcional, denominada equação de regressão, que ligue os valores dos tratamentos (X) aos dados analisados (Y) Essa correspondência pode ser sentida no exemplo anterior, onde: X = dose de nitrogênio aplicado Y = produção de forragem por parcela, obtida para cada X. PARCELAS 1 2 3 4 5 DOSES DE NITROGÊNIO (KG/ PARCELA) - (VARIÁVEL X) 0,0 50 100 150 200 PRODUÇÃO DE FORRAGEM (KG/PARCELA) - (VARIÁVEL Y) 36 48 56 62 67 Verificamos portanto, que há uma tendência de aumento na produção (Y) a medida que aumentamos a dose de nitrogênio (X). Para se fazer a análise de variância para o estudo da regressão utilizamos o método dos polinômios ortogonais, que é de fácil aplicação quando os níveis que compõem os tratamentos são igualmente espaçados, pois nos permitem a utilização de coeficientes dados em tabelas Um exemplo: Para se estudar o efeito de doses de gesso na cultura do feijoeiro (Phaseolus vulgaris L.), RAGAZZI (1979) utilizou um experimento inteiramente casualizado com 4 repetições, para estudar os efeitos de 7 doses de gesso: 0, 50, 100, 150, 200, 250, e 300 kg/ha sobre diversas características do feijoeiro. Para a característica: peso de 1.000 sementes, os resultados obtidos, em gramas, são apresentados no quadro abaixo. Peso de 1.000 sementes, em gramas Tratamentos REPETIÇÕES (kg/ha) 1 2 3 4 total 1 - 0 134,8 139,7 147,6 132,3 554,4 2 - 50 161,7 157,7 150,3 144,7 614,4 3 - 100 160,7 172,7 163,4 161,3 658,1 4 - 150 169,8 168,2 160,7 161,0 659,7 5 - 200 165,7 160,0 158,2 151,0 634,9 6 - 250 171,8 157,3 150,4 160,4 639,9 7 - 300 154,5 160,4 148,8 154,0 617,7 4.379,1 Inicialmente, faz-se uma análise de variância preliminar: F. V. G.L. S.Q. Q.M. Fc TRAT. 6 1.941,83 323,64 7,67 ** ERRO 21 886,34 42,21 TOTAL 27 2.828,17 32 Observando os resultados do experimento, verificamos que há uma tendência de resposta crescente até um certo ponto para depois diminuir. Num caso como este, em que os tratamentos são quantitativos e em mais de dois níveis, uma análise completa deve levar em conta a regressão, subdividindo-se os 6 graus de liberdade de tratamentos, no entanto, regressão maior que 3º grau não tem interesse prático, de modo que, na análise de variância, podemos considerar as regressões maiores que 3º grau como uma única causa de variação, que denominamos desvios de regressão, ficando para o nosso exemplo, o desdobramento seguinte: F. V. G.L. Regressão linear 1 Regressão quadrática 1 Regressão cúbica 1 Desvios de Regressão 3 (Tratamentos) (6) Como os níveis são eqüidistantes (0, 50, 100, 150, 200, 250, 300), esta decomposição pode ser feita de modo simples pelo método dos polinômios ortogonais, com o auxílio de coeficientes dados em tabela. Montamos, então um quadro onde aparecem os totais (Ti) dos tratamentos e os coeficientes (Ci) a serem usados para os componentes de 1º grau (C1i), 2º grau (C2i) e 3º grau (C3i) Quadro 1. Coeficientes (Ci) e Totais (Ti) para o experimento com 7 tratamentos TOTAIS DE TRATAMENTOS COEFICIENTES PARA N= 7 NÍVEIS 1º GRAU 2º GRAU 3º GRAU (Ti) C1i C2i C3i T1 = 554,4 - 3 + 5 - 1 T2 = 614,4 - 2 0 + 1 T3 = 658,1 - 1 - 3 + 1 T4 = 659,7 0 - 4 0 T5 = 634,9 + 1 - 3 - 1 T6 = 639,9+ 2 0 - 1 T7 = 617,7 + 3 + 5 + 1 K 28 84 6 M 1 1 1/6 Com estes coeficientes (Ci) e totais (Ti) estabelecemos contrastes ortogonais, sendo um contraste para a Regressão linear, outro para a regressão quadrática e outro para a cúbica. As tabelas já nos fornecem a soma dos quadrados dos coeficientes (K), e uma constante (M) que será utilizada na determinação da equação de regressão. Calculamos os contrastes através das fórmulas: Soma de quadrados de regressão linear 1 2 . kr yc SQRL ii Soma de quadrados de regressão quadrática 2 2 . kr yc SQRQ ii 33 Soma de quadrados de regressão cúbica 3 2 . kr yc SQRC ii Onde: ci = coeficiente