Plane Ana Exp

9 a 14 de Setembro
Pós-Graduação em Produção Vegetal UFPR
Éder David Borges da Silva

Renato Gonçalves de Oliveira
Conteúdo abordado:
 Revisão de Estatística básica
 Princípios básicos de experimentação
 Delineamento inteiramente casualizado (DIC)
 Delineamento blocos ao acaso (DBA)
 Delineamento Quadrado latino (DQL)
 Esquema Fatorial
 Delineamento em parcela subdividida
 Delineamento em faixas
 Introdução ao Software R
 Análise de variância
 DIC
 DBA
 Fatorial 3x2
 Parcelas subdivididas
 Analise de regressão linear
 Analise de regressão não linear
Planejamento e análise de Experimentos 2
Circularidade do Método científico
PLANEJAMENTO
HIPÓTESE
CONCLUSÃO/DESENV. TEORIA EXPERIMENTO
TESTE DA
HIPÓTESE
ANÁLISE
ESTATÍSTICA
Funções de distribuição de probabilidade normal
2
1 x
f x, , exp 2
2 2

14
Intervalos de confiança e teste de hipótese
N (0,1)
12
0,1
08
06
04
1
2 2
02
0
0
- 5
-zcrít 010
zcrít 15
+ 20
2 2
rejeição rejeição N ( 0, ) N ( 1, )
n n
de H0 0,14 de H0
z <<< 0 aceitação 0,12 z >>> 0
Se H0 falsa de H0 0,1
Se H0 falsa
z=0 0,08
Se H0 verdadeira 0,06
0,04
1
0,02
0
0
- 5 10
X crít 15 20
+
0 1

Tipos de erro no teste de hipóteses
Realidade
Decisão H0 é verdadeira H0 é falsa
Rejeitar H0 Erro tipo I Decisão correta
Não Rejeitar H0 Decisão correta Erro tipo II

Propriedades da distribuição F
g1 / 2 ( g1 g 2 ) 2
[( g1 g 2 ) 2] g1 g1
f ( x) x g1 / 2 1
1 x x 0
( g1 2) ( g 2 2) g 2 g2
g2 0 +
E( X )
g2 2
2 g22 ( g1 g 2 2) X ~ Fg1 ,g2 (lê-se: X tem distribuição F com g1 e g2
Var ( X ) graus de liberdade)
g1 ( g2 2)2 ( g 2 4)
Propriedades: Fg1 ,g2

2 2 U / g1
a) se U ~ g1 eV~ g2 então ~ Fg1 ,g2
V / g2 0 F +
1 1
b) se X ~ Fg1 ,g2 então ~ Fg2 , g1 P( Fg1 ,g2 F) P( Fg2 ,g1 )
X F Fg2 ,g1
0 1 +
Planejamento e análise de Experimentos F 10
Teste F
Fr 1, nT r
QMT
Fcalc
QME
0 1 +
Fcrít
H0 verd. H0 falso
ac. H0 rej. H0

P-valor

Princípios básicos da experimentação
 Casualização
 Repetição
 Controle local
 A aleatorização torna os testes estatísticos válidos

 A repetição torna os testes estatísticos possíveis
 O controle local torna o experimento mais eficiente

Pressupostos de modelos lineares (ANOVA)
Y X

Pressupostos de modelos lineares
(ANOVA)
 Normalidade da distribuição dos erros;

 Homogeneidade das variâncias;
 Aditividade dos efeitos dos fatores de variação;
 Independência dos erros;

Normalidade da distribuição dos erros
0.4
0.3
f(x)
0.2
0.1
0.0
-4 -2 0 2 4
 Analise gráfica e pelo teste Shapiro-Wilk

n 2
ai x i
i 1
W 2
n _
xi x
i 1
Homogeneidade das variâncias,
50
Resíduos
0
-50
t1 t2 t3 t4 t5 t6 t7 t8 t9
Linhagens
 Analise gráfica e pelo teste Bartlett

k
1 1 1
C 1
3k 1 i 1 ni 1 n k
K
n k log QMRE ni 1 log Si2
K i 1
~ X k2 1
C
Aditividade dos efeitos dos fatores de variação
yij i ij
 Cada componente do modelo deve ter efeito aditivo;

