1

ANÁLISE DA COVARIÂNCIA

1.1 - Introdução
A análise da covariância é assim denominada quando se procede a análise da variância
simultaneamente para duas ou mais variáveis. Geralmente, como resultado de um
experimento, têm-se uma variável (Y) dependente principal e uma ou mais variáveis (X1,X2,...)
dependentes secundárias denominadas de covariáveis. Considerando-se que, estas
covariáveis são correlacionadas entre si e com a variável principal e podem ser ou não
dependentes dos tratamentos (de efeito fixo ou de efeito aleatório) a análise da covariância
tem as suas aplicações classificadas em: a) auxiliar na interpretação dos dados
experimentais; b) decompor a covariância total em componentes; c) controlar o erro e
aumentar a precisão da análise de dados; d) ajustar as médias dos tratamentos em função
das médias das covariáveis; e) estimar dados perdidos. Algumas destas aplicações serão
discutidas a seguir.

1.2 - A covariância como auxiliar na interpretação

Sejam os experimentos em que os tratamentos são qualitativos de efeito fixo, para um
delineamento qualquer, em que são avaliadas p variáveis dependentes em cada unidade
experimental (UE). Neste caso, para cada UE temos, como resultado da resposta do
tratamento i na repetição j, um vetor de observações identificado por [Y1 Y2 Y3 ... Yp]. Neste
vetor, as p variáveis que, podem ser, por exemplo: Y1 = altura média das plantas; Y2 = número
de espigas; Y3 = peso das espigas; ... Yp = peso de grãos, são correlacionadas e representam
as respostas dos tratamentos nas diferentes UEs. A análise da variância simultânea para as p
variáveis é denominada de análise da variância multivariada. Assim, as análises vistas nos
capítulos anteriores são apenas casos especiais em que uma variável era avaliada (p=1).
Na análise da variância multivariada, para cada causa de variação, temos matrizes de
dimensões pxp para: as somas de quadrados (SQ) e somas de produtos (SP); e, para os
quadrados médios (QM) e produtos médios (PM). A hipótese a ser testada é sobre a
igualdade dos vetores de efeitos de tratamentos. Também há testes para verificar se há
significâncias para contrastes entre estimativas de vetores de médias de tratamentos. Em
outras palavras, as diferenças entre os tratamentos são testadas simultaneamente para as p
variáveis que são correlacionadas. É justamente esta correlação, entre as variáveis
dependentes, que torna este procedimento mais vantajoso na avaliação do efeito dos
tratamentos, devendo ser usado, nestes casos, apesar da maior complexidade na análise e
na interpretação. Ver um exemplo de aplicação de análise multivariada de experimento de
consórcio de plantas, na página 338 (Capítulo 9) de Gomes (1990).
 2

1.3 - Decomposição da variância e da covariância total

Este procedimento é aplicado quando os tratamentos são de efeito aleatório (exemplo:
progênies de uma espécie vegetal ou animal), com grau de parentesco conhecido ou
simplesmente para diferentes genótipos. O objetivo é obter estimativas de correlação
genética, correlação ambiental (ou do erro) e correlação fenotípica (ou total) entre quaisquer
duas variáveis avaliadas no experimento.
Vamos supor um experimento com I tratamentos aleatórios (genótipos) no delineamento
blocos ao acaso com J repetições e seja Yij uma observação (variável dependente principal)
na UE que recebeu o tratamento i no bloco j e seja Xij a respectiva covariável (variável
dependente secundária). Supomos Y = peso de grãos e X = número de espigas. Temos,
então, IJ pares ou vetores [Yij ; Xij] de observações. O modelo matemático, para cada uma
das variáveis, é: Yij = my + byj + tyi + eyij e Xij = mx + bxj + txi + exij com as pressuposições
inerentes ao modelo (ver capítulo 3) e que as covariâncias (byj;bxj), (tyi;txi) e (eyij;exij) não são
nulas.
Análise da variância, com as esperanças matemáticas dos QM's, estão representadas
na Tabela 1.1 para a variável Y e na Tabela 1.2 para a variável X. Na Tabela 1.3 está
representada a análise da covariância entre as variáveis Y e X com as respectivas esperanças
matemáticas dos produtos médios (PM's).

Tabela 1.1 Análise da variância para a variável Y.

CV GL SQ QM E(QM)
2 2
Bloco J-1 SQB(Y) QMB(Y) eY + IbY
2 2
Tratamentos I-1 SQT(Y) QMT(Y) eY + JtY
2
Erro (I-1)(J-1) SQE(Y) QME(Y) eY

Tabela 1.2 Análise da variância para a variável X.

CV GL SQ QM E(QM)
Bloco J-1 SQB(X) QMB(X) eX2 + IbX2
2 2
Tratamentos I-1 SQT(X) QMT(X) eX + JtX
2
Erro (I-1)(J-1) SQE(X) QME(X) eX

Tabela 1.3 Análise da covariância para as variáveis Y e X.

CV GL SP PM E(PM)
Bloco J-1 SPB(YX) PMB(YX) eYX + IbYX
Tratamentos I-1 SPT(YX) PMT(YX) eYX + JtYX
Erro (I-1)(J-1) SPE(YX) PME(YX) eYX
 3

As somas de quadrados (SQ) para as variáveis Y e X são obtidos de maneira usual. As

somas dos produtos (SP) da Tabela 1.3 são obtidos conforme segue:
1 1
SPB  YX  
I
j
Y.j X.j   Y.. X.. / IJ ; SPT  YX   i Yi . X i.   Y.. X.. / IJ;
J
SPE YX   ij Yij X ij   Y.. X.. / IJ - SPB(YX) - SPT(YX)
Os PM são obtidos dividindo-se as SP pelos respectivos graus de liberdade. Lembramos
que os SP e PM podem ser positivos ou negativos, dependendo da relação existente entre as
variáveis analisadas.
Fazendo-se o equacionamento dos QM e PM com as respectivas estimativas das
esperanças matemáticas, pode-se obter as estimativas dos componentes definidos a seguir:
 2eY  QME Y  ;
a1) Estimativa da variância do erro de Y  


 2tY  QMT Y   QME Y  / J;
a2) Estimativa da variância de tratamento (genética) de Y   
 FY   eY   tY
a3) Estimativa da variância fenotípica (total) de Y  
2 2 2

 2eX  QME X  ;
b1) Estimativa da variância do erro de X  


 tX  QMT X   QME X  / J ;
b2) Estimativa da variância de tratamento (genética) de X  
2

 FX   eX   tX
b3) Estimativa da variância fenotípica (total) de X  
2 2 2

c1) Estimativa da covariância do erro YX = ̂ eYX  PM E YX  ;


 tYX  PMt  YX   PME YX  / J ;
c2) Estimativa da covariância de tratamento (genética) YX   
c3) Estimativa da covariância fenotípica (total) YX  ˆ FYX  ˆ eYX  ˆ tYX .
Com as estimativas obtidas para os componentes de variância e covariância pode-se,
agora, calcular: coeficientes de correlação, de regressão, de variação, etc. Vejamos algumas
aplicações:


 tYX /  tY .  tX . Este coeficiente
a) Coeficiente de correlação genético (de tratamento) (rg): rg   
estima quanto as variáveis X e Y estão correlacionados na população de tratamentos, livre
do efeito ambiental (erro experimental). Se for selecionar na população, pelo carácter Y,
então, se rg for grande também o carácter X estará sendo modificado (para mais ou para
menos) na população selecionada, isto é, para cada unidade modificada em Y estima-se

uma modificação de     
 tYX /  
 tY unidades em X.
2

b) Coeficiente de correlação ambiental (re): re   eYX /   eY .  eX  . Este, estima quanto as

variáveis Y e X estão correlacionadas, livres do efeito de tratamentos.

 
 FYX /  FY .  FX , estima quanto as
c) Coeficiente de correlação fenotípico (ou total) (rF): rF  

variáveis Y e X estão correlacionados na população.

 4

Sabe-se que V(Y+X) = V(Y)+V(X)+2.Cov(Y;X) e, então, Cov(Y;X)=(V(Y+X)-V(Y)-V(X))/2.

