CAPTULO 1

REFERENCIAL TERICO

1. DELINEAMENTOS EM BLOCOS
1.1. Informaes gerais
Os delineamentos em blocos foram idealizados por Ronald Fisher, em 1925, com o
propsito de eliminar o efeito da heterogeneidade presente nas unidades experimentais sobre a
comparao dos tratamentos (princpio experimental denominado controle local). Fisher props que
se fizessem grupos de parcelas homogneas (blocos), os quais receberiam, cada um, uma repetio
de todos os tratamentos. Este delineamento denominado blocos completos casualizados,
caracterizando-se pelo aparecimento de todos os tratamentos em cada bloco, ou seja, uma situao
de completa ortogonalidade. Apesar de seu grande uso na pesquisa agropecuria, como comenta
Barbosa (1986), existem situaes em que se pretende testar um grande nmero de tratamentos e, na
maioria destes casos, esse nmero excede o que se poderia acomodar nos blocos disponveis. A
opo de eliminar tratamentos no tida, normalmente, como uma estratgia desejvel.
Para atender tais situaes Frank Yates (colega de Fisher em Rothamsted, Inglaterra), em
1936, introduziu os delineamentos de blocos incompletos. Neles possvel testar um grande nmero
de tratamentos, pois, cada bloco no contm mais todos os tratamentos. Da, a denominao de
bloco incompleto. Isto caracteriza uma situao de no ortogonalidade, visto que os tratamentos no
so alocados exatamente aos mesmos blocos. Assim, os tratamentos recebem influncias
diferenciadas conforme os blocos em que ocorreram, o que exige, na anlise estatstica, o
ajustamento de seus totais e mdias para os efeitos de blocos. Tal fato, entretanto, resulta numa
certa complexidade da anlise estatstica, o que, segundo Pimentel Gomes (1990), freqentemente
compensado por uma reduo no desvio padro residual. Mesmo assim, como enfatizam Gomez &
Gomez (1984), a garantia de preciso razovel, nestes delineamentos, funo do uso de blocos
pequenos, com grande homogeneidade das parcelas dentro deles.

Uma srie de tipos de blocos incompletos tem sido utilizada na pesquisa agropecuria.
Yates (1936) introduziu os Blocos Incompletos Balanceados (BIB - Balanced Incomplete Block),
entre os quais se incluem os lattices ou reticulados quadrados balanceados. A condio de
balanceamento que o nmero de blocos contendo um determinado par de tratamentos () deve ser
constante para todos os pares possveis. Assim, estimativas de contrastes entre mdias de dois
tratamentos tm, sempre, a mesma preciso. Entretanto, dadas as exigncias do balanceamento,
estes planos so inexeqveis para certos nmeros de tratamentos; assim como impraticvel o
nmero de repeties requeridas se o nmero de tratamentos for elevado. Ento, Bose & Nair
(1939) propuseram os Blocos Incompletos Parcialmente Balanceados (PBIB - Parcially Balanced
Incomplete Block). Estes tiveram utilizao bem maior e foram generalizados por Nair & Rao
(1942) para cobrir todos os delineamentos previamente conhecidos (Rao, 1947). Neles, o nmero de
blocos que contm um determinado par de tratamentos varivel, at certo ponto, conforme o par
considerado, resultando nas chamadas classes de associados (cada classe representa um grupo de
pares de tratamentos com um mesmo ). Neste caso, a varincia de uma estimativa de contraste de
mdias de tratamentos assume valores distintos para cada tipo de associao, como exemplo nos
PBIB(2), com duas classes, em que este parmetro assume dois valores.
Classificaes ainda mais especficas so disponveis. Por exemplo, os BIBs dividem-se em
trs tipos (I, II e III), conforme os blocos possam ou no ser arranjados em repeties ou grupos de
repeties (Pimentel Gomes, 1990). Cochran & Cox (1957) chegaram a considerar cinco tipos, o
que, segundo Pimentel Gomes, desnecessrio. Na literatura internacional sobre blocos
incompletos surge ainda o termo resolvable designs, referindo-se aos planejamentos em que os
blocos podem ser divididos em r (nmero de repeties de cada tratamento) grupos, de tal forma
que cada grupo contm uma repetio completa dos tratamentos (John, 1971). Esta estrutura
permite construir uma anlise de varincia tal que a soma de quadrados (SQ) de blocos, ignorando
tratamentos, possa ser desdobrada numa SQ para repeties e noutra SQ para blocos dentro de
repeties.
Outros esquemas experimentais usados para o teste de elevado nmero de tratamentos ou
em situaes em que o nmero de parcelas por bloco inferior ao nmero de tratamentos, ainda
podem ser listados como blocos incompletos. Entre estes esto: a classe dos delineamentos
aumentados, os blocos casualizados com tratamentos comuns e os arranjos com confundimento.
Neste trabalho enfocar-se-o, em especial, os delineamentos aumentados, propostos por Federer
(1956; 1961a; 1961b), Federer & Raghavarao (1975) e Federer et al. (1975).

Na realidade, todos esses planejamentos (BIB, PBIB, etc.) podem ser vistos como casos
especiais dos delineamentos em blocos. Num delineamento generalizado, os blocos no necessitam
ser de mesmo tamanho, nem os tratamentos precisam aparecer o mesmo nmero de vezes no
experimento. Ento, considerando-se v tratamentos e b blocos, pode-se supor que o i-simo
tratamento seja testado em ri parcelas e que o j-simo bloco contenha kj parcelas (com ri,kj>0).
Tambm no necessrio assumir kj<v para todo bloco. Basta definir N(vxb)=(nij), a forma geral da
matriz de incidncias do delineamento, sendo nij o nmero de vezes que o i-simo tratamento
aparece no j-simo bloco.
Curiosamente, mesmo sob esta abordagem geral, a variedade de classificaes ainda
grande. Assim, se nij assume apenas dois valores (0 ou 1), para todos os pares (i,j), o delineamento
dito binrio, se trs valores (0, 1, 2) chamado ternrio e assim por diante (no caso geral, quando
nij assume valores 0,1,...,p-1 dito p-rio). Ademais, se kj=k para todo j, ele chamado prprio; e
se ri=r para todo i, ento, o delineamento denominado equi-replicado. Na maioria das aplicaes,
os delineamentos utilizados so prprios, binrios e equi-replicados. Mas, as classificaes no
param por a. Um delineamento D(v,b,r,k), prprio e equi-replicado, dito ser -resolvable se os b
blocos podem ser divididos em m grupos contendo n blocos cada, tal que em cada grupo todo
tratamento aparea vezes, resultando em: v=kn, b=mn, r=m. Logo, se =1 tem-se um 1resolvable ou simplesmente um resolvable design, como anteriormente mencionado (Nigam et al.,
1989). Nota-se, portanto, que h classificaes redundantes e/ou com certas sobreposies, ou seja,
elas no so todas mutuamente exclusivas.
Esse excesso de categorias, ao certo, tem contribudo para um afastamento da abordagem
geral de delineamentos em blocos, o que dificulta um melhor entendimento da teoria desses
delineamentos por muitos dos que deles fazem uso. Alm disso, a notao extensa e carregada de
frmulas desenvolvidas para casos particulares, expressas em termos de observaes individuais ao
invs de vetorialmente, obscurece conceitos gerais simples. Muitas vezes, os usurios julgam tratarse de uma diversidade enorme de delineamentos, de difcil anlise e, portanto, a eles inacessvel; o
que no necessariamente verdade. Isto pois, sob o prisma do modelo linear de Gauss-Markov,
todo delineamento em blocos (completos ou incompletos, balanceado ou no, com uma ou mais
classes de associados e at, aumentado ou no), na realidade, pode ser analisado a partir do mesmo
sistema de equaes, conhecido na literatura correlata por sistema de equaes normais reduzidas
(C=Q). Os desdobramentos dele advindos, como a obteno de somas de quadrados, de
estimadores de contrastes, da varincia desses estimadores, etc., no so mais do que aplicao das

teorias de anlise de varincia (R.A. Fisher, dcada de vinte) e de estimabilidade de funes lineares
(C.R. Rao, dcada de quarenta).
A defesa de uma abordagem generalizada, entretanto, no uma unanimidade entre os que
trabalham com o assunto. Barbosa (1986) coloca que o maior problema na estimativa dos efeitos de
tratamentos ajustados, num PBIB, est em apresentar regras gerais que facilitem a anlise. Segundo
o autor, quando o nmero de tratamentos elevado a inverso da matriz C s vivel por meio de
computadores possantes. Alm disso, esta abordagem no fornece frmulas de uso prtico que
possibilitem uma familiarizao da anlise pelo pesquisador. Vale, contudo, observar que os
aspectos computacionais levantados pelo autor no mais representam limitaes nos dias de hoje.

1.2. Aspectos da anlise estatstica de blocos incompletos

A literatura clssica menciona que os delineamentos em blocos incompletos permitem dois
tipos bem distintos de anlise, a anlise intrablocos e a anlise com recuperao da informao
interblocos (Cochran & Cox, 1957; John, 1971; Pimentel Gomes, 1990; entre outros). Mais
recentemente, contudo, um terceiro tipo de abordagem apresentado. Trata-se das anlises que,
semelhana do segundo tipo, recuperam a informao intertratamentos (Federer & Wolfinger,
1996; Wolfinger et al., 1997; Federer, 1998). Nesta seo, porm, sero apresentadas apenas as
duas primeiras abordagens, reservando a ltima s discusses sobre modelos mistos com
tratamentos aleatrios (itens 3 e 4).
1.2.1. A anlise intrablocos
Na anlise intrablocos, consideram-se apenas as comparaes de observaes dentro de
cada bloco, na estimao imparcial das diferenas entre tratamentos. Tais estimativas esto sujeitas,
portanto, a um erro que depende unicamente das diferenas de fertilidade do solo dentro dos blocos,
2

o erro intrablocos, denotado por . Assim, quando o material experimental for muito heterogneo,
uma maneira de melhorar a eficincia das comparaes pode ser obtida diminuindo-se o tamanho
dos blocos (Rao, 1947).
Vale esclarecer, desde j, que no correto dizer que a anlise intrablocos s permite
comparaes entre tratamentos que apareceram juntos num mesmo bloco, nem que alguma anlise
adicional seja necessria para comparar tratamentos que foram testados somente em blocos
distintos. O fato que esse tipo de anlise no utiliza a informao relativa s diferenas entre
tratamentos, presente nos contrastes entre blocos. Esta informao recuperada no segundo tipo, a

anlise com recuperao da informao interblocos, o que permite melhorar a qualidade das
estimativas de mdias de tratamentos, bem como dos contrastes entre elas. Pode-se dizer, sim, que
as comparaes entre tratamentos que foram alocados a bloco(s) comum(uns) so mais precisas do
que aquelas entre tratamentos que no o foram. Entretanto, isto vlido para os dois tipos de anlise
e para todos os blocos incompletos no balanceados, a exemplo dos PBIBs, pelo que o analista
nada poder fazer.
A anlise estatstica intrablocos obtida admitindo-se o modelo como fixo, ou seja, com
todos os efeitos representados por constantes, exceto o erro experimental, uma varivel aleatria. E,
conforme comentado anteriormente, um delineamento em blocos pode ser analisado a partir do
sistema de equaes normais reduzidas (S.E.N.R), o qual provm do modelo linear geral de Gauss2

Markov (Iemma, 1987). Este dado por: y = X + e , com E( y ) =X e Var( y ) =I ; em

que:

y(nx1): um vetor com as n observaes experimentais (realizaes de variveis aleatrias);

X(nxp): uma matriz conhecida (matriz do delineamento ou de planejamento), de posto ou
rank: r(X) min{n,p}, sendo p o nmero de parmetros do modelo;
(px1): um vetor de parmetros desconhecidos; e
e(nx1): um vetor de variveis aleatrias no observveis, tal que e~(, I2); ou seja, um
2
vetor de mdia nula () e matriz de varincias-covarincias I , sendo I uma matriz
identidade de ordem n.
No caso dos delineamentos em blocos o modelo y = X + e pode ser caracterizado por:

Yij= + j + i + ij
com:

Yij: a observao relativa varivel resposta Y, na unidade experimental que recebeu o

tratamento i (i=1,2,...,v), no bloco j (j=1,2,...,b);

: um efeito constante comum a todas as observaes (sob irii=0 e jkjj=0, a

mdia geral das observaes);
j: o efeito fixo do j-simo bloco;
i: o efeito fixo do i-simo tratamento;
ij: erro experimental aleatrio na ij-sima unidade experimental, suposto independente e
2
com distribuio normal de mdia zero e varincia comum .
Dado que o interesse dos pesquisadores centra-se nos tratamentos, os blocos (completos ou
incompletos, reunidos ou no em repeties, ou em grupos de repeties, etc.) tm apenas o apelo
de restrio na casualizao (Iemma, 1987). Assim, o modelo y = X + e pode sofrer parties
convenientes tais como: y = X1 + X2 + X3 + e; em que, o vetor contm os efeitos de blocos
(j); , os efeitos de tratamentos (i); e, X1, X2 e X3 so parties da matriz X, correspondentes
nova partio do vetor paramtrico ( =[ , , ] ).

10

Usando-se este particionamento, Nigam et al. (1989) reescrevem o conjunto das 1+b+v
0

equaes normais do sistema original, (XX) =Xy, numa notao simples e comum na literatura
de blocos incompletos:
n
k

k'
K
N

r ' 0
G
0

N' = B

T
R 0

, ou ainda:

R
r'

N '

N 0
T
0

k ' = G

B
K 0

r
n
k

em que: n, k (1xb) e r (1xv) correspondem, respectivamente, ao nmero total de observaes e aos

vetores de tamanhos de blocos e de nmeros de repeties dos tratamentos; K, R e N so
matrizes simples tal que, K(b)=diag(k1,k2,...,kb); R(v)=diag(r1,r2,...,rv) e
N(vxb)=(nij) a matriz do plano experimental j definida anteriormente, conforme as
freqncias de incidncia dos tratamentos nos blocos. O lado direito do sistema de equaes
traz o total geral das observaes (G=Y..) e os vetores de totais de blocos,
B =[B1,B2,...,Bb], e de tratamentos, T =[T1,T2,...,Tv].
Dessa forma, o S.E.N.R, para efeitos ajustados de tratamentos, apresentado como:

C0 =Q; sendo: C(v)=RNK-1N e Q(vx1)=TNK-1B. Uma soluo para o sistema, indeterminado

0

pois r(C)<v , dada por: = C Q, onde C a inversa generalizada de Moore-Penrose da matriz

C (Nigam et al., 1989). Ademais, pelo teorema de Gauss-Markov, uma funo paramtrica
estimvel , com: =[ 1

2 ... v],

como por exemplo um contraste entre mdias de tratamentos, tem

0

seu BLUE (best linear unbiased estimator) dado por: = ' , com varincia: Var[ ]= C

2.

Observa-se, portanto, que o uso do S.E.N.R propicia uma reduo considervel na dimenso da
matriz do sistema; pois, enquanto XX, do sistema de equaes normais original, de ordem
1+b+v, C tem apenas dimenso v. Isto simplifica sobremaneira a soluo do sistema, a estimao e,
conseqentemente, os testes estatsticos relacionados aos tratamentos (Iemma, 1987).
As somas de quadrados que determinam a anlise de varincia so dadas diretamente pelas
seguintes expresses:
SQTOTAL = y y G2/n, com n-1 graus de liberdade;
SQModelo = y Py , com P = XX+ e r(X) graus de liberdade;
SQResduo = y (I-P)y, com n-r(X) graus de liberdade;
SQBlocos (no ajust.) = (jBj2/kj ) G2/n, com b-1 graus de liberdade; e
SQTratamentos (ajust.) = 0Q, com v-1 graus de liberdade.
Havendo interesse em testar alguma hiptese especfica (H0: L = a, com L de posto linha
completo), como por exemplo um contraste entre mdias de tratamentos, pode-se faz-lo utilizando
a chamada estatstica de Wald (Iemma, 1987; Searle, 1971):

11

SQH0 = (L 0-a) [LC L]-1 (L 0-a), com tantos graus de liberdade, quantas forem as linhas
da matriz L .
Um caminho alternativo que facilita, inclusive, a obteno das mdias ajustadas de
-1

tratamentos, substituir a matriz C, singular, por uma verso no singular, denotada , tal que:

-1 0 = Q. Logo, -1 = C+A, sendo A uma matriz que resulta em: A0 = . Para delineamentos
em que todos os contrastes de mdias de tratamentos so estimveis (delineamentos conexos), John
-1
(1980) sugere, para o caso desbalanceado: = C + r r/n $ = Q . O vetor de mdias

ajustadas de tratamentos ( y ) , ento, obtido por: y = m1 + $ , com: m=G/n (estimativa da mdia

geral) e 1 sendo um vetor vx1 de elementos unitrios (Nigam et al., 1989). Ademais, a disperso das
2

estimativas dos efeitos de tratamentos avaliada por , de forma que, se l uma funo
paramtrica estimvel, sua estimativa ( l $ ) tem erro padro igual a [( l l ) 2 ]1/ 2 .
Um aspecto importante na anlise intrablocos que a estimabilidade de certas funes
paramtricas, para um conjunto modelo-dados, pode sofrer srios transtornos decorrentes do
chamado problema de desconexo (Iemma, 1995). Este caracteriza-se pela separao de dois ou
mais grupos independentes de equaes normais advindos de um mesmo conjunto de dados. A
conseqncia disso que o conjunto original (desconexo) no pode ser analisado como um todo, ou
seja, a anlise s pode ser feita atravs de seus subconjuntos, os quais possuem anlises
independentes entre si. Em geral, funes que envolvem parmetros relacionados a dois ou mais
subconjuntos (desconexos entre si) no so estimveis, enquanto funes que envolvem parmetros
de um nico subconjunto o so (Searle, 1971). Assim, segundo Nigam et al. (1989), um
delineamento conexo se todos os contrastes elementares1 forem estimveis atravs dele, o que
garante estimabilidade s diferenas em pares de mdias de tratamentos.
A idia da conexo num delineamento, segundo John (1971), atribuda a Bose (1947).
Desde ento, vrias regras prticas tm sido propostas para avaliar esta propriedade (Searle, 1971;
Raghavarao,1971, citado por Barbosa, 1986; Nigam et al., 1989; Milliken & Johnson, 1992). A
regra de Bose define que um bloco e um tratamento so ditos associados se o tratamento ocorrer no
bloco. Dois tratamentos, A e B, so considerados conectados se for possvel formar uma cadeia de
tratamentos e blocos (trat-bloco-trat-...-bloco-trat), comeando com A e terminando com B, tal que
cada bloco esteja associado a ambos os tratamentos a ele adjacentes, na cadeia. Um delineamento
/ Uma funo paramtrica um contraste se: 1= 0 (sendo 1 um vetor de uns). Se da forma que
existam apenas dois elementos no nulos, 1 e 1, ento, chamado um contraste elementar.

12

(ou conjunto de dados) dito ser conexo se cada par de tratamentos estiver conectado. Considerese, para fins de ilustrao, o planejamento a seguir com quatro blocos (I, II, III e IV) e sete
tratamentos (A,B,C,D,E,F,G), apresentado por John (1971):
I - ABCD ; II - BCE ; III - DE ; IV - EFG .
Os tratamentos A e G, por exemplo, esto conectados pela cadeia: A-I-B-II-E-IV-G. Por
conseguinte, denotando-se os efeitos de A,B,...,G por 1,2,...,7, respectivamente, fcil provar que
1-7 estimvel. Seja, ento, um contraste das observaes na referida cadeia: z=Y11-Y21+Y22Y52+Y54-Y74 (uma combinao linear ay), cuja esperana matemtica, no modelo de blocos, dada
por: E (z)= +1+1--2-1++2+2--5-2++5+4--7-4 = 1-7. Logo, o contraste 17 estimvel; pois, por definio (Rao, 1945, citado por Iemma, 1987), uma funo linear
paramtrica, , dita estimvel no modelo de Gauss-Markov se, e somente se, existe ao menos
uma combinao linear das observaes (ay) tal que: E (ay)= , o que se verifica atravs de z.
O fato de um tratamento estar conectado somente a alguns dos outros tratamentos (no a
todos) determina, segundo John (1971), a formao de classes disjuntas de equivalncia para os
tratamentos. Assim, um delineamento dito conexo se houver uma nica classe de equivalncia,
isto , se todo par de tratamentos estiver conectado. Isto exatamente o que ocorre com o
delineamento considerado anteriormente. Contudo, o planejamento a seguir, com v=b=6, do qual se
formam duas classes de equivalncia (dois delineamentos com nenhum tratamento em comum),
desconexo:
AB; AC; BC;
(classe 1)

DE; DF; EF.

(classe 2)

Milliken & Johnson (1992) ilustram o problema da conexo, numa estrutura de tratamentos
com dois fatores sem interao (semelhante ao modelo de blocos), atravs de um exemplo numa
tabela de dupla entrada (ex: 4 tratamentos x 5 blocos):
B1 B2 B3 B4 B5
x
Tr.1 x
x
x
Tr.2
x
x
Tr.3
x x
Tr.4
Conjunto conexo

B1 B2 B3 B4 B5
Tr.1
Tr.2
Tr.3
Tr.4

x
x

x
x

x
x

x
x

Conjunto desconexo

Algebricamente, Nigam et al. (1989) demonstram que uma condio necessria e suficiente
para um delineamento em blocos ser conexo que o posto de sua matriz C, no S.E.N.R, seja v-1.