Independência dos erros:
50
Resíduos
0
-50
2 4 6 8
Linhagens
 Os erros devem possuir independência dos demais
'
cov( ij , ij ) 0
Definição
 Efeitos fixos:
 Os níveis em estudo forem escolhidos pelo pesquisador,
de modo que o interesse concentre-se nesses níveis;
 Inferência restrita aos níveis em estudo.
 Efeitos aleatórios (variáveis aletórias):
 Os níveis em estudo correspondem a uma amostra
aleatória de uma população de referência;
 Os níveis provem de uma distribuição de probabilidade;
 A inferência é extrapolada para uma população de
referência;

Observações do experimento
 Os valores observados quando da avaliação dos
materiais representa a média fenotípica:
Observação Efeitos Efeitos Efeitos

fenotípica = genéticos + ambientais + residuais

Modelo estatístico inteiramente casualizado
IDD
2
yij i ij onde
ij ~ N (0, )
yij é o valor do i-ésimo tratamento na j-ésima parcela
é a constante geral do modelo (normalmente a média)
é o efeito do i-ésimo tratamento

i
é o erro experimental associado ao i-ésimo tratamento na j-ésima
ij
parcela

Quadro de anova DIC
Fonte GL SQ QM EMEF EMEA

2
SQtrat 2 i 2 2
Tratamento t 1 SQtrat r r
t 1 t 1
SQerro 2 2
Erro (t 1)(r 1) SQerro
(t 1)(r 1)
Total tr 1 SQtotal

Delineamentos blocos ao acaso
 Considerações importantes:
 O bloco é uma restrição à casualização;
 Isto implicará em perda de precisão experimental e
ganho na facilidade de condução do experimento;
 Isso se deve a perda de graus de liberdade do resíduo;
 O bloco não é necessariamente espacial, áreas
desuniformes, ele pode ser virtual, no caso de épocas de
plantio por exemplo.

Modelo estatístico Blocos ao acaso
IDD
2
yij i j ij onde ij ~ N (0, )

i
é o efeito do j-ésimo bloco

j
ij é o erro experimental associado ao i-ésimo tratamento na j-ésima

parcela
Quadro de anova DBA

2
2 t j 2 2
Bloco j 1 SQbloco QMbloco t
j 1
2 j t 2j 2 2
Tratamento t 1 SQtrat QMtrat j t
t 1
2 2
Erro ( j 1)(t 1) SQerro QMerro
Total jt 1 SQtotal QMtotal

DBA
Outra Estufa
E Canteiro
N C
T E
R R
A Corredor C
D A
A
_RS _Tke _Pe _P _RSe _RS _RS _P _RSe _RSe _Pe _Tke
_P _RSe _TK _TK _Tke _Pe _Pe _TK _TKe _P _TK _RS

Modelo estatístico Quadrado latino
IDD
yijk i l j ck ijk onde ~ N (0, 2
)
ijk

i
lj é o efeito da j-ésima linha
ck é o efeito da k-ésima linha
ij é o erro experimental associado ao i-ésimo tratamento na j-ésima

parcela
Delineamento Quadrado latino
 Casualização:
 Somente uma repetição de cada tratamento aparece em
cada bloco;
 Limitação:
 O número de tratamentos deve ser igual ao número de
repetições. Isso implica na necessidade de grandes áreas
e grande volumes de material experimental;
 Desvantagem:
 O número de repetições aumentará a medida que o
número de tratamentos também aumente;

Delineamento Quadrado latino
Colunas
Linhas
I II III IV V
I D A B C E
II C E A B D
III E B C D A
IV B D E A C
V A C D E B

Esquema fatorial
 Esquema fatorial não é um delineamento, é apenas um
arranjo entre os tratamentos;
 O arranjo fatorial pode ser conduzido em
 Delineamento inteiramente casualisado;
 Blocos ao acaso;
 Quadrado latino;
 Outros;

Esquema fatorial
 Definições
 Fator: uma causa de variação conhecida e de interesse
do pesquisador (um tipo de tratamento);
 Nível: subdivisão do fator;
 Efeito principal: pode-se estudar isoladamente o efeito
de cada fator no experimento;
 Efeito da interação: quando existir, estudar o
comportamento de cada fator, na presença ou ausência
de níveis dos demais fatores