Com isto, muitas vezes, para facilitar os cálculos ou na ausência do procedimento de
covariância em alguns softwares, pode-se obter a análise da variância para as variáveis Y, X
e Y+X e obter as Somas de Produtos por diferença, como, por exemplo, para tratamentos:
SPT(YX) =(SQT(Y+X) -SQT(Y) -SQT(X) ) /2 e, por idêntico procedimento, obtém-se os SP das
demais causas de variação.

1.4 - Controle do erro e ajustamento das médias

Este procedimento, conhecido por análise da covariância, propriamente dito, é utilizado
nas análises de experimentos (qualquer delineamento) com tratamentos de efeito fixo em que
a variável dependente principal (Y) é afetada por uma ou mais variáveis dependentes
secundárias (X1, X2,...), denominadas covariáveis. Estas covariáveis devem, sob certas
circunstâncias, serem independentes dos efeitos dos tratamentos e são usadas
adequadamente para ajustar as médias (Y) de tratamentos, resultando, geralmente, em
aumento na precisão do experimento.
 , para
Sabemos que a variância de um contraste entre duas médias estimadas V Z  
Z  m  i' é obtido por V Z  2. 2 / J (J=número de repetições), cuja estimativa é
 i m  
V Z  2. QME / J. Para aumentar a precisão na comparação de médias de tratamentos deve-
 
 Z , isto pode ser obtido aumentando-se J e/ou reduzindo-se o QME. Quando a
se reduzir V  
 Z , entendemos
covariância é usada como um método de controle do erro, isto é, controlar V  
que a variação observada na variável dependente (Y) é, em parte, atribuída a variação na
covariável (X). Portanto, isto implica em que a variação entre as médias (Y) de tratamentos
são afetadas pela variação entre as médias (X) de tratamentos, e que, para poder comparar
os tratamentos, as médias (Y) de tratamentos devem ser ajustadas de tal forma a torná-las as
melhores estimativas, como as seriam se as médias (X) de tratamentos fossem todas iguais.
Similarmente, se o objetivo principal da covariância é ajustar as médias (Y) de tratamentos, via
regressão linear (ou quadrática ou outra qualquer), então, obtém-se também um ajustamento
do erro experimental.
Uma idéia geral do procedimento, para um experimento com dois tratamentos, é
apresentada na Figura 1.1. Nesta, a variável principal é Y e a covariável é X. Observa-se que
existem sete pontos (valores observados nas UE, equivalente as repetições) para cada
tratamento e que existe uma variação entre as UE quanto a característica X (covariável),
concluindo-se que as UE não são homogêneas quanto a esta característica. As UE que

receberam o tratamento T1 tiveram média X1 e as UE que receberam o tratamento T2 tiveram

média X 2 . Da mesma forma, existe variação quanto a característica Y, devidas ao efeito dos
 5

tratamentos e ao erro, e as suas médias são Y1 e Y2 , respectivamente, para os tratamentos

T1 e T2. Observe que as diferenças entre Y1 e Y2 são muito pequenas, pois estas são
influenciadas pela variável X. Por isto, se tomarmos um ponto X0 como sendo a média entre

X1 e X 2 e ajustarmos as médias (Y) de tratamento para este ponto (X0), então, as médias (Y)
de tratamentos podem ser comparadas livres do efeito da variável X. Observe no gráfico
(Figura 1.1) que a diferença entre médias (Y) de T1 e T2 após o ajustamento (DA) é bem
maior do que a não ajustada (DO). Além disso, o ajustamento é paralelo, isto é, o efeito da
covariável (X) é o mesmo para os dois tratamentos (X sendo uma covariável e independente
do efeito de tratamento).

Figura 1.1 Diferença observada (DO) e diferença ajustada (DA) entre as médias de dois
tratamentos.

Observe, na Figura 1.1, que os valores das 14 UE são heterogêneas quanto a

característica X. No entanto, no planejamento de um experimento para I=2 tratamentos,
poderiam-se avaliar os dois tratamentos em sete blocos de duas UE uniformes e obter
resultados semelhantes. Não sendo possível, dentre as 14 UE disponíveis, formar sete blocos
de duas UE, então a covariância é um método de controle do erro experimental onde se
remove a variação devida a X das UE por regressão. Neste caso, pode-se imaginar que "cada
UE é seu próprio bloco".
A seguir, serão discutidas algumas aplicações da análise da covariância:
Aplicação 1. Um experimento sobre alimentação animal tem o propósito de avaliar o ganho
de peso em função de I rações diferentes. Os animais, semelhantes, agrupados em mesmo
bloco diferem quanto ao peso inicial (peso dos animais antes de aplicar os tratamentos ou
 6

diferentes rações). Se o peso inicial tem correlação com o ganho de peso, então uma porção
do erro
experimental para ganho de peso (Y) pode ser resultante dos diferentes pesos iniciais (X) dos
animais. Neste caso, a análise da covariância faz com que a variação entre X (peso inicial)
seja removida do erro experimental da variável dependente (Y = ganho de peso) e as médias
(Y) podem ser comparadas sob um mesmo (uniforme) valor da covariável X (peso inicial).
Aplicação 2. Pode-se usar como covariável (X) os resultados de experimentos com as
mesmas UE em anos anteriores (subtraído o efeito de tratamento) ou de ensaios em branco.
Aplicação 3. Onde existem gradientes de fertilidade, como nas encostas, pode-se substituir o
uso de blocos por covariáveis via análise de amostras de solo em cada UE.
Aplicação 4. Considere um experimento com cultivares de ervilha (tipo industrial, para
enlados). O rendimento da ervilha aumenta rapidamente com o grau de maturação. Assim, é
impossível colher e avaliar todas as UE com o mesmo grau de maturação, pois há diferenças
na maturidade entre os cultivares e entre as UE com o mesmo cultivar. Uma análise para
comparar médias (Y) de rendimento dos cultivares não ajustados para o grau de maturidade
tem pouco ou nenhum valor. No entanto, o grau de maturidade pode ser usado como uma
covariável (X) quando avaliada por método mecânico (resistência ao esmagamento). Uma
comparação dos rendimentos (Y), ajustados para um mesmo grau de maturidade (maciez)
tem maior validade para a caracterização dos cultivares.
Aplicação 5. Experimentos com plantas perenes, não homogêneas, podem ser mais
eficientes (maior precisão) se usar a produção de um ou dois anos anteriores de cada UE
como uma covariável.
Em experimentos com alimentação animal, diferenças entre médias (Y) de tratamentos
não ajustadas podem ser devidas às diferenças no valor nutritivo das rações e nas
quantidades consumidas, ou devidas a ambas. Se as diferenças entre o ganho médio de peso
para as diferentes rações são ajustadas para uma mesma quantidade de consumo, então a
média ajustada (que é o efeito estimado) indica se a ração difere ou não quanto ao valor
nutritivo. Aqui, a covariância auxilia o pesquisador no entendimento (compreensão) sobre os
efeitos que os tratamentos produzem.
Quando a covariância é usada para testar médias ajustadas de tratamentos deve-se,
também, saber se a covariável é independente, ou seja, se ela não é influenciada pelos
tratamentos. Se a covariável (X) é influenciada (pelos tratamentos), a interpretação dos
resultados é modificada. Isto porque, a média (Y) de tratamento ajustada estima o valor
esperado para o caso em que as médias (X) de tratamentos (da covariável) são iguais. O
ajustamento remove parte do efeito de tratamento quando as médias (X) da covariável são
afetadas pelos tratamentos. Nestes casos, a covariância ainda pode ser usada, mas deve-se
cuidar na interpretação dos resultados.
 7

O uso da covariância como um método de controlar o erro experimental e ajustar médias

de tratamentos é, assim entendido, para os casos em que a covariável (X) representa efeitos
ambientais não influenciados pelos tratamentos.

