Professional Documents
Culture Documents
Malheiros 53
F.V. - Fontes de Variao, ou seja, as partes da Variao Total; G.L. - nmero de graus de liberdade associados F.V.; S.Q. - Soma de quadrados; Q.M. - Quadrado mdio
Alan R. Panosso e Euclides B. Malheiros 54 O valor p (p-value) obtido supondo que a estatstica F tem uma distribuio F central com t-1 e t(r-1) graus de liberdade. Essa pressuposio vlida se os erros forem iid independentes e identicamente distribudos, com distribuio normal N(0,2). A estatstica F testa as hipteses: a) Efeitos fixos de tratamentos (concluses apenas para aos nveis estudados): H0: 1=2=3= ... t vs H1: ii', para algum i i'. i = mdia populacional do grupo i. Neste caso, se a hiptese H0 rejeitada e tem-se mais que 2 nveis do fator pode-se usar as ferramentas: Comparaes das mdias (comparaes mltiplas). Geralmente usado quando no se tem qualquer informao a priori sobre os tratamentos e tem interesse em comparar as mdias entre si. Contrastes ortogonais. Geralmente usado quando se tem informaes a priori sobre os tratamentos e as comparaes de interesse ficam evidentes. b) Efeitos aleatrios de tratamentos (Concluses permitem inferncias para a populao dos nveis): H0: 2Tr=0 vs H1: 2Tr 0. Testa se existe variabilidade ou no na populao de nveis. Neste caso, estimam-se os componentes da varincia. Na prtica, os passos para a Anlise da Varincia em um delineamento DIC so apresentados no Exemplo a seguir: Exemplo(DIC_ex1): Um experimento para avaliar o efeito da rao (Rao 1 a 5) no ganho de peso animal, utilizou-se um DIC com 5 tratamentos e 4 repeties. Os resultados so apresentados a seguir. Disponveis em A_DIC_ex1.txt.
Repeties Rao 1 2 3 4 5 1 3,31 23,62 14,75 30,58 50,25 2 6,1 26,94 25,2 30,69 45,12 3 8,53 20,16 17,56 18,54 37,25 4 3,84 22,18 24,8 27,56 52,15
Entrada dos dados no R. > dicex <- read.table("C:/EEAR/A_DIC_ex1.txt", header=T, dec=",");dicex > attach(dicex) > TR;RP;Y 13.1 Definio do modelo e Anlise da Varincia > FTR <- factor(TR) > mod <- lm(Y~FTR ) > summary(mod) 13.2 Mdias, varincias e desvios-padro dos tratamentos > m <- tapply(Y,FTR,mean); v <- tapply(Y,FTR,var); dp <- tapply(Y,FTR,sd) > m;v;dp Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal
Alan R. Panosso e Euclides B. Malheiros 55 13.3 Representao grfica das mdias dos Tratamentos # Grfico de barras # Defina um limite mnimo e mximo para a escala das mdias (opcional) > lmin <# defina o limite mnimo para a escala > lmax <# defina o limite mximo para a escala > barplot(m,ylim=c(lmin,lmax)) # Grfico Box_Plot por Tratamento > FTR <- as.factor(TR) > plot(Y~FTR) 13.4 Diagnsticos para a Anlise da Varincia Os erros devem ser iid - independentes e identicamente distribudos, com distribuio normal N(0,2). a) Os diagnsticos grficos utilizados so os disponveis no Script R (S_Diag). b) Os testes de normalidade dos erros so os Disponveis no Script R (S_TestNorm). c) Alm dessas pressuposies, as varincias das observaes de cada tratamento devem ser homogneas, ou seja, no muito discrepantes (homocedasticidade). Para ilustrar veja a tabela a seguir: Trat. T1 T2 ... Tt Observaes y11, y12, ..., y1r Y21, y22, ..., y2r Yt1, yt2, ..., ytr M - mdias m1 m2 ... mt V - Varincias v1 v2 Homogneas ... vt
Os testes de homocedasticidade mais comuns na literatura so Bartlett, Levene e Brown Forsythe. O teste de Bartlett um teste fcil de ser feito manualmente por isso sempre encontrado em livros didticos de estatstica experimental. Os testes de Levene e Brow Forsyte so disponveis na maioria dos softwares de estatstica. No R, as sintaxes desses comandos so apresentadas a seguir. > # Teste de Bartlett > bartlett.test(Y~FTR) > # Teste de Levene > #install.packages("lawstat") > #require(lawstat) > levene.test(Y, FTR) > # Brown-Forsyte test > #install.packages("HH") > #require(HH) > hov(Y~ FTR) Um Script no R para o Teste de homocedasticidade (S_Homoced) apresentado a seguir:
Se as varincias no forem homogneas, a heterocedasticidade pode ser Regular ou Irregular. Regular se existe uma relao linear entre as mdias e varincias, caso contrrio Irregular. Se for regular, uma transformao de dados geralmente resolve o problema. Segundo Bartlett(1956), isso pode ser feito pela Anlise de Regresso Linear Simples entre o logaritmo da varincia, LV=log(V), e o logaritmo da mdia, LM =log(M), ou seja: LV = A + B LM, onde A e B so os parmetros do modelo. Se a Regresso for significativa a heterocedasticidade Regular e a transformao sugerida : YT = Y(1-B/2) Observe que: Se B for prximo de 0 No Transforma. Se B for prximo de 1 Transformao YT= Y . Se B for prximo de 2 Transformao YT=Log(Y). Se B for prximo de 3 Transformao YT=1/ Y . Se B for prximo de 4 Transformao YT=1/Y. E assim por diante. Um Script no R para o Tipo da Heterocedasticidade e transformao sugerida (S_TipoHeteroc ) apresentado a seguir: Script para Tipo de Heterocedasticidade (S_TipoHeteroc.R) ######################################################## ## Teste do tipo de Heterocedasticidade ## ## Depende da varivel classificatria (TR) e das observaes (Y) ## m <- tapply(Y,TR,mean) v <- tapply(Y,TR,var) lm <- log(m); lv <- log(v) m; v; lm; lv rl <- lm(lv~lm) summary(rl) # Variavel Transformada - Y^(1-B/2) YT <- Y^(1-rl$coefficients[2]/2) Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal
Alan R. Panosso e Euclides B. Malheiros 57 No exemplo (DIC_ex1) as pressuposies: Normalidade dos erros e homogeneidade das varincias no so rejeitadas (=5%). 13.5. Comparaes mltiplas Quando no se tem qualquer informao a priori sobre os tratamentos, sugere-se comparaes mltiplas. Os testes mais comuns para Comparaes Mltiplas so: Tukey; Duncan e Student Newman Keuls (SNK). Um script para comparaes mltiplas, com esses testes, apresentado a seguir: Script para Comparaes mltiplas (S_CompMultip) ############################################################ ## Testes de comparaes mltiplas ## ## Depende do modelo (mod) e do fator tratamento (FTR) ## # Escolha um teste: Tukey ou Duncan ou Student Newman_Keulss (SNK) # Todos usam o pacote agricolae ## Teste de Tukey #install.packages("agricolae") #require(agricolae) HSD.test(mod, "FTR", group=T,alpha=0.05) ## Teste de Duncan #install.packages("agricolae") #require(agricolae) duncan.test(mod,"FTR",alpha=0.05) ## Teste de Student-Newman-Keuls #install.packages("agricolae") #require(agricolae) SNK.test(mod, "FTR", alpha=0.05)
# defina o alpha
# defina o alpha
# defina o alpha
Usar comparaes mltiplas para o exemplo DIC_ex1, teste de Tukey, (=5%). 13.6. Contrastes ortogonais Um script para contrastes apresentado a seguir: Script para Contrastes (S_Contrastes) ################################################ ## Script para Contrastes Ortogonais ## ## Depende do fator Tratamentos (FTR) ## # Defina a matriz com os coeficientes dos contrastes ct <- matrix(c(cof_cont_1, coef_cont_2, ..., coef_cont_nc), ncol=nc) # todos os coeficientes separados por vrgulas #nc = nmero de contrastes ct # Defina o modelo a ser considerado contrasts(FTR)<-ct ### Defina o modelo que depende do FTR ### modcc <- aov(Y~modelo) anova(modcc) summary.lm(modcc) Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal
Um script para a anlise de Varincia completa para um Delineamento Inteiramente Casualizado DIC, apresentado a seguir: Script Anlise da Varincia - DIC