Modelo estatístico Esquema Fatorial
IDD
2
yijk i j ( )ij ijk onde ij ~ N (0, )
yijk é o valor do i-ésimo tratamento na j-ésima parcela e na k-ésima repetição
é o efeito do i-ésimo nível do fator A

i
é o efeito da j-ésimo nível do fator B

j
( )ij é o efeito da interação entre i-ésimo nível do fator A e j-ésimo nível do

fator B
é o erro experimental entre i-ésimo nível do fator A e j-ésimo nível do
ijk
fator B na k-ésima repetição.
Quadro de anova fatorial

2
2 i 2 2 2
TratamentoA a 1 SQA QMA br r br
a 1
2
2 j 2 2 2
TratamentoB b 1 SQB QMB ar r ar
t 1
2
( )ij2 2 2
AB (a 1)(b 1) SQAB QMAB r r
(a 1)(b 1)
2 2
Erro ab(r 1) SQErro QMErro

Modelo estatístico Delineamento em parcela subdividida
IDD
2
yijk i j ij k ik ijk onde ijk
~ N (0, )
yijk é o valor do i-ésimo tratamento na j-ésima parcela e na k-ésima repetição
é o efeito do i-ésimo nível do fator A

i
j é o efeito da j-ésimo bloco
ij é o erro experimental entre i-ésimo nível do fator A e j-ésimo bloco
k é o efeito da k-ésimo nível do fator B
ik é o efeito da interação entre o i-ésimo nível do fator A e da k-ésimo nível do fator B
é o erro experimental entre i-ésimo nível do fator A e j-ésimo bloco e k-ésimo nível do fator B
ijk

Anova de split-plot

2 2 2 2 2 2
Bloco r 1 SQBloco QMBloco b ab p b ab p
2
2 2 i 2 2 2
A a 1 SQA QMA b rb b rb
a 1
2 2 2 2
ErroA (r 1)(a 1) SQerroa QMerroa b b
2
2 j 2 2
B b 1 SQB QMB ra ra
b 1
2
( )ij2 2 2
AB (a 1)(b 1) SQAB QMAB r r
(a 1)(b 1)
2 2
ErroB a(b 1)(r 1) SQerrob QMerroB
Total abr 1 SQtotal

Experimento Split-plot
 Quando instalar:
 Em experimentos fatoriais com dois ou mais fatores;
 Quando há alguma limitação para instalar o
experimento;
 Facilidade para instalação;
 Em alguns casos é a única forma de aplicação dos
tratamentos às unidades experimentais;

Experimento em Split-plot
 Definição:
 Esse tipo de experimento aloca o fator A em parcelas
principais, ou primária, e o fator B nas sub-parcelas, ou
secundárias;
 Cada parcela funciona como um “bloco” para as
subparcelas;
 Se existem mais de dois fatores o experimento é
chamado de parcelas sub-divididas e assim por diante;

 Croqui de uma parcela principal de um experimento

em Parcelas subdivididas
Parcela principal (Fator A)
Sub-parcela
(Fator B)

 Por exemplo: Experimento com 2 fatores (A e B), cada um com 4 níveis,
dispostos em 3 blocos:
 A = A1; A2; A3; A4
 B = B1; B2; B3; B4
 BLOCO = I; II; IV
Bloco I
A1 B4 B1 B3 B2 A3 B1 B3 B4 B2
A4 B1 B3 B2 B4 A2 B2 B1 B3 B4

 O fator de maior interesse deve ser colocado nas sub-

parcelas quando possível (maior número de graus de
liberdade);
 Caso não seja possível a aplicação dos tratamentos às

parcelas principais ou sub-parcelas dependerá da
facilidade de instalação do experimento;

Experimentos em faixas ou Split Block
 É uma variação dos experimentos em parcelas

subdivididas;
 Os fatores A e B são dispostos em faixas como se
fossem parcelas principais;

Modelo estatístico Delineamento em faixas
IDD
yijk j i ij k jk ( )ij ijk onde ijk ~ N (0, 2
)
yijk é o valor do i-ésimo tratamento A e k-ésimo tratamento B no j-ésima bloco
é o efeito do j-ésimo bloco

j
é o efeito da i-ésimo tratamento A

i
ij é o erro experimental entre i-ésimo nível do fator A e j-ésimo bloco
é o efeito da k-ésimo nível do fator B

k
jk é o erro experimental entre k-ésimo nível do fator B e j-ésimo bloco
( ) ij é o efeito da interação entre o i-ésimo nível do fator A e da k-ésimo nível do fator B
ijk é o erro experimental entre i-ésimo nível do fator A e k-ésimo nivel de B no j-ésimo bloco