do nível (1º, 2º ou 3º grau (tabela), yi = total do tratamento “r”= número de parcelas somadas para obter cada total (Ti) de tratamentos, no nosso caso = 4 “k” = soma dos quadrados dos coeficientes, (dados em tabela) Para a soma de quadrados de regressão linear temos: ii yc )7,617(3)9,639(2)9,634(1)7,659(0)1,658(1)4,614(2)4,554(3 = 217,7g 1 2 . kr yc SQRL ii 15,423 284 7,217 2 SQRLSQRL Da mesma forma calculamos para a regressão quadrática e cúbica, e obtemos: 2 2 . kr yc SQRQ ii = 1.285,84 3 2 . kr yc SQRC ii = 155,04 A SQDesvios de regressão pode ser calculada por diferença: SQDR = SQTrat – SQRL – SQRQ – SQRC, e temos SQDR = 1.941,83 – 423,15 – 1.285,84 – 155,04 = 77,80 Com estes valores montamos o quadro de análise de variância para estudo da regressão F. V. G.L. S.Q. Q.M. Fc Regressão Linear 1 423,15 423,15 10,02 ** Regressão quadrática 1 1.285,84 1.285,84 30,46 ** Regressão cúbica 1 155,04 155,04 3,67 NS Desvios de Regressão 3 77,80 25,93 0,61 NS TRAT. (6) (1.941,83) - - ERRO 21 886,34 42,21 - TOTAL 27 2.828,17 - - 34 Verificamos que a regressão linear e a regressão quadrática foram significativas, indicando que é possível estabelecer uma relação funcional entre a dose de gesso colocada (X) e o peso de 1.000 sementes (Y) do feijoeiro. Devemos, então, determinar a equação de regressão, que será a correspondente à regressão de mais alto grau que foi significativa, mesmo que outra de grau menor seja não significativa. No nosso exemplo, devemos determinar uma equação de 2º grau. Quando o teste de “F” para desvios de regressão for significativo, isto indica que existe alguma regressão significativa, de grau maior que o 3º e, se tivermos interesse em estuda-la, devemos desdobrar os desvios de regressão. 6.2 DETERMINAÇÃO DA EQUAÇÃO DE REGRESSÃO A fórmula geral da equação de regressão é: kkk PMBPMBPMByy ...ˆ 222111 Onde: :y média geral do experimento; :,...,, 21 kBBB coeficientes correspondentes aos componentes linear, quadrático, cúbico, ..., k-ésimo grau; :,...,, 21 kMMM multiplicadores dados nas tabelas de polinômios ortogonais; :,...,, 21 kPPP polinômios constantes das tabelas. Alguns destes são: q xx P 1 12 12 2 2 n q xx P x n q xx P 20 73 2 3 3 onde: :x média dos níveis; n: número de níveis; 1 . 1 kr yc B ii 2 . 2 kr yc B ii 3 . 3 kr yc B ii Para o nosso exemplo, a equação de regressão será: 222111ˆ PMBPMByy Onde: y média geral = 156,3964 1 . 1 kr yc B ii 9438,1 284 7,217 1 B 2 . 2 kr yc B ii = 9563,1 844 3,657 2 B M1 = 1 (tabela) M2 = 1 (tabela) P1 = x (tabela) P2 = x²- 12 12 n , n = número de níveis = 7 P2 = x²- 12 172 = x² - 4 35 Logo, a equação de regressão fica: ŷ = 156,3964 + 1,9438x – 1,9563 (x² - 4) ŷ = 164,2216 + 1,9438x – 1,9563 x² x é uma variável auxiliar dada por ²000783,02737,07835,140ˆ xy 50 150 x x Substituindo o valor de x em (1), fica: 2) 50 150 (9563,1) 50 150 (9438,12216,164ˆ xx y ) 500.2 500.22300² (9563,1) 50 150 (9438,12216,164ˆ xxx y ²000783,02737,07835,140ˆ xy , onde : ŷ peso de 1.000 sementes ( em gramas) x = dose de gesso (em kg/ha) 6.3 COEFICIENTE DE DETERMINAÇÃO E COEFICIENTE DE CORRELAÇÃO Quando determinamos uma equação de regressão é conveniente apresentar o correspondente coeficiente de determinação (R²) que representa, em percentagem, quanto da variação na resposta é explicada pela regressão em questão. O coeficiente de determinação R2 é calculado como segue: Efeito Linear Efeito quadrático Efeito Cúbico SQT SQRL R 2 SQT SQRQSQRL R 2 SQT SQRCSQRQSQRL R 2 O coeficiente de correlação linear (r) é a raiz quadrada do coefiente de determinação. É dado por: SQT SQRL r O coeficiente de correlação linear, medindo o grau de associação entre variáveis, pode ser negativo ou positivo. Seu campo de variação se estende de – 1, que indica perfeita associação negativa até + 1, que indica uma perfeita associação positiva. Um valor de r nulo mostra que não existe ligação entre as variáveis. 