Planejamento de Experimentos em Engenharia Ambiental

Planejamento de Experimentos em Engenharia Ambiental
1. INTRODUO AO CURSO
A Estatstica Experimental tem como objetivo o estudo dos experimentos, isto , seu
planejamento, execuo, anlise dos dados e interpretao dos resultados obtidos.
Para que um experimentador conduza e avalie uma pesquisa corretamente, essencial um

certo conhecimento de estatstica, principalmente no que se refere s potencialidades e s
limitaes das tcnicas utilizadas.
Assim sendo, o presente curso visa apresentar aos alunos os mtodos estatsticos mais
usados em Engenharia Ambiental. Todos os mtodos apresentados sero descritos
detalhadamente, com um mnimo de teoria, porm com exemplos aplicativos na Engenharia
Ambiental.
1.1. ALGUNS CONCEITOS BSICOS
1.1.1. POPULAO E AMOSTRA
Boa parte do conhecimento humano se baseia em um nmero relativamente reduzido de

informaes. Isto verdadeiro, tanto no que se refere aos problemas do cotidiano, como no que
se refere pesquisa cientifica.
Por definio, POPULAO o conjunto de elementos que tm, em comum, uma

determinada caracterstica. Todo subconjunto no vazio e com menor nmero de elementos do
que o conjunto definido com POPULAO constitui, por definio, uma AMOSTRA desta
populao.
Uma populao em Ecologia, o nmero total de indivduos de uma determinada espcie

em uma rea definida. Por exemplo, o nmero total de rvores da espcie Caesalpinia echinata
Lam (Pau Brasil) presentes em uma rea de Preservao Permanente constitui uma populao.
Esta populao, embora finita, considerada para fins de amostragens como uma populao
infinita.
Uma vez definida a unidade amostral (1 rvore, um conjunto de 5 rvores, ou um quadrado

no qual ser contado o nmero de espcies de Pau-Brasil), a populao pode ser considerada
como um conjunto de unidades amostrais e um subconjunto tomado aleatoriamente deste
conjunto chamado de AMOSTRA ALEATRIA DE TAMANHO N.
1
Assim sendo, as observaes so obtidas atravs de contagens do nmero de indivduos

em cada unidade amostral. Estas observaes so chamadas de VARIVEL EM ESTUDO.
1.1.2. EXPERIMENTO OU ENSAIO
Experimento um trabalho previamente planejado, que segue determinados princpios

bsicos e no qual se faz a comparao dos efeitos dos tratamentos.
Ensaio consiste na exposio das ideias e pontos de vista do autor sobre determinado tema,
buscando originalidade no enfoque, sem, contudo, explorar o tema de forma conclusiva.
1.1.3. TRATAMENTO
o mtodo, elemento ou material, cujo efeito se deseja medir ou comparar em um

experimento. Por exemplo, um tratamento pode ser: Uma variedade de mudas para recuperar
uma rea degradada, um tipo de enzima para tratamento de efluentes, um fungo que degrada
plstico, compostagem de lixo orgnico, etc.
1.1.4 UNIDADE EXPERIMENTAL OU PARCELA
a unidade na qual o tratamento aplicado. na parcela que obtemos os dados que

devero refletir o efeito de cada tratamento ensaiado. A parcela pode ser constituda por uma
planta, uma rea com um grupo de plantas, uma placa de Petri com um meio de cultura, um
animal, um lote de animais, etc.
1.1.5. DELINEAMENTO EXPERIMENTAL
o plano utilizado na experimentao, e implica na forma como os tratamentos devero

ser distribudos nas unidades experimentais e como sero analisados os dados a serem obtidos.
Como exemplo, temos o delineamento inteiramente casualizado, o delineamento em blocos
casualizados, o delineamento em quadrado latino, o delineamento em parcelas subdivididas,
etc.
2
1.2. MEDIDAS DE POSIO E DE DISPERSO
As populaes so descritas por certas caractersticas chamadas de Parmetros. As

amostras so descritas pelas mesmas caractersticas, que, neste caso, so chamadas de
Estimativas de Parmetros. Alguns destes parmetros so chamados de Medidas de Posio
e outros de Medidas de Disperso.
1.2.1. MEDIDAS DE POSIO OU DE TENDNCIA CENTRAL
Uma caracterstica comum a todas as populaes ou amostras a variabilidade dos

indivduos que a constituem.
Geralmente, os dados de uma populao ou amostra tendem a ser mais nmerosos em torno
de um valor central e vo se tornando mais raros medida que nos afastamos desse valor. A
medida de posio representa o valor em torno do qual os dados observados tendem a se
agrupar.
Como medidas de posio, podemos citar as seguintes: Mdia, Mediana, Moda, Quartil,
Decil, Percentil, etc.
Destas, as que mais nos interessam so a mdia, a mediana e a moda, que discutiremos em
seguida.
1.2.1.1. MDIA
A mdia a mais importante das medidas de posio. Existem vrios tipos de mdia, dentre
as quais podemos citar:
-MDIA ARITMTICA SIMPLES
-MDIA ARITMTICA PONDERADA
-MDIA GEOMTRICA
-MDIA HARMNICA
1.2.1.1.1. MDIA ARITMTICA SIMPLES
3
Do ponto de vista estatstico, a mais utilizada das medidas de posio. A mdia aritmtica
simples, ou simplesmente mdia aritmtica de uma amostra aleatria de tamanho n, dita x,
x,..., xn, representada por
ou e dada por:
=1 1 + 2 + +

= = =

Devemos distinguir, neste caso, a mdia verdadeira, que obtida quando tomamos todos
os dados de uma populao, e a mdia estimada, que aquela obtida a partir de uma amostra.
Assim, a mdia verdadeira ser:

= = =1 ,

Onde N representa o nmero de dados da populao.
EXEMPLO 1: Clculo da mdia aritmtica
Considere como exemplo os dados abaixo, referentes ao n de formigas Atta laevigata

encontradas em unidades amostrais de 500 cm (0,05 m) em um reflorestamento.
14, 15, 12, 7, 8, 14, 11, 14, 10, 9, 10
A mdia desta amostra ser:

=1 14+15+12+7+8+14+11+14+10+9+10 124
= = = = = 11,2727.
11 11
Ento, o nmero mdio de formigas em 500 cm 11,2727.
1.2.1.1.2. MDIA ARITMTICA PONDERADA
Embora a mdia aritmtica simples seja a mais usual, em certas situaes ela no a mais
recomendada.
Suponhamos o seguinte exemplo: A intensidade mdia de infestao de ervas daninhas na

recuperao de uma determinada mata ciliar, assim como o nmero de parcelas infestadas de
cada variedade so apresentados a seguir:
4
VARIEDADE N DE PARCELAS % DE INFESTAO

Borreria alata DC 12 9,10
Commelina benghalensis L. 40 14,57
Senecio brasiliensis Less. 4 3,20
Solanum paniculatum L 2 2,89
Rhynchospora corymbosa (L.) Britt. 6 8,74
Rychardia scabra L 18 11,70
Brachiaria decumbens Stapf 21 10,10
Melinis minutiflora Beauv. 10 7,15
Se considerarmos simplesmente a mdia de infestao por variedade, sem levar em conta

o nmero de parcelas, a infestao mdia de ervas daninhas na mata ciliar ser:
9,10 + 14,57 + 3,20 + + 7,15

= = 8,43%.
8
Observamos, entretanto, que este dado muito irreal, em decorrncia da grande variao
no nmero de parcelas infestadas por variedade.
Neste caso, obtemos uma informao mais real, usando a mdia aritmtica ponderada,
tomando como peso, em cada variedade, o nmero de parcelas. Assim, teremos:
12(9,10) + 40(14,57) + + 10(7,15)

= = 11,12%.
12 + 40 + + 10
Ento, a mdia aritmtica ponderada pode ser definida como:
=1

= ,
=1
Onde, p o peso de cada observao no clculo da mdia.
1.2.1.1.3. MDIA GEOMTRICA
Em casos bem mais raros, utilizamos a mdia geomtrica, que consiste em determinar a
raiz ensima do produto dos n dados considerados, isto :
= 1 . 2 . ,
(x>0).
5
Se tivermos, por exemplo os dados: 2, 4, 8, 16, 32, a mdia geomtrica ser:
5 5

= 2.4.8.16.32 = 32,768 = 8,0
ao passo que a mdia aritmtica seria:
2 + 4 + 8 + 16 + 32 62

= = = 12,4
5 5
1.2.1.1.4. MDIA HARMNICA
Dados x, x,..., , todos diferentes de zero, definimos a mdia harmnica como:
1 1

= = .
1 1 1 1 1 1

[1 + 2 + + ] =1
Admitindo-se os dados: 2, 4, 8, 16, 32, temos:
1 1

= =
1 1 1 1 1 1 1
[ + + + + ] [0,96875]
5 2 4 8 16 32 5
1

= = 5,1613
0,19375
Note que,
1.2.1.2. MEDIANA
A mediana de um conjunto ordenado de dados o valor que ocupa a posio central (nem
sempre pertencente ao conjunto de dados), isto , precedido e seguido pelo mesmo nmero
de dados.
Sejam as observaes: 1 , 2 , , , j devidamente ordenadas.
Se n par e n= 2k, a mediana ser a mdia dos dois valores centrais, isto :
+ +1
= .
2
6
Assim, se por exemplo, n=10, a mediana ser:
5 + 6
= .
2
Quando n mpar, e n=2k+1, a mediana ser:
= +1 .
Se, por exemplo, n=11, temos:
= 6 .
No exemplo 1, citada para o clculo da mdia, temos:
7, 8, 9, 10, 10, 11, 12, 14, 14, 14, 15,
a mediana ser:
=11
=5} = +1 = 6 = 11.
1.2.1.3. MODA
A moda , por definio, o valor que ocorre com maior frequncia na amostra. Ento,
podemos ter distribuies com mais do que uma moda (PLURIMODAL).
No exemplo 1, temos que a moda :
=14, que ocorre com frequncia 3.
Numa amostra de dados igualmente repetidos, podemos calcular a moda pela frmula de
PEARSON:
Moda = Mdia - 3(Mdia - Mediana).
No exemplo 1, obtivemos:

= 11,2727
= 11.
Ento, pela frmula de PEARSON, obteramos:
Moda = 11,2727 - 3(11,2727 - 11) = 10,4546.
7
1.2.2. MEDIDAS DE DISPERSO
As medidas de disperso so tambm chamadas de medidas de variao, e medem o grau

com que os dados tendem a se distribuir em torno de um valor central, que geralmente a
mdia aritmtica. Dentre as medidas de disperso, discutiremos a Amplitude total, a
Varincia, o Desvio padro, o Erro padro da mdia e o Coeficiente de variao.
1.2.2.1. AMPLITUDE TOTAL
A amplitude total a medida no muito informativa, pois leva em conta apenas os dados
extremos numa amostra.
Admitamos as seguintes amostras, todas com mdia

= 9,0:
(1) (2) (3)

9,0 7,0 0,6
9,0 8,0 3,4
9,0 9,0 9,8
9,0 10,0 13,8
9,0 11,0 17,4
A mdia
= 9,0 no nos d, por si s, uma completa informao a respeito do
comportamento dos dados. Entretanto, se tomarmos a diferena entre o maior e o menor deles,
isto , a Amplitude total, teremos, respectivamente:
A = 9,0 9,0 = 0,0
A = 11,0 7,0 = 4,0
A = 17,4 0,6 = 16,8
De imediato, conclumos que a 3 amostra a mais dispersa delas.
Por outro lado, a fim de comprovar a ineficincia dessa medida, consideremos uma 4
amostra:
0,6 9,0 9,0 9,0 17,4.
8
Neste caso, a mdia ainda 9,0 e a amplitude a mesma da 3 amostra, isto , 16,8, e, no
entanto, as duas amostras so bem distintas. Falta ento, alguma informao a mais, que
permita diferenci-las.
1.2.2.2. VARINCIA
A varincia uma medida de disperso que leva em conta todas as observaes. ,

indiscutivelmente, a melhor medida de disperso.
Consideremos um conjunto de observaes correspondentes a uma populao finita de N

elementos, que representamos por: x, x, x, x,..., .
A partir destas observaes, podemos calcular a mdia da populao por:

=1
= ,

e os seus desvios em relao mdia:
= , ( = 1,2, , ).
Podemos mostrar que:
= 0.
=1
Prova:
= ( )
=1 =1
= (1 ) + (2 ) + + ( )
=
=1

=1
=

=1
9
= = 0.
=1 =1
Ento, a varincia da populao definida como a mdia dos quadrados dos desvios em
relao mdia aritmtica, isto :

2 =1( )
2
= = ,

onde,
= 2 .
=1
Quando trabalhamos com amostras, temos dois casos a considerar:
a) Os dados constituem uma amostra, mas os desvios so tomados em relao mdia

verdadeira (mdia da populao). Neste caso, o divisor n, mas temos uma estimativa
da varincia que representamos por:
2
=1( )2
=

b) Os dados constituem uma amostra e os desvios so tomados em relao estimativa da
mdia (
). Este o caso mais usual, e a estimativa da varincia fica:
=1(
2
)2
= .
1
Um modo mais prtico de calcular a Soma dos Quadrados dos Desvios (SQD) o seguinte:

)2
= (
=1
= ( 2 2 2)
+
=1

2
= 2 2
+
=1 =1

2
=1 (=1 )2
= 2 . +
2
=1 =1
10

(=1 )2 (=1 )2
= 2 2 +

=1

(=1 )2
2
= .