13

Logo, como comenta Barbosa (1986), torna-se evidente que todo BIB conexo, assim como os
PBIBs, mesmo sujeitos a um certo desbalanceamento (planejado).
Pelas ilustraes anteriores no difcil perceber que a perda de parcelas num experimento
pode ocasionar problemas de desconexo (Iemma, 1995). Evidentemente, o bloco em que ocorre a
parcela perdida determinante no surgimento do problema. Isto justifica a resistncia de certos
autores em lidar com estimao de parcelas perdidas, haja vista a possibilidade de tornar um
conjunto desconexo de dados, num conjunto conexo, possibilitando uma anlise estatstica dantes (
estimao da parcela perdida) impossvel. Portanto, uma ateno especial s desconexes deve ser
reservada a experimentos cujo desbalanceamento resulte de limitaes de material e/ou da perda de
parcelas, como freqente nos delineamentos aumentados.
1.2.2. A anlise com recuperao da informao interblocos
Como salienta Iemma (1987), quando os blocos no so completos, os contrastes entre eles
contm uma certa dose de informao sobre tratamentos, que no considerada na anlise
intrablocos. Considere-se o exemplo de Abreu (1985) de um ensaio em BIB, com parmetros v=4
(A,B,C,D), r=3, =1, k=2 e b=6:
bloco 1: A B
bloco 2: A C

bloco 3: A D
bloco 4: B C

bloco 5: B D
bloco 6: C D

Observa-se, por exemplo, que o contraste B1-B2 (diferena entre os totais dos blocos 1 e 2) pode
fornecer informao a respeito do contraste B-C.
Em princpio, convm ressaltar que no delineamento de blocos completos no h esse tipo
de informao, pois, contrastes entre blocos revelam somente efeitos de blocos e/ou do acaso
(Abreu, 1985). Contudo, nos blocos incompletos, um novo sistema de equaes pode ser construdo
utilizando-se somente os totais de blocos. Assim, sob determinadas circunstncias, um segundo
conjunto de estimativas relacionadas aos efeitos de tratamentos, chamadas estimativas interblocos,
pode ser obtido (John, 1971; Zelen, 1957). Isto resulta em b-1 comparaes entre mdias de blocos,
independentes das b(k-1) comparaes intrablocos (assumindo blocos de tamanhos iguais) e
sujeitas a um erro que depende no s de diferenas intrablocos, mas tambm de diferenas
2

interblocos: = +k 2b ( a varincia residual intrablocos, 2b a varincia de blocos e k o

tamanho dos blocos). Segundo Rao (1947), as melhores estimativas das comparaes de tratamentos
resultam exatamente da combinao dos dois sistemas de equaes, intra e interblocos, os quais
2

esto sujeitos a dois erros diferentes, e , respectivamente. Ademais, verificou-se que tal
combinao pode ser obtida assumindo-se os efeitos de blocos como aleatrios, o que geralmente

14

possvel (Pimentel Gomes, 1990). A este conjunto de procedimentos denomina-se anlise com
recuperao de informao interblocos, o que, em sntese, vem a ser uma anlise estatstica baseada
num modelo linear misto.
A proposta original dessa abordagem creditada a Yates (1939; 1940), aplicando-a aos
reticulados cbicos e BIBs, respectivamente. Mais tarde, Nair (1944) estendeu o mtodo aos
PBIBs e Rao (1947) generalizou-o para quaisquer tipos de blocos incompletos. O procedimento
original envolve dois parmetros, w e w, que so os pesos atribudos s estimativas intra e
interblocos, respectivamente, no novo sistema de equaes normais combinado. Tais parmetros so
2

dados por: w=1/ e w=1/ . Posto que essas varincias so geralmente desconhecidas, pode-se
estim-las igualando-se os quadrados mdios do Erro intrablocos e de Blocos (eliminando o efeito
de tratamentos), aos seus respectivos valores esperados. Rao (1947) apresenta o esquema de anlise
de varincia de um delineamento geral em blocos, que permite estimar os componentes de varincia
de interesse (Tabela 1.1).
Tabela 1.1.-Anlise de varincia de um delineamento geral em blocos, com v tratamentos e b blocos de
tamanhos iguais a k, com k< v.
FV

GL

SQ

SQ

GL

FV

Blocos n.ajust.
(ignorando trats.)
Tratamentos ajust.
(eliminando blocos)
Erro Intrablocos
Total

b-1

U1

-=S2

b-1

v-1

0Q

U3

v-1

-=

-=S1
U2

Blocos ajust.
(eliminando trats.)
Tratamentos n.ajust.
(ignorando blocos)
Erro Intrablocos
Total

Nota:

-=
S1
n-1
U2
0
As expresses U1, U2 e U3 so calculadas da maneira usual; Q representa a SQTrat(ajust.) da anlise intrablocos; as indicadas
n-1

por -= so obtidas por subtrao; e indica que os valores so passados como tal do lado esquerdo para o direito da tabela.

Os valores esperados das somas de quadrados de interesse so:

2

E (S1) = ( n b v + 1) ; e
2
E (S2) = ( b 1) + (n v) 2b .
Do que decorre:

$ 2 = QMErro(intra) ; e
$ 2b = [QMBlocos(ajust.) QMErro(intra)]( b 1) / ( n v) .
E, conseqentemente, obtm-se as estimativas de w e w por:

w$ = 1 / $ 2 = 1 /[QMErro(intra)] ; e
w$ = 1 / $ 2 = ( n v ) /[k( b-1) QMBlocos(ajust.) (v - k) QMErro(intra)].

15

Uma vez definidos os pesos w e w, as equaes normais reduzidas do sistema combinado

(com recuperao da informao interblocos), podem ser expressas matricialmente da seguinte
forma (Malheiros, 1982):
(w C + w C1) = w Q + w Q1
em que: C e Q j foram definidas para a anlise intrablocos (C0 = Q); C1 e Q1 so as

correspondentes matrizes da anlise interblocos (C101 = Q1); e o vetor de

solues ou estimativas combinadas dos efeitos de tratamentos.
Fazendo-se: = w / w, o sistema pode ser escrito de maneira mais simplificada (Roy &
Shah, 1962, citado por Malheiros, 1982):
2

[C + (1/) C1] = Q + (1/) Q1 {C + [ /( +k 2b )]C1} = Q + [ /( + k 2b )] Q1

Teoricamente, espera-se >1, entretanto, sendo geralmente desconhecido, comum usar-se a sua
estimativa, r= w$ / w$ , de forma truncada, ou seja, para r<1 faz-se: r=1. Malheiros (1982)
comenta ainda que, como r no um estimador imparcial de , recomenda-se a seguinte correo:
r=r[1-2/GLErro(intra)][2(v-k)/(n-v)GLErro(intra)]
Existe uma srie de outras propostas para estimar o parmetro , indicadas para situaes
especficas. O trabalho de Malheiros (1982) descreve algumas delas. Pimentel Gomes & Garcia
(1991) referem-se ainda aos mtodos de Cochran & Cox e de Bose, com aplicao aos
delineamentos em lattices. Pimentel Gomes (1990) faz uso do parmetro a= w/w, ao invs de ,
para reescrever o sistema de equaes normais para estimativas combinadas, o que resulta,
logicamente, no mesmo sistema e, portanto, nas mesmas solues:
( C + a C1) = Q + a Q1
Como: 0 a 1, o autor considera, na realidade, sua estimativa truncada, a, prevenindo-se contra
ocorrncias de fora deste intervalo, ou seja:

a=

0, se <0;
, se 0 1; e
1, se >1.

Utilizando-se qualquer um dos parmetros ( ou a), a soma de quadrados para efeitos

ajustados de tratamentos, aps a recuperao da informao interblocos, dada pela expresso:
SQTrat(ajust.)= Q; sendo Q o lado direito das equaes normais combinadas. Por ltimo,
obtm-se, aproximadamente (Pimentel Gomes, 1990): F=[SQTrat(ajust.)/(v-1)]/QMErro(intra),
com (v-1) e (n b v+1) graus de liberdade.

16

Do sistema de equaes normais combinado observa-se que, a contribuio da informao

interblocos aumenta quando 1 (pela esquerda) e, igualmente, quando a1 (pela direita).
2

Situao esta em que 2b baixo em relao a , seja por pequena variabilidade entre blocos, seja
2

por erro intrabloco elevado ( >> 2b ), notadamente sob pequeno tamanho de blocos (k). Segundo
Malheiros (1982), quando r<2, normalmente, tem-se: V() V(0). Isto porque, na prtica, a
estimativa r dificilmente assumir valores to baixos quanto a unidade. Abreu (1985), estudando a
distribuio das estimativas do parmetro a, concluiu que, na maioria das vezes, os valores ocorrem
entre 0 e 0,5, o que corresponde a um r mnimo igual a 2. E, quando o nmero de parcelas
2

aumenta, bem como a relao 2b / , a tendncia que as estimativas de a se concentrem ainda

mais prximas de zero, algo entre 0 e 0,25 (equivalente a um r mnimo igual a 4).
Por outro lado, medida que cresce (e a decresce), a contribuio da informao
interblocos diminui. Valores de elevados correspondem s situaes em que o erro intrabloco
baixo e/ou 2b alto (ensaios em que as diferenas entre blocos so predominantemente de natureza
ambiental e no devida informao de tratamentos), associado a blocos grandes e homogneos. E,
nestes casos, o sistema combinado tende para o da anlise intrablocos. Portanto, ao contrrio do que
o senso comum pode sugerir, quando o efeito de blocos for pronunciado, a anlise intrablocos, por
si s, j ser suficiente para proporcionar um bom ajustamento s mdias de tratamentos e garantir
eficincia anlise.
Em sntese, como informam Kempton et al. (1994), a perda de informao, neste tipo de
2

anlise, depende da relao entre as varincias de bloco e residual (= b/ ). Assim, quando a

blocagem tiver sido efetiva e for alto, a anlise intrablocos tem alta eficincia e pouco se perde ao
ignorar a informao de tratamentos presente nos contrastes de blocos. Contudo, se for pequeno, o
delineamento mostra-se pouco efetivo, tornando-se essencial recuperar tal informao. A ponto de,
no limite (=0), os pesos das estimativas intra e interblocos se igualarem.
Kempton et al. (1994) demostraram ainda a perda de 1/4 da informao de tratamentos, com
o uso da anlise intrablocos (blocos de efeitos fixos), num lattice quadrado 7x7, quando 0. Isto
resultou tambm em 1/3 de aumento na varincia mdia de estimativas de diferenas de tratamentos,
quando comparada da anlise de blocos completos. Ao contrrio, quando utilizaram informaes
interblocos, alcanaram uma reduo mdia superior a 10% nesta varincia. Logo, a recuperao da
informao interblocos realmente ganha relevncia quando a razo for baixa (quando 1).

17

Nos experimentos de melhoramento gentico, a escolha de blocos, muitas vezes, representa

mais uma medida de precauo do que uma estratificao criteriosa das unidades experimentais.
Dessa forma, em muitos ensaios, existe uma grande chance de os blocos terem sido mal escolhidos
e, por conseguinte, no serem efetivos no controle da variao local. Neste sentido, espera-se que
numa boa parte desses ensaios, a recuperao da informao interblocos venha trazer benefcios
efetivos anlise estatstica dos dados.
O procedimento de Yates (1939), generalizado por Rao (1947), estima os componentes de
varincia atravs do mtodo da anlise de varincia, no se prestando adequadamente a conjuntos
desbalanceados de dados. Contudo, a estimao por mxima verossimilhana (ML maximum
likelihood), atualmente preferida nestes casos, s foi formalizada mais tarde (Hartley & Rao, 1967).
Poucos anos depois, Patterson & Thompson (1971) propuseram um mtodo para combinar as
anlises intra e interblocos, atravs do que chamaram mxima verossimilhana modificada (mais
tarde REML restricted maximum likelihood), incluindo situaes em que os blocos no so
necessariamente de mesmo tamanho. Dada a caracterstica de certos estimadores ML serem
dependentes dos prprios parmetros (funes no explcitas), esta anlise feita por um processo
2

iterativo, no qual se atribui um valor inicial relao , denominado $ 0 . Estimativas de e

so obtidas a cada passo, resultando numa nova relao $ ( $ 0 de etapas seguintes). O processo
repetido at que um determinado critrio de convergncia seja satisfeito.
Considerando-se um delineamento de blocos incompletos com v tratamentos e n unidades
experimentais, arranjadas em b blocos de tamanhos possivelmente desiguais, Patterson &
Thompson (1971) definiram o seguinte modelo: y=X + , em que: y o vetor de observaes nx1;

X uma matriz nxv de posto v, determinada pela alocao dos tratamentos s parcelas; o vetor
de parmetros de tratamentos (mdias); e uma varivel aleatria com distribuio normal, mdia
2

zero e varincia dada por: V=H , com: H=ZZ+ I(n) (onde I(n) uma matriz identidade de
ordem n). Ademais, = I(b) e Z uma matriz nxb com elementos zij iguais a 1, se a parcela i estiver
no bloco j (i=1,2,..., n; j=1,2,...,b), e iguais a 0 em caso contrrio. O problema estatstico consiste,
2

portanto, em estimar , e , haja vista que a varincia de blocos dada por: b = . Assim,
possvel obter estimativas, a cada passo da iterao, por:

18

$ 2 = f12B + f22R ; e
$ = Z $ Z+ I(n)
$ = $ 0 + (f11B + f12R)/ $ 2 $ = $ I(b) e H
em que:
f11
-1
11
12
22
f , f e f so os elementos da matriz inversa F , sendo: F =
f12
f11= tr (U2) = tr (U.U); f12= tr (U); e f22= n-v; sendo:

f12
; com
f22

U = $ -1 - $ -1 W-1 $ -1 ; com: W = ZSZ + $ -1 ; S = I-X(XX)-1X; e

-1
2
B = $ $ /0 ; R = yS y ySZ $ ; com: $ = W ZS y .
$ -1X)-1 X H
$ -1 y = (XX)-1 X(y-Z $ ).
E, finalmente: $ = (X H
Em decorrncia da adoo do modelo de mdias de caselas ( = + , em relao ao
modelo da anlise intrablocos), o vetor de estimativas combinadas ( $ ), neste caso perfeitamente
estimvel, fornece diretamente as mdias ajustadas dos tratamentos aps a recuperao da
informao interblocos. Logicamente, apenas as estimativas finais, obtidas aps a convergncia do
processo iterativo, so de interesse prtico. notrio que a expresso de $ corresponde
conhecida soluo ou estimativa de quadrados mnimos generalizados para o vetor
2

$ -1X)-1 .
paramtrico de efeitos fixos, tendo, portanto: Var ( $ ) = (X H
Independentemente do mtodo de estimao, um problema da anlise com recuperao da
informao interblocos que os testes de significncia (F e de comparaes mltiplas) no so
exatos. Ou seja, seus resultados so apenas aproximados, enquanto numa anlise intrablocos so
exatos (Pimentel Gomes & Garcia, 1991). Da, a relevncia de identificar os casos em que a referida
informao realmente merea ser aproveitada. Malheiros (1982) procurou fazer esse tipo de
reconhecimento, por meio de simulao em computador, para os ensaios em BIB. Seus resultados
mostraram que, para experimentos no muito pequenos (GLErro(intra)10 e GLBlocos9), a
recuperao da informao interblocos aumentou o poder dos testes F e Tukey. Por outro lado,
concluiu que esta informao no deve ser utilizada, para os mesmos testes, se o ensaio for
pequeno.
Cochran & Cox (1957) tambm sugerem que a incorporao da anlise interblocos requer
pelo menos dez graus de liberdade para blocos. Pimentel Gomes & Garcia (1991), alm de ratificar
este nmero, exigem-no tambm para o resduo. Barbosa (1986) refere-se ainda a duas outras
recomendaes de Federer (1955): i) se QMBlocos<QMResduo os dados devem ser analisados como
blocos ao acaso (quando possvel); e ii) se ao QMBlocos estiver associado menos de doze graus de

19

liberdade, mesmo que QMBlocos>QMResduo, deve-se fazer apenas a anlise intrabloco. Enfim, como
conclui Pimentel Gomes (1990), embora o uso da informao interblocos permita aproveitar melhor
os dados, esta anlise baseia-se em mtodos estatsticos apenas aproximados, devendo ser usada
somente para experimentos com nmero de graus de liberdade relativamente grande para blocos e
para o resduo.
Vale observar que a sugesto (i), apresentada no pargrafo anterior, relaciona-se exclusivamente a ensaios em que os blocos possam ser agrupados em repeties completas. Mas, ainda
assim, isto pode implicar em perda de informao relevante. Nesse sentido, uma recomendao
mais geral fornecida por Graybill (1961): se QMBlocos<QMResduo (situaes de estimativas

$ 2b =0 e, ento, fazer w=w. Ou seja, o autor aconselha que,

negativas de 2b ), deve-se tomar
nestes casos, se maximize o aproveitamento da informao relacionada s estimativas interblocos, o
que coerente com os resultados de Malheiros (1982) e Kempton et al. (1994).
oportuno mencionar que, nesse tipo de anlise, ao assumir aleatoriedade dos efeitos de
blocos, o chamado problema de desconexo no mais faz sentido. Littell et al. (1996) explicam que
esta uma das vantagens da anlise baseada em modelos mistos. Delineamentos desconexos luz
da anlise intrablocos, em que procedimentos computacionais (ex: PROC GLM do SAS) declaram
certas comparaes de mdias de tratamentos como no estimveis, no mais apresentam
inviabilidade analtica. Por isso, Federer (1998) afirma que, ao usar, por exemplo, o PROC MIXED
do SAS irrelevante se o delineamento ou no conexo. Como salienta Jimnez & Villa (1995),
com o advento da metodologia de modelos mistos, a chamada valorao BLUP (best linear
unbiased predictor) permite obter predies de valores realizados de variveis aleatrias, os quais
so comparveis entre si mesmo que tenham sido testados em locais e/ou pocas diferentes.
Adverte-se, contudo, que, assumir aleatoriedade a posteriori simplesmente para garantir
comparabilidade entre tratamentos no , certamente, uma atitude cientificamente honesta.
necessrio que a suposio seja concebida desde o planejamento experimental, de maneira a orientar
decises sobre o nmero de nveis dos fatores, a escolha dos nveis a serem testados, etc. Em outras
palavras, o pesquisador deve estar seguro acerca das suposies assumidas para os efeitos dos
fatores includos em seus experimentos. Outras recentes opinies acerca deste tema so
apresentadas no item 3 deste captulo.

20

2. OS DELINEAMENTOS AUMENTADOS
2.1. Princpios e evoluo histrica
Os BIBs e PBIBs, apesar de serem delineamentos grandemente utilizados, como o caso
dos lattices, mostram-se, muitas vezes, inexeqveis. A pouca flexibilidade quanto aos nmeros de
tratamentos e repeties, e a dificuldade de suas anlises so, freqentemente, motivos de
reclamaes por parte daqueles que os utilizam. Alm disso, em muitas situaes, os experimentos
so apenas provas preliminares, executados para se selecionar alguns tratamentos a serem
submetidos a pesquisas posteriores mais acuradas. Nestes casos, no se dispe, muitas vezes, de
material e recursos financeiros para a instalao de experimentos completamente repetidos.
Os delineamentos aumentados, propostos por Walter T. Federer em 1955, vieram em
resposta a esse tipo de necessidade: planejamentos mais eficientes para situaes como a dos
experimentos preliminares, cujo propsito bsico a triagem (screening, em ingls) de
tratamentos promissores para testes futuros mais acurados. Especificamente, como j comentado,
Federer buscava soluo para o problema de testar um grande nmero de clones de cana-de-acar,
sob escassez de material de propagao, nas fases preliminares do programa de melhoramento da
estao experimental HSPA (Hawaiian Sugar Planters Association), no Hawai, EUA. O autor
argumentava que o uso de uma testemunha intercalar a cada trs parcelas, por exemplo, no
propiciava uma estimativa do erro experimental para fazer as comparaes desejadas entre os novos
clones.
Em seus primeiros manuscritos Federer chamou-os de delineamentos de blocos em
cadeia, embora no considerasse o nome muito adequado. Ento, de uma consulta a pessoas como
O. Kempthorne, W.G. Cochran, J.W. Tukey, entre outras, optou por delineamentos aumentados
como sendo uma denominao suficientemente descritiva para aquela classe de delineamentos.
Federer (1956) ilustrou a anlise de trs desses delineamentos: inteiramente ao acaso aumentado,
blocos completos casualizados aumentados e quadrado latino aumentado, tendo considerado o
segundo deles como o mais promissor para os testes clonais em cana-de-acar.
O autor sustentava que tais delineamentos teriam ampla aplicao em pesquisas em que a
quantidade de material limitasse o uso de repeties (pelo menos para os novos tratamentos sob
teste). Apontava, ento, a gentica experimental como um de seus maiores campos de aplicao,
acrescentando que, no caso do referido programa de melhoramento de cana-de-acar, o
delineamento possibilitaria os seguintes objetivos: i) combinar o teste de clones experimentais com
variedades recomendadas, dispensando-se as parcelas de testemunhas intercalares (normalmente

21

com uma s variedade); ii) fornecer uma medida do erro experimental para os clones experimentais;
e iii) possibilitar comparaes entre os novos clones, entre as variedades testemunhas e entre os
materiais dos dois grupos.
Um delineamento aumentado definido como um delineamento padro (inteiramente ao
acaso, blocos ao acaso, quadrado latino, lattice, etc.) que recebe tratamentos adicionais em seus
blocos, linhas, colunas ou caselas (Federer, 1956; 1958; 1961a; 1961b; Federer & Raghavarao,
1975). construdo, por exemplo, aumentando-se o nmero de unidades experimentais dos blocos
(completos ou incompletos para os tratamentos padro), definido pela estrutura do delineamento
bsico, alocando-se a estas parcelas adicionais, de forma aleatria, os novos tratamentos. Assim, na
maioria das situaes, os delineamentos aumentados tm dois conjuntos de tratamentos, um
denominado tratamentos comuns ou simplesmente testemunhas, repetidos r vezes, e outro
denominado tratamentos novos ou adicionais (responsveis pelo aumento dos blocos), que
aparecem apenas uma vez no experimento. Isto caracteriza o que se passar a chamar, neste texto,
de delineamento aumentado clssico.
Caso alguns dos novos tratamentos disponham de material suficiente, por exemplo,
sementes em quantidade para duas ou mais parcelas, a recomendao de W. T. Federer que as
faam em blocos diferentes para garantir maior eficincia. Logo, no correto dizer que num
delineamento aumentado os tratamentos adicionais tenham, obrigatoriamente, apenas uma
repetio (Federer, 1961b). Da mesma forma, o balanceamento para as testemunhas tambm no
necessrio, podendo, inclusive, ocorrer em propores diferentes dentro de cada bloco (Scott &
Milliken, 1993; Federer, 1998).
Federer (1961a) tratou dos delineamentos aumentados que adotam um nico sistema de
controle local (ou de eliminao da heterogeneidade). Ilustra, ento, os procedimentos gerais de
casualizao e anlise estatstica para blocos completos casualizados aumentados e lattice
balanceado aumentado. Para a casualizao do primeiro deles, enumera: i) alocam-se, aleatoriamente, as vr variedades testemunhas (o sub-ndice indica o nmero de repeties do grupo de
tratamentos), em cada bloco; ii) alocam-se, aleatoriamente, os v1 tratamentos adicionais s parcelas
restantes; e iii) se tratamentos adicionais aparecerem mais de uma vez, faz-se o sorteio com a
precauo de que nenhum deles ocorra mais de uma vez num bloco at que tenha ocorrido uma vez
em cada um dos blocos. Para um bloco incompleto aumentado o procedimento muito similar: i)
alocam-se, aleatoriamente, os grupos de tratamentos originais2 (previamente definidos) aos blocos
2

/--Referem-se aos tratamentos distribudos conforme o arranjo original do delineamento de blocos

incompletos (correspondente s testemunhas).

22

incompletos; e ii) atribuem-se, aleatoriamente, os novos tratamentos s parcelas restantes,

atentando-se tambm para o item iii recomendado anteriormente.
O autor acrescenta que, nestes desenhos experimentais, o tamanho dos blocos no rgido,
o que confere maior facilidade de planejamento e conduo. Esta flexibilidade estende-se tambm
para o nmero dos tratamentos adicionais, de modo que a perda de alguns deles no compromete a
anlise. Entretanto, Federer (1956) j argumentava que o uso de blocos maiores para testes varietais
tende a incrementar o erro padro da mdia de certos tratamentos, o que pode ser compensado pelo
uso de repeties adicionais de variedades testemunhas, dentro dos blocos. Acrescentava ainda que,
embora o tamanho dos blocos possa variar, blocos de tamanhos iguais ou similares so preferveis.
Alm disso, alertava que o sucesso de qualquer delineamento experimental em blocos, depender
sempre da habilidade de o pesquisador construir blocos homogneos.
Como j mencionado, durante duas dcadas aps a sua proposio, os delineamentos
aumentados passaram por um certo esquecimento. Contudo, nos ltimos anos, sua utilizao tem
crescido significativamente, sobretudo associada a programas de melhoramento gentico vegetal.
Uma caracterstica marcante das pesquisas mais recentes, utilizando delineamentos aumentados, a
adoo de mtodos de ajustamento das observaes com base naquelas tomadas em parcelas de
testemunhas. Este enfoque est presente em dois tipos de delineamentos aumentados modificados
(MAD), propostos por Lin & Poushinsky (1983; 1985): MAD-1 e MAD-2. Tais procedimentos tm
atrado pesquisadores que lidam com situaes em que, por exemplo, ocorre a expresso irregular
de doenas na rea experimental (Smithson, 1992; Pastor et al., 1992) 3.
As modificaes de Lin & Poushinsky (1983; 1985) visam garantir validade ao ajustamento
de observaes pelas parcelas controle (de testemunhas), quando estas so distribudas regularmente
no campo experimental. Em ambas as propostas, MAD-1 e MAD-2, o desenho estruturado em
split-plot, sendo as parcelas constitudas de nove (arranjadas num quadrado 3x3) e cinco
subparcelas, respectivamente. As subparcelas centrais recebem, por sorteio, as variedades
testemunhas, conforme a especificao do delineamento bsico a ser aumentado. Para estimar o erro
de subparcelas, um nmero arbitrrio destas unidades experimentais sorteado, para cada
testemunha, recebendo outra repetio da mesma variedade. s demais subparcelas alocam-se as
linhagens experimentais ou tratamentos adicionais. A partir destes arranjos os autores sugerem,
ento, trs mtodos de ajustamento, cuja eficincia tem sido comprovada em estudos de simulao e
em aplicaes (Morejn & Caballero, 1998; May & Kozub, 1995).