Experimento Em Faixas
CROQUI
B4 B2 B3 B1
A2
A1
A3

Transformações mais utilizadas
 Logarítimica: log(x);
 Raiz quadrada;
 Raiz cúbica;
 Angular: arcsen(x), sem(x),...;
 Hiperbólica de primeiro grau: x=1/x;
 Hiperbólica de segundo grau;

Tipos de transformações
mais utilizadas
 A transformação Box-Cox identifica a exata

transformação por meio de uma família de
transformações de potência de Y.
2 Y' Y2 0,5 Y' Y

0,5 Y' 1
Y
0 Y' loge Y (por definição) -1,0 Y' 1

Y

Tipos de transformações
mais utilizadas
 O procedimento Box-Cox usa o método de
máxima verossimilhança para estimar , 0, 1e
2. A função de verossimilhança é dada por:
n
2 1 1 2
L( 0, 1, , ) (2 2 n / 2 exp
) 2 2 (Yi 0 X
1 i )
i 1

Função verossimilhança
95%
-200
-220
log-Likelihood
-240
-260
-280
-2 -1 0 1 2

Procedimentos para comparações múltiplas
 Teste de Tukey ou DHS (HSD):
QME
q p ,v ,
r
 Teste de Duncan:
QME
q p ,v , p
r

 Teste Scott-Knott:
2 2 2
G1 G2 G3
SQgrupos
k1 k2 k3
QME
SQmédias v
2 r
0
k v
2
0
* 2
2 2 0

 Um teste pode ter dois parâmetros;
 Poder do teste:
Capacidade do teste em detectar diferenças reais entre os
tratamentos.
 Rigorosidade:
Confiança no resultado obtido.

 Erro tipo I por comparação:

Probabilidade de se rejeitar uma hipótese verdadeira nas
comparações dos tratamentos tomados dois a dois;
 Erro tipo I por experimento:
Probabilidade de se realizar pelo menos uma inferência
errada por experimento;
 Erro tipo III:
Probabilidade de se classificar um tratamento superior ao
outro quando o segundo supera o primeiro;

Linhagens Médias
1 14,65 a
2 12,34 ab
3 10,42 b
Ambigüidade dos resultados

Valores médios Procedimentos de comparações múltiplas
Trat. Par. Est. Tukey SNK LSD LSDB SK
3 85 80,461 D C E D B
1 85 83,498 D C DE CD B
4 85 86,488 CD C DE CD B
2 85 90,742 CD BC DE CD B
6 95 95,986 CD BC CD BCD B
5 95 96,511 BCD BC CD BCD B
7 105 107,689 ABC AB BC ABC A
8 115 120,436 AB A AB AB A
9 125 123,492 A A A A A
10 125 123,942 A A A A A

 Comparação do teste de Scott-Knott com os demais:

 Comparações realizadas através de experiemntos com
dados simulados;
 Taxas de erro tipo I sempre abaixo do nível de
significância (menores que α);
 O poder do teste foi duas vezes maiores que os do teste
de Duncan, t e SNK, oito vezes mais poderoso que o
teste Tukey e semelhante ao t-Bayesiano;

Novas ferramentas para análise
 GLM:
 Modelos Lineares Generalizados;
 AMMI:
 Additive main effects and Multiplicative Interaction
model;
 Selegen:
 Sistemas REML/BLUP de análise via modelos mistos;

GLM
 Modelos lineares generalizados;
Distribuição
Poisson

AMMI
 Additive main effects and Multiplicative Interaction
model;
 Interação GxE;
 Interação em modelos estatísticos com efeitos fixos

AMMI
 Interação GxE;

AMMI
 Interação em modelos estatísticos com efeitos fixos;

Sistemas REML/BLUP
 REML:
 Máxima verossimilhança restrita;
 BLUP:
 Melhor predição linear não viesada;

Sistemas REML/BLUP

Sistemas REML/BLUP
Safra 1
Safra 2

Sistemas REML/BLUP

Experimento hipotético
 Para se estudar padrões nutricionais e expressão gênica
em híbridos Bt comerciais de milho decidiu-se
trabalhar com dois híbridos Bt e suas respectivas
isolinhas submetendo-os a três diferentes regimes de
controle de lagarta.
 Para esse experimento definiu-se que seriam usadas 5
repetições.