################################################################### ##### Script para Anlise da Variancia DIC #### ################################################################### ## Entrada de dados ### ##Entre com as variveis (TR - Tratamentos e Y - Varivel Resposta) ## Defina o modelo ### FTR <- as.factor(TR) mod <- aov(Y~FTR) summary(mod) summary.lm(mod) ## Mdias dos Tratamentos m <- tapply(Y,FTR,mean); m ## Grfico das mdias # Defina um limite mximo para as mdias # Defina um limite mnimo e mximo para a escala das mdias (opcional) lmin <# defina o limite mnimo para a escala lmax <# defina o limite mximo para a escala barplot(m,ylim=c(lmin,lmax)) ## Grfico Box_Plot por TRatamento #### plot(Y~FTR) ## Carregue a rotina para testes de heterocedasticidade ## Carregue a rotina para diagnsticos e faa os diagnsticos, elimine observaes, se for o caso. ## Carregue a rotina para o tipo de heterocedasticidade e defina a transformao( se for o caso). ## Carregue a rotina para testes de normalidade ## Carregue a rotina para testes de comparaes mltiplas (se for o caso). ## Carregue a rotina para contrastes (se for o caso).
Exemplo(DIC_ex2): Um experimento para avaliar o efeito da dose de um vermfugo (ml) no controle de um parasito, utilizou-se um DIC com 5 tratamentos e 6 repeties. Os resultados so apresentados a seguir. Disponveis em A_DIC_ex2.txt. Dose 0,0 0,5 1,0 1,5 2,0 1 2370,0 1282,0 562,0 173,0 193,0 2 1687,0 1527,0 321,0 127,0 71,0 Repeties 3 4 2592,0 2283,0 871,0 1025,0 636,0 317,0 132,0 150,0 82,0 62,0 5 2910,0 825,0 485,0 129,0 96,0 6 3020,0 920,0 842,0 227,0 44,0
Fazer a anlise de varincia completa, usar contrastes apropriados e concluir. Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal
Alan R. Panosso e Euclides B. Malheiros 59 Atividade (DIC_at1). Um experimento para avaliar o efeito da substituio do milho por soja na rao, no ganho de peso dos animais, utilizou-se um DIC com 5 tratamentos (dois padres sem milho e soja e trs nveis de substituio) e 6 repeties. Os resultados so apresentados a seguir. Disponveis em A_DIC_at.txt.
P. Subst. M+Sup1 M+Sup2 Sub. 5% Sub. 10% Sub. 15% 1 57,37 51,72 148,41 490,95 296,42 2 20,27 38,20 91,21 407,46 342,43 Repeties 3 4 13,97 17,16 29,71 45,06 154,89 90,20 518,16 476,19 204,91 246,20 5 28,53 38,81 130,80 580,36 205,36 6 10,64 66,70 208,90 598,14 224,98
F.V. - Fontes de Variao, ou seja, as partes da Variao Total; G.L. - nmero de graus de liberdade associados F.V.; S.Q. - Soma de quadrados; Q.M. - Quadrado mdio
O valor p-value obtido supondo que a estatstica F tem uma distribuio F central com t-1 e (b-1)(t-1) graus de liberdade para Tratamentos e b-1 e (b-1)(t-1) graus de liberdade para blocos. Essas pressuposies so vlidas se os erros forem iid - independentes e identicamente distribudos, com distribuio normal N(0,2). Ressalta-se que o teste para blocos informa se existe variao entre os blocos, mas no tem interesse prtico nas concluses do experimento. As pressuposies da anlise da varincia so as mesmas do Delineamento Inteiramente Casualizado DIC, exceto a homogeneidade das varincias que para o DBC no precisam ser testadas. Um script para a anlise de Varincia completa para um Delineamento em Blocos Casualizados DBC, apresentado a seguir:
Para ilustrar considere o exemplo a seguir: Exemplo(DBC_ex1): Em um Delineamento em Blocos Casualizados com cinco tratamentos (efeitos fixos) e quatro blocos Os resultados so apresentados a seguir. Disponveis em A_DBC_ex1.txt. Trat. 1 2 3 4 5 1 122,36 125,28 120,73 150,88 153,49 Bloco 2 3 144,78 145,19 137,77 144,44 134,06 136,07 155,83 156,97 165,02 171,75 4 158,88 150,61 144,11 176,36 175,22
a) Fazer a Anlise da Varincia, verificando as pressuposies dos testes. b) Comparar as mdias pelo teste de Newman-Keuls. c) Concluir. No Delineamento em Blocos Casualizados DBC, se houverem parcelas perdidas, a(s) mdia(s) do(s) tratamento(s) onde foram(foi) perdida(s) parcela(s) no representa verdadeiramente as mdias dos tratamentos, por isso, neste caso a parcela deve ser estimada ou deve-se trabalhas com mdias ajustadas. Para ilustrar considere o exemplo a seguir: Exemplo(DBC_ex2): Em um Delineamento em Blocos Casualizados com cinco tratamentos (efeitos fixos) e quatro blocos, a observao da parcela referente ao tratamento3 e bloco 3 foi perdida. Os resultados so apresentados a seguir. Disponveis em A_DBC_ex2.txt.