/ In: CAB Abstracts / Agris-FAO, CD-ROM, 1999.

23

Outros desenvolvimentos, sobretudo no que se refere anlise estatstica dos delineamentos

aumentados, sero discutidos na prxima seo. Mais adiante, enumera-se alguns resultados de sua
aplicao recente em programas de melhoramento gentico vegetal, bem como desenvolvimentos
correlatos que podem ajudar na busca de solues para os problemas inerentes desses
delineamentos.

2.2. Aspectos da anlise estatstica

Federer (1956) mostrou que a anlise estatstica de delineamentos aumentados pode ser
feita, inicialmente, conforme o delineamento padro, excluindo-se as parcelas adicionais. Somente
numa segunda etapa, a anlise considera, conjuntamente, as testemunhas e os novos tratamentos.
Dessa forma, o quadrado mdio do erro ou resduo, num delineamento aumentado clssico, obtido
analisando-se somente os dados referentes aos tratamentos comuns ou testemunhas. Torna-se
necessrio, ento, o ajustamento das mdias dos tratamentos adicionais em funo do delineamento
bsico utilizado e da localizao destes tratamentos no experimento, ou seja, dos blocos em que
cada um destes tratamentos ocorreram. As testemunhas podero ou no merecer esse ajuste. Por
exemplo, nenhum ajustamento requerido para as testemunhas num bloco completo casualizado
aumentado; entretanto, ele necessrio num lattice triplo aumentado.
Um aspecto importante relacionado anlise, para o qual o autor chamava a ateno, desde
aquela poca, refere-se questo da distribuio regular das parcelas com variedades testemunhas
no campo experimental. Federer (1956) informa que, se as parcelas com estes tratamentos forem
espaadas sistematicamente (ex: de trs em trs parcelas) e a anlise por ele proposta for utilizada,
as estimativas das diferenas de mdias e da varincia do erro experimental sero viesadas.
Federer (1961a) apresenta a anlise desses delineamentos segundo os mtodos gerais
desenvolvidos para delineamentos em blocos incompletos e outras situaes no ortogonais. O autor
desenvolve e ilustra as anlises sem (intrablocos) e com recuperao da informao interblocos,
para os casos de blocos completos casualizados aumentados e lattice balanceado aumentado. Nos
trabalhos de Federer & Raghavarao (1975) e Federer et al. (1975), os autores seguiram uma
abordagem similar, incluindo tambm alguns delineamentos aumentados de linhas e colunas. Nos
dois ltimos casos, entretanto, limitaram-se anlise intrablocos. Apesar da completude do
tratamento estatstico apresentado nestes artigos, as deficincias computacionais da poca
possivelmente limitaram a sua ampla divulgao e aplicao nos anos sessenta e setenta.
Garza (1972) e Martnez (1987) apresentam procedimentos bastante simplificados para a
anlise intrabloco, incluindo anlise de varincia e testes de comparao de mdias, no caso de um

24

delineamento aumentado em blocos completos casualizados. Logo, para casos particulares como
este existem protocolos de anlise bastante acessveis aos usurios menos familiarizados com a
soluo geral para os delineamentos em blocos. Contudo, a grande vantagem do enfoque
generalizado reside na possibilidade de analisar conjuntos de dados com qualquer nvel de
desbalanceamento. J as proposies analticas para os delineamentos aumentados clssicos, em
geral, limitam-se a conjuntos modelo-dados fixos e balanceados para cada classe de tratamentos.
Atualmente, diante da pronta disponibilidade de recursos computacionais, as limitaes
inerentes anlise estatstica so bem menores. Boyle & Montgomery (1996), semelhana de
Federer (1961a), descrevem claramente o modelo de anlise estatstica a ser adotado, fornecendo
tambm os comandos bsicos para a sua execuo atravs do SAS. Os autores comentam que o
delineamento aumentado em blocos completos casualizados, na realidade, um caso especial de
PBIB. Logo, o modelo linear geral que caracteriza a resposta observada do i-simo tratamento no jsimo bloco (Yij) : Yij = + bj + i + ij ( denota a mdia geral; bj, o efeito do j-simo bloco; i, o
efeito do i-simo tratamento; e ij, a variao aleatria do i-simo tratamento no j-simo bloco).
Informam tambm que erros padro diferentes so requeridos para comparar dois tratamentos,
conforme eles sejam testemunhas ou linhagens experimentais, ou se eles so ou no repetidos
dentro ou atravs dos blocos. Por fim, os autores apresentam os princpios subjacentes anlise
intrablocos e anlise com recuperao da informao interblocos, tambm possveis nesses
delineamentos.
Na anlise intrablocos, a resposta observada descrita matricialmente a partir do seguinte
modelo: y=X+ (y o vetor de observaes; X uma matriz conhecida do planejamento; o
vetor de efeitos fixos desconhecidos; e, um vetor aleatrio com vetor mdia e matriz de
2

varincias-covarincias I , sendo a varincia aleatria e I uma matriz identidade). Em razo do

plano experimental e do nmero desigual de repeties por tratamento, os efeitos de bloco e de
tratamento no so ortogonais. Logo, a soma de quadrados e as mdias de tratamentos, como
noutros desenhos de blocos incompletos, devem ser ajustadas para os efeitos de blocos (Boyle &
Montgomery, 1996). Os autores acrescentam que a repetio de um ou mais tratamentos em cada
bloco (as testemunhas) suficiente para assegurar que o delineamento seja conexo. Portanto, todas
as mdias de tratamentos e contrastes lineares destas mdias so estimveis. Porm, se ocorrerem
blocos com perda total das parcelas controle, estes blocos formaro subconjuntos isolados
(desconexos entre si), de maneira que no podero fazer parte de uma mesma anlise.

25

Boyle & Montgomery (1996) comentam que, embora seja possvel executar os
ajustamentos manualmente, relativamente fcil faz-los usando, por exemplo, o procedimento
GLM do SAS e umas poucas linhas de comandos. Neste sentido, informam que a soma de quadrados
tipo III, produzida pelo comando model, fornece o teste F correto e o comando lsmeans
produz as mdias ajustadas e os respectivos erros padro associados. Ademais, a opo pdiff
realiza comparaes destas mdias, baseando-se em diferena mnima significativa ajustada para
tamanhos desiguais de amostras. Mas, se apenas algumas comparaes forem de interesse, ou
mesmo hipteses como, por exemplo, comparar a mdia de todas as testemunhas com a mdia de
todas as linhagens experimentais, o uso dos comandos contrast e estimate torna-se
necessrio. Marcos (1994) tambm apresenta as instrues para a realizao desse tipo de anlise
atravs do PROC GLM do SAS.
Na anlise com recuperao da informao interblocos, a resposta observada descrita pelo
seguinte modelo (Boyle & Montgomery, 1996): y=X+Z+ ; no qual, alm dos termos j
definidos, Z uma matriz de delineamento conhecida e um vetor de efeitos aleatrios
desconhecidos. A expresso chamada de modelo linear misto porque inclui uma matriz de
delineamento para cada conjunto de efeitos, fixos e aleatrios. Neste caso, os autores admitem que
excessivamente trabalhoso ajustar o modelo manualmente, sugerindo o uso do PROC MIXED do
SAS. Com poucas linhas de comandos, o procedimento fornece o teste F correto, mdias ajustadas
com os respectivos erros padro e comparaes de mdias, ambos j ajustados para tamanhos
desiguais das amostras. Os autores informam que, muitas vezes, a recuperao da informao
interblocos no contribui substancialmente para a interpretao dos dados, a menos que o nmero
de blocos seja maior que o nmero de tratamentos e o nmero de parcelas por bloco seja igual ou
superior a cinco. Mesmo assim, segundo os autores, uma anlise baseada num modelo misto, tal
como a anlise combinada, freqentemente, representa uma aproximao mais realista da situao
experimental do que aquela baseada num modelo fixo.
Scott & Milliken (1993) entenderam que a utilizao prtica dos delineamentos aumentados
passa pela adaptao computacional das frmulas aparentemente complexas publicadas na
literatura. De fato, pesquisadores envolvidos com programas de melhoramento, avaliando um
grande nmero de gentipos por ano, necessitam de procedimentos de anlise de fcil manipulao,
de modo a viabilizar uma rpida tomada de decises. Os autores apresentam, ento, um programa
SAS para anlise de blocos completos casualizados aumentados. O conjunto de comandos permite
obter a anlise de varincia, os testes de hipteses associados, bem como as mdias ajustadas de

26

tratamentos, tanto para a anlise intrablocos como para a anlise com recuperao de informao
interblocos.
As instrues computacionais fornecidas por Scott & Milliken (1993), Marcos (1994) e
Boyle & Montgomery (1996), embora permitam trabalhar com conjuntos de dados desbalanceados,
ainda apresentam uma limitao importante: no admitem a possibilidade de tratamentos aleatrios.
Como salienta Federer (1998), em algumas situaes, parte ou todo o conjunto dos gentipos
avaliados de natureza aleatria. Nas etapas iniciais do processo de avano de geraes em
autgamas, razovel admitir, num ensaio em blocos aumentados, que os novos gentipos tenham
efeitos aleatrios e as testemunhas, efeitos fixos. Torna-se necessrio, portanto, estabelecer modelos
e programas computacionais que sejam capazes de incorporar esse tipo de situao e, assim,
recuperar tambm a chamada informao intergenotpica ou intervarietal.
Wolfinger et al. (1997) alertam que, para a classe geral dos delineamentos aumentados, a
aplicao dos procedimentos GLM e MIXED do SAS no tipicamente direta. Informam que, a
despeito da possibilidade de declarar certos efeitos como aleatrios (atravs do comando
random), o PROC GLM ainda considera tais efeitos como fixos no ajuste do modelo (incluindo
as mdias de tratamentos), apesar de fornecer corretamente as esperanas de quadrados mdios. Por
isso, recomendam que, em delineamentos aumentados, o PROC MIXED seja o procedimento
escolhido para a maior parte das anlises. Suas sadas so mais diretas e, realmente, levam em conta
os efeitos aleatrios. Os autores descrevem, ento, alguns programas SAS de possvel interesse para
os pesquisadores, mostrando tambm como recuperar as informaes interblocos e intervarietais
(admitindo-se como aleatrios os efeitos de blocos e de tratamentos adicionais, respectivamente).
Segundo os autores, a recuperao da informao associada aos efeitos aleatrios leva a uma anlise
mais eficiente dos dados e, por isso, a uma melhor utilizao dos recursos experimentais.
Federer (1998) incorpora a essa nova abordagem a informao aleatria de gradientes
diferenciados dentro de blocos (recuperao da informao inter-regresses), combinando anlise
de blocos e anlise espacial. O autor demonstra o procedimento estatstico utilizando a abordagem
de modelos lineares mistos,

o que assegura um ajustamento mais eficiente das mdias de

tratamentos atravs dos chamados EBLUP (empirical best linear unbiased predictors). Um
programa SAS/ PROC MIXED, para recuperar informaes intervarietais e inter-regresses,
fornecido por Wolfinger et al. (1997). Federer (1998) apresenta uma aplicao desta rotina
computacional, com evidncias de mudanas considerveis no ordenamento das mdias ajustadas de
cultivares, em relao anlise intrablocos implementada via PROC GLM. Detalhes adicionais

27

sobre a utilizao destes procedimentos, com esta finalidade, so tambm apresentados por Federer
& Wolfinger (1998).

2.3. Viabilidade e aplicao no melhoramento de plantas

Antes de enumerar exemplos de aplicaes dos delineamentos aumentados, convm analisar
algumas justificativas, reportadas na literatura, para a adoo atual desta classe de delineamentos no
melhoramento gentico de plantas.
Uma abordagem interessante apresentada por Pinney & Scherr (1991). Os autores partem
de que o sucesso e a validao de uma tecnologia (ex: um cultivar) exige cada vez mais a
participao dos produtores no processo de avaliao experimental, o que requer delineamentos
mais flexveis. A possibilidade de incluso de tratamentos adicionais, definidos pelos fazendeiros e
testados, por exemplo, em apenas uma fazenda, destri a propriedade de ortogonalidade, embora
seus efeitos tambm meream ser estimados. Argumentam portanto que, com a larga
disponibilidade de pacotes computacionais estatsticos, o pesquisador pode facilmente, nos dias
de hoje, desviar-se das restries dos delineamentos padres, ortogonais, de blocos completos e
com tratamentos completamente repetidos. Segundo os autores, os delineamentos aumentados
minimizam o nmero de parcelas, permitindo a pesquisadores e produtores responderem s suas
questes. Assim, preenche-se uma lacuna metodolgica existente entre as observaes informais
dos fazendeiros (sem qualquer tratamento estatstico) e os ensaios de larga extenso, com simples
comparaes de tratamentos, conduzidos em um grande nmero de propriedades rurais.
Boyle & Montgomery (1996) mencionam que, na rea do melhoramento de plantas, em que
um grande nmero de variedades deve ser avaliado, mas com limitado suprimento de sementes, o
uso dos delineamentos aumentados tem-se mostrado muito efetivo. Segundo os autores, apesar de as
comparaes entre variedades no serem igualmente precisas e de um possvel vis associado
estimativa do erro experimental, a adoo desses planejamentos pode reduzir o tempo e o nmero
de unidades experimentais necessrias ao isolamento das linhagens mais promissoras, as quais
passam a fazer parte de um estudo posterior mais aprofundado. Acrescentam que a possibilidade de
executar os clculos requeridos por meio de um software como o SAS, remove o principal
obstculo para a sua ampla aplicao.
Neste sentido, importante tambm reportar trabalhos que avaliaram a eficincia do
delineamento enquanto instrumento de seleo de gentipos promissores. Bearzoti (1994)
comparou metodologias estatsticas que buscam contornar as limitaes de disponibilidade de
propgulos (implicando em parcelas pequenas e baixo nmero de repeties) e elevado nmero de

28

tratamentos, prprias dos programas de melhoramento. Assim, testou clones de batata atravs de
dois delinea-mentos: lattice (simples 10x10) e blocos aumentados (duas testemunhas, com duas
repeties por bloco, nove tratamentos adicionais no repetidos e dez blocos). Neste delineamento,
as testemunhas foram dispostas de trs em trs parcelas (eqidistantes). Avaliou ainda as
metodologias de mdias mveis e de testemunha intercalar, para o ajuste de observaes. O autor
concluiu que ambos os delineamentos mostraram precises semelhantes, com vantagens de ordem
prtica para os blocos aumentados. Constatou que estes demandaram uma rea 28% menor, metade
da quantidade de batata-semente para os tratamentos adicionais e outras vantagens na instalao e
conduo do experimento. Entre estas, enumera: uma maior flexibilidade no planejamento (o
nmero de tratamentos no precisa obedecer nenhuma regra, os blocos no necessitam ter o mesmo
tamanho); a perda de parcelas no acarreta problemas anlise estatstica, possibilitando at seleo
contra materiais muito indesejveis (suscetibilidade excessiva, hbito de crescimento indesejvel,
ciclo muito tardio, aberraes, etc.); e, economia de outros recursos como adubao, defensivos,
mo de obra, etc. Constatou tambm que os delineamentos classificaram os tratamentos de maneira
similar. Mas, as metodologias de mdias mveis e de testemunha intercalar no se mostraram
eficientes na remoo do efeito ambiental sobre os valores fenotpicos.
Em termos de blocos aumentados, o trabalho de Bearzoti (1994) suscita uma srie de pontos
passveis de investigao. Por exemplo, o autor sugere que varincias genticas estimadas deste
delineamento possivelmente sejam subestimadas na anlise intrablocos. Assim, recomenda que se
busque o aproveitamento da informao interblocos. Argumenta tambm uma possvel
subestimao do erro experimental, pelo fato de ser obtido a partir da interao tratamentos
comuns x blocos. No sentido de melhorar tal estimativa, informa que a repetio das testemunhas
dentro dos blocos confere mais graus de liberdade para o resduo do que o aumento do nmero de
blocos. Alerta ainda para o cuidado na escolha das testemunhas, as quais devem representar bem a
varincia residual da populao segregante em estudo. Ademais, o autor refere-se necessidade de
abordar a anlise conjunta desses ensaios, quando os tratamentos e ambientes no so ortogonais
entre si.
Com orientao semelhante, Sahagun & Frey (1991) compararam a eficincia de trs
delineamentos experimentais para a avaliao de linhagens de aveia: blocos completos casualizados
aumentados (ARCBD), blocos completos casualizados (RCBD), e lattice simples (LD). Os
resultados mostraram que os delineamentos usando ajustamento de dados (ARCBD e LD) tm,
geralmente, eficincia similar a RCBD para seleo, com mnimas diferenas entre si. Assim,
consideraram todos eles bem sucedidos para fins de seleo. Em outra oportunidade, contudo,

29

Sahagun (1985) observou que LD foi o mais eficiente para controlar a varincia do erro e ARCBD, o
menos eficiente; embora a superioridade do lattice no tenha sido grande. Assim concluiu que,
escolher entre delineamentos replicados ou no, para fins de seleo em estgios preliminares,
relativamente sem importncia.
Rheenen et al. (1994) compararam, por simulao, um delineamento aumentado duplicado
(DAD), consistindo de dois conjuntos de delineamento aumentado (AD), com um delineamento em
blocos completos casualizados (RCBD) e um delineamento em blocos incompletos (IBD). Nos
ADs, trs testemunhas foram dispostas em cada bloco, uma de forma regular e duas aleatoriamente,
o que permitiu o ajustamento para os efeitos de blocos. Os resultados mostraram que: i) o IBD
demanda menos entradas e mais eficiente do que o DAD; e ii) o uso de DADs ou AD (no
repetidos) com testemunhas distribudas regularmente questionvel, pois no fornece maiores
informaes do que conjuntos de parcelas sem testemunhas repetidas e pode custar 20% mais do
que testemunhas aleatrias. Rheenen et al. (1990) tambm j haviam concludo que RCBD seriam
preferveis em relao ao desenho DAD, em funo de seus coeficientes de variao.
Apesar de alguns resultados contrrios, a literatura rica em trabalhos respaldando o uso
dos delineamentos aumentados, especialmente para a avaliao de germoplasma e quando a
quantidade de sementes limitada. Entre estes pode-se citar: Bhardwaj & Bhagsari (1989), em soja;
Smithson (1992)3, Pastor et al. (1992)3 e Rios (1997), em feijoeiro; Souza (1997), em feijoeiro e
eucalipto; Tavares (1998), em cenoura; Shimi (1994)3, em tomateiro; Milligan (1990)3, em cana-deacar; e outros (Van-Den-Belt, 1982; Schalje, 1987; Bos, 1989; Rahman, 1989; Calhoun, 1997;
Pattama, 1997)3. Alm disso, conforme j comentado, o emprego dos delineamentos aumentados
vem crescendo nos ltimos vinte anos, com aplicao especial em programas de melhoramento
gentico de plantas. Na seqncia, apresentam-se informaes prticas importantes levantadas em
publicaes recentes e com esse tipo de aplicao.
Doust et al. (1996) avaliaram 924 gentipos de trigo, em blocos aumentados, sem
repeties para os tratamentos novos, devido limitada quantidade de sementes. Os autores fizeram
uso de trs variedades testemunhas. Por outro lado, Tesema et al. (1994) usaram quatro testemunhas
para avaliar, em blocos aumentados, o potencial de rendimento de 60 raas locais de cevada. Pecetti
et al. (1995) avaliaram tambm uma grande coleo de germoplasma de trigo (Triticum durum)
atravs de um MAD. Utilizaram apenas um cultivar controle para avaliar o efeito da
heterogeneidade do solo e promover o ajustamento das respostas genotpicas.

30

May & Kozub (1995) relatam a eficincia do ajustamento de respostas por meio de um
MAD-2, na seleo de linhagens (F7 a F9) de cevada. Segundo os autores, o ordenamento dos
gentipos desempenha um papel fundamental sempre que o nmero de linhagens selecionadas para
as avaliaes futuras for limitado. Isto porque, mesmo no havendo diferenas estatsticas nas
respostas das linhagens superiores, apenas as melhor posicionadas devero ser retidas. Neste
sentido, os autores afirmam que o ranking aps o ajustamento fornece uma melhor estimativa da
verdadeira ordenao das linhagens do que aquele obtido sem o ajustamento. Os resultados
indicaram que os ensaios em MAD, sem repetio, podem ser efetivos sobretudo quando o nmero
de entradas for muito grande e a rea experimental heterognea. Calhoun (1997)3 reporta resultados
similares.
Rousselle & Rousselle (1995) tambm utilizaram com sucesso um delineamento aumentado
modificado (MAD), na avaliao de clones de batata (seleo baseada em valores ajustados). Da
mesma forma, Varela et al. (1994) o fizeram adotando trs mtodos de ajuste para a
heterogeneidade do solo. Pereira et al. (1994) tambm reportam seleo eficiente de clones de
batata, avaliados em blocos aumentados. Os autores adotaram, como testemunhas, os genitores dos
cruzamentos mais sete outros cultivares comerciais, repetidos quatro vezes em blocos completos
casualizados.
Outros resultados favorveis da aplicao dos delineamentos aumentados na seleo de
clones de batata so relatados por Moment (1994) e Barbosa (1996). Uma peculiaridade que faz
por merecer uma descrio mais detalhada destes trabalhos que os novos clones no possuem uma
origem nica, comum. Ao contrrio, esto hierarquicamente relacionados a famlias diferentes, o
que bastante freqente em programas de melhoramento.
Moment (1994) utilizou cerca de dez tratamentos adicionais (regulares) e duas
testemunhas por bloco, numa avaliao de clones em dois locais. As parcelas tiveram apenas uma
linha de cinco plantas. O efeito de clone foi considerado aleatrio, desdobrando-o dentro de trs
tipos de famlias. Barbosa (1996) empregou o delineamento para avaliar 817 clones de batata,
provenientes de 42 famlias hbridas (cerca de 20 clones por famlia). Cada bloco foi constitudo de
15 tratamentos adicionais e duas testemunhas, com parcelas tambm de uma nica linha de cinco
plantas. Alguns aspectos estatsticos dos dois trabalhos sero comentados na prxima seo (item
2.4).
Em soja, Spehar (1994) mostrou que os delineamentos aumentados so eficientes na
identificao de gentipos tolerantes toxidez de alumnio. As vantagens em relao aos ensaios

31

completamente repetidos recaram especialmente sobre o custo efetivo. O autor recomenda testes
para a seleo de variedades contrastantes a serem usadas como testemunhas. Assim, espera-se que
estas representem melhor o germoplasma, e a correo para os efeitos de blocos seja mais precisa e
til s comparaes.
No Programa de Melhoramento de soja da ESALQ/USP, Farias Neto (1995) adotou o
delineamento de blocos completos aumentados, com quatro cultivares testemunhas, para avaliar
prognies F4:3 e F5:3 derivadas de 40 cruzamentos (intercruzamentos num esquema de seleo
recorrente em autgamas). O autor constatou que o delineamento apresentou coeficientes de
variao de magnitude aceitvel, semelhantes aos encontrados na literatura para delineamentos
tradicionais como blocos ao acaso. Concluiu, ento, pela viabilidade do delineamento em programas
de melhoramento de soja.
Outras aplicaes, no mesmo programa, apontaram em direo similar (Gomes, 1995;
Lanez-Meja, 1996; Azevedo Filho, 1997; Pinheiro, 1998; e Hamawaki, 1998; Azevedo Filho et
al., 1998). Embora, segundo Gomes (1995), o delineamento no se mostrou eficiente para a
estimao de coeficientes de correlao entre caracteres, com base nos tratamentos adicionais
(prognies), alertando para a necessidade de estudos sobre a sua utilizao na estimao de
parmetros genticos. Rios (1997) compartilha desta mesma concluso. A opinio geral, entretanto,
favorvel adoo do delineamento em programas de melhoramento de soja; sobretudo, para os
testes de gentipos nas etapas iniciais, quando muitas linhagens precisam ser avaliadas e a
disponibilidade de sementes baixa. Ademais, o delineamento mostra-se de fcil implementao.