=1
Ento, a varincia pode ser estimada pela frmula seguinte:
(=1 )2
=1 2
2 = .
1
A vantagem desta frmula, que trabalhamos diretamente com os dados originais, no

havendo necessidade de calcularmos previamente a mdia e os desvios em relao a ela.
Para os dados do exemplo 1, temos:

= 14 + 15 + + 10 = 124
=1
2 = 142 + 152 + + 102 = 1472

=1
ento:
(124)2
1472
2 = 11 = 74,1818 = 7,4182.
11 1 10
1.2.2.2.1. ALGUMAS PROPRIEDADES DA VARINCIA
1) Quando somamos a cada valor x, uma constante k, a varincia no se altera.
Prova: Seja uma amostra aleatria de tamanho n, cujos elementos so representados por x,
x, x,..., . Se somarmos a cada valor x uma constante k, teremos:
z, z, z,..., , onde z=x+k para i=1,2,...,n.
Ento,
(=1 )2
=1 2 =1(
)2
() = =
1 1
11
=1( + ) 2
=1 [( + ) ]

() =
1
2
=1
=1 [ +
]
() =
1
=1 2
=1 [ ]
() =
1
=1(
)2
() = = ().
1
2) Multiplicando-se cada valor x por uma constante k, a varincia fica multiplicada por k.
Prova: Seja uma amostra aleatria de tamanho n cujos elementos so representados por x,
x, x,..., . Se multiplicarmos cada valor x por uma constante k, teremos:
z, z, z,..., , onde z=k.x, para i=1, 2, 3,..., n.
Ento,
=1(
)2
() =
1
=1 2
=1 [
]
() =
1
=1 2
=1 [ ]
() =
1
=1 2
=1 [ (
)]
() =
1
=1(
)2
() = 2
1
() = 2 . ().
1.2.2.3. DESVIO PADRO
12
A varincia, pela sua natureza, tem uma unidade quadrtica. A sua raiz quadrada, que ainda
uma medida de disperso, denominada desvio padro.
A vantagem do desvio padro ter a mesma unidade dos dados originais e,

consequentemente, da mdia.
Assim, no caso do exemplo 1, o desvio padro :
= 2 = 7,4182 = 2,7236.
importante observar que as amostras 3 e 4 apresentadas no item 1.2.2.1., embora no

pudessem ser diferenciadas pela amplitude total, podem perfeitamente ser identificadas atravs
da varincia ou do desvio padro. Realmente, o quadro seguinte mostra seus comportamentos:
Amostra Mdia Amplitude Varincia Desvio padro

3 9,00 16,8 49,04 7,00
4 9,00 16,8 35,28 5,94
Observamos portanto, que a amostra 3 a mais dispersa do que a amostra 4.
1.2.2.4. ERRO PADRO DA MDIA
Se em vez de uma amostra tivssemos vrias, provenientes de uma mesma populao,

obteramos tambm diversas estimativas da mdia, e provavelmente distintas entre si.
A partir dessas diversas estimativas da mdia, poderamos estimar uma varincia,

considerando-se os desvios de cada mdia, em relao mdia de todas elas. Seria ento uma
estimativa da varincia da mdia.
Entretanto, demonstra-se que a partir de uma nica amostra, podemos estimar essa
varincia, atravs da frmula:
2
(
) = ,

onde s a estimativa da varincia dos n dados, calculada da maneira usual.
A sua raiz quadrada denominada Erro padro da mdia, ou seja:

) =
( .

13
O erro padro da mdia fornece uma ideia da preciso da estimativa da mdia, isto ,
quanto menor ele for, maior preciso ter a estimativa da mdia.
Assim, para os dados do exemplo 1, temos:
2,7236
) =
( = 0,8212.
11
Sempre que apresentamos uma mdia, conveniente apresentar tambm o seu erro padro.
Assim, no exemplo 1, poderamos apresentar a mdia e seu erro padro, da seguinte maneira:
11,2727 0,8212.
No caso das amostras 1 a 4 exemplificadas no item 1.2.2.1. teramos:
Amostra 1: 9,0 0,0
Amostra 2: 9,0 0,7
Amostra 3: 9,0 3,1
Amostra 4: 9,0 2,6
O que nos mostra a menor preciso da estimativa da mdia na amostra 3.
1.2.2.5. COEFICIENTE DE VARIAO
uma medida de disperso que expressa percentualmente o desvio padro por unidade da
mdia, ou seja:
100.
= .

Como s e
so expressos na mesma unidade dos dados, o coeficiente de variao um
nmero abstrato, isto , no tem unidade e portanto expresso em porcentagem da mdia.
No exemplo 1, temos:
100. (2,7236)
= = 24,16%.
11,2727
14
Nos ensaios de campo, esperam-se coeficientes de variao, da ordem de 10 a 20%. Porm,

em ensaios entomolgicos, de levantamento de pragas, normalmente os coeficientes de
variao so maiores que 30%.
2. PLANEJAMENTO DE EXPERIMENTOS
2.1. INTRODUO
O principal objetivo da Estatstica Experimental o estudo dos experimentos, seu

planejamento, execuo, anlise e interpretao dos resultados obtidos.
Os dados que empregamos na anlise estatstica consistem em uma amostra da populao

em estudo, e so obtidos de trabalhos previamente planejados, que so os experimentais, sendo
por isso chamados de dados experimentais.
O que nos obriga a utilizar a anlise estatstica a presena, em todos os dados

experimentais, de efeitos de fatores no controlados (que podem ou no ser controlveis) e que
causam a variao. Entre os fatores que no podem ser controlados, podemos citar pequenas
variaes nas dosagens dos inseticidas, pequenas variaes na infestao das parcelas pelas
pragas em estudo, variao na constituio gentica das plantas (mais ou menos resistentes),
pequenas variaes na fertilidade do solo, profundidade de semeadura, etc.
Esses efeitos, que esto sempre presentes, no podem ser conhecidos individualmente e,
no conjunto, alteram, pouco ou muito, os resultados obtidos.
Os efeitos desses fatores que no podem ser controlados so chamados de variao do

acaso ou variao aleatria.
Procurando tomar mnima a variao do acaso, o experimentador deve fazer o

planejamento do experimento de tal forma que consiga isolar os efeitos de todos os fatores que
podem ser controlados.
15
O planejamento constitui a etapa inicial de qualquer trabalho e, portanto, um experimento

tambm deve ser devidamente planejado, de modo a atender aos interesses do experimentador
e as hipteses necessrias para a validade da anlise estatstica.
Frequentemente, o estatstico consultado para tirar concluses com base em dados

experimentais. Como estas concluses dependem da forma como foi realizado o experimento,
o estatstico solicitar uma descrio detalhada do experimento e de seus objetivos.
Frequentemente, ocorrem casos em que, aps a descrio do experimento, o estatstico verifica
que no pode chegar a concluso alguma, uma vez que o experimentador no utilizou um
delineamento adequado ou no atendeu s hipteses bsicas necessrias para a validade da
anlise estatstica. Para evitar essa perda de tempo e de recursos, primordial o planejamento
adequado do experimento.
Ao iniciar o planejamento de um experimento, o experimentador deve formular e

responder a uma srie de perguntas. Como exemplo, podemos citar:
1. Quais as caractersticas que sero analisadas?
Num mesmo experimento, vrias caractersticas podem ser estudadas. Por exemplo, em
um experimento que tem como objetivo avaliar qual espcie se adaptar melhor a um
determinado habitat podemos levar em considerao os tipos de nutrientes que essa planta
necessita como a quantidade de gua, a intensidade de luz solar, os impactos que sua incluso
causar as espcies j existentes e a fauna, etc. Portanto, devemos definir adequadamente quais
as caractersticas de interesse, para que as mesmas possam ser determinadas no decorrer do
experimento.
2. Quais os fatores que afetam essas caractersticas?
Relacionar todos os fatores que possuem efeito sobre as caractersticas que sero
estudadas, como por exemplo: variedade, nutrientes, gua, temperatura, intensidade luminosa,
etc.
3. Quais desses fatores sero estudados no experimento?
16
Nos experimentos simples, apenas um tipo de tratamento ou fator pode ser estudado de
cada vez, sendo os demais fatores mantidos constantes. Por exemplo, quando fazemos um
experimento de avaliao da melhor espcie a se adaptar a um determinado habitat com alto
ndice pluviomtrico, todos os outros fatores, tais como, tipos de nutrientes, temperatura,
intensidade luminosa devem ser os mesmos para todas as espcies. No caso de experimentos
mais complexos, como os experimentos fatoriais e em parcelas subdivididas, podemos estudar
simultaneamente os efeitos de dois ou mais tipos de tratamentos ou fatores.
4. Como ser a unidade experimental ou parcela?
A escolha da parcela deve ser feita de forma a minimizar o erro experimental. Devido
importncia da definio da unidade experimental, faremos uma discusso mais detalhada
sobre o assunto em seguida.
5. Quantas repeties devero ser utilizadas?
O nmero de repeties de um experimento depende do nmero de tratamentos a serem

utilizados e do delineamento experimental escolhido. De um modo geral, recomenda-se que
o nmero de parcelas do experimento no seja inferior a 20 e que o nmero de graus de
liberdade associado aos efeitos dos fatores no controlados ou acaso no seja inferior a 10.
2.2. UNIDADE EXPERIMENTAL OU PARCELA
Um dos aspectos mais importantes a ser considerado durante o planejamento do

experimento a definio da unidade experimental ou parcela. De um modo geral, a escolha
da parcela deve ser feita de forma a minimizar o erro experimental, isto , as parcelas devem
ser o mais uniforme possvel, para que as mesmas consigam refletir o efeito dos tratamentos
aplicados.
Em experimentos de campo, o tamanho e a forma das parcelas podem variar bastante, em
funo de:
1. Material com que se est trabalhando: Dependendo da cultura que est sendo estudada,
devemos aumentar ou diminuir o tamanho das parcelas. Por exemplo, um problema dos
experimentos de campo com plantas perenes e frutferas arbreas o tamanho da rea,
17
devido ao porte das plantas que normalmente exigem largos espaamentos. muito
frequente, nesses experimentos, o uso de parcelas grandes, em detrimento do nmero de
repeties, com a justificativa de diminuir a rea experimental, a mo-de-obra e o
consequente custo da pesquisa. (1)
2. O objetivo da pesquisa: O objetivo do trabalho experimental tambm influencia no

tamanho da parcela. Por exemplo, se desejarmos estudar o efeito da profundidade de
semeadura do Syzygium jambolanum sobre o desenvolvimento inicial das plantas, no
necessitamos trabalhar com parcelas to grandes, pelo fato do tamanho da rea
experimental poder ser de pequeno porte.
3. Nmero de tratamentos em estudo: Quando o nmero de tratamentos muito grande,

como ocorre com os experimentos de melhoramento gentico vegetal, o tamanho das
parcelas deve ser reduzido, para diminuir a distncia entre as parcelas externas, visando
homogeneidade entre elas.
4. Quantidade disponvel de sementes: Nos experimentos de melhoramento gentico

vegetal, este um fator limitante para o tamanho das parcelas.
5. Uso de mquinas agrcolas: Nos experimentos em que necessria a utilizao mquinas

agrcolas, tais como, tratores e colheitadeiras, o tamanho das parcelas deve ser,
obrigatoriamente, grande.
6. rea total disponvel para a pesquisa: Frequentemente, o pesquisador tem que ajustar
seu experimento ao tamanho da rea disponvel, que em geral pequeno, o que resulta na
utilizao de parcelas pequenas.
7. Custo, tempo e mo-de-obra: So fatores que tambm limitam o tamanho das parcelas.
No que se refere forma das parcelas, experimentos realizados em diversos pases, com
diferentes culturas, tm mostrado que, para se obter maior preciso, as parcelas devem ser
compridas e estreitas, evitando-se que toda a parcela ocupe uma mancha de alta ou baixa
fertilidade do solo, que possa existir na rea experimental.
18
Para as parcelas de tamanho pequeno, o efeito da forma muito pequeno. O tamanho e a