Trat. 1 2 3 4 5 Blocos 1 2 3 4
70,2 62,8
,
59,2 65,1
a) Fazer a Anlise da Varincia (DBC), verificando as pressuposies dos testes. b) Comparar as mdias pelo teste de Tukey. c) Concluir.
Casualiza-se ento as linhas e colunas. Observe que este tipo de delineamento tem 3 fatores: Tratamentos e 2 Controles Locais (Linhas e Colunas). Da mesma forma do DBC, pela forma de casualizao, considera-se apenas os efeitos principais. Modelo: yijk = m +li + cj + tk(ij) + eijk , onde yijk = valor observado na unidade experimental que recebeu o tratamento k (na linha i e coluna j); m= efeito da mdia geral; li = efeito do linha i; cj = efeito do coluna j; tk(ij) = efeito do tratamento k aplicado na linha i e coluna j; eijk = erro aleatrio (resduo). A anlise de varincia esquematizada como: F.V. G.L. S.Q. Q.M. Linhas p-1 SQ(Lin.) QM(Lin.) Colunas p-1 SQ(Col.) QM(Col.) Tratamentos p-1 SQ(Tr.) QM(Tr.) Resduo (p-1)(p-2) SQ(Res.) QM(Res.) Total p2-1 SQ(Tot.) F QM(Lin.) / QM(Res.) QM(Col.)/ QM(Res.) QM(Tr.) / QM(Res.) p-value p1 p2 p3
O valor p-value para tratamentos obtido supondo que a estatstica F tem uma distribuio F central com p-1 e (p-1)(p-1) graus de liberdade. Essa pressuposio vlida se os erros forem iid - independentes e identicamente distribudos, com distribuio normal N(0,2). As pressuposies da anlise da varincia so as mesmas do Delineamento em Bolocos Casualizados DBC. Um script para a anlise de Varincia completa para um Delineamento em Quadrado Latino - DQL, apresentado a seguir:
# Mdias dos Tratamentos m <- tapply(Y,FTR,mean); m # Grfico das mdias de tratamentos # Defina um limite mnimo e mximo e mnimo para a escala das mdias (opcional) lmin <# defina o limite mnimo para a escala lmax <# defina o limite mximo para a escala barplot(m,ylim=c(lmin,lmax)) # Grfico Box_Plot por TRatamento #### plot(Y~as.factor(TR)) ## Carregue a rotina para comparaes mltiplas (se for o caso). ## Carregue a rotina para contrastes (se for o caso). ######### Caso de Quadrado Latino Com Parcelas Perdidas ########## ####### Duas Opes Possveis: ## Opco1 - Estimar as Parcelas Perdidas e trabalhar como "Sem #Parcelas Perdidas" ## Opco2 - Trabalhar com mdias ajustadas ###################################################################### ##### Opco1 - Estimar as Parcelas Perdidas e trabalhar como "Sem Parcelas Perdidas" #### ## Estimar as parcelas perdidas ypc<-predict(mod,newdata=df);ypc # df - nome do data-frame ## substituir a(s) observaes perdidas pela(s) estimada(s) e reinicia a anlise spp)
Para ilustrar considere o exemplo a seguir: Exemplo(DQL_ex): Em um Delineamento em Quadrado Latino 5x5, tratamentos com efeitos fixos obteve-se os resultados so apresentados a seguir. Disponveis em A_DQL_ex.txt. Colunas 1 2 3 4 1 432(4) 518(1) 458(2) 583(3) 2 624(3) 478(5) 524(1) 550(2) 3 489(5) 384(2) 556(3) 297(4) 4 494(2) 500(4) 313(5) 486(1) 5 515(1) 660(3) 438(4) 394(5) a) Fazer a Anlise da Varincia, verificando as pressuposies dos testes. b) Comparar as mdias dos tratamentos pelo teste de Newman Keuls. c) Concluir. Linhas 5 331(5) 400(4) 420(1) 501(3) 318(2)