2.4. Desenvolvimentos correlatos

Alguns desenvolvimentos metodolgicos sero aqui considerados por sua analogia com os
delineamentos aumentados. Um deles trata da anlise conjunta de um grupo de experimentos
delineados em blocos completos casualizados, mas com apenas alguns tratamentos comuns a todos
os experimentos do grupo. Uma outra refere-se anlise para ensaios em BIBs ou PBIBs que
tiveram alguns tratamentos comuns adicionados a cada bloco do experimento.
Pimentel Gomes & Guimares (1958) propuseram o mtodo de anlise conjunta de
experimentos em blocos completos casualizados, com alguns tratamentos comuns. Neste esquema,
os tratamentos regulares (no comuns) so separados em g grupos, cada grupo correspondendo a um
experimento. Os tratamentos comuns so, ento, alocados a todos os grupos, de forma que os
experimentos tm neles o seu elo de ligao. A anlise relativamente fcil, correspondendo quela
de um delineamento em blocos incompletos; ou seja, sendo as estimativas da varincia residual no

32

muito diferentes, a anlise efetuada considerando-se o conjunto dos experimentos como um s

ensaio em blocos incompletos. Pimentel Gomes (1970) estendeu o mtodo para nmeros de
repeties e tratamentos regulares variveis de um experimento para outro.
Pimentel Gomes (1990) argumenta que o esquema de grande flexibilidade e eficincia,
muito mais simples, robusto e conveniente do que os reticulados (lattices) quadrados e cbicos, os
quais, segundo o autor, deveriam ser abandonados. Com efeito, continua ele: neste tipo de
delineamento a perda de tratamentos no traz dificuldade adicional alguma; os grupos de
tratamentos regulares no precisam ter o mesmo tamanho (embora blocos de tamanhos similares
sejam desejveis); e a perda de parcelas, que no implique em perda total de um tratamento ou
bloco, resolve-se facilmente (ao contrrio dos reticulados quadrados, cbicos ou retangulares
que so totalmente destrudos pela perda de tratamentos ou blocos). Esta argumentao
praticamente a mesma apresentada por Bearzoti (1994) com relao s vantagens dos blocos
aumentados em relao aos delineamentos em lattice. Ademais, Pimentel Gomes & Garcia (1991)
informam que, nesse tipo de anlise, a estimao de componentes genticos de varincia tem
soluo exata e sem dificuldades.
Vizoni (1984) observou a semelhana entre os trabalhos de Federer (1956) e Pimentel
Gomes & Guimares (1958). Segundo o autor, blocos aumentados e anlise intrablocos de um
grupo de experimentos em blocos completos casualizados (BCC) com tratamentos comuns, se
equivalem. Basta que se faa cada bloco do delineamento aumentado corresponder a um
experimento em BCC, considerado sem repetio.
O trabalho de Carvalho (1991) prope um modelo de anlise similar, referido como uma
aplicao de blocos casualizados com tratamentos comuns ao melhoramento da soja. O arranjo das
parcelas no campo corresponde a b conjuntos de r parcelas cada, dentro de d repeties. Os
tratamentos regulares so divididos igualmente entre os conjuntos (v/b), os quais recebem
adicionalmente os tratamentos comuns (c), repetidos diferentemente dentro dos conjuntos. Assim, o
modelo mais completo pressupe que a observao feita na ijk-sima parcela sofre os efeitos: do isimo tratamento; do j-simo conjunto; da k-sima repetio; da interao tratamento comum x
conjunto (caso o i-simo tratamento seja comum); e do erro amostral dentro da parcela. A autora
concluiu que a anlise resulta, favoravelmente, em varincias de contrastes de mdias de
tratamentos inferiores proposta de Pimentel Gomes & Guimares (1958).
Na realidade, o modelo de Carvalho (1991) corresponde a uma anlise conjunta de um
grupo de experimentos em blocos aumentados. Basta que se faa: conjunto equivalente a bloco e

33

repetio equivalente a local. Sua peculiaridade est em permitir o isolamento da interao

tratamentos comuns x conjuntos (at mesmo nas anlises individuais), haja vista a repetio dos
tratamentos comuns dentro de conjuntos. Todavia, admitindo-se a correspondncia entre conjunto e
bloco, esta interao s pode ser estimada dentro de repeties (locais). Um esquema muito
semelhante foi adotado por Lanez-Meja (1996), no Programa de Melhoramento de soja da
ESALQ/USP.
Vale reportar tambm metodologia de Pavate (1961), desenvolvida para a anlise conjunta
de ensaios em BIB com alguns tratamentos comuns. Sua anlise fundamenta-se na soluo geral
para delineamentos em blocos, de forma que o autor considera o mtodo de Pimentel Gomes &
Guimares (1958) como um caso particular. Apresenta, ento, o que chama de um mtodo
simplificado para obteno dos efeitos ajustados de tratamentos, baseado nas anlises individuais
dos g experimentos. Afonja (1968) estende a referida metodologia a g ensaios em BIB, no
necessariamente com os mesmos parmetros, deduzindo, a partir dela, o caso particular de blocos
completos. A metodologia foi aplicada por Greiner (1986), que apresenta, em detalhes, os passos da
anlise estatstica.
Outros procedimentos estatsticos similares anlise de blocos aumentados so os de Klin
(1966), Ferreira (1980), Oliveira (1986), Oliveira & Barbin (1988) e Oliveira (1990). O primeiro,
citado por Oliveira & Barbin (1988), desenvolveu a anlise intrablocos, interblocos e combinada
para o caso de experimentos em BIB com adio de alguns tratamentos (comuns) em cada bloco.
Ferreira (1980) aplicou este mtodo, deduzindo por quadrados mnimos as frmulas que permitem
obter os efeitos de tratamentos ajustados, as somas de quadrados e as varincias dos trs tipos de
contrastes possveis entre pares de mdias de tratamentos. Nesta anlise, o autor utilizou dados de
um experimento de competio de cultivares de soja, tendo sido feito o desdobramento dos efeitos
de tratamentos (ajustados) em: entre tratamentos originais, entre tratamentos adicionais e entre
os tipos de tratamentos.
Oliveira (1986) aplicou a anlise intrabloco situao dos PBIBs, com adio de
tratamentos comuns em cada bloco. Na realidade, a situao apresenta-se como um caso particular
do delineamento aumentado definido por Federer & Raghavarao (1975). Oliveira & Barbin (1988)
estenderam a anlise intrabloco a qualquer tipo de reticulado quadrado, balanceado ou parcialmente
balanceado, a que eles denominaram de delineamento em reticulado quadrado aumentado
(augmented lattice design). Oliveira (1990) ampliou o alcance do estudo anterior incluindo a anlise
com recuperao da informao interblocos. Nestes estudos, os autores tm constatado que a
incluso de tratamentos comuns em cada bloco proporciona uma melhoria na preciso das

34

comparaes entre mdias de tratamentos regulares, em relao aos lattices originais,

principalmente quando se faz a recuperao da informao interblocos.
Com os prprios delineamentos aumentados, alguns outros desenvolvimentos merecem ser
discutidos. Seguindo a abordagem de Pimentel Gomes & Guimares (1958), Nogueira (1976)
desenvolveu a anlise conjunta de grupos de experimentos em blocos completos casualizados
aumentados (com tratamentos idnticos em todos os experimentos). A autora adotou o sistema de
equaes normais reduzidas, caracterstico da anlise intrablocos, embora no o tenha assim
denominado. Considerou o conjunto dos ensaios como um delineamento nico de blocos
incompletos, determinando os efeitos de tratamentos (sujeitos a restries), anlise da varincia,
mdias ajustadas de tratamentos e a matriz de disperso para fins de aplicao do teste Tukey s
referidas mdias.
Vizoni (1984) estudou a aplicao de blocos aumentados, em culturas perenes, com
observaes tomadas em anos ou estaes sucessivas (blocos aumentados com parcelas
subdivididas no tempo). Considerando a provvel existncia de correlao entre medidas numa
mesma parcela (entre diferentes subparcelas, os anos), adotou o modelo em que as correlaes so
constantes e com independncia entre as medidas de diferentes parcelas (matriz de varincias e
covarincias homognea e uniforme, por parcela). Apresenta, ento, a metodologia de anlise
baseada na teoria de blocos incompletos, associada ao enfoque de medidas repetidas. Alm da parte
relativa anlise estatstica intrablocos, o autor mostra tambm o procedimento para testar a
homogeneidade e uniformidade da matriz de varincias e covarincias.
Silva (1987) apresenta o procedimento de anlise de covarincia para blocos completos
aumentados. O autor ilustra-o por um exemplo fictcio, com uma s covarivel centrada (xij=Xij-mX)
de efeito linear () sobre a varivel resposta: Yij=+bj+i+ xij+eij. Argumenta que a anlise, alm
de melhorar o controle local, bastante afetado pela falta de repetio, leva em considerao outras
variveis que podem afetar aquela de interesse. A anlise expressa matricialmente sob o que o
autor denomina modelo particionado convenientemente (sistema de equaes normais reduzidas). A
matriz X (do delineamento) inclui, alm dos coeficientes relativos a blocos e tratamentos, os da
referida covarivel. Da mesma forma, o vetor de parmetros aumentado para incluir o coeficiente
de regresso linear de Y sobre X (parmetro ). Os fundamentos tericos de uma anlise de
covarincia intrablocos com p covariveis so tambm apresentados por Dias (1981), para os
ensaios em BIB.

35

Marcos (1994) desenvolveu procedimentos para as anlises individuais e conjunta de

ensaios em blocos completos aumentados, aplicando o sistema SAS. Considerou as funes
estimveis e as hipteses testadas pelas quatro somas de quadrados (SQ) fornecidas pelo pacote,
determinando tambm as esperanas de quadrados mdios a fim de compor o denominador
adequado para a estatstica F. Concluiu que a SQ tipo I do SAS no adequada para o delineamento,
tanto na anlise individual como na anlise conjunta, pois esta inclui outros efeitos alm daqueles
de interesse. Assim, a autora, de certa forma, contesta as SQs obtidas por Nogueira (1976). A SQ
tipo III pareceu, ento, ser a mais adequada, desde que a estatstica F seja obtida pela opo test
do comando random do procedimento GLM/SAS.
Uma caracterstica dos ltimos trabalhos mencionados o fato de considerarem somente
exemplos balanceados (testemunhas r vezes e tratamentos adicionais uma s vez). Isto,
certamente, resultou na igualdade das funes estimveis e SQs dos tipos II, III e IV, no trabalho
de Marcos (1994). Alm disso, na maior parte deles, a abordagem restringiu-se a modelos fixos
(anlise intrablocos), o que representa, sem dvida, uma limitao prtica. Em razo disso, Vizoni
(1984) sugere pesquisas adicionais admitindo-se matrizes de varincias e covarincias menos
restritas, desbalanceamento e modelos no estritamente fixos.
Nesse sentido, necessrio reportar novamente ao trabalho de Moment (1994). A autora
utilizou um modelo de blocos aumentados com tratamentos aleatrios (clones de batata) e
hierrquicos em relao origem (tipo de famlia). As anlises intrablocos, por local, foram
implementadas atravs do sistema computacional MAPGEN 4. Em seguida, foi determinado um
quadrado mdio de erro-efetivo (QMErro-efetivo), usando-o para compor uma nova anlise de
varincia, baseada nas mdias ajustadas dos tratamentos regulares (Yij). O modelo correspondente :
Yij = + ti + cj(i) + eij (sendo: ti o efeito do tipo da famlia clonal i, e cj(i) o efeito do clone j dentro da
famlia clonal i). O QMErro-efetivo foi calculado a partir das estimativas de varincia dos contrastes
envolvendo os tratamentos regulares5. Assim, tem-se: E(QMTrat.) = 2e + 2g (sendo 2e a varincia
do erro efetivo e 2g a varincia gentica entre clones). Para a anlise conjunta, utilizou as mdias

/ MAPGEN - Sistema computacional de anlise estatstica desenvolvido pelo Prof. Dr. Daniel F. Ferreira
(Departamento de Cincias Exatas - Universidade Federal de Lavras Lavras-MG).
b

/ QMErro-efetivo =

j =1 P1 j 12 + j< j P2 jj 22
b

j =1 P1 j + j< j P2 jj

(Vencovsky, citado por Moment, 1994).

onde: P1j o nmero de permutaes dos tratamentos, no bloco j, tomados dois a dois; P2jj o nmero dos
contrastes elementares entre tratamentos de blocos diferentes (j e j); 21 e 22 so, respectivamente, as varincias
mdias de contrastes elementares entre tratamentos que compartilham ou no de bloco(s) comum(uns).

36

ajustadas e como resduo efetivo, a mdia dos QMErro-efetivos das anlises de cada local. Com esta

$ 2g ), a autora assegura que os parmetros

estimativa e a da varincia entre tratamentos regulares (
genticos foram estimados com maior preciso.
oportuno tambm referir-se ao trabalho de Barbosa (1996). O autor adotou o seguinte
modelo de anlise de varincia: Yij = + ti+ ti(j) + bj + ej(i); em que: ti o efeito fixo do tratamento
comum i; e ti(j) o efeito aleatrio do tratamento adicional i dentro do bloco j. Para recuperar a
informao interblocos, o autor obteve, aps a anlise intrablocos, uma estimativa do erro efetivo,
por expresso atribuda a Ferreira (1995) 6. Modelo idntico foi adotado por Rios (1997). De posse
das mdias ajustadas (intrablocos), determinou, ento, uma nova soma de quadrados de tratamentos,
bem como o quadrado mdio correspondente, cuja esperana matemtica tambm expressa
simplesmente por: 2e + 2g .

3. SOBRE A SUPOSIO DE EFEITOS FIXOS E ALEATRIOS NOS

ENSAIOS DE COMPETIO DE GENTIPOS COM DELINEAMENTO
DE BLOCOS
Em muitas situaes prticas, a deciso entre admitir certos efeitos como fixos ou aleatrios
no imediatamente bvia (Searle et al., 1992). Por isso, estes autores sugerem que se responda
algumas questes como: Os nveis do fator podem ser considerados uma amostra aleatria de uma
populao de nveis? Sim - indica que os efeitos devem ser tomados como aleatrios. No indica que, presumivelmente, as inferncias ficaro restritas aos nveis incidentes nos dados e,
ento, os efeitos devem ser tomados como fixos. Logo, se as inferncias forem feitas sobre uma
populao de efeitos, dos quais uma amostra aleatria faz parte dos dados, os efeitos sero de
natureza aleatria. E, se as inferncias ficarem confinadas aos efeitos no modelo, estes sero de
natureza fixa.
Uma outra forma que os autores apresentam para a questo : Os nveis do fator vieram de
uma distribuio de probabilidade? e H informao suficiente acerca do fator para decidir se os
nveis incidentes nos dados aproximam-se de uma amostra aleatria?. Respostas negativas
significam que se deve tratar o fator como de efeitos fixos e, ento, estimar os efeitos daqueles

b
b

( r 2 n ) j =1 n 2j
b j =1 n 2j
1
r

QM
/ QMErro-efetivo = 1 +
+
+
+
Erro(intra)
r + c 1 c( r + c 1)
cn 2 ( r + c 1)
n 2 ( r + c 1)

r e c: nmeros respectivos de tratamentos regulares (novos) e comuns (testemunhas); n e b: nmero total

de parcelas e de blocos no experimento; e nj: nmero de parcelas no bloco j (j=1,2,...,b).

37

nveis (obteno dos BLUEs). Contrariamente, respostas afirmativas significam tratar-se de fator de
efeitos aleatrios e, por conseguinte, deve-se estimar o componente de varincia a este associado.
Neste caso, se tambm houver interesse nos valores realizados dos efeitos aleatrios, os quais
ocorrem nos dados, faz-se o uso de procedimentos de predio para estes valores (obteno dos
BLUPs).
Searle et al. (1992) informam ainda que a definio de efeitos aleatrios no demanda
necessariamente populaes infinitas para tais efeitos. Assim, fatores de efeitos aleatrios podem
corresponder a populaes conceituais de trs tipos, em termos de tamanho: infinito, finito muito
grande (como infinito) e finito. Apesar disso, os mtodos usualmente difundidos assumem de fato
populaes de tamanho infinito, ou to grande quanto, e adaptaes metodolgicas so requeridas
para o tratamento de populaes finitas.
Na prtica, contudo, as definies anteriores parecem no ser suficientes para decidir,
seguramente, se um fator fixo ou aleatrio. Opinies contrastantes tm sido veiculadas na
literatura, indicando que o assunto ainda no est perfeitamente estabelecido. No caso dos modelos
de blocos, as discusses centram-se nas suposies acerca dos efeitos de blocos e de tratamentos.
Aqui, o enfoque dirigido para os ensaios em que os tratamentos constituem materiais genticos
sob seleo (linhagens, prognies, variedades, clones, hbridos, cultivares, etc.).
No que se refere aos efeitos de blocos, Piepho (1994) faz uma srie de consideraes. Em
princpio, o autor tambm comenta que, se um efeito mais apropriadamente fixo ou aleatrio no
depende muito de o pesquisador estar ou no interessado em um conjunto particular de efeitos, mas,
antes de tudo, se os nveis do fator podem ou no ser assumidos como vindos de uma distribuio
de probabilidade. Assim, recomenda que seja conveniente responder seguinte questo: Os blocos
podem ser considerados uma amostra aleatria de uma populao maior de blocos?. Se assim o for:
Quais so os limites geogrficos desta populao?. Na maioria dos casos, ainda que os blocos
possam ser considerados como uma amostra de uma populao, raramente pode-se assumir, com
propriedade, que esta amostra seja aleatria.
Gusmo (1986) adverte que, para serem considerados aleatrios, os blocos no devem ser
alocados de forma sistemtica como geralmente o so. Por outro lado, assumir blocos como fixos
significa que a populao est confinada apenas aos blocos includos no experimento, o que tambm
no parece razovel. Mas, de fato, o que se faz na prtica em nada caracteriza a tomada aleatria de
blocos numa populao; pois nos experimentos agrcolas, via de regra, tomam-se blocos lado a lado,
o que por si s j descaracteriza o processo de amostragem aleatria.