forma ideais para a parcela so aqueles que resultem em maior homogeneidade das parcelas.
Em alguns experimentos, devemos utilizar bordaduras nas parcelas, para se evitar a influncia
sobre a parcela, dos tratamentos aplicados nas parcelas vizinhas. Neste caso, teremos a rea
total e a rea til da parcela, sendo que os dados a serem utilizados na anlise estatstica sero
aqueles coletados apenas na rea til da parcela.
Nos experimentos em casa-de-vegetao, para a constituio de cada parcela, podemos
utilizar um conjunto de vasos ou, ento, um nico vaso com 2 ou 3 plantas e, s vezes, uma
nica planta constituindo a unidade experimental.
Em experimentos de laboratrio, uma amostra simples do material poder constituir a
parcela, porm, s vezes necessrio utilizar uma amostra composta. Quando so feitas varias
determinaes em uma mesma amostra, o valor da parcela ser a mdia das vrias
determinaes. No devemos confundir as diversas determinaes da mesma amostra, com as
repeties do experimento.
2.3. PRINCPIOS BSICOS DA EXPERIMENTAO
Para assegurar que os dados sero obtidos de forma a propiciar uma anlise correta e que
conduza a concluses vlidas com relao ao problema em estudo, o experimentador deve levar
em conta alguns princpios bsicos ao planejar o experimento.
2.3.1. PRINCPIO DA REPETIO
O principio da repetio consiste na reproduo do experimento bsico. Sejam, por

exemplo, 2 variedades, A e B, plantadas em 2 parcelas o mais semelhante possvel. O fato da
variedade A se comportar melhor que a B, pouco ou nada significa, pois a variedade A pode
ter tido um melhor comportamento por um simples acaso.
Podemos tentar contornar o problema, plantando as variedades A e B em diversas parcelas,
e considerando o comportamento mdio de cada variedade. Aqui intervm o princpio da
repetio, ou seja a reproduo do experimento bsico.
Entretanto, apenas este princpio no resolve totalmente o problema, pois se todas as
parcelas com a variedade A estiverem grupadas e as com as variedade B tambm, o efeito dos
19
fatores no controlados continuar a ser uma hiptese possvel para o melhor comportamento
da variedade A.
2.3.2. PRINCPIO DA CASUALIZAO
O princpio da casualizao consiste na distribuio dos tratamentos s parcelas de forma

casual, para se evitar que um determinado tratamento venha a ser beneficiado por sucessivas
repeties em parcelas melhores.
Se, por exemplo, temos as 2 variedades A e B, distribudas ao acaso em 6 parcelas cada,
teremos :
A B A B
B A B A
A B B A
Ento, se a variedade A se comportar melhor que a B em qualquer das parcelas, pela teoria
de probabilidades, a probabilidade de que isso ocorra por acaso :
6! . 6! 1
= = = 0,1% = 1 = 99,9%
12! 924
Isso significa que o resultado obtido ainda pode ser devido ao acaso, porm a probabilidade
de que isto ocorra por acaso de apenas 0,1%, ou seja, existe uma probabilidade de 99,9% de
que haja realmente um melhor comportamento de um dos tratamentos.
2.3.3. PRINCPIO DO CONTROLE LOCAL
Este princpio frequentemente utilizado, mas no de uso obrigatrio. A funo do

controle local tornar o delineamento mais eficiente, reduzindo o erro experimental.
O controle local consiste na formao de grupos de parcelas o mais homogneos possvel,
de modo a reduzir o erro experimental. Cada grupo constitui um bloco, sendo que os
tratamentos devem ser sorteados dentro de cada bloco. Por exemplo:
20
B A A B B A
A B B A A B
Bloco 1 Bloco 2 Bloco 3 Bloco 4 Bloco 5 Bloco 6
2.4. RELAO ENTRE OS PRINCPIOS BSICOS DA EXPERIMENTAO E OS

DELINEAMENTOS EXPERIMENTAIS
A anlise de varincia consiste na decomposio da varincia total de um material

heterogneo em partes atribudas a causas conhecidas e independentes e a uma poro residual
de origem desconhecida e de natureza aleatria.
Quando planejamos um experimento, levando em conta apenas os princpios da repetio
e da casualizao, sem considerar o princpio do controle local, temos o Delineamento
Inteiramente Casualizado (DIC) ou Delineamento Inteiramente ao Acaso.
S devemos utilizar esse delineamento, quando temos certeza da homogeneidade das
condies experimentais. frequentemente utilizado em experimentos de laboratrio, onde as
condies experimentais podem ser perfeitamente controladas.
Num experimento inteiramente casualizado, com 5 tratamentos, cada um dos quais foi
repetido 5 vezes, teremos o seguinte esquema de anlise de varincia:
CAUSAS DE VARIAO G.L.

TRATAMENTOS 4
RESDUO 20
TOTAL 24
O resduo ou erro, a causa de variao que reflete o efeito dos fatores no controlados,
tambm chamados de acaso.
Quando no h homogeneidade entre parcelas, devemos utilizar o princpio do controle
local, estabelecendo os blocos. Neste caso, o delineamento a ser utilizado o Delineamento
em Blocos Casualizados (DBC).
21
O esquema de anlise de varincia de um experimento em blocos casualizados com 5

tratamentos e 5 repeties dada por:
TRATAMENTOS 4
BLOCOS 4
RESDUO 16
TOTAL 24
Quando necessitamos controlar 2 tipos de heterogeneidade, devemos utilizar o

Delineamento em Quadrado Latino (DQL). Neste delineamento, os tratamentos sofrem um
duplo controle local, sendo dispostos em linhas e colunas.
Para um experimento em quadrado latino com 5 tratamentos, o esquema de anlise de
varincia ser:

TRATAMENTOS 4
LINHAS 4
COLUNAS 4
RESDUO 12
TOTAL 24
3. TESTES DE SIGNIFICNCIA
3.1. INTRODUO
Um dos principais objetivos da Estatstica a tomada de decises a respeito da populao,

com base na observao de amostras, ou seja, a obteno de concluses vlidas para toda a
populao, com base em amostras retiradas dessa populao.
Ao tentarmos tomar decises, conveniente a formulao de hipteses ou suposies

relativas s populaes. Essas suposies, que podem ou no ser verdadeiras, so chamadas de
22
hipteses estatsticas e consistem, geralmente, em consideraes a respeito das distribuies

de probabilidade das populaes.
Em muitos casos formulamos uma hiptese estatstica com o objetivo de rejeit-la ou

invalid-la. Por exemplo, quando realizamos um experimento com o objetivo de verificar quais
sementes germinam melhor em uma rea, levando-se em considerao a incidncia de luz,
formulamos a hiptese de que no existam diferenas entre as variedades em relao a
germinao (isto , que quaisquer diferenas observadas so devidas unicamente aos fatores
no controlados ou acaso ). Essa hiptese inicial que formulamos, denominada de hiptese
da nulidade e representada por H0.
Admitindo-se essa hiptese como verdadeira, se verificarmos que os resultados obtidos ao

final do experimento em uma amostra aleatria diferem acentuadamente dos resultados
esperados para essa hiptese, com base na teoria das probabilidades, podemos concluir que as
diferenas observadas so significativas, e rejeitar essa hiptese.
Ento rejeitamos a hiptese da nulidade em favor de outra, que representada por H1 e

denominada de hiptese alternativa. Por exemplo, no caso da comparao entre as variedades,
a hiptese alternativa seria: As variedades testadas se comportam de maneira diferente em
relao intensidade de luz no local.
Os mtodos que nos permitem decidir se aceitamos ou rejeitamos uma determinada

hiptese, ou se a amostra observada difere significativamente dos valores esperados, so
denominados de testes de significncia, ou testes de hipteses.
Porm, ao tomarmos decises de rejeitar ou aceitar uma determinada hiptese, estamos

sujeitos a incorrer em dois tipos de erros:
Erro do tipo I - o erro que cometemos ao rejeitar uma hiptese verdadeira, que deveria ser
aceita.
Erro do tipo II - o erro que cometemos ao aceitar uma hiptese falsa, que deveria ser
rejeitada.
Esses dois tipos de erro esto associados de tal forma que a medida que diminumos a
probabilidade de ocorrncia de um deles, automaticamente aumentamos a probabilidade de
ocorrncia do outro.
23
Geralmente, em estatstica, controlamos apenas o erro do Tipo I, atravs do nvel de

significncia do teste.
O nvel de significncia do teste, representada por , a probabilidade mxima com que

nos sujeitamos a correr o risco de cometer um erro do Tipo I, ao testarmos uma hiptese.
Na prtica, usual fixarmos esse nvel de significncia em 5% ou em 1%, ou seja, = 0,05

ou = 0,01.
Ento, se por exemplo, escolhermos o nvel de significncia de 5%( =0,05), isso indica
que temos 5 chances em 100 de rejeitarmos uma hiptese que deveria ser aceita, isto , h uma
confiana de 95% de que tenhamos tomado uma deciso correta .
Essa confiana que temos de termos tomado uma deciso correta denominada de Grau
de Confiana do Teste, e dada por 100(1-)%.
O teste de significncia mais utilizado em estatstica experimental o Teste F, que

estudaremos a seguir.
3.2. TESTE F DE SNEDECOR PARA ANLISE DE VARINCIA
A Anlise de Varincia uma tcnica que nos permite fazer a decomposio da varincia
total em partes atribudas a causas conhecidas e independentes e a uma poro residual de
origem desconhecida e de natureza aleatria.
O teste F tem por finalidade comparar estimativas de varincias.
Na anlise de varincia, as estimativas de varincia so dadas pelos quadrados mdios

(Q.M), obtendo-se um Q.M. para cada causa de variao. Assim, num experimento
inteiramente casualizado, temos 2 estimativas de varincia: uma devida aos efeitos de
tratamentos (dada pelo QM Tratamentos) e outra devida aos efeitos dos fatores no
controlados ou acaso (dada pelo QM Resduo).
Para aplicar o teste F na anlise de varincia, utilizamos sempre no denominador, o QM

Resduo, ou seja, comparamos sempre uma varincia devida aos efeitos do fator controlado
(Tratamentos, blocos, linhas, colunas, etc.), com a varincia devida aos efeitos dos fatores no
controlados ou acaso (Resduo).
Ento:
24

F=

Sob a hiptese da nulidade, isto , supondo-se que os efeitos dos tratamentos so todos
equivalentes, teramos 2 estimativas de varincia (QM Tratamentos e QM Resduo) que no
deveriam diferir, a no ser por flutuaes amostrais, pois ambas estimam a variao do acaso.
Assim,
QM Resduo - estima a variao do acaso: 2
QM Tratamentos estima a variao do acaso mais a variao devida ao efeito de tratamentos

2 + K 2T
Portanto,
2 + K 2T
F= =
2
A seguir, comparamos o valor de F calculado com os valores da tabela da distribuio F

(geralmente aos nveis de 5% e 1%). Os valores crticos so obtidos na tabela da distribuio
F, em funo do nmero de graus de liberdade de tratamentos (ou de blocos), na horizontal e
do nmero de graus de liberdade do resduo, na vertical.
O Critrio do Teste o seguinte:
Se F calculado F tabela, o teste significativo no nvel testado. Ento, devemos

rejeitar a hiptese da nulidade (H0), e concluir que os efeitos dos tratamentos diferem
entre si a esse nvel de probabilidade, e essas diferenas no devem ser atribudas ao
acaso, mas sim aos efeitos dos tratamentos testados, com uma grau de confiana de
100(1-)%.
Se F calculado < F tabelado, o teste no significativo ao nvel testado. Ento, no

devemos rejeitar a hiptese da nulidade (H0). Neste caso, conclumos que os efeitos dos
tratamentos no diferem entre si a esse nvel de probabilidade.
A seguir, apresentamos um esquema grfico da distribuio F.
25
Resumidamente, temos:
a) Fcalc < Ftab (5%) O Teste F no significativo ao nvel de 5% de probabilidade.