Modelo e Pressuposições
O modelo linear aditivo, para um dado delineamento experimental, é o mesmo da
análise da variância acrescido de termos adicionais para as covariáveis e, as pressuposições
para o modelo são a soma das pressuposições da análise da variância e da regressão linear
(ou outra regressão qualquer).
Para o delineamento blocos ao acaso, com uma covariável X, temos o modelo

 
Yij  m  t i  b j   X ij  X..  e ij (1)

em que: Yij é uma observação (variável dependente Y) do tratamento i no bloco j; Xij é uma
observação da covariável X na UE que recebeu o tratamento i no bloco j; m, ti , bj e  são os
parâmetros, não correlacionados; e eij é o erro experimental.
O modelo (1) pode ser rescrito nas seguintes formas:

 
Yij   Xij  X..  m  t i  b j  e ij (2)

 
Yij  t i  b j  m   Xij  X..  eij (3)

e, assim, no modelo (2) estamos procedendo a análise da variância para dados ajustados e
no modelo (3) estamos estimando o coeficiente de regressão , que é o ajustamento.
Tomando o modelo (2) e (3) simultaneamente temos a análise da covariância.
As pressuposições necessárias para a validade da análise da covariância são:
1) As observações Xij são de efeito fixo e medidas sem erro, independente do efeito de
tratamentos (isto, deve ser verificado);
2) A regressão de Y sobre X, após removidos os efeitos de tratamentos e de blocos, é linear e
independente dos tratamentos e de blocos. Assim, o coeficiente de regressão linear é
homogêneo (é o mesmo para cada tratamento);
3) Os erros são normal e independentemente distribuídos com média zero e variância
2
comum  . Esta pressuposição dá a validade para os testes de t e de F. A casualização nas
UE, geralmente, garante a homogeneidade nas variâncias dos erros. Para estimar os
componentes de variância e covariância se exige apenas a casualização, sendo dispensável
a normalidade.
 8

Estimação

,
A variância do erro é estimada com base nas estimativas m t , b e  tal que seja
i j

2
mínima a SQ E   Y
ij ij
  ti  b j   X ij  X..
m   . Estas estimativas são:

  Y.. 
m   Y  / IJ;
ij ij
t  Y .m
i i
    X i . X..; b j  Y. j m  
   X.j  X.. ;

SPE YX  Soma dos Pr odutos dos Erros ( YX)

   ;
SQE( X ) Soma de Quadrados dos Erros  X 

SQE = SQE(Y) - {SPE(YX)}2/SQE(X) é a soma de quadrados do erro experimental, que é mínima e

livre da influência de X.
Exemplo da análise da covariância
Veremos, a seguir, a metodologia da análise da covariância simultaneamente com um
exemplo. Assim, tomamos como resultados um experimento (Snedecor & Cochran, 1967)
página 428, com I = 6 tratamentos (cultivares) e J = 4 blocos, para a variável dependente Y =
gramas de espigas por UE e a covariável X = número de plantas por UE. Seja então o quadro
de resultados da Tabela 1.4.
Em seguida é organizada uma tabela auxiliar de acordo com os componentes definidos
na Tabela 1.5 e seus respectivos resultados na Tabela 1.6.

Tabela 1.4 Gramas de espiga (Y) e número de plantas (X) por UE.
blocos
Trat. 1 2 3 4 totais
(i) X Y X Y X Y X Y Xi . Yi.
1 28 202 22 165 27 191 19 134 96 692
2 23 145 26 201 28 203 24 180 101 729
3 27 188 24 185 27 185 28 220 106 778
4 24 201 28 231 30 238 30 261 112 931
5 30 202 26 178 26 198 29 226 111 804
6 30 228 25 221 27 207 24 204 106 860
X.j 162 151 165 154 X.. 632
Y.j 1166 1181 1222 1225 Y.. 4794

Tabela 1.5 Valores auxiliares para análise da covariância.

C.V. GL SQ(X) SQ(Y) SP(XY)
Bloco (B) GLB SQB(X) SQB(Y) SPB(XY)
Trat. (T) GLT SQT(X) SQT(Y) SPT(XY)
Erro (E) GLE SQE(X) SQE(Y) SPE(XY)
T+E = S GLS SQS(X) SQS(Y) SPS(XY)
Total (To) GLTo SQTo(X) SQTo(Y) SPTo(XY)
 9

Tabela 1.6 Valores auxiliares para análise da covariância.

C.V. GL SQ(X) SQ(Y) SP(XY)
Bloco (B) 3 21,67 436,17 8,50
Trat. (T) 5 45,83 9490,00 559,25
Erro (E) 15 113,83 8752,33 917,25
T+E = S 20 159,66 18242,33 1476,50
Total (To) 23 181,33 18678,50 1485,00

Os valores constantes na Tabela 1.6 foram obtidos conforme segue:

1
SQ B X    X 2 .  Cx;
I j j
Cx  X 2 ../IJ  6322 /  6 x4  16642,67

1

6
1622  1512  165 2  154 2   Cx  2167
, ;

1 1
SQ T  X    X 2 .  Cx   962 ...106 2   Cx  4583
i i
, ;
J 4
SQ To  X   X ij
2
ij  Cx   282  232 ...29 2  24 2   Cx  181,33;

SQE X   SQ To( X )  SQB( X )  SQ T( X )  11383

, ;
SQS X   SQT( X )  SQE( X )  4583
,  11383
,  159,66;
1
SQB Y  
6
 11662 ...12252   4794 2 / 24  43617
, ;

1
SQ T  Y  
4
 692 2 ...8602   4794 2 / 24  9494,00;

SQ To Y    202 2  145 2 ...204 2   4794 2 / 24  18678,50;

SQE Y   18678,50  43616
,  9494,00  8752,33;
SQS Y  8752,33  9494,00  18242,33;
SQS Y   8752,33  9494,00  18242,33;
1
SPB( XY )   X Y  CXY ;
I j .j .j
C XY  X.. Y../IJ  (632)(4794) / 24  126242

= (1/6)(162*1166 + ... + 154*1225) - CXY = 8,50

1 1
SPT ( XY ) 
J
 i
X .i .Y.i .  C XY = (96 * 692  ...  106 * 860)  126242 = 559,25
4
SPTo XY   XY ij ij ij  Cxy  28 * 202 ...24 * 204  Cxy  1485,00;
SPE XY   SPTo( XY )  SPB( XY )  SPT ( XY )  917,25;
SPS XY   SPT ( XY )  SPE( XY )  1476,50.
Com base nos resultados obtidos na Tabela 1.6, pode-se, agora, calcular os graus de
liberdade e as somas de quadrados ajustados, para as causas de variação de interesse.
Estes resultados estão na Tabela 1.7.
 10

Tabela 1.7. Análise da variância de Y ajustado para X.

C.V. GL SQ QM F(Sob H0)*
Tratamento GLT =5 SQT =3226,92 QMT =645,38 6,64
Erro GLE-1=14 SQE=1361,07 QME=97,22
* F5%(5;14) = 2,96; F1%(5;14) = 4,69.
Os valores da Tabela 1.7 são calculados da seguinte forma:
SQE=SQE(Y) - SPE(XY)2/SQE(X) = 8752,33 - (917,25)2/113,83 = 1361,07;
SQT = {SQS(Y) -SPS(XY)2/SQS(X)} -SQE = {18242,33 -1476,52/159,66} -1361,07=3226,92;
QMT = SQT / GLT = 3226,92 / 5 = 645,38;
QME = SQE / (GLE-1) = 1361,05 / 14 = 97,22;
Fc = QMT / QME = 645,38 / 97,22 = 6,64 ;
Como Fc é maior que F1%(5;14)=4,69 rejeitamos a hipótese H0 : t i  ( X i . X..)  0,  i , em

nível de 1% de erro. Concluímos que pelo menos um contraste entre médias de tratamentos
ajustadas é diferente de zero. Para identificarmos este contraste deve-se, agora aplicar um
dos procedimentos para comparações múltiplas de médias.
No exemplo, se a correção (devida a variação em X) não fosse procedida teríamos um
SQ T( Y ) / GL T 9490 / 5
Fc    3,25 que é maior que F5%(5;15)=2,90 e menor que
SQE( Y ) / GL E 8752,33 / 15
F1%(5;15)=4,56. Logo rejeitaríamos H0:ti=0, i (apenas) em nível de 5% de erro. As médias
de tratamentos não ajustadas diferem, embora com maior margem de erro entre si.
Para verificar se a covariável X (número de plantas por UE) é influenciada pelos
SQ T( X ) / GL T
tratamentos testamos a hipótese H0:txi=0, i. Como a estatística Fc  =
SQE(X ) / GLE
45,83 / 5
  121
, é menor que F5%(5;15)=2,90, então, não rejeitamos H0 e concluímos que
113,83 / 15
a variação da covariável é independente dos tratamentos, isto é, as médias (X) de
tratamentos não diferem entre si. Assim, é conveniente estudar as diferenças entre as médias
(Y) ajustadas para as médias (X) de tratamentos.
O coeficiente de regressão linear  (usado para fazer o ajustamento) é estimado por

 = SPE(XY) / SQE(X) = 917,25 / 113,83 = 8,06 .