38

No melhoramento de plantas, a tendncia tem sido tratar blocos como de efeitos aleatrios.
Segundo Piepho (1997) a grande vantagem desta suposio que ela permite inferncias mais
amplas. Contudo, quando os blocos no so uma amostra aleatria, seja porque foram selecionados
deliberadamente ou porque so contguos, inferncias amplas podem ser equivocadas. Por exemplo,
os erros padro de mdias amostrais podem estar subestimados. O autor tambm admite que, de
fato, a deciso acerca de os blocos serem fixos ou aleatrios nem sempre clara. Em razo disso,
sugere que, na dvida, parece mais razovel reduzir o espao de inferncia e, ento, adot-los como
fixos.
Diante desse dilema, outras formas para avaliar se um fator fixo ou aleatrio ainda so
disponveis! Segundo Jimnez & Villa (1995), uma alternativa imaginar que o ensaio h de ser
repetido. Por exemplo, numa experimentao avaliando dois tipos de dieta sobre o crescimento de
bezerros, o efeito dieta e o efeito fazenda so fixos, pois permanecem ao repeti-la. Ao contrrio,
o efeito animal aleatrio porque os mesmos animais no podem crescer duas vezes. Os animais
so uma amostra de uma populao de bezerros, da qual deve ser tomada, de forma aleatria, uma
nova amostra para o segundo experimento.
Neste sentido, contrariando a argumentao de Piepho (1994) e Gusmo (1986), os blocos
estabelecidos na experimentao agrcola podem, perfeitamente, enquadrar-se como efeitos
aleatrios, uma vez que no h interesse algum em mant-los numa possvel repetio do ensaio.
Federer & Wolfinger (1998) tambm compartilham desta opinio. Segundo os autores, os blocos de
um experimento particular, ou mesmo os gradientes dentro deles, no tm importncia outra seno o
modo como afetam as mdias de tratamentos. Logo, tm realisticamente efeitos aleatrios. Alm
disso, os autores entendem que, na anlise de dados de ensaios delineados em blocos incompletos,
modelar tais efeitos como aleatrios sempre desejvel, uma vez que garante maior preciso
experimental. E acrescentam, tal como Federer (1998): ignorar a informao interblocos seria como
ignorar a informao de parcela num delineamento em parcelas subdivididas.
A idia subjacente a estas opinies a de que o uso da informao inter-efeitos (interblocos,
inter-repeties, etc.), decorrente da respectiva suposio de aleatoriedade, representa to somente a
adoo de uma abordagem analtica menos restritiva. Ou seja, adotar um fator como de efeitos
aleatrios corresponde a obter a concesso para explorar, estatisticamente, a informao de
dependncia entre os seus nveis, os quais poderiam estar relacionados por uma origem comum
(populao conceitual a que se refere Henderson, 1984). Ao contrrio, consider-lo como de efeitos
fixos significa ignorar, a priori, um possvel relacionamento entre os seus nveis, o que pode ser,
muitas vezes, uma suposio pouco realista. Dado o carter generalizado da abordagem de modelo

39

misto (McLean et al., 1991), no havendo, de fato, relacionamento algum entre os nveis, a anlise
retorna, naturalmente (a posteriori), condio particular de efeitos fixos.
Do lado dos gentipos, Andr (1999) reporta que, embora por definio os valores
genticos sejam efeitos aleatrios, estes tm sido tratados, por convenincia dos mtodos de anlise,
como sendo efeitos fixos. E, de fato, de acordo com Piepho (1994), nos ensaios de competio de
linhagens e cultivares, com mais freqncia do que se pensa, bastante apropriado assumir que os
gentipos constituam uma amostra aleatria de uma certa populao. O autor enfatiza que, quando o
nmero de gentipos avaliados grande, modelar os seus efeitos como aleatrios pode ser
prefervel, a despeito de as definies tradicionais faz-los como fixos. Alm disso, ao assumir os
efeitos genotpicos como aleatrios, no se elimina necessariamente o interesse nas respostas
genotpicas individuais; ou seja, o interesse no recai simplesmente sobre o componente de
varincia associado. Assim, se o nmero de gentipos for elevado (ex: algo entre 20 e 100), BLUP
mais eficiente do que BLUE, visto que, normalmente, a distribuio dos efeitos genotpicos
razoavelmente simtrica. Em sntese, o autor sugere que, preferencialmente, deve-se modelar efeitos
genotpicos como aleatrios, mesmo quando estes forem tidos como fixos de acordo com as
definies clssicas.
Federer & Wolfinger (1998) reportam, ento, chamada recuperao de informao
intergenotpica ou intervarietal para as anlises estatsticas de dados experimentais, na rea de
melhoramento gentico. Esta informao, aproveitada sob aleatoriedade dos efeitos genotpicos,
refere-se a um certo parentesco compartilhado pelos gentipos em teste, expresso pela variabilidade entre eles ( 2g ) e decorrente de sua origem comum. O termo parentesco, aqui entre
aspas, no tem, obrigatoriamente, o sentido gentico da probabilidade de dois tratamentos
possurem alelos idnticos por descendncia. Embora, tal informao genealgica (ou medidas de
similaridade obtidas por marcadores genticos), uma vez disponvel, possa ser incorporada
anlise, ponderando-se a varincia 2g e trazendo benefcios s estimativas e predies. Por outro
lado, admitir efeitos genotpicos como fixos significa ignorar este possvel relacionamento e,
antecipadamente, perder esta informao em prejuzo da anlise e do processo seletivo. Por isso,
estes autores tambm entendem que, considerar os efeitos de gentipos como aleatrios, quase
sempre, uma prtica salutar. Outros estudiosos comungam deste ponto de vista (Hill &
Rosenberger, 1985; Stroup & Mulitze, 1991; Bueno Filho, 1997; Wolfinger et al., 1997; Federer,
1998; Andr, 1999). As vantagens estatsticas do uso desse tipo de informao, semelhana da

40

anlise interblocos, esto relacionadas ao aumento da preciso experimental (ex: reduo de erros
padro de mdias), embora isto possa ter um elevado custo computacional.
Andr (1999) informa que, tomando-se valores genticos como efeitos aleatrios, a sua
predio pode ser efetuada utilizando-se uma metodologia que combina a melhor estimativa linear
no tendenciosa dos efeitos fixos (BLUE), atravs de quadrados mnimos generalizados, e a melhor
predio linear no tendenciosa dos efeitos aleatrios (BLUP). O autor menciona que esta tcnica
tem a vantagem de levar em conta as covarincias de carter gentico existentes entre os indivduos
(gentipos), atravs do uso de informaes de parentesco ou similaridade gentica, obtidas com
dados de genealogias ou mesmo por marcadores moleculares. Acrescenta tambm que a utilizao
de informaes de parentesco, alm de melhorar as predies dos valores genticos, remove
tendncias atribudas aos diversos grupos genticos, diminui influncias de processos seletivos e
permite at predizer valores genticos de indivduos no avaliados. Isso porque, sob pouca ou
nenhuma informao de um indivduo, os dados de seus parentes contribuem para a predio do seu
valor gentico. Porm, assumindo-se os gentipos como fixos, esta possibilidade desaparece. Por
isso, a adoo de uma estrutura de covarincias simplificada (modelo de efeitos fixos), somente se
justificaria por razes de facilidade computacional.
Vale reportar ainda advertncia de Bueno Filho (1997), de que o pesquisador deve estar
consciente de que anlises distintas, resultantes de ora assumir um determinado fator como fixo e
ora consider-lo como aleatrio, produzem mdias ajustadas diferentes, com possvel modificao
no seu ordenamento. Federer & Wolfinger (1998; 1996) e Federer (1998) tambm reportam este
fato, alertando para a necessidade de adotar modelos apropriados a cada situao, ao invs de
sempre usar as anlises convencionais descritas nos livros didticos.
luz das ponderaes anteriores, fica evidente que decidir se um determinado fator (blocos
ou tratamentos) de natureza fixa ou aleatria, no sempre trivial. Logo, recomendvel um bom
entrosamento entre melhoristas e biometristas para se evitar possveis equvocos decorrentes de uma
escolha inadequada. Enfim, mister observar que, apesar da polemicidade do tema, precedente para
certos casusmos, as opinies dos diversos autores so coerentes e no totalmente contraditrias.
Desse modo, podem auxiliar estes pesquisadores para uma tomada de deciso mais acertada.
Contudo, parece tambm evidente a necessidade de estudos adicionais que venham apresentar um
posicionamento mais definitivo para essa questo. Alis, conforme enfatizam Stroup & Mulitze
(1991) e Piepho (1994), a distino tradicional entre efeitos fixos e aleatrios, muitas vezes, no
til e pode, de fato, levar o analista a escolher uma alternativa de anlise menos eficiente.

41

4. MODELOS MISTOS E COMPONENTES DE VARINCIA

4.1. Consideraes gerais
Segundo Henderson (1984), quase sempre, o objetivo do analista de dados ajustar um
modelo que seja uma adequada aproximao da realidade. Quando os parmetros que compem o
modelo compreendem uma mistura de fatores com efeitos de natureza fixa e aleatria, este
definido como um modelo misto (Searle et al., 1992; Verbeke & Molenberghs, 1997). Nesta
importante classe de modelos, trs objetivos so fundamentais: a estimao e testes dos efeitos
fixos, a estimao e testes dos efeitos aleatrios, e a estimao dos componentes de varincia
devidos aos fatores aleatrios (Perri & Iemma, 1996; Lpez & Iemma, 1998).
Para distinguir estimadores de efeitos fixos daqueles de efeitos aleatrios, usual referir-se
aos ltimos como preditores (Robinson, 1991). Por convenincia interpretativa e simplificao
matemtica, em geral, buscam-se estimadores e preditores lineares. E, entre os lineares, a
preferncia recai sobre os no viesados e de varincia mnima, ou seja, os BLUEs e BLUPs,
respectivamente.
Os procedimentos tradicionais desenvolvidos para modelos lineares fixos (y=X+, com

~N(,R=I2)), baseados no mtodo de quadrados mnimos ordinrio, no permitem lidar com

efeitos aleatrios alm do erro experimental. Nestes, a matriz V, de varincias-covarincias dos
2

dados, coincide com a matriz de varincias-covarincias dos erros (V=R=I ), o que corresponde a
uma situao de completa independncia entre as observaes. Num modelo misto, os nveis de um
fator aleatrio esto relacionados entre si por uma populao de referncia, provocando uma
covarincia entre as observaes. Assim, mesmo admitindo-se independncia entre os erros, a
2

matriz V no mais I , pois incorpora a nova estrutura de correlao presente nos dados.
Na notao de modelos lineares mistos escreve-se, ento: y=X+Z+ ; com:

~N( ,R) ; ~N( ,G) ; E( y ) =X ; e Var( y ) =V=ZGZ+R (os termos do modelo j foram
definidos no item 2.2). Esta modelagem generaliza qualquer estrutura de correlao entre
as obser-vaes, seja pela incluso de novos fatores aleatrios ao modelo (matriz G ), seja
pela existncia de correlao espacial ou temporal entre as unidades de observao (matriz

R ). comum assumir, por convenincia e falta de informaes: G=I 2g e R=I 2e (Cullis

et al., 1989). Isto, certamente, no corresponde s melhores estruturas para as diversas
situaes reais. Assim, como j exemplificado, dispondo-se de informaes de parentesco

42

ou similaridade gentica entre os gentipos, conveniente ponderar a varincia 2g pela

matriz de coeficientes de parentesco ( A ), resultando em: G = A 2g (Jimnez & Villa, 1995;
Andr, 1999). Da mesma forma, I 2e no uma estrutura apropriada para a matriz R , num
modelo de ensaio de competio de cultivares, cujas parcelas vizinhas mostrem
similaridade intrnseca variabilidade local (ex: gradientes de fertilidade do solo dentro
de blocos). O mesmo verifica-se para experimentos com medidas repetidas numa mesma
unidade experimental (Littell et al., 1996; Verbeke & Molenberghs, 1997).
Contrariamente estimao em modelos lineares fixos, baseada no mtodo de quadrados
mnimos ordinrio (OLS), a obteno de BLUE e BLUP, em modelos lineares mistos, no
independente dos parmetros de variabilidade (G e R ). Assim, recomenda-se o uso do mtodo de
-1

quadrados mnimos generalizado (GLS), baseado na minimizao de (y-X)V (y-X) . Neste

caso, entretanto, notria a necessidade do conhecimento da matriz V e, por isso, de G e

R . Na falta desta informao, uma abordagem usar GLS estimado, em que se insere
alguma estimativa razovel de V no problema de minimizao (Littell et al., 1996; SAS
Institute, 1997). Assim, na maioria das aplicaes (componentes de varincia desconhecidos), o
primeiro objetivo numa anlise de modelos lineares mistos , em geral, obter razoveis estimativas
para G e R ; embora alguns procedimentos determinem, quase simultaneamente, componentes de
varincia, BLUEs e BLUPs atravs de algoritmos iterativos.
H vrios mtodos para estimar componentes de varincia, mas, neste momento, assumirse- que tais parmetros so conhecidos ou que se dispe de estimativas confiveis para estes. Uma
discusso sobre os principais mtodos, bem como alguns resultados comparativos, reservada ao
item 4.3. oportuno ressaltar que, no melhoramento gentico, com o advento da metodologia de
modelos mistos, os componentes de varincia deixaram de ser enfocados como um fim em si, para
representarem papel fundamental na predio de valores genticos ou genotpicos (ndices de
seleo, BLP, BLUP, EBLUP). Assim, os processos de estimao e predio tm sido
implementados simultaneamente, na seleo de prognies ou genitores, por meio das equaes do
modelo misto (Jimnez & Villa, 1995; Resende et al., 1996a). Todavia, uma boa escolha do mtodo
de estimao de G e R ainda determinante no sucesso da predio, pois a eficincia de preditores
como o BLUP, para fins de seleo, est condicionada disponibilidade de boas estimativas dos
componentes de varincia (Bueno Filho, 1997).

43

4.2. Estimao e predio dos efeitos no modelo linear misto

Conhecendo-se os valores paramtricos dos componentes de varincia (G e R ) ou
suas estimativas, o passo seguinte estimar o vetor de efeitos fixos (ou uma funo a
este associada) e predizer o vetor de efeitos aleatrios (ou tambm alguma funo de ).
Ambos os problemas podem ser resolvidos atravs das chamadas equaes de modelo
misto (EMM), propostas por Henderson em 1948 (Littell et al., 1996; Henderson, 1984):

X R 1 X
X R 1 y
X R 1 Z 0
=
.

1
1
1 ~
1
Z R X Z R Z + G
Z R y
A soluo do sistema, aps algumas manipulaes algbricas, dada por:

0 = ( X V 1 X ) X V 1 y ; e
~
= GZ V 1 ( y X 0 ) = CV 1 ( y X 0 )
em que: C=GZ a matriz de covarincias entre y e (covarincia entre observaes
fenotpicas e valores genotpicos verdadeiros).

Apesar das solues matricialmente explcitas para 0 e , na prtica, o uso destas

expresses pode ter um elevado custo computacional, haja vista a necessidade de inverso
da matriz V , de ordem n x n. Assim, comum buscarem-se alternativas que impliquem
numa maior eficincia computacional. Andr (1999) apresenta um destes procedimentos.
Outra forma de faz-lo usando-se uma inversa generalizada da matriz de coeficientes do
vetor paramtrico, a qual tem dimenso (p+q)x(p+q) , inferior a n x n (p e q so os nmeros
de efeitos fixos e aleatrios, respectivamente) (McLean et al., 1991):

0
X R 1 X
X R 1Z X R 1 y
=
~

1
1
1
1

Z R X Z R Z + G Z R y
Nota-se, portanto, que as EMM so equaes normais estendidas e assumem que G
e R sejam matrizes no singulares (positivas definidas). fcil perceber tambm que, se

G -1 tende para a matriz nula, as EMM tendem para as equaes de GLS para estimar e ,
quando os componentes de so considerados fixos (Robinson, 1991). Isto equivale s
situaes em que G possui autovalores muito grandes ( 2g , no caso particular

G=I 2g ) e G -1 contribui muito pouco para as EMM. Assim, ~

ser bastante prximo de $ ,
o qual seria obtido assumindo-se com parmetros de efeitos fixos. Por outro lado,

44

quando os autovalores de G forem muito pequenos (ex: 2g 0, sob G=I 2g ), G

-1

domina

-1
as EMM e tende para zero. Nos casos intermedirios, G opera reduzindo a magnitude

das estimativas (shrinking) de supostamente fixo, at zero. E, se G for singular, as

equaes devem ser modificadas (SAS Institute, 1997). Henderson (1984) discute esta
situao e d as expresses que resultam nas varincias amostrais corretas. Neste caso, os

elementos de correspondentes poro singular de G igualam-se a zero. Isso ocorre,

por exemplo, quando uma estimativa negativa de componente de varincia assumida
nula por restrio (SAS Institute, 1997).
Quando G e R so conhecidas, 0 (ou, mais provavelmente, alguma funo
estimvel L 0 ) chamado melhor estimador linear no viesado (BLUE - best linear

unbiased estimator) de (ou de L ), e denominado melhor preditor linear no

viesado (BLUP - best linear unbiased predictor) de . Como, muitas vezes, G e R so
desconhecidas, dispondo-se apenas de suas estimativas, os termos BLUE e BLUP no mais
se aplicam. Neste caso, apropriado substitu-los por EBLUE (empirical best linear
unbiased estimator) e EBLUP (empirical best linear unbiased predictor), respectivamente
(SAS Institute, 1997; Littell et al., 1996). O termo emprico adicionado, portanto, para
indicar esse tipo de aproximao.
A matriz de varincias-covarincias dos parmetros, C 0 , ~ , no caso de G e R
conhecidas, dada por:

C 0 ,~

X R 1 X
X R 1 Z
.
=
1
1
1
Z R X Z R Z + G

$ e R
$)
Caso contrrio, assumindo-se alguma perda de eficincia, as estimativas ( G
substituem os seus respectivos parmetros na expresso precedente, ou seja:

$ 1
$ 1 Z
$
C
X R
11
$ 0 ~ = X R X
C
=
$
,
1
1
1
$
$
$
Z R X Z R Z + G
C 21

$
C
21

$
C 22

$ = ( X V 1 X ) ; C
$ = GZ V 1 XC
$ ;e
C
11
21
11
com:
.
1
1 1
1
$
$
C 22 = ( Z R Z + G ) C 21 X V ZG
$ 0 ~ so gerais conhecendo-se ou no as
Os resultados de partio da matriz C
,
$
matrizes paramtricas G e R . Note-se que C
11 a frmula familiar da matriz de

45

varincias-covarincias de 0 , soluo de quadrados mnimos generalizados, implicando

$ L ; entre outras propriedades (Henderson, 1984; p. 45 ).

em: Var( L 0 )= L C
11
$ 0 ~ tender a subestimar a verdadeira variabilidade do vetor
Na realidade, C
,
paramtrico [ 0 , ~
], porque no leva em conta a incerteza prpria da estimao de G e

R . Fatores de inflao j tm sido propostos, mas, em virtude de avaliao incipiente,

ainda no foram implementados pelos principais softwares de anlise estatstica. Robinson
(1991) assegura que, se os parmetros de disperso necessitam ser estimados, as
estimativas de ponto geralmente no carecem de modificaes; pois, condies pouco

~
$ e R
$ . Mas a
restritivas garantem no tendenciosidade a 0 e (estimveis), mesmo sob G
preciso estimada para os BLUPs mereceria alguma correo, embora, na prtica, isto
normalmente seja ignorado ou contornado apenas com uma interpretao conservativa.

Voltando s expresses de 0 e de , mister observar que ambas as solues so

dependentes da estrutura de variabilidade dos dados ( V ), ao contrrio de OLS, em que V
interfere somente nos testes de hipteses (Littell et al., 1996). Alm disso, no s a
estrutura de resduos ( R ) influi nestes resultados, mas tambm a interdependncia entre os
nveis de cada fator aleatrio ( G ), haja vista a constituio da matriz V . Este fato confere
vantagens aos estimadores GLS em relao aos OLS, pois, na carncia de informao
individual, as informaes dos parentes contribuem para a predio do valor de cada
indivduo, inclusive daqueles no observados. Em melhoramento, a magnitude desta
contribuio aumenta medida que se eleva o grau de relacionamento gentico entre os
indivduos (Andr, 1999). Assim, sob herdabilidade (h 2 ) baixa, quando os estimadores
BLUE de OLS so, por natureza, pobres, os correspondentes BLUP ganham eficincia
comparativa (sob h 2 elevada ambos tm igual eficincia).

Ainda no campo da gentica, oportuno notar que o BLUP uma combinao

linear das observaes j ajustadas para efeitos ambientais (vetor y livre dos efeitos
fixos: y X 0 ), cujo coeficiente a relao entre a covarincia de valores genotpicos e
fenotpicos e a varincia fenotpica (o coeficiente equivale herdabilidade). Entre suas
propriedades, alm de serem, por construo, de erro mdio quadrtico mnimo, lineares

em y e no viesados, no sentido de E( )=E() , deve-se enumerar: i) o preditor de

mxima correlao com o verdadeiro vetor de valores genotpicos ( ); e ii) sob

46

normalidade do carter e dos valores genotpicos, o critrio timo de seleo, pois

apresenta o ordenamento de candidatos que maximiza a mdia genotpica populacional na
gerao seguinte (Jimnez & Villa, 1995).
Com relao aos diversos sistemas computacionais disponveis para a anlise de modelos
mistos (incluindo-se a estimao de componentes de varincia), Montebelo (1997) conclui que,
entre dez sistemas, o SAS apresenta maior flexibilidade atravs de seus procedimentos GLM,
VARCOMP e MIXED, fornecendo a anlise de varincia mais completa. Entre estes procedimentos,
a autora destaca a excelente performance do PROC MIXED. Schwarz (1993) tambm faz
comparao neste sentido, ressaltando o poder e a flexibilidade do sistema SAS. Este autor, contudo,
recomenda cuidados na seleo dos quadrados mdios apropriados para testes de hipteses, bem
como para certas sadas de erros padro de funes estimveis e de mdias marginais, quando se
utiliza os procedimentos GLM e VARCOMP. Recomendaes similares acerca do PROC MIXED /
SAS, bem como instrues para a anlise de modelos mistos em delineamentos aumentados e outros
blocos incompletos, so apresentadas por Wolfinger et al. (1997) e Federer & Wolfinger (1998).
Outra referncia de aplicao do SAS a modelo misto de blocos aumentados Scott & Milliken
(1993). Nestes artigos so listados programas que permitem, inclusive, escolher entre os mtodos de
estimao de componentes de varincia disponveis no sistema.

47

4.3. Componentes de varincia

4.3.1. Mtodos de estimao
Diversas metodologias tm sido propostas para estimar componentes de varincia.
Entretanto, escolher uma delas no uma tarefa fcil. Especialmente para modelos mistos e
conjuntos de dados desbalanceados (Searle et al., 1992). A grosso modo, os mtodos de estimao
de componentes de varincia podem ser reunidos em trs categorias: i) os procedimentos derivados
do mtodo dos momentos, entre os quais se incluem o tradicional mtodo da anlise de varincia e
os trs mtodos de Henderson; ii) a estimao quadrtica de norma mnima (MINQE), incluindo-se
os mtodos MINQUE (minimum norm quadratic unbiased estimation) e MIVQUE (minimum
variance quadratic unbiased estimation); e iii) os mtodos baseados em mxima verossimilhana,
ML (maximum likelihood), REML (restricted maximum likelihood) e sua recente verso bayesiana
VEIL (variance estimation from integrated likelihood).
O mtodo da anlise de varincia (ANOVA) tem sua proposio atribuda a Fisher (1918).
Sua verso clssica, historicamente a de maior aplicao, empregada para conjuntos de dados
balanceados, em modelos fixos ou completamente aleatrios. Nestas situaes, o mtodo produz
estimadores com propriedades estatsticas desejveis, no tendenciosos e de varincia mnima
(Barbin, 1998). Entretanto, para dados desbalanceados e, em particular, no caso de modelos mistos,
perde muito de suas qualidades (Swallow & Monahan, 1984; Littell & McCutchan, 1987). Os
estimadores ANOVA so obtidos, tradicionalmente, equacionando-se os quadrados mdios (QM) de
cada fonte de variao, numa tabela de anlise de varincia, aos seus respectivos valores esperados
teoricamente, as E(QM). Para conjuntos de dados balanceados, estas esperanas matemticas podem
ser construdas utilizando-se mtodos prticos de fcil aplicao (Barbin, 1998). Todavia, para
conjuntos desbalanceados, sobretudo em modelos mistos, a sua obteno no trivial, sendo, por
isso, necessria uma abordagem conceitualmente mais genrica.
Os mtodos de Henderson (1953), que tambm podem ser considerados estimadores
ANOVA, pois baseiam-se no mesmo princpio terico, introduziram essa abordagem mais geral ao
problema da estimao de componentes de varincia. O autor lidou com o conceito de reduo na
soma de quadrados, ou seja, com somas de quadrados j ajustadas para outros efeitos e possveis
desbalanceamentos. Em sntese, os mtodos consistem em construir formas quadrticas das
observaes, yAiy (i=1,2,...,s; sendo s o nmero de parmetros 2i a serem estimados), e tambm
equacion-las s respectivas expresses de suas esperanas matemticas. Estas, por sua vez, so

48

funes lineares dos parmetros 2i , fornecidas pelo teorema clssico de formas quadrticas:

E(yAiy) = tr(AiV) + E(y)AiE(y); em que tr representa a operao trao de uma matriz e V

a matriz de varincias-covarincias das observaes em y (Valrio Filho, 1983). A soluo das

$ 2i de interesse.
equaes resultantes produzem as estimativas
Mais especificamente, as trs proposies de Henderson (1953) tiveram a seguinte
orientao: i) o mtodo 1 uma extenso do mtodo ANOVA clssico para o caso de modelos
aleatrios com desbalanceamento; ii) o mtodo 2 representa uma modificao do mtodo 1 para
alguns tipos de modelos mistos, sem interao e hierarquizaes; e iii) o mtodo 3 presta-se a
modelos mistos e aleatrios (Valrio Filho, 1983; 1991). Estes mtodos, de fato, foram preteridos a
partir da divulgao dos estimadores de mxima verossimilhana (ML e REML) e dos estimadores
quadrticos no viesados de norma e de varincia mnimas (MINQUE e MIVQUE).
Os estimadores ANOVA (incluindo-se os mtodos de Henderson), apesar de no viesados,
mesmo sob desbalanceamento, no possuem propriedades importantes como, por exemplo,
varincia mnima (Littell & McCutchan, 1987). Por isso, C. R. Rao, em 1970, entendeu que
propriedades como no tendenciosidade, invarincia translao (no ser afetado por mudanas nos
efeitos fixos) e norma ou varincia mnima poderiam ser incorporadas num estimador de

$ 2i ), escolhendo-se convenientemente a matriz ncleo da forma

componente de varincia (
quadrtica correspondente.
Para os mtodos MINQUE e MIVQUE, considera-se um modelo linear misto geral dado
s
Z i u i (o erro e os demais efeitos aleatrios so representados pelos
por: y=X+ i=1
s
s
vetores u i ), com: E( y ) =X e V= i=1
2i Z i Z i = i=1
2i Vi . Admite-se tambm que a

estimativa de um componente de varincia obtida a partir de uma combinao linear dos

s
p i 2i ). Assim, a forma quadrtica yAy (um tipo de soma de quadrados das
componentes ( i=1
s
pi 2i , se A for escolhida de norma euclidiana
observaes) dita ser um MINQUE de i=1

(||Ai||=[tr(Ai2)]1/2) mnima, sujeito a: A=A, AX= e tr(AVi)=pi (Rao, 1970; 1971a; Searle et al.,
1992). Tais estimadores, sob normalidade, possuem adicionalmente a propriedade de varincia
mnima, ou seja, so tambm MIVQUE (Swallow & Monahan, 1984; Marcelino, 1998). Os
estimadores MIVQUE, por sua vez, podem ser obtidos independentemente da distribuio dos
s
p i 2i dado pela forma quadrtica yAy, sendo A uma matriz
dados. Assim, o MIVQUE de i=1

49

simtrica escolhida de modo a minimizar a varincia de yAy, sujeito tambm a: AX= e

tr(AVi)=pi (Rao, 1971b; Swallow & Searle, 1978).