Aceitamos H0 Utiliza-se a notao FcalcNS.
b) Ftab(5%) < Fcalc < Ftab(1%) O teste significativo ao nvel de 5% de

probabilidade. Rejeitamos H0, com um grau de confiana superior a 95%. Utiliza-se a
notao: Fcalc*
c) Fcalc > Ftab(1%) O teste significativo ao nvel de 1% de probabilidade. Rejeitamos

H0, com um grau de confiana superior a 99%. Utiliza-se a notao: Fcalc**
3.3. EXEMPLO DE APLICAO DO TESTE F

Um engenheiro ambiental foi contratado para tratar uma rea contaminada por metais
pesados. Para isso ele decidiu testar qual tratamento seria mais eficiente para ser aplicado nesse
local, sendo ento aplicados 5 tratamentos com 4 repeties. Os tratamentos testados foram:
1) LAd+iodo 2)LAd
3)LVd+iodo 4) LVd 5) iodo
O delineamento experimental utilizado foi em blocos casualizados, utilizando vasos
preenchidos com amostras de Latossolo Amarelo Distrfico e Latossolo Vermelho Distrfico.
Aps experimento feito, foram obtidas as seguintes somas de quadrados para a anlise de
varincia:
SQ Tratamentos = 4538, 1880
SQ Blocos = 1266, 0535
26
SQ Total = 9237, 6055
As hipteses que desejamos testar, para tratamentos, so:

H0: Os tratamentos testados no diferem entre si quanto eficincia.
H1: Os tratamentos testados diferem entre si quanto eficincia.
Para testar essas hipteses, podemos montar o seguinte quadro de anlise de varincia:
CAUSAS DE VARIAO G.L. S.Q. Q.M F

TRATAMENTOS 4 4538,1880 1134,5470 3,97*
BLOCOS 3 1266,0535 422,0178 1,48NS
-
RESDUO 12 3433,3640 286,1137
TOTAL 19 9237,6055 - -
Valores de F da Tabela:
5% = 3,26
Para Tratamentos (4x12 g.l.): {
1% = 5,41
5% = 3,49
Para Blocos (3x12 g.l.): {
1% = 5,95
Concluses:
a) Para Tratamentos: O teste foi significativo ao nvel de 5% de probabilidade. Rejeitamos
a hiptese H0, e conclumos que os tratamentos (pelos menos 2) testados nessa rea
possuem uma eficincia maior , a esse nvel de probabilidade, com um grau de
confiana superior a 95% de probabilidade.
b) Blocos: O teste foi no significativo ao nvel de 5% de probabilidade. No rejeitamos a
hiptese H0, e conclumos que os vasos utilizados como blocos no diferem entre si em
relao a eficincia do tratamento, a esse nvel de probabilidade.
3.4. TESTES PARA COMPARAOD E MDIAS
3.4.1. INTRODUO
27
O Teste F nos permite apenas tirar concluses muito gerais, relacionados com o
comportamento dos tratamentos como um todo, indicando apenas se eles se comportam da
mesma maneira ou de maneira diferente, nada nos informando com relao a quais os melhores
tratamentos. Para verificar quais so os melhores tratamentos, devemos utilizar os testes de
comparao de mdias.
Antes de entrarmos no estudo dos testes de comparao de mdias, devemos abordar alguns
conceitos relacionados com estes testes.
3.4.2.CONTRASTE DE MDIAS
Contrastes de mdias so relaes lineares entre as mdias verdadeiras dos tratamentos, de

forma que a soma algbrica dos coeficientes dessa funo seja nula.
Ento, uma combinao linear das medias do tipo:
Y= c1m1+ c2m2 +...+cImI ,

ser um contraste se e s se:
= 1 + 2 + = 0.
=1
Assim, se num experimento, temos 3 tratamentos, cujas mdias verdadeiras so m1, m2 e

m3, as relaes:
Y1= m1- m2
Y2= m1+ m2 - 2m3
so contrastes, enquanto que a relao:
Y3= m1 + m2 m3
no um contraste.
O nmero de contrastes que podemos formar com um grupo de mdias grande, e numa
anlise estatstica, formamos aqueles que realmente so de interesse do pesquisador.
3.4.3. ESTIMATIVA DO CONTRASTE
28
Geralmente, no conhecemos as mdias verdadeiras, de forma que o verdadeiro valor do

contraste tambm nos desconhecido. Porm, como conhecemos as estimativas das mdias,
podemos calcular as estimativas dos contrastes.
Ento, para um contraste de mdias na forma geral:
Y= c1m1 + c2m2 +...+cImI ,

com

= 0 ,
=1
obtemos a estimativa:
= c1
1 + c2
2+...+cI
I.
Devemos frisar bem que, quando trabalhamos com estimativas de mdias, obtemos
tambm estimativas de contraste. O valor verdadeiro do contraste s seria obtido, se
conhecssemos as mdias populacionais.
3.4.4. COVARINCIA ENTRE DOIS CONTRASTES
Consideremos as duas estimativas de contraste:

1= a1
1 + a2
2+...+aI
I.
e
2= b1
1 + b2
2+...+bI
I. ,
nas quais, as mdias foram estimadas com r1 , r2,... , rI repeties, respectivamente.

A estimativa de covarincia entre essas duas estimativas de contrastes definida por:
(1, 2) = a1b1 (
1) + a2b2 (
2) +...+ aIbI (
I).
Lembrando que
2

(
1) = , (i = 1,2,...,I )

29
temos:
2 2 2

(1, 2) = a1b1 1 + a2b2 2 +...+ aIbI .
1 2
Como geralmente temos 12 = 22 = ...= 2 = 2 , ento
1 1 2 2
(1, 2)=( + +...+ )s2
1 2
Na prtica, principalmente nas anlises de varincia, frequentemente admitimos a mesma

varincia para todos a mdias e geralmente trabalhamos com o mesmo nmero de repeties,
resultando:
2
(1, 2) =(a1b1+ a2b2+...+ aIbI )
3.4.5. CONTRASTES ORTOGONAIS
A ortogonalidade entre dois contrastes traduz uma independncia entre eles, isto , a
variao de um completamente independente da variao do outro.
Dizemos que 2 contrastes so ortogonais entre si se a covarincia entre eles for nula.
Assim, a condio de ortogonalidade dada por:
1 1 2 2 2 2 2
1 + 2 +...+ = 0,
1 2
ou seja,

2
=0

=1
Se admitirmos a mesma varincia para todas as mdias, a condio de ortogonalidade ser:

a1b1 + a2b2 +...+ aIbI = 0,
30
ou seja,

= 0
=1
Para exemplificar, vamos considerar os dois contrastes Y1 e Y2, vistos anteriormente.

Podemos escrev-los da seguinte forma:
Y1 = m1 - m2 + 0m3
Y2 = m1+ m2 2m3
Neste caso, temos:
Y1 => 1 -1 0
Y2 => 1 +1 -2
_____________________________
3=1 = (1) + (-1) + (0) = 0
Portanto, Y1 e Y2 so ortogonais entre si.
3.4.6. VARINCIA DE UM CONTRASTE
Consideremos um contraste na forma

Y = c1m1 + c2m2 +...+ cImI ,
cuja estimativa :
= c1
1 + c2
2+...+cI
I.
A estimativa de varincia da estimativa do contraste representada por () e dada por:

() = (, )= 12 (
1 ) + 22 (
2 ) + + 2 (
),
e vlida apenas quando todas as mdias so independentes.
Substituindo-se as varincias das mdias, obtm-se:
31
2 2 22 22 + +2 2
() = 1 1 + .
1 2
Se tivermos 12 = 22 = = 2 = 2 , ento :
12 22 2
() = ( + + + ) 2
1 2
e ainda, se tivermos r1 = r2 = ...= rI ,
2
() = (12 + 22 + + 2 )
3.4.7.ERRO PADRO DO CONTRASTE
O erro padro de um contraste, representado por s(), a raiz quadrada da estimativa da

varincia da estimativa do contraste, ou seja:
s() = () .
3.5. TESTE t DE STUDENT
O teste t um teste que serve para confrontar mdias ou grupos de mdias, e portanto,
implica na utilizao de contrastes de mdias.
Admitindo-se ento, um contraste na sua forma geral:
Y = c1m1 + c2m2 +...+ cImI ,
e sua estimativa
= c1
1 + c2
2+...+cI
I ,
que podemos confrontar pelo Teste t.
A estatstica do Teste t calculada da seguinte forma:
0 0
= =
() ()
32
Normalmente, comparamos o valor do contraste com o valor zero (0), isto , verificamos
se sua estimativa no difere estatisticamente de zero. Na realidade, quando assim procedemos,
estamos verificando se os grupos de mdias contrastadas no diferem estatisticamente entre si.
Embora no muito usual, o contraste poderia ser confrontado com qualquer outro valor A,
constante. Sua expresso, nesse caso, seria:

= =
() ()
Em ambos os casos, o valor de t calculado deve ser comparado com os valores de t

tabelados, para verificar a significncia di teste. Estes valores de t so tabelados em funo do
nmero de graus de liberdade do resduo da anlise de varincia.
O critrio do teste o seguinte:
a) Se | tc | ttab, o teste significativo ao nvel de probabilidade considerada. Neste

caso, rejeitamos H0 e conclumos que as mdias ou grupos de mdias testadas no
contraste diferem significativamente entre si.
b) Se | tc |< ttab, o teste no significativo ao nvel de probabilidade considerada.
Neste caso, no rejeitamos H0, e conclumos que as mdias ou grupos de mdias
testados no contraste no diferem significativamente entre si.
Para a aplicao exata do teste t, so necessrias duas condies bsicas:

1. Que os contrastes sejam estabelecidos a pron, ou seja, que os mesmos no
sejam sugeridos pelos resultados.
2. Que os contrastes a serem testados sejam ortogonais entre si.
EXEMPLO DE APLICAO: Para exemplificar a aplicao do teste t, vamos utilizar os

dados do exemplo utilizado no teste F, considerando-se que as mdias das 4 repeties de cada
tratamento foram:

1 = 97,20 t/ha

2 = 135,18 t/ha

3 = 139,65 t/ha s2 = QMRes = 286,1137
33

4 = 124,55 t/h r=4

5 = 131,75 t/h
Supondo que se deseja testar o contraste:
= 4
1
2
3
4
5,
que corresponde a verificar se a mdia do tratamento LAd+iodo difere da mdia dos outros
tratamentos, temos:
= 4(97,20) - 135,18 - 139,65 - 124,55 - 131,75

= -142,33
286,1137
() = [ 42 + (-1)2 + (-1)2 +(-1)2 +(-1)2 ] = 1430,5685
4
() = 1430, 5685 = 37,83
0 142,33
tc = () = = -3,76 **.
37,83
Os valores crticos de t so tabelados em funo do nmero de g.l. do resduo. Neste caso

temos 12 graus de liberdade para o resduo, ento:
(12.., =0,05) = 2,18
(12.., =0,01) = 3,06
Como |tc| > tt , conclumos que o contraste significativo ao nvel de 1% de probabilidade.

As hipteses, neste caso so:
H0: Y=0 vs. Ha:Y 0,
ento, rejeitamos H0, em favor de Ha :Y 0, isto , existe uma probabilidade acima de 99%
de que o valor do contraste seja diferente de zero. Neste caso, conclumos que o grupo formado
pelo tratamento LAd+iodo difere significativamente do grupo formado pelos outros
tratamentos, sendo que o LAd+iodo apresenta uma maior eficincia, conforme pode-se
observar pelo valor da estimativa do contraste.
3.6. TESTE DE TUKEY
34
O Teste de Tukey pode tambm ser usado como um complemento do Teste F da anlise
de varincia. Ele serve para confrontar todo e qualquer contraste entre 2 mdias de tratamentos.
Assim, num experimento com I tratamentos, podemos comparar:
! (1)
2 = = contrastes.
2!.(2)! 2
um teste verstil, porm no nos permite comparar 2 grupos de mdias. Baseia-se na

diferena mnima significativa (d.m.s.) representada por e dada por:

=q )
= q.s(

onde, q o valor da amplitude total estudentizada, valor encontrado em tabelas, em funo do

nmero de tratamentos do experimento (n) e do nmero de graus de liberdade do resduo (n),
geralmente ao nvel de 5% de probabilidade.
s o desvio padro residual, dado por s =
r o nmero de repeties com que foram calculadas as mdias dos tratamentos.
O procedimento para aplicao do teste o seguinte:

1. Calcula-se o valor de .
2. Calculam-se todas as estimativas de contrastes entre duas mdias, do tipo:
=

(i = 1, 2,..., I-1) e (j = i+1, i+2,..., I)
3. Comparam-se os valores de || com .
Se || o contraste significativo ao nvel de probabilidade considerado, indicando

que as mdias dos tratamentos testados no contraste diferem entre si a esse nvel de
probabilidade.
4. Indica-se a significncia do teste, colocando-se uma das notaes (NS, * ou **)
sobre o valor da estimativa do contraste.
Para que o teste seja exato, exige que todas as mdias tenham o mesmo nmero de
repeties. Quando as mdias no forem calculadas com o mesmo nmero de repeties, o
teste de Tukey aproximado, e, neste caso, a d.m.s. deve ser obtida atravs da expresso:
35
1
= ()
2
EXEMPLO DE APLICAO: Para exemplificar a aplicao do teste de Tukey, vamos

utilizar os dados do exemplo utilizado no teste F, onde:
1 = 97,20 t/ha
2= 135,18 t/ha
3= 139,65 t/ha s2 = QMRes = 286,1137
4= 124,55 t/ha r=4
5= 131,75 t/ha
1) Clculo do valor de :
q(5 trat x 12 gl do resduo) (5%) = 4,51 s = = 16,91 r = 4
Ento, temos:
4,51 .16,91
=q = = 38,14 t/ha
4
Delta = DMS = Diferena mnima significativa
>=*
< = ns
2) Obteno das estatsticas dos contrastes:

Para obter sempre estimativas de contrastes positivas, conveniente colocar as
mdias em ordem decrescente, embora isto no seja imprescindvel para a aplicao do
teste.
Ento, ordenando as mdias, teremos:
3= 139,65
2= 135,18
5= 131,75
4= 124,55
1 = 97,20
A obteno das estimativas dos contrastes pode ser feita de duas maneiras:
a) Escrevendo cada um dos contrastes:

1 = 2 = 4,47
3 6 = 4 = 10,63
2
36
2 = 5 = 7,90
3 7 = 1 = 37,98
2
3 = 4 = 15,10
3 8 = 4 = 7,20
5
4 = 1 = 42,45
3 9 = 1 = 34,55
5
5 = 5 = 3,43
2 10 = 1 = 27,35
4
b) Montando um quadro resumido com as mdias em ordem decrescente:

3
2
5
4
1

3 _ 4,47NS 7,90NS 15,10NS 42,45*

2 _ _ 3,43NS 10,63NS 37,98NS

5 _ _ _ 7,20NS 34,55NS

4 _ _ _ _ 27,35NS

1 _ _ _ _ _
3.7. TESTE DE DUNCAN
O Teste de Duncan tambm pode ser utilizado como um complemento do Teste F da

anlise de varincia.
Para ser exato, este teste tambm exige que as mdias possuam todas o mesmo nmero de
repeties. Este teste baseia-se na Amplitude total mnima significativa, representada por D e
dada por:

= . ),
= . (

onde:
= Amplitude Total Estudentizada. Valor encontrado em tabelas, em funo do nmero de
mdias abrangidas pelo contraste e do nmero de graus de liberdade do resduo.
= ,
= n de repeties com que foram obtidas as mdias.
37
O Procedimento para a aplicao do Teste de Duncan o seguinte:
1. Ordenam-se as mdias em ordem decrescente.