A estimativa  nos diz que para cada planta (X) a mais na UE tenho 8,06 unidades
(gramas) a mais no rendimento (Y) da UE. A soma de quadrados da regressão é obtida por

SQ(  ) = [SPE(XY) ]2 / SQE(X) = (917,25) 2 / 113,83 = 7391,26 com um grau de liberdade.

A hipótese H0:=0 pode ser testada pela estatística Fc = QM( ) / QME =

7391,26 / 97,22 = 76,02 . Como Fc é maior que F1%(1;14)=8,86 rejeitamos H0 e procedemos

 11

ao ajustamento das médias (Y) de tratamento, sendo este ajustamento significativo em nível
de 1% de erro.
Note que a estimativa  é a mesma para todos os tratamentos. Portanto, assumimos

que existe homogeneidade dos  para todos os tratamentos, ajustados para as diferenças

entre blocos. É possível verificar a pressuposição da homogeneidade dos  calculando-se um

 para cada tratamento e, então, testar a igualdade dos mesmos.

Ajustamento das médias de tratamentos
O ajustamento das médias observadas dos tratamentos em função da covariável é dada

pela expressão  i  Yi .  X i . X.. em que: m

m  i = média (Y) ajustada do tratamento i;

Yi .=média (Y) observada para o tratamento i; X i . =média observada da covariável X para o

tratamento i; X.. =média geral da covariável X;  =coeficiente de regressão linear estimado

para o ajustamento.
Para o exemplo em análise, a Tabela 1.8 apresenta, para cada tratamento, as médias
de Y e de X observadas, os desvios da média (X) de tratamento com a média geral de X e a
 i de Y ajustada. Nesta, considerar que: m
média m  i  Yi .8,06 X i . X.. .  
Variâncias das estimativas das médias ajustadas
 i ) de um tratamento i é obtida por:
A estimativa da variância da média ajustada ( m

V  m  2
 i   QME 1 / J   X i . X.. / SQ E X   e, para o tratamento i, do exemplo, temos

V  m  2
 i   97,22 1 / 4   X i .26,333 / 113,83  que depende da média X i . Para i = 1, 2, ... , 6

temos, respectivamente: 28,96; 25,31; 24,33; 26,68; 26,02; e 24,33.

 i ).
Tabela 1.8. Médias observadas de tratamentos para as variáveis Y, X e Y ajustadas ( m
Trat. (i) Yi . Xi. X i . X.. i
m
1 173,00 24,00 -2,334 191,81
2 182,25 25,25 -1,083 190,98
3 194,50 25,50 0,167 193,15
4 232,75 28,00 1,667 219,31
5 201,00 27,75 1,416 189,58
6 215,00 26,50 0,167 213,65
média 199,75 26,333 0,000 199,75

A estimativa da variância para a diferença entre duas médias ajustadas de tratamentos

 m
é obtida por V 
i m   2

 i'  QME 2 / J  Xi . X.. / SQE X   
 m
No exemplo, para i=1 e i'=2, V 1m   
 2  97,22 2 / 4   24,00  25,25 2 / 113,83  49,94 
Comparações múltiplas de médias ajustadas
 12

Pelo teste de Tukey, por exemplo, deve-se calcular ii’ devido as diferenças em X .
1/ 2
1  m 

Assim, se  ii'  q( I;GLE 1)  V
2
i m 
 i'   i m
é maior que m  i' para i=i', então o tratamento

Ti difere do tratamento Ti' em nível  de erro.

No exemplo, para q5% = 4,64 os valores ii estão representados na Tabela 1.9 e
comparando-os com as médias ajustadas temos a classificação, pelo teste de Tukey a 5% de
erro apresentada na Tabela 1.10.
Tabela 1.9 Valores ii’ do teste de Tukey (5%).
Tratamento (i’)
Trat. (i) 2 3 4 5 6
1 23,18 24,10 25,89 25,54 24,10
2 --- 23,19 24,34 24,10 23,19
3 --- 23,32 23,18 22,87
4 --- 22,89 23,32
5 (simétrico) --- 23,19

Tabela 1.10 Médias (gramas de espiga/UE) de tratamentos ajustadas para um número médio
de plantas/UE.
Tratamento Médias ajustadas
4 219,31 a*
6 213,65 a b
3 193,15 b C
1 191,81 b C
2 190,98 b C
5 189,58 C
* Tratamentos com médias não ligadas por mesma letra diferem pelo teste de
Tukey em 5% de erro.
Notas sobre as comparações:
 4 m
m  5  29,73   45  22,89  T4  T5
 4 m
m  2  28,33   24  24,34  T4  T2
 4 m
m  1  27,50   14  2589
,  T4  T1
 
m4 m 3  26,16   34  23,32  T4  T3
mˆ 4  mˆ 6  5,66   46  23,32  T 4  T 5 , etc.
A análise da covariância pode ser aplicada a qualquer delineamento experimental e a
qualquer estrutura de tratamentos (bifatorial, trifatorial, hierarquizado, etc). O ajustamento
pode ser linear simples (como no exemplo) ou múltipla, polinomial, não-linear, etc. No entanto,
é preferível a linear simples homogênea quando a variação da covariável não é muito ampla.

Eficiência relativa do uso da covariância

Para avaliar a eficiência da covariância, como método do controle do erro experimental,
é feita uma comparação entre as estimativas das variâncias das médias de tratamentos
ajustados e não ajustados para a covariável em questão.
 13

A estimativa da variância de uma média (Y) não ajustada é obtida, para o exemplo, por
 .) = QM / J = (SQ / GL ) / J = (8752,33 / 15) / 4 = 145,87 .
V(Yi E(Y) E(Y) E

  ) . Vimos que
A estimativa da variância de uma média (Y) ajustada é obtida por V(m i

V  m  2
 i   QME 1 / J   X i . X.. / SQE X     ) varia em função
para um tratamento i. Como V(m i

  ) , denominado
do tratamento, pode-se obter uma aproximação para o valor médio das V(m i

2  SQ T( X ) / GL T 
 m
de variância ponderada, obtida por V   QM  
p i E 1   que, no exemplo, é
J  SQ E( X ) 

 m 2  45,83 / 5 
V  i    94,221   52,52 .
p
4  , 
11383
A eficiência relativa (ER), em percentagem, é obtida pela relação

ER% = 100 V(Y.)  (m
/V  i ) e, para o exemplo ER% = 100 145,87 / 52,52 = 277,74% .
i p

Isto é, 100 repetições em um experimento com o uso da covariância é tão eficiente quanto
278 repetições, deste mesmo experimento, sem o uso da covariância.
Obtenha as estimativas dos coeficientes de variação para os dois casos (sem e com o
uso da covariância) e compare-os.
 14

REFERÊNCIAS BIBLIOGRÁFICAS

BANZATTO, D. A., KRONKA, S. N. Experimentação agrícola. Jaboticabal: FUNEP, 1989.