Os estimadores MINQUE e MIVQUE possuem o inconveniente de exigirem, no seu clculo,
o fornecimento de valores iniciais dos componentes de varincia. Assim, tais estimadores so
funes dos dados e destes valores preestabelecidos. Na estimao MIVQUE, comum utilizar-se
como valores a priori, ou as estimativas ANOVA, denominado mtodo MIVQUE(A), ou estimativas

$ 2i =0 (para fatores aleatrios outros que no o erro) e $ 2e =1, conhecido como MIVQUE(0) (a
escolha MIVQUE padro do sistema SAS). Este fato faz com que os MIVQUEs sejam apenas
localmente de varincia mnima, isto , desfrutem desta propriedade somente quando os valores a
priori forem iguais aos valores paramtricos. Dado que, em aplicaes, o usurio no pode fornecer
valores perfeitos, estes estimadores no so realisticamente de varincia mnima. Apesar disso,
Swallow & Monahan (1984) reconhecem que, se 2i / 2e >1 e esta relao no for drasticamente

$ 2i MIVQUE so mais eficientes do que as $ 2i ANOVA.

subestimada pelos valores a priori, as estimativas
J para o parmetro 2e , as estimativas dos dois mtodos usualmente diferem pouco. Rao & Kleffe
(1988) reforam que ambos os mtodos (MINQUE e MIVQUE) so relativamente robustos a
variaes nos valores preestabelecidos.
Por ltimo, os mtodos baseados em mxima verossimilhana procuram explorar a
informao da distribuio de probabilidade dos dados, geralmente confinada suposio de
normalidade. Assim, esta abordagem, em muitas situaes, tem sido considerada a melhor para
estimar componentes de varincia (Littell et al., 1996). Segundo Rao & Kleffe (1988), o mtodo
ML foi primeiramente utilizado por Crump (1947), mas foi Hartley & Rao (1967) que realmente
formalizaram e estimularam o interesse por esta abordagem. O mtodo REML (ou mxima
verossimilhana modificada, residual ou marginal), embora tambm descrito anteriormente
(Anderson & Bancroft, 1952, citados por Searle et al., 1992), foi generalizado para modelos mistos
desbalanceados por Patterson & Thompson (1971), no artigo clssico sobre recuperao de
informao interblocos. A descrio completa enfatizando somente a estimao de componentes de
varincia apresentada em Patterson & Thompson (1974).
De uma forma breve, enquanto ML estima os componentes de varincia pelos valores que
maximizam a funo de verossimilhana completa das observaes sobre o espao paramtrico;
REML desdobra a verossimilhana em duas funes, uma das quais livre dos efeitos fixos
(localmente invariante) e sujeita maximizao para encontrar as estimativas destes componentes.

50

Contrariamente a ML, REML leva em conta a perda de graus de liberdade associada estimao dos
efeitos fixos, corrigindo-se um vis intrnseco dos estimadores ML para pequenas amostras. Na
prtica, uma das limitaes destes mtodos que, em geral, os seus estimadores no tm expresses
explcitas, requerendo iteraes para o seu clculo. Isto pode dificultar sobremaneira o processo
computacional para grandes conjuntos de dados (Swallow & Monahan, 1984).
A mxima verossimilhana integrada (VEIL) foi proposta por Gianola & Foulley, em 1990,
e baseia-se em mtodos estatsticos bayesianos. Comparativamente, enquanto ML utiliza a funo
de verossimilhana de y e REML o faz atravs de um vetor transformado de observaes livres dos
efeitos fixos, no mtodo VEIL, a mxima verossimilhana derivada da maximizao da funo
densidade conjunta a posteriori dos efeitos fixos e dos componentes de varincia-covarincia de y.
As frmulas resultantes so similares s dos mtodos ML e REML, com a diferena de que em VEIL
consideram-se os graus de liberdade utilizados para estimar os efeitos fixos e cada componente de
varincia. Alm disso, a adoo de procedimentos bayesianos permite que informaes passadas
sobre os componentes de varincia sejam levadas em considerao (Andr, 1999).
4.3.2. Sobre a qualidade dos estimadores
Dada a diversidade de mtodos e as diferentes propriedades de seus estimadores, uma
grande nfase tem sido dada aos estudos comparativos, sobretudo em modelos mistos
desbalanceados (Searle et al., 1992). Entretanto, apesar das tentativas de apontar alguns mtodos
como genericamente superiores, infelizmente, em boa parte dos casos, os resultados so restritos ao
conjunto modelo-dados utilizado (Littell & McCutchan, 1987). Ou seja, parece que, de fato,
nenhum consenso existe sobre a melhor forma de estimar componentes de varincia (Christensen
et al., 1992). De qualquer modo, para um melhor entendimento do assunto, fundamental avaliar as
tendncias dos diversos estimadores nos estudos comparativos.
Apesar das diferentes abordagens na estimao de componentes de varincia, em diversas
situaes, dois ou mais mtodos produzem estimativas coincidentes. Para dados balanceados, a
maioria deles se equivalem. Rao & Kleffe (1988) mostram ainda que os mtodos ML e REML
podem ser exibidos como verses iterativas dos estimadores MINQE, embora no desenvolvimento
destes, nenhuma suposio seja requerida quanto distribuio dos efeitos aleatrios. Uma
diferena bsica que, na prtica, as equaes de ML e REML so resolvidas sujeitas restrio de
no negatividade, enquanto a teoria I-MINQUE / I-MIVQUE (verses iterativas) permite estimativas
negativas. Tambm como j mencionado, sob normalidade, os estimadores MINQUE equivalem aos
MIVQUE. Acrescenta-se que as estimativas MIVQUE podem ser obtidas atravs das equaes

51

REML, sem iterao (tomando-se, por exemplo, as estimativas ANOVA como valores a priori,
obtm-se as estimativas MIVQUE(A)). E, como informam Lopes et al. (1993), embora os BLUEs
de ML e REML, pressupondo normalidade, sejam os mesmos fornecidos pelo mtodo dos quadrados
mnimos, na estimao de componentes de varincia apenas as estimativas REML o so.
Verneque (1994) apresenta uma ampla reviso sobre mtodos de estimao de componentes
de varincia, mostrando, inclusive, as derivaes do mtodo REML. Segundo o autor, este
procedimento tem sido nitidamente preferido para conjuntos de dados desbalanceados, atribuindo-se
esta preferncia s propriedades estatsticas desejveis de seus estimadores: consistncia,
suficincia, eficincia, no negatividade, aproximaes bem definidas, varincias amostrais
menores do que outros estimadores e por serem assintoticamente normais. Searle et al. (1992)
tambm confirmam que, genericamente, em estudos comparativos, a mxima verossimilhana tem
sido a metodologia favorecida, com destaque para REML.
Por outro lado, para a obteno de componentes de varincia atravs de mxima
verossimilhana, somente em alguns poucos casos balanceados existem frmulas explcitas para a
soluo dos sistemas de equaes. Assim, como j mencionado, o processo de resoluo destes
sistemas (ML e REML), via de regra, deve ser numrico e iterativo, exigindo valores iniciais para os
referidos componentes. O sistema estatstico SAS, por exemplo, inicia o processo com os valores de
componentes estimados pelo mtodo MIVQUE-0 (SAS Institute, 1997). Para alguns autores isto
ainda representa uma limitao, bem como a necessidade de avaliar os efeitos de uma atribuio
particular de valores iniciais (Gonalves, 1984). Ademais, os estimadores ML e REML, em geral,
so obtidos sob a suposio de normalidade dos efeitos aleatrios, o que nem sempre satisfeito.
Outra questo que se levanta, com freqncia, dirigida principalmente para os
procedimentos derivados do mtodo dos momentos (ex: mtodo ANOVA), o fato de,
ocasionalmente, resultarem estimativas negativas dos componentes de varincia (parametricamente
no negativos). Assim, a no negatividade comumente tratada na literatura como uma propriedade
desejvel de um mtodo de estimao. Por outro lado, Ghosh (1996) prova a inexistncia de
estimadores de componentes de varincia no viesados e no negativos, em modelos lineares
mistos. Ou seja, imposta a restrio de no negatividade, as estimativas obtidas so viesadas. Rao &
Kleffe (1988) tambm reportam este fato. Isto pode explicar, em parte, certa tendenciosidade dos
estimadores de mxima verossimilhana.
Nos estudos de gentica e melhoramento, muitas vezes, a imparcialidade fundamental,
haja vista a costumeira estimao pontual de ganhos esperados com a seleo. Lamote (1973)

52

tambm j havia demonstrado que, somente o componente associado ao erro pode desfrutar,
simultaneamente, das duas propriedades (no tendenciosidade e no negatividade). E, da mesma
forma, Rao (1972) informa que as estimativas MINQUE de componentes individuais, no viesadas
por construo, tambm podem ser negativas, embora em combinaes de componentes individuais
esta possibilidade seja bastante baixa.
Seraphin (1984) comparou estimadores de componentes de varincia em dois modelos
gentico-estatsticos: aleatrio de classificao hierrquica e misto fatorial com interao. Adotou
os mtodos: Henderson-3, ML e MIVQUE. Como critrios de comparao, usou o erro quadrtico
mdio, o tempo gasto em processamento computacional, os valores mnimo e mximo, o nmero de
estimativas negativas e o de experimentos em que no houve convergncia. O autor indicou o
mtodo MIVQUE pela sua rapidez e eficincia. Constatou tambm que o mtodo ML, apesar de
mais eficiente, mostra tendenciosidade e problemas de convergncia e de tempo. Ademais, concluiu
que a eficincia dos mtodos maior quando a relao entre varincias ( 2i / 2e ) igual a 0,25 e os
dados so balanceados.
Com orientao similar, Valrio Filho (1991) comparou, por simulao, os estimadores
ANOVA, ML, REML e MIVQUE (todos disponveis no sistema SAS). Adotou os modelos mistos
com dois fatores: i) cruzado sem interao; e ii) hierrquico. Como critrios de comparao, usou
tambm o erro quadrtico mdio e o valor absoluto do vis. O autor concluiu que, para conjuntos
balanceados, os mtodos se equivalem. Todavia, sob desbalanceamento, o mtodo MIVQUE
mostrou-se inferior. E, para a estimao de componentes especficos (fator aleatrio ou resduo),
nos dois tipos de modelos, o mtodo REML esteve sempre entre os de melhor desempenho.
Usando os mesmos mtodos e critrios do trabalho anterior, Swallow & Monahan (1984)
chegaram a concluses diferentes, num modelo aleatrio com fator nico e dados desbalanceados:
i) para estimar o componente associado ao resduo, todos os mtodos foram pouco tendenciosos,
exceto MIVQUE(0), especialmente quando 2i / 2e 1; ii) para estimar o componente associado ao
fator aleatrio ( 2i ), quando 2i / 2e <0,50, o mtodo ML mostrou excelente desempenho, mas, em
casos contrrios, os estimadores ANOVA, MIVQUE(A) e REML foram superiores; iii) os
estimadores ANOVA, familiares e de fcil determinao, mostraram-se adequados, exceto sob
desbalanceamento severo e 2i / 2e >1; e iv) o mtodo MIVQUE(A) mostrou-se sempre adequado,
enquanto MIVQUE(0) deve ser escolhido somente quando se tem confiana de que 2i muito
baixo ( 2i 0).

53

Nos delineamentos aumentados, os estudos avaliando mtodos de estimao de

componentes de varincia so bastante raros. Num deles, Gonalves (1984) comparou os mtodos
Henderson-3, ML, REML e MIVQUE(0), em blocos completos aumentados. A autora considerou os
efeitos de testemunhas como fixos e os demais como aleatrios (blocos e tratamentos adicionais). O
desempenho dos estimadores baseou-se em medidas de tendenciosidade, erros quadrticos mdios e
nos coeficientes de variao. De uma maneira geral, o mtodo ML esteve sempre entre os melhores,
especialmente quando se aumentou o tamanho dos experimentos. Alm disso, o mtodo 3 de
Henderson geralmente mostrou-se inferior aos demais quando a varincia gentica foi igual ou
superior a ambiental ( 2g / 2e 1 ).
mister acrescentar alguns outros aspectos metodolgicos utilizados nesse conjunto de
trabalhos. A maioria dos estudos comparando estimadores de componentes de varincia faz uso de
simulaes em computador. Assim, informaes acerca da atribuio de valores paramtricos, bem
como alguns detalhes computacionais so de grande valia para futuros usurios. Do ponto de vista
computacional, priorizaram-se aqui as informaes relacionadas ao sistema SAS, tanto para a
simulao como para a anlise dos dados. Pereira Neto (1994) apresenta um programa, em
linguagem SAS, bastante til aos interessados nesse tipo de estudo.
Seraphin (1984) gerou dados de produtividade de feijo para 120 experimentos, de 200
observaes cada, com e sem balanceamento. Adotou ainda duas relaes de varincias ( 2i / 2e ):
0,25 e 4,00. Para isto, fez uso tambm do sistema SAS e, em especial, das funes normal e
rannor de gerao de variveis aleatrias normais. Em cada experimento, considerou os efeitos
aleatrios com mdia zero e varincias definidas nas relaes, modificando-se as sementes (marco
para o incio da simulao) na gerao de cada efeito. As sementes so nmeros inteiros arbitrariamente escolhidos (adotou de 5 a 7 dgitos), tendo sido diferentes dentro de um experimento, mas
constantes de um experimento para outro, sob o mesmo modelo. O sorteio de parcelas vazias, para
fins de desbalanceamento, foi feito com a funo uniforme: int(200*uniform(seed).
E, para a anlise estatstica, utilizou o PROC VARCOMP com suas opes type1 (mtodo
ANOVA), mivque0 (opo default) e ml.
De maneira semelhante, Valrio Filho (1991) utilizou um programa SAS para simular dados
experimentais, sob quatro valores de varincia associada ao fator aleatrio (0,25; 1,00; 4,00; 9,00) e
varincia unitria para o resduo. Para a simulao o autor usou apenas a funo rannor e para a
anlise estatstica, fez uso tambm do PROC VARCOMP, associado s opes: type1, ml,
reml e mivque0.

54

Os principais critrios usados para avaliar a qualidade dos estimadores de componentes de

varincia so, de fato, o vis e o erro quadrtico mdio (eqm), definidos como: vis = E( $ ) ; e
eqm = E($ ) 2 . O valor absoluto do vis avalia a posio das estimativas produzidas por um
estimador ( $ ) em relao ao verdadeiro parmetro (), enquanto o eqm mede a disperso destas
estimativas em torno do parmetro. Valores de baixa magnitude para ambos os critrios indicam
uma boa qualidade do estimador (Valrio Filho, 1991). Na prtica, aspectos relacionados
eficincia computacional do processo de estimao so tambm importantes; embora isso, muitas
vezes, seja mais uma propriedade do algoritmo de clculo do que do estimador em si.
Recentemente, tem sido sugerida a substituio do eqm como medida da disperso das
estimativas produzidas por um estimador de componente de varincia (Sundberg, 1994; Zamora &
Pascual, 2000). fcil verificar que o valor do eqm cresce com o aumento do valor absoluto do vis
e isto, de fato, no desejvel. Sundberg (1994) apresenta, ento, como critrio universal para a
escolha entre estimadores de varincia, o chamado erro quadrtico mdio do erro de predio,
dado por: E{[($ ) 2 v ]2 } ; sendo v um estimador da varincia V = E($ ) 2 = eqm.

5. VARIABILIDADE ESPACIAL EM EXPERIMENTOS AGRCOLAS

5.1. Consideraes gerais
Ao tratar-se da aplicao dos delineamentos aumentados no melhoramento vegetal no se
pode deixar de referir ao problema do pequeno tamanho de parcelas, prprio das fases preliminares
dos programas de seleo. A pouca disponibilidade de material de propagao para cada novo
gentipo a ser avaliado, no s obriga o melhorista a reduzir o nmero de repeties, mas tambm a
adotar parcelas de apenas uma ou duas fileiras de plantas e sem bordadura. Isto, associado
costumeira alocao sistemtica dos cultivares testemunhas e/ou de grupos de prognies
aparentadas, pode comprometer a suposio de independncia entre observaes sobre a qual se
assenta a abordagem analtica tradicional. As implicaes disso e algumas propostas alternativas
para lidar com esse tipo de problema so revisadas nesta seo.
de conhecimento geral que os delineamentos clssicos so baseados em trs conceitos,
repetio, casualizao e controle local (blocagem). O controle local ajuda a reduzir a variao
residual e o uso de repeties permite uma precisa estimao dos parmetros. Garantidos estes dois
princpios, a eficincia dos estimadores de contrastes de tratamentos, segundo Cressie (1993), fica

55

na dependncia apenas da variao do erro. casualizao cabe neutralizar os efeitos da correlao

espacial e, ento, produzir uma anlise de varincia vlida (estimativa imparcial do erro), j dizia
Yates, em 1938. Por isso, as posies dos tratamentos (configurao espacial) no mapa de campo
podem ser ignoradas na abordagem tradicional. Contudo, em experimentos com parcelas muito
estreitas e/ou com tratamentos distribudos sistematicamente, no se pode mais garantir tal validade,
a menos que uma modelagem menos restritiva seja introduzida. Desta forma, a referida eficincia
no depender apenas da variao residual, mas tambm das posies das parcelas a que foram
alocados os tratamentos. Cressie (1993) considera, portanto, natural o interesse por delineamentos e
mtodos de anlise que levam em conta as posies do espao de onde os dados originaram.
Pode-se acrescentar que a recomendao clssica de controle da variao local atravs de
blocagem inadequada para lidar com problemas de gradiente. Delineamentos como blocos
incompletos so muito teis, mas evidente que eles no permitem uma avaliao completa dos
efeitos espaciais. Alm disso, variabilidades oriundas durante o curso da experimentao continuam
inflando o quadrado mdio residual. Nos experimentos agrcolas, as medidas realizadas sobre
caracteres como a produtividade de gros esto sujeitas a muitas influncias que podem aumentar o
rudo contido na informao (dados so compostos de um sinal ou padro e um rudo), entre as
quais pode-se citar: variabilidade do solo no expressa no estgio de planejamento, ataques de
insetos em direes preferenciais, desenvolvimento de doenas a partir de focos ou reboleiras, etc.
Assim, mesmo que se tomem os cuidados experimentais rotineiros, variveis no controladas
podem aparecer e afetar o ensaio a ponto de os efeitos de tratamentos serem tomados com um baixo
grau de confiana (Eisenberg et al., 1996).
De acordo com Gusmo (1986), trs so os aspectos necessrios para se usufruir das
vantagens da blocagem e permitir testes de hipteses corretos: i) homogeneidade dentro dos blocos;
ii) heterogeneidade entre blocos; e iii) nenhuma interao entre tratamentos e blocos. Na prtica,
porm, mesmo em campos experimentais bem conhecidos, difcil alcanar conjuntamente as duas
primeiras condies. Logo, em boa parte dos casos, no se pode aceitar a suposio de baixa
correlao espacial entre parcelas dentro de blocos. Ademais, a anlise tradicional pressupe
ausncia de interao tratamentos x blocos (uma idntica classificao dos tratamentos em todos
os blocos). Isto tambm dificilmente ocorre, sobretudo quando se trata de gentipos e ambientes.
Por razes como estas o autor conclui pela inadequao do uso da blocagem, por si s, nos ensaios
de competio de gentipos: blocar no representa mais do que uma tentativa de concentrar
diferenas ambientais em um efeito principal removvel. E acrescenta: Ronald A. Fisher j

56

afirmava que uma peculiaridade dos experimentos agrcolas est no fato de que as reas escolhidas
so notadamente heterogneas, no sentido de que a fertilidade do solo varia de uma forma
sistemtica dentro delas e, freqentemente, de maneira complexa de um ponto a outro.
Seraphin (1992) tambm argumenta que, nos experimentos agrcolas (especialmente na rea
de melhoramento de plantas), as parcelas, em geral, consistem de umas poucas linhas dispostas
espacialmente na rea experimental. Assim, se o campo for uniforme, os dados tomados em parcelas
individuais so espacialmente independentes. Contudo, h bastante tempo tem-se reconhecido que
os campos raramente so uniformes. Logo, dado o arranjo espacial das parcelas, suas respostas
devem mostrar padres de associao, ou seja, parcelas mais prximas provavelmente apresentem
respostas mais similares do que aquelas mais separadas (referncia do autor a Student, 1923). E, a
principal causa desta associao origina-se de padres subjacentes variabilidade entre parcelas,
como por exemplo os devidos a gradientes de fertilidade.
Eisenberg et al. (1996) confirmam que, de fato, um grande nmero de fatores pode atuar
independentemente ou de forma interativa para criar variao espacial (de posio) no controlada
nos ensaios de campo. Esta variao, que pode tomar a forma de gradientes ou manchas irregulares
na rea experimental, no afeta os tratamentos ao acaso. Por isso, o estudo desse tipo de variao
tem recebido ateno especial no contexto de ensaios delineados para o teste de grande nmero de
gentipos, em vrios pases (Japo, Austrlia, Inglaterra, Alemanha, EUA, Frana, frica do Sul,
entre outros). Segundo os autores, duas razes especiais justificam a ateno para o fenmeno, bem
como para os mtodos que possibilitam ajustar as mdias de tratamentos para efeitos de posio: i)
populaes grandes, demandadas pelo melhoramento de plantas moderno, que requerem reas
extensas e aumentam a chance de a variao local intervir no experimento; e ii) custos elevados das
pesquisas agrcolas e da experimentao de campo, que exigem exames cuidadosos dos ensaios, de
forma a maximizar o uso da informao gerada.
Neste contexto, Brownie et al. (1993) argumentam que uma forma usual de buscar maior
preciso nos ensaios em blocos, com grande nmero de tratamentos, a reduo do tamanho dos
blocos. Entretanto, uma outra abordagem a adoo de um mtodo de anlise que utilize a
informao da posio da parcela no experimento, para estimar e corrigir para a variao espacial.
Esse tipo de anlise pode ser aplicado alternativamente ou em complementaridade s anlises
tradicionais de blocos completos ou incompletos. Assim, muitos artigos tm enfocado a melhoria da
eficincia dos ensaios atravs de uma anlise que inclui a estimao da variabilidade espacial
inerente ao potencial de resposta das parcelas.