36 No nosso caso fica: SQT SQRQSQRL R 2 = 8801,0 83,941.1 84,285.115,423 ² R = 88,01% O coeficiente de determinação r2 = 88,01% (0,8801) nos informa que 88,01% das variações no peso de 1000 sementes são devidas às variações nas doses de gesso aplicadas em Kg/ha. Por fim devemos calcular os valores esperados ( ŷ ) através da equação, e os valores observados (y obs) pelas médias dos tratamentos, e traçar a curva de regressão. Devemos ter yyobs ˆ , então temos: TRATAMENTOS (X) Y Obs Y estimado 0 138,60 140,78 50 153,60 152,51 100 164,53 160,32 150 164,93 164,22 200 158,73 164,20 250 159,98 160,27 300 154,43 152,42 1.094,80 1.094,72 135 140 145 150 155 160 165 170 0 50 100 150 200 250 300 350 Doses de gesso (kg/ha) P es o de 1 .0 00 s em en te s 6.4 A PREDIÇÃO E SEUS PROBLEMAS As equações de regressão são muito usadas nos estudos de séries temporais, nos experimentos agrícolas de adubação, espaçamento e outros tipos onde os tratamentos constituem níveis crescentes de um fator. Todo cuidado deve ser tomado em relação ao seu uso, a fim de evitar os abusos que são muito comuns quando se emprega a técnica de regressão. Sempre que se pretende usar a experiencia adquirida no passado 37 para prever eventos no futuro, devemos estar confiantes de que os dados passados são pertinentes, ou seja, que as mesmas considerações fundamentais de operação que existiam no passado, prevaleçam na época em que se aplica a predição. O uso da equação de regressão é, em peral, válido dentro do intervalo de variação da variable independente. A extrapolação para valores fora dos limites da variable é perigosa e só é válida se temos conhecimento do fenómeno em estudo. O problema que surge é que não sabemos se fora dos limites no qual estimamos a curva de regressão, ela ainda continua a mostrar aquele comportamento. Por tanto, estime a sua equação, use e abuse dele em seu intervalo e esteja previnido contra os perigos danosos da extrapolação, que podem levar a resultados ilusórios. EXERCÍCOS: ANÁLISE DE REGRESSÃO 1 : Um experimento foi realizado na Fazenda Itamarati, localizada em Ponta Porá, MS, com o objetivo de estudar o efeito de doses de cloreto de mepiquat, sobre algumas características do algodoeiro. O delineamento experimental foi o de blocos casualizados com quatro repetições. A doses utilizadas na aplicação foram: 0, 25, 50, 75 e 100 g/ha de ia de mepiquat. Os dados de massa seca de folhas se encontram na tabela 1 e do número de capulhos por planta na tabela 2. Tabela 1. Massa seca de folhas (g/planta) Blocos Doses 1 2 3 4 total 0 23,9 25,2 23,4 24,0 96,5 25 22,3 22,8 23,1 20,5 88,7 50 20,1 19,8 21,4 20,9 82,2 75 18,5 18,4 17,6 19,1 73,6 100 17,6 17,3 18,0 17,1 70,0 Total 102,4 103,5 103,5 101,6 411,0 2 : Um trabalho foi realizado com o objetivo de estudar o efeito de seis espaçamentos (entre plantas na linha de plantio) na produção de frutos do maracujazeiro amarelo. O experimento foi conduzido no Centro de Pesquisae Extensão em Fruticultura tropical, em Porto Lucena, RS. O delineamento experimental foi de blocos casualizados com 4 repetições. Os dados de peso de fruto em t/há encontram-se a seguir. Tabela 1. Os dados de peso de frutos em t/ha Espaçamento BLOCOS 1 2 3 4 1,25 46,36 46,28 48,50 45,97 2,00 44,16 40,00 43,29 43,20 2,75 42,58 40,00 40,27 40,56 3,50 41,74 33,29 41,00 43,00 4,25 40,82 38,29 43,87 41,57 5,00 44,63 50,27 48,00 45,00 38 39 1 1 + 2 2 + . . . +n n , onde: Cov (1, 2) = (a1x1 + a2x2 + ...+ anxn) S = , onde: S = S = S = S S = S = S = S = S = REPETIÇÕES REPETIÇÕES TRAT’S BLOCOS TOTAIS 1 V1 P2 = x²-, n = número de níveis = 7 6.3 COEFICIENTE DE DETERMINAÇÃO E COEFICIENTE DE CORRELAÇÃO
Compartilhar