247p.
CAMPOS, H. Estatística experimental não-paramétrica. 4ed. Piracicaba: Departamento de
Matemática e Estatística - ESALQ, 1983. 349 p.
COCHRAN, W.G., COX, G.M. Experimental design. 2ed. New York: John Wiley, 611p. 1968.
CONOVER, W.J. Practical nonparametric statistics. London: John Wiley, 1971, 462p.
CRUZ, C.D., REGAZZI, A.J. Modelos biométricos aplicados ao melhoramento genético.
Viçosa: UFV, Imp. Universitária, 1994, 390p.
DRAPER, N.R., SMITH, H. Applied regression analysis. 2ed. New York: John Wiley, 1981,
709p.
ESTEFANEL, V., PIGNATARO, I. A. B., STORCK, L. Avaliação do coeficiente de variação de
experimentos com algumas culturas agrícolas. In: SIMPÓSIO DE ESTATÍSTICA APLICADA
À EXPERIMENTAÇÃO AGRONÔMICA, 2., Londrina, jul. 1987. Anais... Londrina:
DME/CCE/Universidade Estadual de Londrina, 1987. 325 p. p.115-131.
FEDERER, W. T. Experimental design: theory and application. 3ed. Nova York: Oxford &
IBH Publishing , 1977. 593 p.
GARCIA, C.H. Tabelas para classificação do coeficiente de variação. IPEF-ESALQ,
Piracicaba, Circular técnica, 171. 12p. 1989.
GOMES, F. P. Curso de estatística experimental. 13ed. Piracicaba: Nobel, 1990. 468 p.
LOPES, S. J., STORCK, L. A precisão experimental para diferentes manejos na cultura do
milho. Ciência Rural, Santa Maria, v. 25, n. 1, p. 49-53, 1995.
LOPES, S. J., STORCK, L., GARCIA, D. C. A precisão de ensaios de cultivares de milho
sobre diferentes adubações. Ciência Rural, Santa Maria, v. 24, n. 3, p. 483-487, 1994.
LOPES, S. J. Avaliação do efeito de diferentes formas de adubação sobre a precisão de
ensaios de milho. Santa Maria - RS. 72 p. Tese (Mestrado em Agronomia) - Curso de Pós-
Graduação em Agronomia, Universidade Federal de Santa Maria, 1993.
LÚCIO, A. D. Parâmetros da precisão experimental das principais culturas anuais do Estado
do Rio Grande do Sul. Santa Maria - RS. 64p. Tese (Mestrado em Agronomia) - Curso de
Pós-Graduação em Agronomia, Universidade Federal de Santa Maria, 1997.
MARDIA, K.V., KENT, J.T., BIBBY, J.M. Multivariate analysis. London: Academic Press,
1994, 518p.
MIRANDA FILHO, J. B. Princípios de experimentação e análise estatística. In: Melhoramento
e produção do milho, v. 2. Campinas: Fundação Cargill, 1987. 795 p. p. 765-794.
 15

MOOD, A.M., GRAYBILL, F.A., BOES, D.C. Introduction to the theory of statistics. 3.ed.
London: McGraw-Hill, 1974, 564p.
OLIVEIRA, P. H. Tamanho e forma ótima da parcela para avaliação do rendimento em
experimentos com batata. Santa Maria - RS. 83 p. Tese (Mestrado em Agronomia) -
Curso de Pós-Graduação em Agronomia, Universidade Federal de Santa Maria, 1994.
SCHNEIDER, P.R., STORCK, L., FINGHER, C.A.G., et al. Crescimento inicial do Eucalyptus
dunni Maiden consorciado com Zea mays L., na região de Santa Maria-RS. Ciência
Florestal, Santa Maria, v.5, n.1, p.171-182, 1995.
SEARLE, S.R. Linear models. New York:John Wiley, 1971, 532p.
SNEDECOR, G.W., COCHRAN, W.G. Statistical methods. 6ed., Ames: Iowa State University
Press, 1967, 593p.
STEEL, R. G. D., TORRIE, J. H. Principles and procedures of statistics. Nova York:
McGraw Hill Book, 1960. 481 p.
STORCK, L. Estimativa para tamanho e forma de parcela e número de repetições para
experimentos com milho. Porto Alegre - RS. 98 p. Tese (Mestrado em Agronomia) - Curso
de Pós-Graduação em Agronomia, Universidade Federal do Rio Grande do Sul, 1979.
STORCK, L. Modelo de regressão bi-segmentado descontínuo com erros de medida aplicado
na análise de estabilidade de cultivares. Piracicaba - SP. 217p. Tese (Doutorado em
Agronomia) - Curso de Pós-Graduação em Estatística e Experimentação Agronômica,
Universidade de São Paulo, 1989.
STORCK, L., ESTEFANEL,V., GARCIA, D.C. Experimentos fatoriais: modelos de análise
pelos pacotes SAS, SAEG e SOC. Santa Maria: UFSM/Departamento de Fitotecnia, 1995,
53p.
STORCK, L., SACCOL, A. V., SCHNEIDER, F. M. Comparação de métodos de estimativa do
índice de heterogeneidade do solo e do tamanho ótimo de parcela em experimento com
soja. Ciência Rural. Santa Maria, v. 12 (2-3), p. 189-202, 1982.
ZANON, M. L. B. Tamanho e forma ótimos de parcelas experimentais para Eucalyptus
saligma Smith. Santa Maria: UFSM, 1996. 75p. Tese (Mestrado em Engenharia Florestal) -
Curso de Pós-graduação em Engenharia Florestal, Universidade Federal de Santa Maria,
1996.
 16

Tabela Z - Contém as probabilidades P(Zz) da distribuição normal padrão.

z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
Nota: Tabela extraída do Software SOC/Embrapa/Campinas, SP.
 17

Tabela t - Contém os valores teóricos da distribuição de t para GL graus de liberdade com os