2. Calcula-se a estimativa do contraste que abrange k mdias.
3. Calcula-se o valor de Dk correspondente, dado por:

= (,) .

4. Compara-se o valor de | | com Dk..
Se | | o teste significativo. Neste caso, reduz-se de um n de mdias

abrangidas pelo contraste (valor de k) e volta-se ao passo 2.
Se | | < o teste no significativo. Neste caso, unem-se por uma barra as
mdias abrangidas pelo contraste, e no so feitas mais comparaes entre estas mdias.
Quando as mdias dos tratamentos no so igualmente repetidas, o teste apenas

aproximado, e calculamos a amplitude total mnima significativa por:
1
= . 2 ().
EXEMPLO DE APLICAO: Para exemplificar a aplicao do teste de Duncan, vamos

utilizar os dados do exemplo utilizado no teste F:
1) Mdias em ordem decrescente:

3= 139,65 t/ha

2= 135,18 t/ha

5= 131,75 t/ha s2 = QMRes = 286,1137

4= 124,55 t/ha r=4

1 = 97,20 t/h
2) Contraste que abrange 5 mdias :
1 =
3
1 = 42,25 /
38
16,91
5 = 5 . = 3,36. = 28,41 /
4
Com 1 > 5 , o teste significativo ao nvel de 5% de probabilidade ,

rejeitamos H0 e conclumos que
3
1.
3) Contrastes que abrangem 4 mdias:
2 = 4 = 15,10 / e 3 =
3 2
1 = 37,98 /
16,91
4 = 4 . = 3,33. = 28,16 /
4
Como 2 < 4 , o teste no significativo ao nvel de 5% de probabilidade,

no rejeitamos H0 e conclumos que
3 no difere de
4.
Como 3 > 4 , o teste significativo ao nvel de 5% de probabilidade, rejeitamos H0 e

conclumos que
2
1.
Neste caso, ligamos por uma barra as mdias

3
4 , e no se faz mais comparaes
entre mdias que estejam ligadas por esta barra. Assim, temos:

3 = 139,65 /

2 = 135,18 /

5 = 131,75 /

4 = 124,55 /

1 = 97,20 /
4) Contrastes que abrangem 3 mdia:
4 =
5
1 = 34,55 /
39
16,91
3 = 3 . = 3,23. = 27,31 /
4
Como 4 > 3 , o teste significativo ao nvel de 5% de probabilidade, rejeitamos H0 e

conclumos que
5
1.
5) Contrastes que abrangem 2 mdias:
5 =
4
1 = 27,35 /
16,91
2 = 2 . = 3,08. = 26,04 /
4
Como 5 > 2 , o teste significativo ao nvel de 5% de probabilidade,

rejeitamos H0 e conclumos que
4
1.
Portanto, o resultado final do teste pode ser representado da seguinte maneira:

3 = 139,65 /

2 = 135,18 /

5 = 131,75 /

4 = 124,55 /

1 = 97,20 /
Concluso: As mdias ligadas por uma mesma barra no diferem entre si pelo teste
de Duncan, ao nvel de 5% de probabilidade.
3.8. TESTE DE SCHEFF
Quando, numa anlise de varincia, encontramos um valor significativo para o Teste F,

isto nos indica a existncia de pelo menos um contraste significativo entre as mdias dos
tratamentos.
O Teste de Scheff se presta para testar contrastes, mesmo que estabelecidos a posterion.
um teste mais rigoroso que o Teste t, porm mais flexvel, pois no exige que os contrastes
seja estabelecidos a pron, nem mesmo que sejam ortogonais entre si. Deve ser aplicado
40
apenas nos casos em que o Teste F para tratamentos na anlise de varincia, seja significativo.
Sua aplicao recomendada para contrastes que envolvam mais de duas mdias.
A estatstica do teste :
= ( 1). . (),
onde,
1 = n de g.l. de tratamentos
F = valor da tabela da distribuio F, ao nvel de probabilidade ( = 0,05),
em funo do n de g.l. de tratamentos pelo nmero de g.l. do resduo.
Critrio do Teste:
Se || S, dizemos que o contraste significativo ao nvel de de
probabilidade.
Se | | < S, dizemos que o contraste no significativo ao nvel de de
probabilidade.
EXEMPLO DE APLICAO: Para exemplificar a aplicao do Teste de Scheff, vamos

utilizar os dados do exemplo utilizado no teste F, onde:
1 = 97,20 t/ha
2= 135,18 t/ha
3= 139,65 t/ha s2 = QMRes = 286,1137
4= 124,55 t/ha r=4
5= 131,75 t/ha
Supondo que se deseja testar o contraste:
= 4
1
2
3
4
5,
41
que corresponde a verificar se a mdia do tratamento LAd+iodo difere das mdias dos outros
tratamentos, temos:
= 4(97,20) - 135,18 - 139,65 - 124,55 - 131,75

= -142,33
286,1137
() = [ 42 + (-1)2 + (-1)2 +(-1)2 +(-1)2 ] = 1430,5685
4
Ftab(4g.l.Trat.x12g.l.Res.,5%) = 3,26
Portanto, a estatstica do teste ser:
S = ( 1). . () = (5 1). 3,26 . 1430,5685 = 18654,61 = 136,58 t/ha
Ento, como || > S, o contraste significativo ao nvel de 5% de probabilidade, indicando

que devemos rejeitar H0, e concluir que, em mdia, o grupo de outros tratamentos apresenta
uma eficincia maior que o LAd+iodo .
4. DELINEAMENTO INTEIRAMENTE CASUALIZADO
4.1. CARACTERIZAO
O delineamento inteiramente casualizado o mais simples de todos os delineamentos

experimentais, e os experimentos instalados de acordo com este delineamento so chamados
de experimentos inteiramente casualizados ou Experimentos Inteiramente ao Acaso.
Este delineamento apresenta as seguintes caractersticas:
1) Leva em conta apenas os princpios da repetio e da casualizao, deixando de lado o

principio do controle local e, portanto, as repeties no so organizadas em blocos.
2) Os tratamentos so designados s parcelas de forma inteiramente casual, com qualquer
nmero de repeties.
As principais vantagens desse delineamento so as seguintes:
42
1) Proporciona grande flexibilidade de trabalho, pois podemos utilizar qualquer nmero

de tratamentos e de repeties, e o nmero de repeties pode variar de um tratamento
para outro, sem causar srios problemas na anlise.
2) Nos proporciona o maior nmero possvel de graus de liberdade para o resduo.
As principais desvantagens desse delineamento so:
1) Exige homogeneidade das parcelas experimentais.

2) Geralmente nos conduz a uma estimativa bastante alta para a varincia residual, tendo
em vista que todas as variaes, exceto aquela devido ao efeito de tratamentos, so
tomadas como variao do acaso.
Para a instalao desses experimentos, devemos ter certeza da homogeneidade das

condies experimentais. Este delineamento bastante utilizado em ensaios de laboratrio e
em ensaios com vasos, realizados dentro de casas de vegetao, em que as condies
experimentais podem ser perfeitamente controladas.
A distribuio casual dos tratamentos a todas as parcelas do experimento a principal

caracterstica deste delineamento. Por exemplo, num experimento no delineamento
inteiramente casualizado com 5 tratamentos e 4 repeties, a casualizao dos tratamentos seria
feita sorteando-se para cada uma das 20 parcelas do experimento uma combinao de
tratamento e repetio.
Assim, um sorteio para distribuio dos tratamentos s parcelas poderia ser o seguinte:
B4 D1 B1 A2 D4
D2 A1 C4 D3 B3
E1 E3 B2 A3 C2
A4 C1 E4 C3 E2
43
4.2. MODELO MATEMTICO
Todo delineamento experimental possui um modelo matemtico que o representa. Para

podermos efetuar a anlise de varincia de um experimento em um determinado delineamento,
devemos levar em conta o modelo matemtico desse delineamento e aceitar algumas hipteses
bsicas necessrias para a validade da anlise.
No caso do delineamento inteiramente casualizado, que o mais simples de todos, tendo

como causas de variao, apenas o efeito de tratamentos e o efeito do acaso, o modelo
matemtico o seguinte:
= + + .
onde,
o valor observado na parcela que recebeu o tratamento i na repetio j,
m a mdia geral do experimento,
o efeito devido ao tratamento i, que foi aplicado parcela,
o efeito dos fatores no controlados na parcela que recebeu o tratamento i na repetio j.
4.3. HIPTESES BSICAS PARA APLICAO DA ANLISE DE VARINCIA
As hipteses bsicas que devemos admitir para tornar vlida a aplicao da anlise de
varincia so as seguintes:
1) Aditividade: Os efeitos dos fatores que ocorrem no modelo matemtico devem ser
aditivos.
2) Independncia: Os erros ou desvios , devido aos efeitos dos fatores no controlados
devem ser independentes.
3) Homocedasticidade ou Homogeneidade de Varincias: Os erros ou desvios ,
devido aos efeitos dos fatores no controlados ou acaso, devem possuir uma varincia
comum 2 .
4) Normalidade: Os erros ou desvios , devido aos efeitos dos fatores no controlados
ou acaso, devem possuir distribuio normal de probabilidades.
44
Porm, nem sempre estas condies so todas satisfeitas, o que nos obriga a utilizar certas
metodologias especficas que contornam satisfatoriamente o problema.
Um dos casos mais frequentes o da heterogeneidade de varincias. Neste caso, na maioria

das vezes, uma transformao adequada contorna o problema e permite a aplicao do mtodo
da analise de varincia.
As transformaes mais utilizadas so:
1) Raiz quadrada: =
Geralmente utilizada para dados de contagem, que frequentemente seguem a distribuio

de Poisson, em que a mdia e a varincia so iguais. Por exemplo, nmero de microrganismos
em uma cultura, nmero de rvores cortadas por parcela, nmero de metais pesados presentes
em um rio, etc.
Quando ocorrem valores nulos ou valores baixos, mais recomendvel utilizar as

transformaes + 0,5 ou + 1 respectivamente.

2) Arco Seno: y=arcoseno100
Esta transformao recomendvel para dados de porcentagem, proveniente de contagem,

que geralmente seguem a distribuio binomial, como por exemplo: % de espcies
monitoradas, % de eficincia de enzimas no tratamento de resduos, etc.
3) Transformao Logartmica: y= log(x)
Utilizada quando constatada uma certa proporcionalidade entre as mdias e os desvios

padres dos diversos tratamentos. Por exemplo, no caso de contagens de reas desmatadas, se
as reas desmatadas so nmerosas, as contagens sero altas para a testemunha e para os
tratamentos que no controlam o desmatamento, enquanto que, para os tratamentos que
controlam o desmatamento, a amplitude ser baixa.
Quando entre as contagens existem zeros, deve-se utilizar a transformao log(x+1).
45
4.4. OBTENO DA ANLISE DE VARINCIA
Para a obteno da anlise de varincia, vamos considerar um experimento inteiramente

casualizado com I tratamentos e J repeties. Os valores observados que se referem
caracterstica em estudo, podem ser agrupados num quadro como o seguinte:
Repeties
Tratamento 1 2 ... j ... J Total
1
1 11 12 ... ... 1
1 = 1
=1
2
2 21 22 ... ... 2
2 = 2
=1
... ... ... ... ... ... ... ...

i 1 2 ... ...
1 =
=1
... ... ... ... ... ... ... ...

I 1 2 ... ...
1 =
=1
Total
=
=1 =1
De acordo com o modelo matemtico deste delineamento, o valor observado na parcela

que recebeu o tratamento i, na repetio j representado por:
= + + .
O mtodo utilizado para obteno da anlise de varincia chamado de mtodo dos

mnimos quadrados, e consiste em minimizar a soma dos quadrados dos erros .
Ento, de acordo com o mtodo dos mnimos quadrados, temos:
46
2 = ( )2
=1 =1 2 = =1 =1( )2.
Fazendo = =1 =1 2 , temos:

= 2. ( )

=1 =1

= 2. [ ]

=1 =1 =1

= 2. ( ) , ( = 1,2, , )

=1

Fazendo = 0 e = 0, temos:

= 0

=1 =1 =1

= 0

{ =1
Impondo a restrio de que =1 = 0, temos:

=0
=1 =1

= 0

{=1
Ento,
=1 =1

= =

e,
47
+ =

=1
=

=1
=1
=
.