57

Segundo Journel, citado por Ribeiro Jnior (1995), dados espaciais ou de variveis regionalizadas apresentam duas caractersticas bsicas: i) apenas um dado em cada posio; e ii) dados
de posies diferentes so dependentes. O autor entende tambm que a dependncia espacial no
uma inconvenincia estatstica, mas um verdadeiro benefcio que pode informar sobre locais no
amostrados a partir dos dados tomados em posies prximas aos pontos desejados. Da a
importncia de uma abordagem que leve em conta a dependncia espacial. Ribeiro Jnior (1995)
reporta ainda Cressie (1991), que mostra os efeitos da autocorrelao espacial em problemas de
estimao, predio e de delineamentos experimentais, acrescentando que a deteco da estrutura de
autocorrelao e o uso desta informao na anlise estatstica garantem estimativas mais eficientes
dos contrastes de tratamentos. Por outro lado, sua desconsiderao pode impedir que diferenas
reais sejam levantadas.
A despeito das reais vantagens da abordagem espacial, preciso reforar que a validade da
anlise tradicional no requer variabilidade aleatria, com pouca ou nenhuma correlao espacial.
Brownie et al. (1993) informam que, assumindo apenas efeitos aditivos, a casualizao assegura
que as diferenas entre dois tratamentos, em mdia (sobre todos os possveis arranjos), sejam
estimadas sem vis, mesmo na presena de heterogeneidade e tendncias sistemticas dentro de
blocos. Contudo, uma heterogeneidade substancial dentro de blocos resulta em estimativas
altamente variveis, de forma que um mtodo no tradicional de anlise pode ser introduzido para
melhorar a qualidade das estimativas. Grondona et al. (1996) complementam que, embora a
abordagem clssica baseada na teoria da casualizao possa neutralizar a correlao espacial, em
geral, esta menos eficiente do que os modelos espaciais; e, estudos de simulao e de
randomizao de ensaios de uniformidade tm mostrado que as abordagens espaciais, usualmente,
estimam contrastes varietais com maior preciso do que as anlises tradicionais baseadas em
observaes no correlacionadas.
oportuno esclarecer que outras formas de dependncia so ainda introduzidas pelos
prprios tratamentos, por exemplo, competio entre plantas de parcelas vizinhas (Seraphin, 1992).
Este fenmeno, mais genericamente referido como interferncia (Kempton, 1997), embora no seja
tratado no campo da anlise espacial de dados, ser aqui brevemente considerado em razo do
anseio natural pela modelagem simultnea dos dois processos.
Em sntese, intuitiva a noo de que unidades experimentais prximas devam exibir
respostas similares, a despeito dos tratamentos a elas aplicados. Como tambm o a noo de que,
aps esta aplicao, pode surgir dependncia entre observaes, resultante da interferncia entre

58

tratamentos de parcelas vizinhas, sobretudo as adjacentes. Apesar disso, surpreendentemente, pouco

se sabe sobre os padres espaciais com que os pesquisadores tm se contentado ao adotar as anlises
tradicionais (Eisenberg et al., 1996).
Diante dessas preocupaes, nos ltimos vinte anos, uma grande quantidade de mtodos
tem sido proposta no sentido de combinar as duas abordagens, convencional e espacial. bem
verdade que estes procedimentos no tm ganhado a aplicabilidade que deveriam, em grande parte
devido s dificuldades operacionais de sua aplicao. Gleeson (1997), aps demonstrar a
necessidade da aplicao dos modelos espaciais na anlise estatstica de experimentos agrcolas,
reconhece que sem um software apropriado isto torna-se realmente bastante difcil.
Brownie et al. (1993) sugerem que, para motivar essa nova abordagem, necessrio supor
um ensaio com uma heterogeneidade espacial considervel e que o valor do potencial de resposta de
cada parcela (ex: fertilidade do solo) seja conhecido. Uma anlise eficiente, ao certo, deveria fazer
uso destes valores e, em funo deles, ajustar as respostas observadas de cada parcela antes de se
obter estimativas de diferenas entre tratamentos. Na prtica, porm, este potencial desconhecido.
Mas, ainda assim, os autores entendem ser razovel considerar a estimao conjunta dos gradientes
de fertilidade e dos efeitos de tratamentos.
Neste contexto, Eisenberg et al. (1996) distinguem duas etapas na implementao da
abordagem analtica espacial: i) o diagnstico sobre a presena ou no de padro significativo de
variabilidade espacial; e ii) a aplicao dos procedimentos analticos que levam em conta a estrutura
de dependncia entre parcelas vizinhas. Littell et al. (1996) referem-se a estas duas etapas como
caracterizao e ajustamento, respectivamente. A primeira envolve a estimao dos parmetros da
covarincia espacial e a construo de mapas; e a segunda, a remoo dos efeitos da correlao
espacial e a obteno de estimativas de maior eficincia (ex: mdias e contrastes de tratamentos).
Deve-se informar que estas etapas tm sobretudo um significado didtico, haja vista que alguns
mtodos implementam-nas simultaneamente. O objetivo das sees a seguir fazer uma reviso
sobre estes tpicos.

59

5.2. Diagnosticando a presena de variabilidade espacial

Na fase de diagnstico procura-se estimar as leis de erros que determinam os padres da
variabilidade espacial. O conhecimento destas leis garante informaes teis para melhorar o
delineamento e a anlise estatstica dos ensaios (Seraphin, 1992). Por muito tempo, os ensaios de
uniformidade (experimentos em que um s tratamento aplicado) representaram a matria-prima no
desenvolvimento das primeiras tcnicas para reduzir variabilidade experimental. Entretanto,
normalmente no se dispe de recursos para implement-los e os seus resultados s se prestam para
cada experimento em particular. Assim, atualmente tem-se procurado examinar a estrutura de
correlao espacial entre parcelas do campo experimental, na presena de tratamentos; ou seja,
procura-se estimar o ensaio de uniformidade (ou em branco) subjacente a cada experimento. Antes
disso, entretanto, necessrio avaliar a presena ou no de estruturao espacial significativa nas
observaes experimentais (independentemente dos tratamentos correspondentes).
A literatura apresenta algumas medidas estatsticas que permitem diagnosticar a presena de
gradientes de variabilidade em experimentos. Segundo Eisenberg et al. (1996), esta etapa constitui o
passo inicial que levar ou no ao emprego de uma anlise corretiva. Uma dessas estatsticas a
razo entre duas varincias (varincia relativa): o quadrado mdio (QM) do erro da anlise usual e a
chamada varincia de referncia. Esta vem a ser o QM do erro obtido aps reagrupar as parcelas em
blocos de tamanho dois (supostamente resultantes em menor erro experimental). Uma vez que os
dados originais, normalmente, no se referem a experimentos de uniformidade, os autores
aconselham utilizar os resduos, aps a subtrao dos efeitos estimados de tratamentos. Assim, a
varincia relativa obtida com os QMErros de duas anlises de varincia aplicadas a estes resduos
(uma com blocos originais e outra com blocos de tamanho dois), cujas fontes de variao so blocos
e erro. Enfim, o valor da varincia relativa um indicativo da sensibilidade do ensaio para efeitos
espaciais. Warren & Mendez, citados por Eisenberg et al. (1996), definiram como sensveis os
ensaios cujos valores ficaram acima de 1,4.
Outra medida de informao similar o coeficiente de correlao intraclasse
( = 2t / Y2 ). Um valor baixo de indica que os tratamentos so ordenados diferentemente de um
bloco para outro, o que pode ser devido a um gradiente de fertilidade (Eisenberg et al., 1996).
Logicamente, para esse tipo de avaliao deve-se ajustar o modelo completo (Yij=+bj+ti+eij),
suposto aleatrio. Os autores recomendam ainda a confeco e inspeo de diagramas de sinais e de
isolinhas (ou de contorno), construdos com os resduos do ajuste do modelo usual. Nesse tipo de

60

grfico, possvel identificar zonas da rea experimental em que predominam erros residuais
positivos ou negativos, bem como a formao de vales, depresses e/ou montanhas. Todas estas
configuraes descaracterizam uma condio de independncia entre os erros.
A geoestatstica uma rea do conhecimento que se desenvolveu bastante nos ltimos anos,
principalmente com estudos de avaliao da variabilidade espacial em condies naturais. Por isso
foi dado, nesta reviso, um tratamento especial aos conceitos e tcnicas estatsticas aplicadas a este
campo de estudo. Nos experimentos, a aplicao de tratamentos s parcelas, de certa forma, parece
descaracterizar o ambiente natural. Entretanto, os resduos do ajuste de um modelo usual de
delineamento podem, muito bem, simular estas condies. De forma que os instrumentos
estatsticos aplicados a esses estudos podem ser perfeitamente utilizados para avaliar a suposio de
inde-pendncia entre observaes experimentais. Alm disso, resultados desse tipo de avaliao tm
sido utilizados para orientar a definio de tamanhos de parcelas e de blocos. Hamakawa (1991)
constatou, em feijoeiro, que as variveis de produo analisadas (produtividade de gros, massa
total da parte area, massa de gros secos, massa de folhas secas e rea foliar) apresentaram
dependncia espacial significativa. A partir de certos resultados o autor props, ento, um tamanho
ideal de parcelas para experimentao com feijoeiro, na rea geogrfica avaliada.
Na abordagem geoestatstica, a estrutura de variabilidade comumente avaliada por meio
dos chamados semivariogramas ou simplesmente variogramas. Esta preferncia em relao aos
covariogramas ou correlogramas pode ser explicada pelo fato de os semivariogramas exigirem
hipteses de estacionariedade menos restritivas e, portanto, abrangerem um universo maior de
situaes (Ribeiro Jnior, 1995). O semivariograma representa uma funo de semivarincias em
relao s suas respectivas distncias. A semivarincia definida como: Var[Z(s+h)-Z(s)]; ou
seja, a metade da varincia de diferenas entre observaes, numa varivel aleatria Z, separadas
por uma distncia h. Assim, valores baixos indicam menor variabilidade (maior similaridade). Entre
os vrios estimadores de semivarincias, o mais utilizado o estimador clssico de Matheron,
baseado no mtodo dos momentos (Vieira, 2000):

S(h) =

1
2 N(h)

2
[Z(s + h) Z(s)] .

N(h)

em que: N(h) o nmero de pontos ou diferenas [Z(s+h)-Z(s)] tomadas distncia h, com Z(s)
representando a observao realizada na posio s e Z(s+h), aquela na posio s+h.
Para malhas regulares, como o caso dos experimentos, o semivariograma amostral
obtido conforme os passos a seguir: 1) fixa-se uma distncia h (lag); 2) formam-se todos os pares

61

de pontos separados pela distncia h; 3) aplica-se a expresso do estimador para obter a

semivarincia associada distncia h; 4) toma-se outra distncia ou lag e repetem-se os passos de 1
a 3, o que feito at uma distncia mxima de interesse (com razovel nmero de pontos); 5) num
grfico, com distncias no eixo X e semivarincias no eixo Y, plotam-se, ento, os pontos
correspondentes s distncias tomadas e as respectivas semivarincias estimadas. Este grfico
representa o chamado semivariograma amostral (Ribeiro Jnior, 1995; Vieira, 2000).
O semivariograma amostral, na realidade, no suficiente para descrever o padro de
variabilidade em toda a rea, pois contm estimativas de semivarincias apenas para algumas
distncias. A chamada interpolao por krigagem, sim, permite conhecer a resposta em qualquer
ponto no interior da rea, baseando-se na estimativa da estrutura de dependncia entre vizinhos.
Entretanto, para isso necessrio ajustar uma funo contnua de semivariograma, a partir do
semivariograma amostral discreto. Esse tipo de funo deve satisfazer certas suposies como: i) a
funo inicia-se na origem, ou seja, admite-se similaridade absoluta distncia nula (os
semivariogramas amostrais nem sempre mostram este comportamento, apresentando o chamado
efeito pepita (C0): semivarincia para a menor distncia observada); ii) valores separados por
distncias menores apresentam uma maior associao entre si (menores semivarincias), de modo
que a funo nunca decresce; iii) na maior parte dos casos, admite-se ainda no haver mais
associao alm de uma determinada distncia, denominada alcance (a), a partir da qual a
semivarincia, mxima, passa a ser constante (C1) determinando-se um patamar. diferena entre
C1 e C0 denomina-se contribuio ou sill (do ingls), o que constitui tambm um dos parmetros
usuais no ajuste de semivariogramas (Ribeiro Jnior, 1995; Littell et al., 1996; Vieira, 2000).
Neste sentido, a informao relativa s menores distncias mais importante do que aquela
referente s maiores distncias. Isto faz com que o modelo deva se ajustar bem, especialmente para
os pontos iniciais do semivariograma, o que de certa forma reduz o valor de um ajuste por
quadrados mnimos, em favor do chamado ajuste a sentimento. Os programas computacionais de
ajuste de semivariogramas costumam apresentar algumas alternativas de modelos como: linear,
linear com patamar, exponencial, esfrico, gaussiano e potncia. Os modelos so ajustados,
usualmente, atribuindo-se valores arbitrrios aos parmetros (a, C1 e C0) de algumas destas funes
(no caso de experimentos deve-se assumir C0=0), buscando-se, em princpio, um melhor ajuste
visual. Em seguida, modelos ajustados desta forma so postos prova atravs de validao cruzada,
de maneira a buscar modelos cada vez melhores (Ribeiro Jnior, 1995).

62

Outro conceito importante quando se fala em diagnosticar variabilidade espacial o de

isotropia (e anisotropia). No fato que o padro de variabilidade seja sempre o mesmo em todas
as direes para as quais as distncias forem tomadas. Mas, se o for, o fenmeno dito isotrpico e
o semivariograma correspondente chamado omnidirecional. Em caso contrrio, o fenmeno dito
anisotrpico e sero necessrios, pelo menos, dois modelos de semivariogramas direcionais para
descreverem adequadamente o padro de variabilidade espacial caracterstico da rea em estudo.
Para avaliar este aspecto, recomenda-se estimar o variograma geral (omnidirecional), com informaes de todas as direes, e em seguida, obter variogramas para diferentes direes. Sob
isotropia, o semivariograma omnidirecional e os direcionais no apresentam diferenas relevantes,
indicando que a rea de influncia de uma amostra (parcela) circular. J na presena de
anisotropia, estes variogramas no se assemelham (Ribeiro Jnior, 1995).
Uma vez escolhida a funo contnua de variograma(s), caracterstica da estrutura de
variabilidade presente, a krigagem pode ser aplicada, permitindo predizer a resposta em qualquer
outro ponto no amostrado no interior da rea geogrfica. Essa tcnica corresponde a um
interpolador (ou preditor) que pondera, diferentemente, a informao dos vizinhos, conforme o
padro de variabilidade espacial descrito pelo modelo de variograma. Uma propriedade interessante
deste preditor que vizinhos agrupados contribuem relativamente menos do que aqueles isolados. A
partir destes resultados possvel, ento, construir mapas de superfcies e diagramas de contorno ou
mapas de isolinhas, que descrevem o fenmeno de interesse (no contexto do presente estudo, a
variabilidade espacial subjacente a um experimento de campo).
Embora uma maior nfase tenha sido dada aos mtodos geoestatsticos de deteco da
variabilidade espacial, alm de medidas como varincia relativa e coeficiente de correlao
intraclasse, muitos outros instrumentos so disponveis. Os mtodos grficos e os testes estatsticos
desenvolvidos para avaliar a autocorrelao ou a correlao serial de resduos, em anlise de
regresso, especialmente os aplicados s sries temporais, certamente podem ser adaptados para
avaliar correlao espacial. Assim, so tambm passveis de utilizao: os grficos de resduos, o
teste da ordenao casual, o teste 2 de independncia dos resduos e o teste de Durbin-Watson
(Hoffmann, 1991; Hoffmann & Vieira, 1998; Gujarati, 1992; SAS Institute, 1993a).

63

5.3. Alguns mtodos de anlise espacial de experimentos

Segundo Vivaldi (1990), os mtodos clssicos de anlise de experimentos tm sido usados
com sucesso por vrias dcadas e, para muitas situaes, continuam imbatveis. Contudo, como j
comentado, em alguns contextos estes no produzem a eficincia esperada, uma vez que o modelo
usual de anlise demasiadamente restritivo, podendo no corresponder realidade. Dessa forma,
diversas alternativas de anlise tm sido sugeridas, baseadas numa abordagem espacial ou no
chamado princpio de vizinhana. Esses mtodos tentam levar em conta o efeito da heterogeneidade
espacial (similaridade entre respostas de parcelas vizinhas) na estimao dos contrastes de tratamentos (Zimmerman & Harville, 1991; Kempton et al., 1994). Gleeson (1997) comenta que um dos
interesses pela anlise espacial de experimentos surge do fato de as estimativas obtidas (de
tratamentos e erros) fiarem-se no modelo de erros escolhido, o qual pode no refletir a realidade.
Assim, tambm importante verificar a adequao de modelos espaciais alternativos.
O trabalho pioneiro em utilizar o princpio de vizinhana atribudo a Papadakis (1937). O
autor recomendou o uso da correlao entre parcelas vizinhas como uma alternativa ao uso de
blocos. O mtodo de Papadakis consiste em corrigir a observao de cada parcela (varivel
resposta) pelo efeito mdio (no experimento) do tratamento aplicado, utilizando-se, em seguida, a
mdia dos valores corrigidos das parcelas vizinhas como covarivel para uma anlise de covarincia
usual. A idia da anlise de covarincia est presente tambm nos mtodos das mdias mveis e dos
blocos mveis. Em ambos, a observao de cada parcela corrigida pela mdia dos valores das
parcelas vizinhas, sendo que, no primeiro mtodo, o valor da parcela em foco no compe a referida
mdia, enquanto no segundo, sim, determinando a idia de bloco (Vivaldi, 1990).
Apesar de alguns estudos tericos adicionais (Williams, 1952; Bartlett, 1978; Kempton &
Howes, 1981), os mtodos de anlise espacial somente voltaram a atrair maior interesse aps a
estimulante discusso no artigo de Wilkinson et al. (1983). Estes autores comentam uma possvel
tendenciosidade relacionada ao mtodo de Papadakis, propondo modificaes e delineamentos
alternativos semi-sistemticos (blocos mveis), com balanceamento em relao aos vizinhos.
Embora no haja uniformidade de idias quanto eficincia do mtodo de Papadakis, os
estudos comparativos deixam-no numa posio, pelo menos, de igualdade em relao a vrios
outros. Por exemplo, no trabalho de Vivaldi (1990), com experimentos simulados, o mtodo
mostrou ser o mais eficiente comparado aos mtodos de mdias mveis e de blocos mveis,
especialmente na presena de tendncias lineares. Pearce (1998) tambm reconsiderou-o,

64

concluindo que a suspeita de vis no se justifica. O autor apenas sugeriu uma melhoria no clculo
do valor da covarivel.
Um aspecto que j fora polmico quando se tratava do mtodo de Papadakis, refere-se ao
uso ou no de controle local (blocos, linhas, colunas) concomitante. Atualmente, o consenso ainda
no parece estabelecido. Em Wilkinson et al. (1983), o professor S.C. Pearce comenta que, se
existir um padro ntido de fertilidade na rea, os blocos podem ser bem escolhidos e a varincia do
erro ser diminuda, mas, o mtodo de Papadakis ser igualmente bom. Contudo, se os blocos forem
mal escolhidos, o que sempre possvel, o controle local no ser efetivo, enquanto a abordagem de
parcelas vizinhas continua podendo realizar algum controle. Assim, o autor recomenda que se
escolha uma entre as duas abordagens, mas no as utilizem conjuntamente. Finalmente, em Pearce
(1998), o autor conclui: quanto mais elaborado for o controle local escolhido (blocos, linhas e
colunas), se tal estratgia falhar, piores sero as suas conseqncias. J o mtodo de Papadakis ter
sempre a vantagem comparativa de consumir poucos graus de liberdade.
Uma proposta de Federer (1998), para a anlise de blocos incompletos com recuperao de
informaes interblocos e intergradientes (dentro de blocos), tem princpio semelhante ao mtodo
de Papadakis. A diferena fundamental est em considerar os efeitos de gradientes somente dentro
de blocos, alm disso, estes efeitos so tambm admitidos como variveis aleatrias, assim como os
de blocos. Dessa forma, o autor adota a abordagem de modelos mistos. Neste contexto, justifica-se a
adoo de um modelo mais amplo, que inclua o(s) efeito(s) de controle local (blocos ou linhas e
colunas) e os efeitos aleatrios de gradientes intrablocos (ou intralinhas e/ou intracolunas). O autor
refere-se ao modelo como uma proposta que combina anlise de blocos e anlise espacial.
Uma srie de outros mtodos, baseados no princpio da vizinhana, tem sido formulada para
ensaios como os testes varietais. Os modelos, denominados modelos com erros nas variveis, em
geral, levam em conta um efeito de tendncia () mais um erro (e) independente. E, em sntese, a
diferena entre os mtodos est sobretudo na modelagem e estimao do efeito de tendncia (LooDinkins, 1992; Pithuncharurnlap et al., 1993).
Gleeson & Cullis (1987) assumem que a correlao espacial causada pela tendncia , a
qual modelada como um efeito aleatrio, ajustado seqencialmente por um processo autoregressivo integrado de mdias mveis (ARIMA). Este processo, em geral, limita-se s chamadas
diferenas de primeira ordem, ou seja, somente s diferenas entre observaes de parcelas
adjacentes. Os erros e so assumidos i.i.d.~N(0, 2e ). Esta abordagem, segundo Gleeson (1997),

65

incorpora a maioria dos modelos mais antigos de anlise de vizinhana (Wilkinson et al., 1983;
Green et al., 1985; Besag & Kempton, 1986; Williams, 1986).
Cullis et al. (1989) estenderam a anlise espacial de experimentos repetidos (Gleeson &
Cullis, 1987) aos ensaios preliminares de melhoramento, com uma s parcela por gentipo-teste e
com variedades testemunhas repetidas (ex: blocos aumentados). Considerando experimentos com
alguns tratamentos no repetidos, Kempton & Gleeson (1997) abordam trs possibilidades de
controle da variao espacial: i) utilizando-se somente as parcelas de testemunhas; ii) utilizando-se
parcelas vizinhas de quaisquer gentipos; e iii) ajustando-se um modelo de anlise espacial
propriamente dito. Nas duas primeiras, as observaes so ajustadas a priori para eliminar efeitos
de autocorrelao espacial, seguindo-se uma anlise convencional (ajuste do modelo de
delineamento). Na ltima delas, segundo os autores, as estimativas do padro de variabilidade e dos
efeitos de interesse (ex: contrastes de mdias de tratamentos) so obtidas, concomitantemente, com
base num modelo de anlise menos restritivo e mais realista. A anlise pelo modelo de Cullis et al.
(1989) enquadra-se nesta estratgia de controle.
Os mtodos de Gleeson & Cullis (1987) e