níveis  para testes uni e bilaterais.
bi =1% =2% =2,5% =5% =10% =20%
GL uni =0,5% =1% =1,25% =2,5% =5% =10%
1 63,657 31,821 25,452 12,706 6,314 3,078
2 9,925 6,965 6,205 4,303 2,920 1,886
3 5,841 4,541 4,177 3,182 2,353 1,638
4 4,604 3,747 3,495 2,776 2,132 1,533
5 4,032 3,365 3,163 2,571 2,015 1,476
6 3,707 3,143 2,969 2,447 1,943 1,440
7 3,499 2,998 2,841 2,365 1,895 1,415
8 3,355 2,896 2,752 2,306 1,860 1,397
9 3,250 2,821 2,685 2,262 1,833 1,383
10 3,169 2,764 2,634 2,228 1,812 1,372
11 3,106 2,718 2,593 2,201 1,796 1,363
12 3,055 2,681 2,560 2,179 1,782 1,356
13 3,012 2,650 2,533 2,160 1,771 1,350
14 2,977 2,624 2,510 2,145 1,761 1,345
15 2,947 2,602 2,490 2,131 1,753 1,341
16 2,921 2,583 2,473 2,120 1,746 1,337
17 2,898 2,567 2,458 2,110 1,740 1,333
18 2,878 2,552 2,445 2,101 1,734 1,330
19 2,861 2,539 2,433 2,093 1,729 1,328
20 2,845 2,528 2,423 2,086 1,725 1,325
21 2,831 2,518 2,414 2,080 1,721 1,323
22 2,819 2,508 2,405 2,074 1,717 1,321
23 2,807 2,500 2,398 2,069 1,714 1,319
24 2,797 2,492 2,391 2,064 1,711 1,318
25 2,787 2,485 2,385 2,060 1,708 1,316
26 2,779 2,479 2,379 2,056 1,706 1,315
27 2,771 2,473 2,373 2,052 1,703 1,314
28 2,763 2,467 2,368 2,048 1,701 1,313
29 2,756 2,462 2,364 2,045 1,699 1,311
30 2,750 2,457 2,360 2,042 1,697 1,310
32 2,738 2,449 2,352 2,037 1,694 1,309
34 2,728 2,441 2,345 2,032 1,691 1,307
36 2,719 2,434 2,339 2,028 1,688 1,306
38 2,712 2,429 2,334 2,024 1,686 1,304
40 2,704 2,423 2,329 2,021 1,684 1,303
44 2,692 2,414 2,321 2,015 1,680 1,301
48 2,682 2,407 2,314 2,011 1,677 1,299
50 2,678 2,403 2,311 2,009 1,676 1,299
55 2,668 2,396 2,304 2,004 1,673 1,297
60 2,660 2,390 2,299 2,000 1,671 1,296
70 2,648 2,381 2,291 1,994 1,667 1,294
80 2,639 2,374 2,284 1,990 1,664 1,292
100 2,626 2,364 2,276 1,984 1,660 1,290
120 2,617 2,358 2,270 1,980 1,658 1,289
160 2,617 2,358 2,270 1,980 1,658 1,289
Nota: Tabela extraída do Software SOC/EMBRAPA/Campinas, SP.
 18
2
Tabela  - Contém os valores teóricos () da distribuição  (qui-quadrado) para GL graus de
liberdade, com os níveis  especificados.
P[X>]=
GL 0,990 0,975 0,950 0,900 0,100 0,050 0,025 0,01
1 0,000 0,001 0,004 0,016 2,706 3,841 5,024 6,635
2 0,020 0,050 0,100 0,200 4,605 5,991 7,378 9,210
3 0,112 0,207 0,328 0,584 6,251 7,815 9,348 11,345
4 0,283 0,447 0,711 1,064 7,779 9,488 11,143 13,277
5 0,512 0,831 1,145 1,610 9,236 11,070 12,833 15,086
6 0,872 1,237 1,635 2,204 10,645 12,592 14,449 16,812
7 1,239 1,690 2,167 2,833 12,017 14,067 16,013 18,475
8 1,646 2,180 2,733 3,490 13,362 15,507 17,535 20,090
9 2,088 2,700 3,325 4,168 14,684 16,919 19,023 21,666
10 2,558 3,247 3,940 4,865 15,987 18,307 20,483 23,209
11 3,053 3,816 4,575 5,578 17,275 19,675 21,920 24,725
12 3,571 4,404 5,226 6,304 18,549 21,026 23,337 26,217
13 4,107 5,009 5,892 7,042 19,812 22,362 24,736 27,688
14 4,660 5,629 6,571 7,790 21,064 23,685 26,119 29,141
15 5,229 6,262 7,261 8,547 22,307 24,996 27,488 30,578
16 5,812 6,908 7,962 9,312 23,542 26,296 28,845 32,000
17 6,408 7,564 8,672 10,085 24,769 27,587 30,191 33,409
18 7,015 8,231 9,390 10,865 25,989 28,869 31,526 34,805
19 7,633 8,907 10,117 11,651 27,204 30,144 32,852 36,191
20 8,260 9,591 10,851 12,443 28,412 31,410 34,170 37,566
21 8,897 10,283 11,591 13,240 29,615 32,671 35,479 38,932
22 9,542 10,982 12,338 14,041 30,813 33,924 36,781 40,289
23 10,196 11,689 13,091 14,848 32,007 35,172 38,076 41,638
24 10,856 12,401 13,848 15,659 33,196 36,415 39,364 42,980
25 11,524 13,120 14,611 16,473 34,382 37,652 40,646 44,314
26 12,198 13,844 15,379 17,292 35,563 38,885 41,923 45,642
27 12,879 14,573 16,151 18,114 36,741 40,113 43,195 46,963
28 13,565 15,308 16,928 18,939 37,916 41,337 44,461 48,278
29 14,256 16,047 17,708 19,768 39,087 42,557 45,722 49,588
30 14,953 16,791 18,493 20,599 40,256 43,773 46,979 50,892
32 16,362 18,291 20,072 22,271 42,585 46,194 49,480 53,486
34 17,789 19,806 21,664 23,952 44,903 48,602 51,966 56,061
36 19,233 21,336 23,269 25,643 47,212 50,998 54,437 58,619
38 20,691 22,878 24,884 27,343 49,513 53,384 56,896 61,162
40 22,164 24,433 26,509 29,051 51,805 55,758 59,342 63,691
44 25,148 27,575 29,787 32,487 56,369 60,481 64,201 68,710
47 27,416 29,956 32,268 35,081 59,774 64,001 67,821 72,443
50 29,707 32,357 34,764 37,689 63,167 67,505 71,420 76,154
55 33,570 36,398 38,958 42,060 68,796 73,311 77,380 82,292
60 37,485 40,482 43,188 46,459 74,397 79,082 83,298 88,379
70 45,442 48,758 51,739 55,329 85,527 90,531 95,023 100,42
80 53,540 57,153 60,391 64,278 96,578 101,88 106,63 112,33
90 61,754 65,647 69,126 73,291 107,56 113,14 118,14 124,12
100 70,065 74,222 77,929 82,358 118,50 124,34 129,56 135,81
120 86,923 91,573 95,705 100,62 140,23 146,57 152,21 158,95
140 104,03 109,14 113,66 119,03 161,83 168,61 174,65 186,39
160 121,35 126,87 131,76 137,55 183,31 190,52 196,91 204,53
Nota: Tabela extraída do Software SOC/EMBRAPA/Campinas, SP.
 19

Tabela F - Contém os valores teóricos (f) da distribuição de F(n;m) em que P(F>f) =1%, para
n graus de liberdade do numerador e m graus de liberdade do denominador.
n = graus de liberdade do numerador
m 1 2 3 4 5 6 7 8 9 10
1 4052 5000 5403 5625 5764 5859 5928 5982 6062 6056
2 98,50 99,00 99,17 99,25 99,30 99,33 99,36 99,37 99,39 99,40
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,35 27,23
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03 3,94
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69
17 8,40 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,68 3,59
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22 3,13
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15 3,06
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09 3,00
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98
32 7,50 5,34 4,46 3,97 3,65 3,43 3,26 3,13 3,02 2,93
34 7,44 5,29 4,42 3,93 3,61 3,39 3,22 3,09 2,98 2,89
38 7,35 5,21 4,34 3,86 3,54 3,32 3,15 3,02 2,92 2,83
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80
44 7,25 5,12 4,26 3,78 3,47 3,24 3,08 2,95 2,84 2,75
50 7,17 5,06 4,20 3,72 3,41 3,19 3,02 2,89 2,78 2,70
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72 2,63
70 7,01 4,92 4,07 3,60 3,29 3,07 2,91 2,78 2,67 2,59
80 6,96 4,88 4,04 3,56 3,26 3,04 2,87 2,74 2,64 2,55
90 6,93 4,85 4,01 3,53 3,23 3,01 2,84 2,72 2,61 2,52
100 6,90 4,82 3,98 3,51 3,21 2,99 2,82 2,69 2,59 2,50
110 6,87 4,80 3,96 3,49 3,19 2,97 2,81 2,68 2,57 2,49
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,56 2,47
continua . . .
 20