Mas, como = =1 , temos:

=
.

Podemos agora obter as somas de quadrados:
1) Soma de Quadrados Total: SQTotal - definida como a soma dos quadrados dos
devidos em relao mdia aritmtica.
Ento,
)2
SQtotal = (
=1 =1
= ( 2 2 2)
+
=1 =1

2
= 2 2
+
=1 =1 =1 =1
= 2 2 2
+
=1 =1

2
2
= 2 . +
()2
=1 =1

2 2
= 2 2 +

=1 =1
48

2
= 2

=1 =1
ou ainda
SQTotal = 2
=1 =1
2
onde, = .

2) Soma de Quadrados de Tratamentos: SQTrat - definida como a soma dos quadrados

dos efeitos dos tratamentos.
Ento:
2 2 2
SQTrat = 1 + 2 + +
2 2 2
= (1 + 2 + + )
2 2 2
1 2
= [(
) + (
) + + (
) ]

1 2 1 2
2 2 2 2
2
= [( 2
2
+
) + ( 2
2
+
) + + ( 2
2
+ 2 )]

1 2 2 2 2
= [( + + + ) 2 2]
(1 + 2 + + ) +

1 2 2
= [1 + 2 2 + + 2 ] 2
+
()2
1 2 2 2 2
SQTrat = [1 + 2 + + ]

ou ainda:

1
SQTrat = 2

=1
49
3) Soma de quadrados do resduo: SQRes
SQRes = SQTotal SQTrat
Podemos, a seguir, montar o seguinte quadro de anlise de varincia:
CAUSAS DE VARIAO GL SQ QM F
TRATAMENTOS I-1 SQTrat SQTrat /(I 1) QMTrat /QMRes
RESDUO I(J-1) SQRes SQRes /[I( 1)]
TOTAL IJ-1 SQTotal
HIPTESES TESTADAS:
H0 : t i = 0, i = 1,2, , I.
H1 : pelo menos um valor t i 0.
CRITRIO DO TESTE: Comparamos o valor de F calculado para tratarmos com o valor de

F tabelado em funo do nmero de graus de liberdade de tratamentos e do nmero de graus
de liberdade do resduo, ao nvel de significncia.
Se FTrat > FTab , conclumos que o teste significativo, e portanto, devemos rejeitar H0 e
concluir que existe diferena significativa entre os efeitos dos tratamentos testados em relao
caracterstica em estudo.
4.5 EXEMPLO DE APLICAO
Num experimento inteiramente casualizado, estudou-se o efeito de diferentes plantas

nativas do Cerrado para fitorremediao de um solo onde h a presena de metais pesados.
Foram utilizados como tratamentos, seis plantas diferentes, e os resultados obtidos de absoro
(%) de metais pesados por cada planta foram os seguintes:
Espcie de Planta Rep.1 Rep. 2 Rep. 3 Rep. 4 Totais

Espcie 1 4,81 4,76 4,80 4,33 18,70
50
Espcie 2 3,83 3,31 3,75 3,58 14,47

Espcie 3 3,46 3,78 3,81 4,16 15,21
Espcie 4 3,73 3,33 3,53 3,88 14,47
Espcie 5 2,53 3,10 3,28 2,66 11,57
Espcie 6 3,26 3,31 3,40 2,93 12,90
Total 87,32
As hipteses que desejamos testar so:
H0 : As espcies de plantas testadas possuem efeitos semelhantes sobre a absoro de metais

pesados do solo.
H1 : As espcies de plantas testadas possuem efeitos diferentes sobre a absoro de metais

pesados do solo.
Clculo das Somas de Quadrados:
a) Soma de Quadrados Total:

SQTotal = 2
=1 =1
2 = 4,812 + 4,762 + 4,802 + + 2,932 = 326,2588

=1 =1
2 87,322
C= = = 317,6993
6.4
Portanto,
SQTotal = 326,2588 317,6993 = 8,5595.
b) Soma de Quadrados devido ao efeito de Tratamentos:

1
SQTrat = 2

=1
51
1 2 2 2 2
SQTrat = [1 + 2 + + ]

1 87,322
SQTrat = [18,702 + 14,472 + + 12,902 ]
4 6.4
1
SQTrat = [1300,0708] 317,6993 = 7,3184.
4
c) Soma de Quadrados do Resduo:

SQRes = 8,5595 7,3184 = 1,2411.
Ento, podemos montar o seguinte quadro de anlise de varincia:
TRATAMENTOS 5 7,3184 1,4637 21,23
RESDUO 18 1,2411 0,0689 -
TOTAL 23 8,5595 - -
5% = 2,77
Valores de F da tabela para tratamentos (5x18 g.l.) : {
1% = 4,25
Concluso: O teste F foi significativo ao nvel de 1% de probabilidade, indicando que

devemos rejeitar H0 e concluir que as espcies de plantas testadas possuem efeitos diferentes
sobre a absoro de metais pesados do solo, com um grau de confiana superior a 99% de
probabilidade.
Para tirar concluses mais especficas sobre a absoro de metais pesados do solo pelas
plantas, devemos utilizar um teste de comparao de mdias.
a) Clculo das mdias de cada tratamento e erros padres das mdias:

0 18,70

0 = = = 4,68
4
52
1 14,47

1 = = = 3,62
4
2 15,21

2 = = = 3,80
4
3 14,47

3 = = = 3,62
4
4 11,57

4 = = = 2,89
4
5 12,90

5 = = = 3,23
4
E o erro padro dessas mdias ser:

0,0689
0 ) = (
( 1 ) = (
2 ) = (
3 ) = (
4 ) = (
5) = = = = 0,1313
4
b) Aplicao do teste de Tukey para comparao das mdias de tratamentos:
b.1) Clculo do valor de :
(6 18 ) (5%) = 4,50 = = 0,2626

=4
Ento, temos:
4,50 . 0,2626
= = = 0,59
4
b.2) Clculo das estimativas dos contrastes entre duas mdias:

- 0,87 1,06 1,06 1,45 1,78

- - 0,19 0,19 0,58 0,91

- - - 0,00 0,39 0,73

- - - - 0,39 0,73

- - - - - 0,33

- - - - - -
53
b.3) Concluso: Mdias seguidas de pelo menos uma letra comum no diferem entre
si, pelo teste de Tukey, ao nvel de 5% de probabilidade.

0 = 4,68

2 = 3,80

1 = 3,62

3 = 3,62

5 = 3,23

4 = 2,89
Portanto, a primeira planta testada foi a planta com melhor resultado, logo foi a planta que
mais absorveu metais pesados do solo.
c) Clculo do coeficiente de variao do experimento:

87,32

= = = 3,64 = = 0,0689 = 0,2626
6 .4
100. 100 . 0,2626

CV = = = 7,22%

3,64
4.6. DELINEAMENTO INTEIRAMENTE CASUALIZADO COM NMERO

DIFERENTE DE REPETIES POR TRATAMENTO.
4.6.1. INTRODUO
Muitas vezes, embora se tenha o cuidado no planejamento e na execuo do experimento,

de se trabalhar com o mesmo nmero de repeties por tratamento, pode acontecer de
chegarmos ao final do experimento e no conseguimos obter os dados de algumas parcelas do
experimento. Quando isto ocorre, dizemos que temos parcelas perdidas.
Existem vrias razes para a ocorrncia de parcelas perdidas. Entre elas, podemos citar:
a) Morte das plantas responsveis pela parcela.
54
b) Falha do experimentador na coleta dos dados (Erro na anotao do resultado).

c) Perda da ficha onde esto anotados os dados da parcela.
d) A parcela apresenta um valor muito discrepante dos demais e no considerada para
efeito de anlise.
4.6.2. OBTENO DA ANLISE DE VARINCIA
Todo delineamento experimental estruturado de forma que haja um perfeito

balanceamento, e a perda de parcelas causa uma quebra neste balanceamento, acarretando
modificaes no mtodo de anlise estatstica.
Para ilustrar o procedimento de anlise de um experimento inteiramente casualizado, no

balanceado, vamos utilizar o exemplo seguinte, que se refere a um trabalho onde foi analisado
a capacidade de produo de sementes sadias em kg/ha de algumas espcies de rvores para a
produo de mudas em um viveiro, para recuperar uma rea degradada:
Espcies Rep.1 Rep.2 Rep.3 Rep.4 Rep.5 Rep.6 Totais

1-Anadenanthera colubrina 10,27 11,55 11,68 11,38 11,20 11,24 67,32
2- Apuleia leiocarpa 9,77 9,96 11,94 10,18 10,43 10,49 62,77
3-Enterolobium cortisiliquun 9,86 9,59 10,43 9,99 - - 39,87
4- Peltophorum dubium 21,22 20,62 22,33 19,89 21,00 - 105,06
5- Hymenea courbaril 20,20 20,55 22,12 20,78 20,90 20,92 125,47
Total 400,49
As hipteses que desejamos testar so:
0 : As espcies de rvores no diferem entre si, quanto produo de sementes sadias.
1 : As espcies de rvores diferem entre si, quanto produo de sementes sadias.
a) Clculo das Somas de Quadrados:
a.1) Clculo da Soma de Quadrados Total:

SQTotal = 2
=1 =1
55
2 = 10,272 + 11,552 + + 20,922 = 6.650,6435

=1 =1
2 400,492
= = = 5.940,4533
27
Portanto,
SQTotal = 6.650,6435 5.940,4533 = 710,1902.
a.2) Soma de Quadrados devido ao efeito de Tratamentos:
Como os tratamentos no so igualmente repetidos, devemos calcular a SQTrat por:
1 2 2 2 2 2
SQTrat =[ + + + ]
1 2

onde, N = .
=1
Assim, no nosso exemplo, temos:
67,322 62,772 39,872 105,062 125,472 400,492

SQTrat = [ + + + + ]
6 6 4 5 6 27
SQTrat = 6.640,7210 5.940,4533 = 700,2677.
a.3) Soma de Quadrados do Resduo:
SQRes = 710,1902 700,2677
SQRes = 9,9225
TRATAMENTOS 4 700,2677 175,0669 388,17**
RESDUO 22 9,9225 0,4510 -
56
TOTAL 26 710,1902 - -
5% = 2,82
Valores de F da tabela para tratamentos (4x22g.l.):{
1% = 4,31

devemos rejeitar 0 e concluir que as espcies de rvores possuem efeitos diferentes em relao
produo de sementes sadias, com um grau de confiana superior a 99% de probabilidade.
Para tirar concluses mais especficas sobre o comportamento das cultivares, devemos
utilizar um teste de comparao de mdias.
b) Clculo das mdias e erros padres das mdias:
A mdia do tratamento i dada por:

= ,

e o seu erro padro, por:

) =
( .

Ento, no nosso exemplo, temos:
1 67,32

1 = = = 11,20 /
1 6
2 62,77

2 = = = 10,46 /
2 6
3 39,87

3 = = = 9,97 /
3 4
4 105,06

4 = = = 21,01 /
4 5
5 125,47

5 = = = 20,91 /
5 6
57
E os erros padres dessas mdias sero:
QMRes 0,4510
1 ) = (
( 2 ) = (
5) = = = = 0,27 /
6 6
QMRes 0,4510
3) =
( = = = 0,34 /
3 4 4
QMRes 0,4510
4) =
( = = = 0,30 /.
4 5 5
c) Aplicao do teste de Tukey para comparao das mdias de tratamentos:
Como os tratamentos no possuem o mesmo nmero de repeties, vamos ter diversos

casos a considerar:
c.1) Para comparar as mdias dos tratamentos com 6 repeties entre si:
Neste caso, como as mdias so igualmente repetidas, a d.m.s. dada por:
(5 22 ) (5%) = 4,20 = QMRes = 0,6716 =6
Ento, temos:
4,20 . 0,6716
= = = 1,13 /
6
Os contrastes que envolvem comparaes entre mdias com 6 repeties so:
1 =
5
1 = 9,69 / , logo 5 1
2 =
5
2 = 10,45 /, logo 5 2
3 = 2 = 0,76 /,
1 logo 1 = 2
c.2) Comparao entre as mdias dos tratamentos com 6 repeties com a mdia do
tratamento com 5 repeties ( ):
Neste caso, a d.m.s. ser calculada por:
58
1 1 1
1 = . (), onde () = ( + ) . 0,4510 = 0,1654
2 5 6
Portanto,
1
1 = 4,20 . . 0,1654 = 1,21 /
2
Os contrastes para estas comparaes so:
4 =
4
1 = 9,79 / , logo 4 1
5 =
4
2 = 10,55 / , logo 4 2
6 = 5 = 0,10 / ,
4 logo 4 = 5
c.3) Comparao entre as mdias dos tratamentos com 6 repeties com a mdia do
1 1 1
2 = . (), onde () = ( + ) . 0,4510 = 0,1879
2 6 4
Portanto,
1
2 = 4,20 . . 0,1879 = 1,29 /
2
Os contrastes que permitem estas comparaes so:
7 = 3 = 1,25 / ,
1 logo 1 = 3
8 = 3 = 0,49 / ,
2 logo 2 = 3
9 = 3 = 10,94 / ,
5 logo 5 3
c.4) Comparao entre a mdia do tratamento com 5 repeties ( ) com a mdia do