DIC
Fontes de variação Graus de liberdade

Tratamentos 11
Híbridos 3
Tratamentos 2
Hib. x Trat. 6
Erro experimental 48
Total 59

DBA
Blocos 4
Tratamentos 11
Híbridos 3
Tratamentos 2
Hib. x Trat. 6
Erro experimental 44
Total 59

Parcela subdividida

Blocos 4
Híbridos 3
Erro a 12
Tratamento 2
Híb. x Trat. 6
Erro b 32
Total 59

Parcela subdividida

Blocos 4
Tratamento 2
Erro a 8
Híbrido 3
Trat. x Híb. 6
Erro b 36
Total 59

Delineamento em faixas
Blocos 4
Híbrido 3
Erro a 12
Tratamento 2
Erro b 8
Híb. x Trat. 6
Erro c 24
Total 59

Delineamento em faixas
Blocos 4
Tratamento 2
Erro a 8
Híbrido 3
Erro b 12
Trat. x Híb. 6
Erro c 24
Total 59

Plane Ana Exp

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Plane Ana Exp

Uploaded by

Copyright:

Available Formats

9 a 14 de Setembro

Pós-Graduação em Produção Vegetal UFPR

Éder David Borges da Silva

CONCLUSÃO/DESENV. TEORIA EXPERIMENTO

Planejamento e análise de Experimentos 7

Planejamento e análise de Experimentos 8

Decisão H0 é verdadeira H0 é falsa

Rejeitar H0 Erro tipo I Decisão correta

Não Rejeitar H0 Decisão correta Erro tipo II

Planejamento e análise de Experimentos 9

Propriedades: Fg1 ,g2

Planejamento e análise de Experimentos 11

Planejamento e análise de Experimentos 12

 A aleatorização torna os testes estatísticos válidos

Planejamento e análise de Experimentos 14

Planejamento e análise de Experimentos 16

 Normalidade da distribuição dos erros;

Planejamento e análise de Experimentos 17

 Analise gráfica e pelo teste Shapiro-Wilk

 Analise gráfica e pelo teste Bartlett

 Cada componente do modelo deve ter efeito aditivo;

Planejamento e análise de Experimentos 20

 Os erros devem possuir independência dos demais

Planejamento e análise de Experimentos 23

Observação Efeitos Efeitos Efeitos

Planejamento e análise de Experimentos 24

é a constante geral do modelo (normalmente a média)

é o efeito do i-ésimo tratamento

Planejamento e análise de Experimentos 26

Fonte GL SQ QM EMEF EMEA

Planejamento e análise de Experimentos 27

Planejamento e análise de Experimentos 29

yij é o valor do i-ésimo tratamento na j-ésima parcela

é a constante geral do modelo (normalmente a média)

é o efeito do i-ésimo tratamento

é o efeito do j-ésimo bloco

ij é o erro experimental associado ao i-ésimo tratamento na j-ésima

Fonte GL SQ QM EMEF EMEA

Planejamento e análise de Experimentos 31

Planejamento e análise de Experimentos 32

yij é o valor do i-ésimo tratamento na j-ésima parcela

é a constante geral do modelo (normalmente a média)

é o efeito do i-ésimo tratamento

lj é o efeito da j-ésima linha

ck é o efeito da k-ésima linha

ij é o erro experimental associado ao i-ésimo tratamento na j-ésima

Planejamento e análise de Experimentos 35

Planejamento e análise de Experimentos 36

Planejamento e análise de Experimentos 38

Planejamento e análise de Experimentos 39

é a constante geral do modelo (normalmente a média)

é o efeito do i-ésimo nível do fator A

é o efeito da j-ésimo nível do fator B

( )ij é o efeito da interação entre i-ésimo nível do fator A e j-ésimo nível do

Fonte GL SQ QM EMEF EMEA

Planejamento e análise de Experimentos 41

é a constante geral do modelo (normalmente a média)

é o efeito do i-ésimo nível do fator A

j é o efeito da j-ésimo bloco

ij é o erro experimental entre i-ésimo nível do fator A e j-ésimo bloco

k é o efeito da k-ésimo nível do fator B

ik é o efeito da interação entre o i-ésimo nível do fator A e da k-ésimo nível do fator B

Planejamento e análise de Experimentos 43