Tabela F - Contém os valores teóricos (f) da distribuição de F(n;m) em que P(F>f) =1%, para
n graus de liberdade do numerador e m graus de liberdade do denominador.
. . . continuação
n = graus de liberdade do numerador
m 11 12 13 14 15 17 20 26 40 60
1 6082 6106 6125 6142 6157 6181 6209 6245 6287 6313
2 99,41 99,42 99,42 99,43 99,43 99,44 99,45 99,46 99,47 99,48
3 27,13 27,05 26,98 26,92 26,87 26,79 26,69 26,56 26,41 26,32
4 14,45 14,37 14,31 14,25 14,20 14,11 14,02 13,89 13,75 13,65
5 9,96 9,89 9,82 9,77 9,72 9,64 9,55 9,43 9,29 9,20
6 7,79 7,72 7,66 7,60 7,56 7,48 7,40 7,28 7,14 7,06
7 6,54 6,47 6,41 6,36 6,31 6,24 6,16 6,04 5,91 5,82
8 5,73 5,67 5,61 5,56 5,52 5,44 5,36 5,25 5,12 5,03
9 5,18 5,11 5,05 5,01 4,96 4,89 4,81 4,70 4,57 4,48
10 4,77 4,71 4,65 4,60 4,56 4,49 4,41 4,30 4,17 4,08
11 4,46 4,40 4,34 4,29 4,25 4,18 4,10 3,99 3,86 3,78
12 4,22 4,16 4,10 4,05 4,01 3,94 3,86 3,75 3,62 3,54
13 4,02 3,96 3,91 3,86 3,82 3,75 3,66 3,56 3,43 3,34
14 3,86 3,80 3,75 3,70 3,66 3,59 3,51 3,40 3,27 3,18
15 3,73 3,67 3,61 3,56 3,52 3,45 3,37 3,26 3,13 3,05
16 3,62 3,55 3,50 3,45 3,41 3,34 3,26 3,15 3,02 2,93
17 3,52 3,46 3,40 3,35 3,31 3,24 3,16 3,05 2,92 2,83
18 3,43 3,37 3,32 3,27 3,23 3,16 3,08 2,97 2,84 2,75
19 3,36 3,30 3,24 3,19 3,15 3,08 3,00 2,89 2,76 2,67
20 3,29 3,23 3,18 3,13 3,09 3,02 2,94 2,83 2,69 2,61
21 3,24 3,17 3,12 3,07 3,03 2,96 2,88 2,77 2,64 2,55
22 3,18 3,12 3,07 3,02 2,98 2,91 2,83 2,72 2,58 2,50
23 3,14 3,07 3,02 2,97 2,93 2,86 2,78 2,67 2,54 2,45
24 3,09 3,03 2,98 2,93 2,89 2,82 2,74 2,63 2,49 2,40
25 3,06 2,99 2,94 2,89 2,85 2,78 2,70 2,59 2,45 2,36
26 3,02 2,96 2,90 2,86 2,81 2,75 2,66 2,55 2,42 2,33
27 2,99 2,93 2,87 2,82 2,78 2,71 2,63 2,52 2,38 2,29
28 2,96 2,90 2,84 2,79 2,75 2,68 2,60 2,49 2,35 2,26
29 2,93 2,87 2,81 2,77 2,73 2,66 2,57 2,46 2,33 2,23
30 2,91 2,84 2,79 2,74 2,70 2,63 2,55 2,44 2,30 2,21
32 2,86 2,80 2,74 2,70 2,65 2,58 2,50 2,39 2,25 2,16
34 2,82 2,76 2,70 2,66 2,61 2,54 2,46 2,35 2,21 2,12
38 2,75 2,69 2,64 2,59 2,55 2,48 2,40 2,28 2,14 2,05
40 2,73 2,66 2,61 2,56 2,52 2,45 2,37 2,26 2,11 2,02
44 2,68 2,62 2,56 2,52 2,47 2,40 2,32 2,21 2,07 1,97
50 2,63 2,56 2,51 2,46 2,42 2,35 2,27 2,15 2,01 1,91
60 2,56 2,50 2,44 2,39 2,35 2,28 2,20 2,08 1,94 1,84
70 2,51 2,45 2,40 2,35 2,31 2,23 2,15 2,03 1,89 1,78
80 2,48 2,42 2,36 2,31 2,27 2,20 2,12 2,00 1,85 1,75
90 2,45 2,39 2,33 2,29 2,24 2,17 2,09 1,97 1,82 1,72
100 2,43 2,37 2,31 2,27 2,22 2,15 2,07 1,95 1,80 1,69
110 2,41 2,35 2,30 2,25 2,21 2,13 2,05 1,93 1,78 1,67
120 2,40 2,34 2,28 2,23 2,19 2,12 2,03 1,92 1,76 1,66
Nota: Tabela extraída do Software SOC/EMBRAPA/Campinas, SP.
 21

Tabela F - Contém os valores teóricos (f) da distribuição de F(n;m) em que P(F>f) =5%, para
n graus de liberdade do numerador e m graus de liberdade do denominador.
n = graus de liberdade do numerador
m 1 2 3 4 5 6 7 8 9 10
1 161,4 199,5 215,7 224,6 230,2 234,0 236,8 238,9 240,5 241,9
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22 2,18
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16
32 4,15 3,29 2,90 2,67 2,51 2,40 2,31 2,24 2,19 2,14
34 4,13 3,28 2,88 2,65 2,49 2,38 2,29 2,23 2,17 2,12
38 4,10 3,24 2,85 2,62 2,46 2,35 2,26 2,19 2,14 2,09
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08
44 4,06 3,21 2,82 2,58 2,43 2,31 2,23 2,16 2,10 2,05
50 4,03 3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,03
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99
70 3,98 3,13 2,74 2,50 2,35 2,23 2,14 2,07 2,02 1,97
80 3,96 3,11 2,72 2,49 2,33 2,21 2,13 2,06 2,00 1,95
90 3,95 3,10 2,71 2,47 2,32 2,20 2,11 2,04 1,99 1,94
100 3,94 3,09 2,70 2,46 2,31 2,19 2,10 2,03 1,97 1,93
110 3,93 3,08 2,69 2,45 2,30 2,18 2,09 2,02 1,97 1,92
120 3,92 3,07 2,68 2,45 2,29 2,18 2,09 2,02 1,96 1,91
continua . . .
 22

Tabela F - Contém os valores teóricos (f) da distribuição de F(n;m) em que P(F>f) =5%, para
n graus de liberdade do numerador e m graus de liberdade do denominador.
. . . continuação
n = graus de liberdade do numerador
m 11 12 13 14 15 17 20 26 40 60
1 243,0 243,9 244,7 245,4 245,9 246,9 248,0 249,4 251,1 252,2
2 19,40 19,41 19,42 19,42 19,43 19,44 19,45 19,46 19,47 19,48
3 8,76 8,74 8,73 8,71 8,70 8,68 8,66 8,63 8,59 8,57
4 5,94 5,91 5,89 5,87 5,86 5,83 5,80 5,76 5,72 5,69
5 4,70 4,68 4,66 4,64 4,62 4,59 4,56 4,52 4,46 4,43
6 4,03 4,00 3,98 3,96 3,94 3,91 3,87 3,83 3,77 3,74
7 3,60 3,57 3,55 3,53 3,51 3,48 3,44 3,40 3,34 3,30
8 3,31 3,28 3,26 3,24 3,22 3,19 3,15 3,10 3,04 3,01
9 3,10 3,07 3,05 3,03 3,01 2,97 2,94 2,89 2,83 2,79
10 2,94 2,91 2,89 2,86 2,85 2,81 2,77 2,72 2,66 2,62
11 2,82 2,79 2,76 2,74 2,72 2,69 2,65 2,59 2,53 2,49
12 2,72 2,69 2,66 2,64 2,62 2,58 2,54 2,49 2,43 2,38
13 2,63 2,60 2,58 2,55 2,53 2,50 2,46 2,41 2,34 2,30
14 2,57 2,53 2,51 2,48 2,46 2,43 2,39 2,33 2,27 2,22
15 2,51 2,48 2,45 2,42 2,40 2,37 2,33 2,27 2,20 2,16
16 2,46 2,42 2,40 2,37 2,35 2,32 2,28 2,22 2,15 2,11
17 2,41 2,38 2,35 2,33 2,31 2,27 2,23 2,17 2,10 2,06
18 2,37 2,34 2,31 2,29 2,27 2,23 2,19 2,13 2,06 2,02
19 2,34 2,31 2,28 2,26 2,23 2,20 2,16 2,10 2,03 1,98
20 2,31 2,28 2,25 2,22 2,20 2,17 2,12 2,07 1,99 1,95
21 2,28 2,25 2,22 2,20 2,18 2,14 2,10 2,04 1,96 1,92
22 2,26 2,23 2,20 2,17 2,15 2,11 2,07 2,01 1,94 1,89
23 2,24 2,20 2,18 2,15 2,13 2,09 2,05 1,99 1,91 1,86
24 2,22 2,18 2,15 2,13 2,11 2,07 2,03 1,97 1,89 1,84
25 2,20 2,16 2,14 2,11 2,09 2,05 2,01 1,95 1,87 1,82
26 2,18 2,15 2,12 2,09 2,07 2,03 1,99 1,93 1,85 1,80
27 2,17 2,13 2,10 2,08 2,06 2,02 1,97 1,91 1,84 1,79
28 2,15 2,12 2,09 2,06 2,04 2,00 1,96 1,90 1,82 1,77
29 2,14 2,10 2,08 2,05 2,03 1,99 1,94 1,88 1,81 1,75
30 2,13 2,09 2,06 2,04 2,01 1,98 1,93 1,87 1,79 1,74
32 2,10 2,07 2,04 2,01 1,99 1,95 1,91 1,85 1,77 1,71
34 2,08 2,05 2,02 1,99 1,97 1,93 1,89 1,82 1,75 1,69
38 2,05 2,02 1,99 1,96 1,94 1,90 1,85 1,79 1,71 1,65
40 2,04 2,00 1,97 1,95 1,92 1,89 1,84 1,77 1,69 1,64
44 2,01 1,98 1,95 1,92 1,90 1,86 1,81 1,75 1,67 1,61
50 1,99 1,95 1,92 1,89 1,87 1,83 1,78 1,72 1,63 1,58
60 1,95 1,92 1,89 1,86 1,84 1,80 1,75 1,68 1,59 1,53
70 1,93 1,89 1,86 1,84 1,81 1,77 1,72 1,65 1,57 1,50
80 1,91 1,88 1,84 1,82 1,79 1,75 1,70 1,63 1,54 1,48
90 1,90 1,86 1,83 1,80 1,78 1,74 1,69 1,62 1,53 1,46
100 1,89 1,85 1,82 1,79 1,77 1,73 1,68 1,61 1,52 1,45
110 1,88 1,84 1,81 1,78 1,76 1,72 1,67 1,60 1,50 1,44
120 1,87 1,83 1,80 1,78 1,75 1,71 1,66 1,59 1,50 1,43
Nota: Tabela extraída do Software SOC/EMBRAPA/Campinas, SP.
 23