59
1 1 1
3 = . (), onde () = ( + ) . 0,4510 = 0,2030
2 5 4
Portanto,
1
3 = 4,20 . . 0,2030 = 1,34 /
2
O Contraste que permite esta comparao :
10 = 3 = 11,04 / ,
4 logo 4 3
Resumo dos resultados:
Espcies Mdias Erros Padres

1- Anadenanthera colubrina 11,20 b 0,27
2- Apuleia leiocarpa 10,46 b 0,27
3- Enterolobium cortisiliquun 9,97 b 0,34
4- Peltophorum dubium 21,01 a 0,30
5- Hymenea courbaril 20,91 a 0,27
d) Clculo do coeficiente de variao do experimento:

400,49

= = = 14,83 / = QM = 0,4510 = 0,6716 /
27
100 . 100 . 0,6716

= = = 4,53%

14,83
4.7. DESDOBRAMENTO DE GRAUS DE LIBERDADE DE TRATAMENTOS
4.7.1 INTRODUO
60
Normalmente, quando planejamos um experimento, o fazemos de tal forma que o mesmo

nos fornea respostas a uma srie de perguntas. Ento, com um nico experimento, o
experimentador deseja testar vrias hipteses relacionadas com os efeitos dos tratamentos
utilizados. Isto pode ser feito, decompondo-se os graus de liberdade de tratamentos, isolando-
se o efeito devido a cada um dos graus de liberdade, ou ento, a cada grupo de graus de
liberdade.
Conforme vimos, quando efetuamos a anlise de varincia pelo teste F, trabalhando com
todos os tratamentos, obtemos informaes muito gerais, relacionadas com o comportamento
dos tratamentos como um todo. Por meio do desdobramento ou decomposio dos graus de
liberdade de tratamentos, podemos obter informaes muito mais especficas, relacionadas
com o comportamento de cada um dos componentes do desdobramento.
Alm disso, aps a decomposio dos graus de liberdade de tratamentos, podemos aplicar
o teste F a cada um dos componentes do desdobramento.
Essa tcnica baseia-se na utilizao de contrastes, sendo necessrio que os contrastes

correspondentes aos componentes do desdobramento sejam ortogonais entre si. Isto significa
que os componentes do desdobramento devem ser independentes.
Uma vez que desejamos aplicar o teste F a cada um dos componentes do desdobramento,
cada componente deve possuir uma estimativa de varincia, e portanto, devemos decompor a
soma de quadrados de tratamentos em partes atribudas a cada um dos componentes do
desdobramento.
Ento, podemos dizer que o desdobramento dos graus de liberdade de tratamentos uma
tcnica semelhante da anlise de varincia, que nos permite fazer parties dos graus de
liberdade e da soma de quadrados de tratamentos em partes atribudas a vrios componentes
independentes, sendo que cada um dos componentes dever nos proporcionar uma estimativa
de varincia.
Existem dois mtodos que nos permitem calcular as somas de quadrados correspondentes
a cada um dos componentes do desdobramento:
1. Mtodo dos contrastes de totais de tratamentos.

2. Mtodo dos totais de tratamentos, sem utilizar contrastes.
61
O procedimento utilizado para o desdobramento dos graus de liberdade de tratamentos ser

apresentado atravs de um exemplo numrico.
4.7.2 OBTENO DA ANLISE DE VARINCIA COM DESDOBRAMENTO DOS

GRAUS DE LIBERDADE DE TRATAMENTOS
Vamos considerar os dados obtidos de um experimento em que foi utilizado lodo de esgoto
de diferentes origens para adubar o solo, onde foi analisado a concentrao de metais pesados
presente em cada lodo de origem diferente. Foi realizado um delineamento inteiramente
casualizado, com 5 tratamentos e 5 repeties. Foram utilizados como tratamento amostras de
solo de 5 localidades diferentes, cada solo adubado com lodo de esgoto de origem diferente.
Os resultados obtidos para a concentrao de metais pesados presente em cada solo

adubado com lodo de esgoto de origem diferente foram os seguintes:
Tratamentos Rep.1 Rep.2 Rep.3 Rep.4 Rep.5 Total

1- amostra solo 1 25,60 25,48 25,06 20,58 19,02 115,74
2- amostra solo 2 27,20 21,57 23,61 24,89 20,27 117,54
3- amostra solo 3 25,36 31,07 27,30 18,93 18,09 120,75
4- amostra solo 4 17,97 19,07 15,94 16,46 16,44 85,88
5- amostra solo 5 18,92 16,07 14,50 20,17 22,27 91,93
Total 531,84
Inicialmente, devemos fazer uma anlise de varincia, denominada de anlise de varincia

preliminar, de acordo com o delineamento inteiramente casualizado. Assim, temos:
Clculo das Somas de Quadrados:
a) Soma de Quadrados Total:

SQTotal = 2
=1 =1
2 = 25,602 + 25,482 + 25,062 + + 22,272 = 11761,2880

=1 =1
2 531,842
= = = 11314,1514
5 .5
62
Portanto,
SQTotal = 11761,2880 11314,1514 = 447,1366.
b) Soma de Quadrados devido ao efeito de tratamentos:

1
SQTrat = 2

=1
1 2 2
SQTrat = [1 + 2 2 + + 2 ]

1 531,842
SQTrat = [115,742 + 117,542 + + 91,932 ]
5 5 .5
SQTrat = 11523,6922 11314,1514 = 209,5408.
c) Soma de Quadrados do Resduo:

SQRes = 447,1366 209,5408 = 237,5958.
CAUSAS DE VARINCIA GL SQ QM F
TRATAMENTOS 4 209,5408 52,3852 4,41*
RESDUO 20 237,5958 11,8798 -
TOTAL 24 447,1366 - -
5% = 2,87
Valores de F da tabela para tratamentos (4x20 g.l.): {
1% = 4,43

devemos rejeitar a hiptese da nulidade e concluir que os solos adubados com lodo de esgoto
de origens diferentes, possuem diferentes concentraes de metais pesados, com um grau de
confiana superior a 95% de probabilidade.
63
Podemos notar que esta uma concluso muito geral, relacionada com o efeito dos
tratamentos como um todo, nada nos dizendo com relao comparao entre os tratamentos.
Para a obteno de informaes mais especficas, podemos proceder decomposio dos graus
de liberdade de tratamentos.
Para desdobrar os graus de liberdade de tratamentos, devemos, inicialmente, estabelecer

os componentes do desdobramento, de tal forma que as comparaes sejam de interesse prtico,
e os contrastes correspondentes aos componentes do desdobramento sejam ortogonais entre si.
Assim, no nosso exemplo, podemos proceder ao seguinte desdobramento:
1- (amostra 1 + amostra 2 + amostra 3) vs. (amostra 4 + amostra 5).......................... 1 g.l.

2- amostra 1 vs. (amostra 2 + amostra 3).................................................................... 1 g.l.
3- amostra 2 vs. amostra 3........................................................................................... 1 g.l.
4- amostra 4 vs. amostra 5........................................................................................... 1 g.l.
Sendo a tcnica do desdobramento de graus de liberdade de tratamentos, baseada em

contrastes ortogonais, devemos estabelecer os contrastes de totais de tratamentos
correspondentes a cada componente do desdobramento:
Y1 = 2T1 + 2T2 + 2T3 3T4 3T5
Y2 = 2T1 T2 T3
Y3 = T2 T3
Y4 = T4 T5
Note que estes contrastes so ortogonais entre si, uma vez que so ortogonais dois a dois.
Para o clculo das somas de quadrados correspondentes a cada componente do

desdobramento, podemos utilizar um dos dois mtodos seguintes:
4.8.2.1 MTODO DOS CONTRASTES DE TOTAIS DE TRATAMENTOS
Para a aplicao deste mtodo, devemos, inicialmente, estabelecer os contrastes

correspondentes a cada um dos componentes do desdobramento, tomando-se o cuidado de
trabalhar com contrastes ortogonais entre si. Estes contrastes diferem dos que utilizamos
64
normalmente, por serem funes lineares de totais de tratamentos e no de mdias de

tratamentos.
Vejamos ento, como procedemos para calcular a soma de quadrados correspondente a

um determinado componente do desdobramento, conhecendo-se o seu contraste.
Se tivermos um contraste de totais de tratamentos, da forma genrica:
Y = c1 T1 + c2 T2 + + cI TI
onde, =1 = 0, e cuja estimativa dada por:
= 1 1 + 2 2 + + ,
a soma de quadrados correspondente obtida por:
2
= ,
=1 2
Onde:
a estimativa do contraste,
r o nmero de repeties com que foram obtidos os totais de tratamentos.
o coeficiente do total de tratamento i no contraste.
No nosso exemplo, os contrastes de totais de tratamentos j foram estabelecidos, de modo

que podemos passar ao clculo das somas de quadrados:
a) Clculo da soma de quadrados do componente (amostra 1 + amostra 2 + amostra

3) vs. (amostra 4 + amostra 5):
Y1 = 2T1 + 2T2 + 2T3 3T4 3T5
= 2(115,74) + 2(117,54) + 2(120,75) 3(85,88) 3(91,93) = 174,63 cm

Y
2 = 22 + 22 + 22 + (3)2 + (3)2 = 30 e r=5

=1
Ento, temos:
65
2
1 174,632
1 = = = 203,3042
=1 2 5 . 30
b) Clculo da soma de quadrados do componente amostra1 vs. (amostra 2 +

amostra3):
Y2 = 2T1 T2 T3
2 = 2(115,74) 117,54 120,75 = 6,81 cm
2 = 22 + (1)2 + (1)2 = 6 e r = 5.
=1
Ento, temos:
2
2 (6,81)2
2 = = = 1,5459
=1 2 5. 6
c) Clculo da soma de quadrados do componente amostra 2 vs. amostra 3:
Y3 = T2 T3
3 = 117,54 120,75 = 3,21 cm
2 = 12 + (1)2 = 2 e r=5
=1
Ento, temos:
2
3 (3,21)2
3 = = = 1,0304
=1 2 5 .2
d) Clculo da soma de quadrados do componente amostra 4 vs. amostra 5:
Y4 = T4 T5
4 = 85,88 91,93 = 6,05 cm
66
2 = 12 + (1)2 = 2 e r = 5.
=1
Ento, temos:
2
4 (6,05)2
4 = = = 3,6603
=1 2 5 .2
Verificao:
1 + 2 + 3 + 4 = TRAT
203,3042+1,5459+1,0304+3,6603=209,5408
4.8.2.2 MTODO DOS TOTAIS DE TRATAMENTOS (SEM UTILIZAR OS

CONTRASTES)
Embora a tcnica do desdobramento seja baseada em contrastes ortogonais, para o clculo

das somas de quadrados dos componentes do desdobramento por este mtodo, necessitamos
apenas conhecer os totais de tratamentos e o nmero de parcelas somadas para obter cada total
de tratamento, no nos preocupando em utilizar os contrastes.
Assim, para uma comparao qualquer, por exemplo:
Grupo A vs. Grupo B, necessitamos apenas conhecer os totais de cada grupo (TA e TB ) e o
nmero de parcelas somadas para obter estes totais (nA e nB ). Ento, temos:
Total do grupo A = TA (nA parcelas)
Total do grupo B = TB (nB parcelas)
Total (A+B) = (T + T ) (nA + nB parcelas)
A soma de quadrados correspondente ser calculada por:
2 2 ( + )2
SQA vs.B = + .
+
67
No nosso exemplo, temos:
a) Clculo da soma de quadrados do componente (amostra 1 + amostra 2 + amostra

3) vs. (amostra 4 + amostra 5):
Total do grupo (amostra 1 + amostra 2 + amostra 3 ) = 354,03 (15 parcelas)
Total do grupo (amostra 4 + amostra 5) = 177,81 (10 parcelas)
Total = 531,84 (25 parcelas)
354,032 177,812 531,842

SQ(am.1+am.2+am.3) vs.(am.4+am.5) = + = 203,3042
15 10 25
b) Clculo da soma de quadrados do componente amostra 1 vs. (amostra 2 + amostra

3)
Total do grupo (amostra 1) = 115,74 (5 parcelas)
Total do grupo (amostra 2 + amostra 3) = 238,29 (10 parcelas)
115,742 238,292 354,032

SQ(am.1) vs.(am.2+am.3) = + = 1,5459
5 10 15
c) Clculo da soma de quadrados do componente amostra 2 vs. amostra 3:
117,542 120,752 238,292