Cullis et al. (1989) so tidos como de

ajustamento unidimensional, haja vista as suas indicaes para ensaios com parcelas longas e
estreitas (correlao espacial apenas entre parcelas adjacentes pelos seus lados maiores). Porm, se
o formato das parcelas, e/ou do experimento, for quadrado ou quase isto, a correlao espacial pode
ser importante em ambas as direes. E, neste caso, uma anlise estatstica que considera os efeitos
espaciais em uma s dimenso pode no ser a mais eficiente. Por isso, Martin (1990), depois Cullis
& Gleeson (1991), estenderam o modelo de Gleeson-Cullis para duas dimenses (linhas e colunas).
As suposies acerca de e e, porm, permaneceram inalteradas em ambas as propostas (uni e
bidimensional).
De outro modo, Zimmerman & Harville (1991) modelam diretamente o efeito aleatrio de
parcela ( + e), de forma que as observaes so consideradas, coletivamente, como uma realizao
parcial de um campo aleatrio. Nesta abordagem, os efeitos de parcela so assumidos distriburemse de acordo com algum modelo de correlao espacial que descreve as tendncias locais, anlogos
aos modelos de variograma usados em geoestatstica. Como na maioria dos outros mtodos, em
sntese, o modelo busca uma estimativa da funo geral de covarincia (V), a qual pondera, entre
outros resultados, a soluo de quadrados mnimos generalizados dos efeitos fixos; soluo esta que
inclui, neste caso, os efeitos de tratamentos. Segundo Martnez (1994) estes autores, diferentemente
do princpio da vizinhana, introduziram uma nova abordagem ao problema: tratam diretamente a

66

heterogeneidade espacial por uma anlise aleatria de ensaios de uniformidade, o chamado modelo
linear de campo aleatrio (random field linear model RFLM).
Na seo anterior, apresentou-se o enfoque geoestatstico utilizado para avaliar o padro de
variabilidade espacial presente numa determinada rea. Alguns trabalhos ultrapassam o mero
propsito de diagnose, procurando incorporar a estruturao estimada ao processo de estimao de
parmetros relacionados aos tratamentos e preciso experimental. Grondona & Cressie (1991)
basearam a sua anlise numa estimao de quadrados mnimos generalizados empricos (EGLS).
Neste procedimento, a matriz de covarincias das observaes (V), que pondera o sistema de
equaes normais, obtida diretamente do modelo de semivariograma ajustado; o qual resulta do
semivariograma amostral obtido dos resduos, aps a remoo dos efeitos de blocos e de
tratamentos. Outros autores sugerem a utilizao direta da matriz de semivarincias ajustadas como
ponderador do sistema de equaes de quadrados mnimos generalizados (Hoef & Cressie, 1993;
Cressie, 1993; Martnez, 1994).
Os mtodos de anlise de experimentos que utilizam a informao de parcelas vizinhas (NN
Analysis), em sua maioria, assumem que os efeitos de tratamentos so fixos. Stroup & Mulitze
(1991) advertem que, em algumas situaes, pode ser interessante modelar tais efeitos como
aleatrios e obter os seus preditores. Propuseram, ento, combinar estimadores NNA e BLUPs,
numa modelagem mista denominada NNABLUP. A vantagem imediata o uso da informao
relacionada variao entre os efeitos de tratamentos ( 2g ). Os autores demonstraram, num estudo
de simulao, a ineficincia comparativa das anlises convencionais intrablocos, na presena de
efeito de vizinhana. Admitem, no entanto, que a aplicao da abordagem proposta (NNABLUP)
requer considerveis recursos computacionais.
Aqui faz-se necessrio reportar novamente proposta de Cullis et al. (1989). Neste modelo,
contrariamente ao que diz Stroup & Mulitze (1991), embora os efeitos das variedades testemunhas
(repetidas) sejam considerados fixos, os efeitos das linhagens-teste (no repetidas) so assumidos
aleatrios, alm de distribudos normalmente com mdia zero e varincia 2g (na realidade
assumem uma distribuio normal conjunta dos efeitos aleatrios: gentipos-teste, tendncia e erro).
Ademais, existindo estrutura de famlias, seus efeitos (de famlias) so includos no vetor de
parmetros fixos e as linhagens, ainda aleatrias, ficam aninhadas dentro de famlias. Conforme
justificam os seus propositores, no contexto dos ensaios preliminares de melhoramento, um dos

67

objetivos primrios a predio dos efeitos das linhagens experimentais, para o que apresentam a
expresso do BLUP correspondente.
Mais recentemente, Cullis et al. (1998) apresentaram uma proposta de modelo linear misto
espacial para a anlise de grupos de experimentos, com gentipos-teste repetidos ou no. Dada a
orientao para esses ensaios preliminares, a anlise produz, simultaneamente, os BLUPs dos
efeitos de gentipos e dos efeitos de interao de gentipos com ambientes, bem como as
estimativas REML dos componentes de varincia e dos parmetros espaciais. A proposta inclui
tambm uma extenso aos modelos bidimensionais de covarincia espacial de Cullis & Gleeson
(1991).
Outra abordagem recente, com aplicao na anlise espacial de experimentos, trata da
chamada anlise AMMI (additive main effects and multiplicative interaction analysis). O mtodo
mais difundido para modelar e descrever a interao de gentipos com ambientes. Entretanto, dada
a concepo da anlise, pode ser aplicado a quaisquer conjuntos de dados passveis de serem
dispostos numa tabela de dupla entrada (Gauch & Zobel, 1996). Logo, o procedimento pode ser til
para o aprimoramento do controle local em delineamentos, subsidiando os mtodos estatsticos de
anlise de experimentos. Tal utilizao baseia-se na possibilidade de isolar algum componente
sistemtico na grade (matriz) que determina a disposio das parcelas no campo experimental
(Eisenberg et al., 1996). O procedimento modela os efeitos principais e de interao,
seqencialmente, combinando-se anlise de varincia ANOVA (tcnica univariada) e
decomposio por valores singulares DVS (tcnica multivariada). A DVS aplicada matriz de
interaes ou matriz de resduos do ajuste dos efeitos principais por ANOVA. O objetivo da anlise
decompor a interao de fatores, de maneira que os componentes, estimados sucessivamente,
captem cada vez menos atributos sistemticos. Assim, o padro da interao descrito
especialmente pelos primeiros componentes, relegando aos ltimos, predominantemente rudos
(Duarte & Vencovsky, 1999).
Em experimentos agrcolas a malha de campo, em geral, tem a caracterstica de uma matriz,
permitindo, da mesma forma, a aplicao da metodologia. Logo, aps o ajuste do modelo usual de
blocos incompletos, os resduos (ij) referentes a cada parcela so dispostos no mapa de campo e
submetidos anlise. O modelo matemtico : ij = + ri +cj + nk =1 k ik jk + ij; no qual: a
mdia geral, nula; ri e cj so os efeitos principais de linhas e colunas, respectivamente; e os demais
termos, alm do resduo ij, resultam da DVS da matriz de interaes (entre linhas e colunas). O

68

termo de interao ( nk =1 k ik jk ) descrito como uma soma de n componentes, cada um

resultante da multiplicao de k, expresso na mesma unidade de ij, por um efeito da linha (ik) e
um efeito da coluna (jk), ambos admensionais. O parmetro k traz uma informao da
variabilidade devida interao, no k-simo componente. De forma que a soma dos n componentes
rene a poro mais significativa dessa interao (o padro) e ij traz uma combinao de rudos.
Eisenberg et al. (1996) definiram: (AMMI)ij = ij - ij, a parte sistemtica do erro experimental contida
em cada parcela. Assim, subtraindo-se (AMMI)ij das observaes originais (Yij=Yij-(AMMI)ij), obtmse as novas observaes (Yij) a serem analisadas conforme o delineamento utilizado.
As metodologias anteriormente descritas procuram melhorar a preciso das comparaes
genotpicas controlando-se fontes da variao ambiental, em particular, devida heterogeneidade do
solo. Mas, a interferncia entre parcelas vizinhas, em funo de seus tratamentos, uma outra fonte
potencial de erro, principalmente nos experimentos com parcelas estreitas e sem bordaduras (ex:
ensaios preliminares em melhoramento de plantas). Ao contrrio dos erros de parcelas oriundos da
variao subjacente ao campo experimental, erros de interferncia podem levar a um vis
sistemtico nos efeitos genotpicos (erros de representao) que persiste entre ensaios e no
reduzido por casualizao e repetio (Kempton, 1997). Jensen & Federer (1964) j mostravam que,
nos experimentos de competio varietal em trigo, o efeito da altura mdia das plantas, nas parcelas
adjacentes, afetava fortemente a produtividade de gentipos individuais, a ponto de as testemunhas
perderam a sua utilidade como padro de rendimento.
Segundo Kempton (1997), embora a forma mais efetiva de lidar com a interferncia seja
atravs do uso de parcelas maiores e com bordadura(s), nos programas de melhoramento, muitas
vezes, isto impraticvel. Assim, deve-se buscar modelos de anlise estatstica que levem em conta
esses efeitos, de modo a promover os ajustes apropriados s comparaes genotpicas. Kempton
(1982) apresenta um mtodo desenvolvido para ensaios com repeties. A correo para os efeitos
de competio baseia-se em modelos de regresso linear simples, das respostas individuais sobre as
respostas das parcelas vizinhas. Segundo o autor, o procedimento garante estimativas mais precisas
das diferenas esperadas entre variedades.
Kempton (1997) apresenta um modelo mais geral, em que a resposta de um gentipo i numa
parcela j descrita como: Yij = + bj + gi + kkiwjk + eij. Alm de termos j conhecidos (, a
mdia; bj, o efeito do bloco na parcela j; gi, o efeito do gentipo; e eij, o erro), ki o efeito da
interferncia do gentipo k sobre o gentipo i, e wjk definido conforme suposies acerca do

69

alcance da inter-ferncia. Assumindo-a somente entre parcelas adjacentes, tem-se: wjk=1, se o

gentipo k foi alocado posio j-1 ou j+1; e, wjk=0, em caso contrrio (definies mais gerais so
apresentadas pelo autor). Este modelo pode ser adaptado, inclusive, para ajustar a resposta
genotpica na condio de estande puro (monocultivo); ou seja, ajustando-a para o seu prprio
efeito de interferncia. Isto permite predies mais realistas da resposta fenotpica de cada cultivar.
Um aspecto relevante que, contrariamente heterogeneidade espacial que geralmente
produz observaes vizinhas correlacionadas positivamente, os efeitos de interferncia ou
competio normalmente provocam uma correlao negativa. Logo, um anseio natural do
pesquisador seria combinar, num s modelo de anlise, o controle de ambos os tipos de variao.
Mas, os trabalhos com esta orientao so poucos. Pithuncharurnlap et al. (1993) apresentam um
modelo espacial que incorpora ambos os efeitos, o de tendncia e o de competio interparcelas. O
modelo uma modificao da anlise de Gleeson & Cullis (1987), que usa pares de efeitos de
tratamentos ajustados para vizinhana. Seus resultados indicam que, em termos de erro padro de
diferenas de mdias de tratamentos, o modelo estendido praticamente no difere da anlise
tomando em conta apenas o efeito de tendncia. Contudo, o ordenamento destas mdias difere entre
os dois procedimentos. Os autores ponderam, entretanto, que pesquisas adicionais so requeridas
para melhor avaliar esse tipo de modelo, antes que possam ser confiavelmente recomendados.

5.4. Eficincia da anlise espacial de experimentos

A eficincia da anlise espacial tem sido demonstrada por vrios pesquisadores. Stroup et
al. (1994) compararam trs destes procedimentos anlise convencional de blocos completos
casualizados (RCB), em ensaios varietais de trigo. As alternativas espaciais compreenderam: uma
adaptao ao mtodo de Papadakis (NNA-PAP); outra proposta similar, atribuda a Schwarzbach
(NNA-SB); e o modelo de Zimmerman & Harville (RFLM). A abordagem NNA produziu
coeficientes de variao inferiores e teve maior capacidade estatstica para discriminar as linhagens
do que RCB. Ademais, em 25% dos ensaios, tanto as mdias como as suas classificaes diferiram,
indicando que linhagens diferentes seriam selecionadas pelas duas abordagens (NNA e RCB). A
anlise de RFLM produziu resultados similares s NNAs, embora sua aplicao restringiu-se, por
limitaes computacionais, ao ensaio com a maior discrepncia entre RCB e NNAs. Enfim, os
autores concluram que as tendncias espaciais so freqentes e uma abordagem analtica corretiva
(NNA ou RFLM) deveria ser usada para melhorar a preciso dos ensaios.

70

Federer (1998) constatou uma reduo de 47,5% no quadrado mdio do erro, num lattice
quadrado balanceado, quando se passou de uma anlise intrablocos usual (QMErro=22,67) para a de
um modelo misto admitindo gradientes (polinmios com interaes) intralinhas e intracolunas
(QMErro=11,91). Alm disso, a estatstica F obtida para a fonte de variao tratamentos ajustados
passou de um valor inferior unidade (F<1) e no significativo, para um valor significativo a 2%
de probabilidade (F=2,43). Aplicando um modelo misto similar anlise de um delineamento
aumentado de linhas e colunas, o autor observou uma mudana considervel na ordenao das
mdias de tratamentos em relao anlise intrablocos (modelo fixo). Observou ainda que,
enquanto 52 novos gentipos superaram a melhor testemunha, no conjunto das mdias estimadas a
partir do modelo fixo, apenas 36 o foram no conjunto das mdias REML ajustadas pelo modelo
misto (recuperando informaes interlinhas, intercolunas e intergradientes).
Gleeson (1997) reporta uma reduo de 44% na varincia mdia de contrastes de pares de
tratamentos, proporcionada por uma anlise espacial em uma dimenso, em relao a de blocos
completos casualizados; enquanto a anlise de blocos incompletos promoveu uma reduo mdia de
30% (trabalho de Patterson & Hunter, 1983). Da mesma forma, Cullis & Gleeson (1989) obtiveram
redues de 42% com a aplicao do mtodo de Gleeson & Cullis (1987) contra 33% da anlise
com recuperao da informao interblocos. Neste trabalho, os autores analisaram 1019 ensaios
varietais em diversas espcies cultivadas, e concluram que o maior benefcio da anlise espacial
para os ensaios com parcelas curtas, sobretudo quando dispostas em longas faixas de terreno. Nos
ensaios com parcelas longas j era esperada uma pequena eficincia da anlise, pois este formato
cobre uma larga faixa do mosaico da variabilidade local e isto reduz a correlao entre parcelas
adjacentes. A anlise tambm mostrou baixa eficincia nos ensaios com parcelas estreitas, o que foi
atribudo competio interparcelas. Para preveni-la, os autores enfatizaram que as parcelas devem
ser mais largas ou suficientemente espaadas entre si.
Cullis & Gleeson (1991) aplicaram a sua anlise bidimensional a 24 experimentos de
uniformidade, em diferentes espcies cultivadas. Constataram que a anlise espacial em duas
dimenses necessria mesmo em situaes em que as parcelas so bastante retangulares.
Mencionam ainda o ganho potencial ao se utilizar este tipo de anlise em detrimento de uma anlise
convencional de linhas e colunas.
Kempton et al. (1994) tambm investigaram mtodos de ajustamento para heterogeneidade
espacial em duas dimenses, em 224 ensaios com cereais. Em cerca de um tero deles, obtiveram
uma reduo mdia de 10% no valor da varincia mdia do contraste entre tratamentos, em relao

71

ao melhor dos modelos unidimensionais (de linhas ou de colunas). Comparada anlise de blocos
completos, a de blocos em duas dimenses (2-D) teve uma eficincia mdia de 153%, enquanto a
anlise convencional de blocos numa s dimenso (1-D) teve eficincia de 127%. Similarmente, a
anlise espacial 2-D teve uma eficincia mdia de 159%, enquanto a 1-D resultou em 137%. Enfim,
os autores concluem que, para a melhoria da preciso dos ensaios varietais, deveria haver uma
maior utilizao destes mtodos.
Grondona et al. (1996) aplicaram a anlise de Cullis & Gleeson (1991) a 35 ensaios de
competio varietal, em triticale e trigo. Dezenove modelos foram avaliados combinando diferentemente os efeitos principais (linhas e colunas) e a modelagem da tendncia (processos ARIMA para
as linhas e colunas). Os autores concluram que a anlise espacial mais eficiente em reduzir a
variao residual do que a anlise de blocos incompletos. Embora nenhum modelo tenha levado ao
melhor ajuste em todos os ensaios, o modelo bidimensional auto-regressivo de primeira ordem foi o
mais eficiente em termos dos critrios avaliados (erro padro das diferenas de tratamentos e erro
quadrtico mdio de predio via validao cruzada).
Evidncias empricas tm demonstrado que, na prtica, apenas as correlaes amostrais para
pequenas distncias entre parcelas (lags) necessitam ser levadas em conta nos modelos de anlise
espacial (Gleeson, 1997; Gleeson & Cullis, 1987). Ademais, Seraphin (1992) reporta que, em boa
parte dos estudos, os modelos considerando apenas as diferenas de primeira ordem tm sido
adequados para garantir um aumento de eficincia na anlise, em relao tradicional anlise de
blocos incompletos.
Cullis et al. (1989) aplicaram o seu modelo de anlise espacial (para ensaios com gentipos
no repetidos), a um experimento preliminar testando 525 linhagens de trigo. Selees (10%
superiores) com base nos dados brutos e na anlise espacial tiverem quase 60% de gentipos
comuns. Mas, enquanto com os dados brutos nenhum gentipo foi selecionado nas trs faixas de
terreno (blocos) menos produtivas, onze gentipos o foram quando se utilizaram os valores preditos
(BLUP) pelo modelo espacial. Nesta mesma linha, Cullis et al. (1992) avaliaram, por simulao, a
resposta seleo obtida por este modelo de anlise em comparao de outros procedimentos
seletivos usuais (mdias mveis e ajustamentos com base em testemunhas). Os autores constataram
que a anlise espacial resultou em ganhos relativos consistentemente superiores, especialmente com
o aumento da varincia de tendncia.
Kempton & Gleeson (1997) comentam que, mesmo sem repetio, as respostas dos
gentipos-teste fornecem informao interna sobre a variabilidade espacial, o que pode melhorar a

72

eficincia da seleo. Os autores acrescentam, entretanto, que um requisito bsico para usufruir
destes benefcios da anlise que os gentipos sejam alocados de forma completamente
aleatorizada ao longo do ensaio. Se os gentipos forem agrupados por origem gentica, as selees
devem ser feitas somente dentro dos grupos. Isto porque estes gentipos so assumidos como de
efeitos aleatrios. J as testemunhas, de efeitos fixos, podem ser distribudas sistematicamente no
campo, haja vista a abordagem espacial adotada.
Zimmerman & Harville (1991), baseados num estudo de randomizao, com dados de
ensaios de uniformidade, entenderam que a sua abordagem, com freqncia, fornece estimativas
mais precisas dos contrastes entre tratamentos do que outros mtodos de anlise de vizinhana.
Ademais, esta livre de ambigidades (ex: lida naturalmente com parcelas limtrofes) e aplica-se a
experimentos com dependncia espacial em todas as direes, incluindo-se quaisquer esquemas de
blocagem e acomodando diferentes tamanhos e formas de parcelas. Acrescentam, ainda, que o uso
de blocos menores pode reduzir mas no necessariamente eliminar as suas vantagens. Por ltimo,
quanto maior for a dependncia entre parcelas vizinhas, mais eficiente ser a anlise espacial em
relao a uma anlise de blocos incompletos.
Martnez (1994) analisou um conjunto de dados com forte evidncia de variabilidade
espacial atravs de quatro mtodos alternativos: blocos completos casualizados (BCC), blocos
incompletos - lattice (BIC), ajuste de vizinhana pelo mtodo de Papadakis (AVP) e quadrados
mnimos generalizados pelo variograma (VGLS). O autor concluiu que, devido variabilidade
espacial, vrias mdias de tratamentos no foram estimadas corretamente pela anlise de BCC, e, as
anlises por BIC e AVP tambm no foram efetivas no controle do problema. J a anlise por VGLS
(com semivarincias ajustadas pelo chamado modelo esfrico) corrigiu significativamente o
problema de super e subestimao das mdias, resultando tambm em menores erros padro de
diferenas de mdias de tratamentos. Observou ainda que este mtodo fornece menores erros padro
para contrastes de mdias de menor magnitude. Acrescentou que, na presena de variabilidade
espacial, o interesse recai, sobretudo, numa melhor estimao de contrastes entre mdias de
tratamentos similares. Grondona & Cressie (1991), Hoef & Cressie (1993), Cressie (1993) e Ribeiro
Jnior (1995) tambm so unnimes em apontar os benefcios desse tipo de abordagem.
Os resultados do uso da anlise espacial por meio de mtodos geoestatsticos no so,
contudo, sempre animadores. Knapp et al. (1995) utilizaram-na em pesquisa de melhoramento para
estresse nutricional, em milho. Notaram que, apesar da saturao de alumnio (Al) ter se mostrado
espacialmente correlacionada, de maneira a permitir estimativas para locais no amostrados,

73

nenhuma melhoria de eficincia estatstica foi observada nos resultados, quando comparados com
mdias no ajustadas. Entretanto, os autores argumentam que isso provavelmente ocorreu por no
ter havido presso de seleo suficiente nos nveis de saturao de Al utilizados.
Eisenberg et al. (1996) compararam mtodos de anlise de experimentos quanto eficincia
em reduzir os efeitos da variao espacial, a saber: mtodo de Papadakis; um ajuste por superfcie
de resposta polinomial; uma correo baseada nas observaes dos dois vizinhos mais prximos; e,
a anlise AMMI. Tomaram uma srie de 42 ensaios nutricionais de trigo e um experimento com
erva mate. Os efeitos dos diferentes mtodos sobre o termo de erro (SQErro/SQTotal), em relao
anlise de blocos completos casualizados, indicaram que o mtodo AMMI no s produziu a maior
reduo, mas tambm as redues mais consistentes. Em conseqncia, os erros padro de mdias
por este mtodo tambm foram consideravelmente menores, permitindo a deteco estatstica de
efeitos no captados pela anlise de blocos ao acaso. Constataram ainda que o primeiro componente
sistemtico dos resduos (AMMI1) foi capaz de captar um padro espacial relacionado a variveis
nutricionais do solo e/ou das plantas (ex: regresso significativa dos resduos preditos AMMI1 sobre
a concentrao de ctions totais). Dessa forma, tal componente, de efeito interpretvel e previsvel,
pde ser separado dos rudos aleatrios, garantindo uma anlise de maior eficincia. Concluem,
portanto, que os resultados so encorajadores no sentido de aplicar a anlise AMMI para descrever
padres espaciais e purificar os efeitos de tratamentos.
Por outro lado, os autores alertam para o fato de que o mtodo no modela padres
bidimen-sionais explicitamente. Por exemplo, as linhas 1, 2 e 3 no mapa de campo, para a anlise
AMMI so apenas trs linhas diferentes, enquanto para outros modelos espaciais a linha 2 est entre
as linhas 1 e 3. Assim, recomendam pesquisas adicionais no sentido de melhor compreender as
respostas AMMI aos padres espaciais e para comparar a sua performance em relao a outros
modelos. Sugerem ainda que conjuntos de dados reais e simulados devam fazer parte dessas
pesquisas para se alcanar uma avaliao mais segura.
Considerando os resultados compilados, em sua maior parte favorveis adoo de
mtodos que levam em conta possveis correlaes (positivas e/ou negativas) entre parcelas
vizinhas, bem como a disponibilidade atual de softwares cada dia mais eficientes, conclui-se esta
seo com um questionamento de Gleeson (1997): Por que no a anlise espacial de dados? .