Tabela Tukey - Contém os valores da amplitude total estudentizada (q) para uso no teste de
Tukey em nível de 5% de erro e GLE graus de liberdade do erro.

número de tratamentos
GLE 2 3 4 5 6 7 8 9 10 11 12 13
1 18,0 27,0 32,8 37,1 40,4 43,1 45,4 47,4 49,1 50,6 51,9 53,2
2 6,09 8,33 9,80 10,9 11,7 12,4 13,0 13,5 14,0 14,4 14,7 15,1
3 4,50 5,91 6,83 7,50 8,04 8,48 8,85 9,18 9,46 9,72 9,95 10,1
4 3,93 5,04 5,76 6,29 6,71 7,05 7,35 7,60 7,83 8,03 8,21 8,37
5 3,64 4,60 5,22 5,67 6,03 6,33 6,58 6,80 7,00 7,17 7,32 7,47
6 3,46 4,34 4,90 5,31 5,63 5,90 6,12 6,32 6,49 6,65 6,79 6,92
7 3,34 4,17 4,68 5,06 5,36 5,61 5,82 6,00 6,16 6,30 6,43 6,55
8 3,26 4,04 4,53 4,89 5,15 5,40 5,60 5,77 5,92 6,05 6,18 6,29
9 3,20 3,95 4,42 4,76 5,02 5,24 5,43 5,60 5,74 5,87 5,98 6,09
10 3,15 3,88 4,33 4,65 4,91 5,12 5,31 5,46 5,60 5,72 5,83 5,94
11 3,11 3,82 4,26 4,57 4,82 5,03 5,20 5,35 5,49 5,61 5,71 5,81
12 3,08 3,77 4,20 4,51 4,75 4,95 5,12 5,27 5,40 5,51 5,62 5,71
13 3,06 3,74 4,15 4,45 4,69 4,89 5,05 5,19 5,32 5,43 5,53 5,63
14 3,03 3,70 4,11 4,41 4,64 4,83 4,99 5,13 5,25 5,36 5,46 5,55
15 3,01 3,67 4,08 4,37 4,60 4,78 4,94 5,08 5,20 5,31 5,40 5,49
16 3,00 3,65 4,05 4,33 4,56 4,74 4,90 5,03 5,15 5,26 5,35 5,44
17 2,98 3,63 4,02 4,30 4,52 4,71 4,86 4,99 5,11 5,21 5,31 5,39
18 2,97 3,61 4,00 4,28 4,50 4,67 4,82 4,96 5,07 5,17 5,27 5,35
19 2,96 3,59 3,98 4,25 4,47 4,65 4,79 4,92 5,04 5,14 5,23 5,32
20 2,95 3,58 3,96 4,23 4,45 4,62 4,77 4,90 5,01 5,11 5,20 5,28
24 2,92 3,53 3,90 4,17 4,37 4,54 4,68 4,81 4,92 5,01 5,10 5,18
30 2,89 3,49 3,85 4,10 4,30 4,46 4,60 4,72 4,82 4,92 5,00 5,08
40 2,86 3,44 3,79 4,04 4,23 4,39 4,52 4,64 4,74 4,82 4,90 4,98
60 2,83 3,40 3,74 3,98 4,16 4,31 4,44 4,55 4,65 4,73 4,81 4,88
120 2,80 3,36 3,69 3,92 4,10 4,24 4,36 4,47 4,56 4,64 4,71 4,78
 2,77 3,31 3,63 3,86 4,03 4,17 4,29 4,39 4,47 4,55 4,62 4,69
 24

Tabela Duncan - Contém os valores da amplitude total estudentizada (Zu) para uso no teste
de Duncan em nível de 5% de erro e GLE graus de liberdade do erro.
número de médias abrangidas pelo contraste
GLE 2 3 4 5 6 7 8 9 10 12 14 16
1 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0
2 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09
3 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50
4 3,93 4,01 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02
5 3,64 3,74 3,79 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83
6 3,46 3,58 3,64 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68
7 3,35 3,47 3,54 3,58 3,60 3,61 3,61 3,61 3,61 3,61 3,61 3,61
8 3,26 3,39 3,47 3,52 3,55 3,56 3,56 3,56 3,56 3,56 3,56 3,56
9 3,20 3,34 3,41 3,47 3,50 3,52 3,52 3,52 3,52 3,52 3,52 3,52
10 3,15 3,30 3,37 3,43 3,46 3,47 3,47 3,47 3,47 3,47 3,47 3,47
11 3,11 3,27 3,35 3,39 3,43 3,44 3,45 3,46 3,46 3,46 3,46 3,46
12 3,08 3,23 3,33 3,36 3,40 3,42 3,44 3,44 3,46 3,46 3,46 3,46
13 3,06 3,21 3,30 3,35 3,38 3,41 3,42 3,44 3,45 3,45 3,46 3,46
14 3,03 3,18 3,27 3,33 3,37 3.39 3,41 3,42 3,44 3,45 3,46 3,46
15 3,01 3,16 3,25 3,31 3,36 3,38 3,40 3,42 3,43 3,44 3,45 3,46
16 3,00 3,15 3,23 3,30 3,34 3,37 3,39 3,41 3,43 3,44 3,45 3,46
17 2,98 3,13 3,22 3,28 3,33 3,36 3,38 3,40 3,42 3,44 3,45 3,46
18 2,97 3,12 3,21 3,27 3,32 3,35 3,37 3,39 3,41 3,43 3,45 3,46
19 2,96 3,11 3,19 3,26 3,31 3,35 3,37 3,39 3,41 3,43 3,44 3,46
20 2,95 3,10 3,18 3,25 3,30 3,34 3,36 3,38 3,40 3,43 3,44 3,46
22 2,93 3,08 3,17 3,24 3,29 3,32 3,35 3,37 3,39 3,42 3,44 3,45
24 2,92 3,07 3,15 3,22 3,28 3,31 3,34 3,37 3,38 3,41 3,44 3,45
26 2,91 3,06 3,14 3,21 3,27 3,30 3,34 3,36 3,38 3,41 3,43 3,45
28 2,90 3,04 3,13 3,20 3,26 3,30 3,33 3,35 3,37 3,40 3,43 3,45
30 2,89 3,04 3,12 3,20 3,25 3,29 3,32 3,35 3,37 3,40 3,43 3,44
40 2,86 3,01 3,10 3,17 3,22 3,27 3,30 3,33 3,35 3,39 3,42 3,44
60 2,83 2,98 3,08 3,14 3,20 3,24 3,28 3,31 3,33 3,37 3,40 3,43
100 2,80 2,95 3,05 3,12 3,18 3,22 3,26 3,29 3,32 3,36 3,40 3,42
 2,77 2,92 3,02 3,09 3,15 3,19 3,23 3,26 3,29 3,34 3,38 3,41