SQ(am.2) vs.(am.3) = + = 1,0304
5 5 10
68
d) Clculo da soma de quadrados do componente amostra 4 vs. amostra 5:
85,882 91,932 177,812

SQ(am.4) vs.(am.5) = + = 3,6603
5 5 10
4.8.3. ANLISE DE VARINCIA COM DESDOBRAMENTO DOS GRAUS DE

LIBERDADE DE TRATAMENTOS
Uma vez obtidas as somas de quadrados, para cada componente do desdobramento, por
qualquer dos dois mtodos apresentados anteriormente, podemos montar o quadro de anlise
de varincia com o desdobramento:
(AM.1 + AM.2 + AM.3) vs. (AM.4 + AM.5) 1 203,3042 203,3042 17,11**
AM.1 vs. (AM.2 + AM. 3) 1 1,5459 1,5459 0,13NS
AM.2 + AM.3 1 1,0304 1,0304 0,09NS
AM.4 + AM.5 1 3,6603 3,6603 0,31NS
(TRATAMENTOS) (4) (209,5408) - -
RESDUO 20 237,5958 11,8798 -
TOTAL 24 447,1366 - -
5% = 4,35
Valores de F da tabela (1x20 g.l.): {
1% = 8,10
17,11+0,13+0,09+0,31
Verificao: = 4,41 = FTRAT
4
69
Concluses:
1. Para o componente (am.1 + am.2 + am.3) vs. (am.4 +am.5):
O teste F foi significativo ao nvel de 1% de probabilidade, indicando que devemos rejeitar

a hiptese da nulidade e concluir que o grupo dos tratamentos (am.1 + am.2 + am.3) (amostras
de solo 1, 2 e 3) difere do grupo dos tratamentos (am.4 + am.5) (amostras de solo 4 e 5) em
relao concentrao de metais pesados presente, com um grau de confiana superior a 99%
de probabilidade.
2. Para o componente (am.1) vs. (am.2 + am.3):
O teste F foi no significativo ao nvel de 5% de probabilidade, indicando que no

devemos rejeitar a hiptese da nulidade e concluir que o tratamento am.1 ( amostra de solo 1)
no difere do grupo (am.2 + am.3) (amostras de solo 2 e 3) em relao concentrao de
metais pesados presente.
3. Para o componente (am.2) vs. (am.3):
O teste F foi no significativo ao nvel de 5% de probabilidade, indicando que no devemos

rejeitar a hiptese da nulidade e concluir que o tratamento am.2 (amostra de solo 2) no difere
do tratamento am.3 (amostra de solo 3) em relao concentrao de metais pesados
presentes, proveniente do lodo de esgoto utilizado como adubo.
4. Para o componente (am.4) vs. (am.5):
O teste F no foi significativo ao nvel de 5% de probabilidade, indicando que no devemos

rejeitar a hiptese da nulidade e concluir que o tratamento am.4 (amostra de solo 4) no difere
do tratamento am.5 (amostra de solo 5) em relao concentrao de metais pesados
presentes, proveniente do lodo de esgoto utilizado como adubo.
Clculo do coeficiente de variao do ensaio:
531,84
= = = 21,27 [ ]2 s = = 11,8798 = 3,45 [ ]2

5 .5
100 . 100 . 3,45

= = = 16,22%.

21,27
70
4.7.4. CASOS PARTICULARES
4.7.4.1. COMPONENTES COM MAIS DE 1 GRAU DE LIBERDADE
Em alguns casos, o experimentador pode estar interessado em realizar um desdobramento

incompleto, como o seguinte:
1- Inoculados (am.1+ am.2 +am.3) vs. Testemunhas (am.4 + am.5).......................... 1 g.l.

2- Entre Inoculados (am.1, am.2, am.3)...................................................................... 1 g.l.
3- Entre Testemunhas (am.4 vs. am.5)...................................................................... 1 g.l.
Neste caso, a soma de quadrados correspondente ao componente com mais do que 1 grau
de liberdade pode ser calculada pelo mtodo dos totais de tratamentos, da seguinte maneira:
Total de amostra 1 = 115,74 (5parcelas)
Total de amostra 2 = 117,54 (5 parcelas)
Total de amostra 3 = 120,75 (5 parcelas)
115,742 117,542 120,752 354,032

SQ(Entre Inoculados) = + + = 2,5763
5 5 5 15
4.8.4.2. DESDOBRAMENTO DE GRAUS DE LIBERDADE, NO CASO EM QUE OS

TRATAMENTOS POSSUEM NMERO DIFERENTE DE REPETIES
Quando os totais de tratamentos (Ti ) so obtidos com nmero diferente de repeties (ri ),
temos que a funo linear:
Y = c1 T1 + c2 T2 + + cI TI
considerada um contraste de totais de tratamentos, se:
r1 c1 + r2 c2 + + rI cI = 0, ou seja, = 0.
=1
Neste caso, a SQY dada por:
71
2 2
SQY = , ou ainda, SQY = .
1 1 2 + 2 2 2 + + 2 =1 2
Alm disso, dois contrastes de totais de tratamentos:
Y1 = c1 T1 + c2 T2 + + cI TI
Y2 = b1 T1 + b2 T2 + + bI TI
onde os totais de tratamentos foram obtidos com nmeros diferentes de repeties, so

ortogonais entre si, se:
r1 c1 b1 + r2 c2 b2 + + rI cI bI = 0, ou seja, = 0.
=1
Neste caso, para o estabelecimento de cada contraste, procedemos da seguinte maneira:
1. Escrevemos os totais dos tratamentos envolvidos na comparao.

2. Atribumos sinal positivo aos totais de um grupo e negativo aos totais do outro grupo.
3. Verificamos o nmero de repeties envolvidas no primeiro grupo (n1 ) e o nmero de
repeties envolvidas no segundo grupo (n2 ).
4. Calculamos o mnimo mltiplo comum (m.m.c.) entre n1 e n2 .
5. Dividimos o m.m.c. por n1 . O resultado ser o coeficiente de cada total do primeiro
grupo.
6. Dividimos o m.m.c. por n2 . O resultado ser o coeficiente de cada total do segundo
grupo.
Tomemos como exemplo, os tratamentos do exerccio anterior, considerando perdidas as

parcelas x21 , x34 , x35 e x55 . Neste caso, teremos:
Amostra de solo 1 - T1 = 115,74 (5 repeties)
72
Assim, no nosso exemplo, podemos proceder ao seguinte desdobramento:
1- (am.1 + am.2 + am.3) vs. (am.4 + am.5) ................ 1 g.l.

2- am.1 vs. (am.2 + am.3) . 1 g.l.
3- am.2 vs. am.3 .... 1 g.l.
4- am.4 vs. am.5 . 1 g.l.
Os contrastes ortogonais correspondentes ao desdobramento proposto, so:
Y1 = 3T1 + 3T2 + 3T3 4T4 4T5 m.m.c. (12,9)=36
Y2 = 7T1 5T2 5T3 m.m.c (5,7)=35
Y3 = 3T2 4T3 m.m.c (4,3)=12
Y4 = 4T4 5T5 m.m.c. (5,4)=20
Neste caso, a soma de quadrados de tratamentos ser:
1 2 2 2 2 2
SQTrat =[ + + + ]
1 2
115,742 90,342 83,732 85,882 69,662 445,352

SQTrat =[ + + + + ]
5 4 3 5 4 21
SQTrat = 9744,5865 9444,6011 = 299,9854.
As estimativas dos contrastes so:
1 = 3(115,74)+3(90,34)+3(83,73)-4(85,88)-4(69,66) = 247,27 cm
2 = 7(115,74)-5(90,34)-5(83,73) = -60,17 cm
3 = 3(90,34)-4(83,73) = -63,90 cm
4 = 4(85,88)-5(69,66) = -4,78 cm
E as somas de quadrados correspondentes so:
73
2
1 247,272 61142,45
SQY1 = = 5(3)2 +4(3)2 +3(3)2 +5(4)2 +4(4)2 = = 242,6288
2
=1 252
2
2 (60,17)2 3620,43
SQY2 = = 2 2 2
= = 8,6201
=1 2 5(7) + 4(5) + 3(5) 420
2
3 (63,90)2 4083,21
SQY3 = = = = 48,6096
=1 2 4(3)2 + 3(4)2 84
2
4 (4,78)2 22,85
SQY4 = = 2 2
= = 0,1269
=1 2 5(4) + 4(5) 180
Note que:
SQTrat = SQY1 + SQY2 + SQY3 + SQY4
SQTrat = 242,6288 + 8,6201 + 48,6096 + 0,1269
SQTrat = 299,9854.
Pelo mtodo dos totais de tratamentos, teremos:
289,812 155,542 445,352

SQ1 = + = 242,6288
12 9 21
115,742 174,072 289,812

SQ2 = + = 8,6201
5 7 12
90,342 83,732 174,072

SQ3 = + = 48,6096
4 3 7
85,882 69,662 155,542

SQ4 = + = 0,1269
5 4 9
74

Planejamento de Experimentos em Engenharia Ambiental

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Planejamento de Experimentos em Engenharia Ambiental

Uploaded by

Copyright:

Available Formats

Planejamento de Experimentos em Engenharia Ambiental

Para que um experimentador conduza e avalie uma pesquisa corretamente, essencial um

1.1. ALGUNS CONCEITOS BSICOS

1.1.1. POPULAO E AMOSTRA

Boa parte do conhecimento humano se baseia em um nmero relativamente reduzido de

Por definio, POPULAO o conjunto de elementos que tm, em comum, uma

Uma populao em Ecologia, o nmero total de indivduos de uma determinada espcie

Uma vez definida a unidade amostral (1 rvore, um conjunto de 5 rvores, ou um quadrado

Assim sendo, as observaes so obtidas atravs de contagens do nmero de indivduos

1.1.2. EXPERIMENTO OU ENSAIO

Experimento um trabalho previamente planejado, que segue determinados princpios

o mtodo, elemento ou material, cujo efeito se deseja medir ou comparar em um

1.1.4 UNIDADE EXPERIMENTAL OU PARCELA

a unidade na qual o tratamento aplicado. na parcela que obtemos os dados que

1.1.5. DELINEAMENTO EXPERIMENTAL

o plano utilizado na experimentao, e implica na forma como os tratamentos devero

1.2. MEDIDAS DE POSIO E DE DISPERSO

As populaes so descritas por certas caractersticas chamadas de Parmetros. As

1.2.1. MEDIDAS DE POSIO OU DE TENDNCIA CENTRAL

Uma caracterstica comum a todas as populaes ou amostras a variabilidade dos

-MDIA ARITMTICA SIMPLES

-MDIA ARITMTICA PONDERADA

1.2.1.1.1. MDIA ARITMTICA SIMPLES

Onde N representa o nmero de dados da populao.

EXEMPLO 1: Clculo da mdia aritmtica

Considere como exemplo os dados abaixo, referentes ao n de formigas Atta laevigata

14, 15, 12, 7, 8, 14, 11, 14, 10, 9, 10

A mdia desta amostra ser:

Ento, o nmero mdio de formigas em 500 cm 11,2727.

1.2.1.1.2. MDIA ARITMTICA PONDERADA

Suponhamos o seguinte exemplo: A intensidade mdia de infestao de ervas daninhas na

VARIEDADE N DE PARCELAS % DE INFESTAO

Se considerarmos simplesmente a mdia de infestao por variedade, sem levar em conta

9,10 + 14,57 + 3,20 + + 7,15

12(9,10) + 40(14,57) + + 10(7,15)

Ento, a mdia aritmtica ponderada pode ser definida como:

Onde, p o peso de cada observao no clculo da mdia.

1.2.1.1.3. MDIA GEOMTRICA

Se tivermos, por exemplo os dados: 2, 4, 8, 16, 32, a mdia geomtrica ser:

ao passo que a mdia aritmtica seria:

1.2.1.1.4. MDIA HARMNICA

Dados x, x,..., , todos diferentes de zero, definimos a mdia harmnica como:

Admitindo-se os dados: 2, 4, 8, 16, 32, temos:

Sejam as observaes: 1 , 2 , , , j devidamente ordenadas.

Assim, se por exemplo, n=10, a mediana ser:

Quando n mpar, e n=2k+1, a mediana ser:

Se, por exemplo, n=11, temos:

No exemplo 1, citada para o clculo da mdia, temos:

7, 8, 9, 10, 10, 11, 12, 14, 14, 14, 15,

No exemplo 1, temos que a moda :

=14, que ocorre com frequncia 3.

Moda = Mdia - 3(Mdia - Mediana).

Ento, pela frmula de PEARSON, obteramos:

Moda = 11,2727 - 3(11,2727 - 11) = 10,4546.

1.2.2. MEDIDAS DE DISPERSO

As medidas de disperso so tambm chamadas de medidas de variao, e medem o grau

1.2.2.1. AMPLITUDE TOTAL

Admitamos as seguintes amostras, todas com mdia

(1) (2) (3)

A = 9,0 9,0 = 0,0

A = 11,0 7,0 = 4,0

A = 17,4 0,6 = 16,8