Experimentos Fatoriais so experimentos em que os Tratamentos so combinaes de nveis de dois ou mais fatores. Dois Fatores A e B podem ser de efeitos cruzados ou aninhados. Cruzados: quando os nveis de um fator so os mesmos dentro de cada nvel do outro. Exemplo: Trs variedades de milho (Fator A) e quatro densidades de semeadura (Fator B). As mesmas densidades foram usadas para as trs variedades, resultando 12 tratamentos (3x4). Veja o esquema apresentado a seguir: Variedade V1 V2 V3 Densidade 10 X X X 15 X X X 20 X X X 25 X X X
Se esses tratamentos, com 3 repeties (totalizando 36 parcelas), foram delineados em um DIC, tem-se: Delineamento de Experimento: DIC - Delineamento Inteiramente Casualizado Delineamento de Tratamentos: fatorial cruzado 3x4. O Esquema de anlise da varincia fica: Fontes de Variao GL Tratamentos 11 A - Var. 2 B - Dens. 3 AxB -Var.xDens. 6 Resduo 24 Total 35
No R, a interao AxB indicada por A:B, ainda mais, A*B = A+B+A:B Aninhados: quando os nveis de um fator no so os mesmos dentro de cada nvel do outro. Exemplo: Trs variedades de milho e quatro densidades de semeadura. As densidades no foram as mesmas para cada variedade de milho. Veja o exemplo: Variedade V1 V2 V3 Densidade 20 25 X X X X X X
10 X
15 X X
30 X X
55
Se esses tratamentos, com 3 repeties (totalizando 36 parcelas), foram delineados em um DIC, tem-se: Delineamento de Experimento: DIC (Delineamento Inteiramente Delineamento de Tratamentos Fatorial com fatores aninhados.
Alan R. Panosso e Euclides B. Malheiros 66 O Esquema de anlise da varincia fica: Fontes de Variao Tratamentos A - Var. B d. A Resduo Total GL 11 2 9 24 35
No R, a interao B d. A indicada por B%in%A, ainda mais, B/A=A+ B%in%A Exemplos: 1. Exemplo (FatCruz). Para estudar 3 espcies de capim (Fator A A1, A2 e A3) com as mesmas alturas de corte (Fator B - B1=0,30 e B2=0,50) foi realizado um experimento em um DIC com 4 repeties. Os resultados so apresentados a seguir. Disponveis em A_FatCruz.txt.
A 1 1 2 2 3 3 B 1 2 1 2 1 2 Repeties 2 3 26,0 25,0 24,6 26,7 26,3 25,1 21,1 19,0 19,4 18,8 21,4 22,8
Fazer a anlise de varincia completa, com resultados e concluses. Um Script para a Anlise da Varincia para Fatorial com Fatores Cruzados apresentado a seguir:
###################################### ## FATORIAL - FATORES CRUZADOS #### ###################################### ## Entre com os dados - Tratamentos - TR, Controles Locais - CL1, CL2 ... Fatores - A, B ... ## Difina os Controle Locais, Tratamento e os Fatores como fatores FCL1 <- as.factor(CL1) # ... FTR <- as.factor(TR) FA <- as.factor(A) FB <- as.factor(B) .... ## Imprima os fatores FTR; FA; FB; Y ###################################################################### ### ## Diagnsticos - usando o modelo Geral (sem considerar o Delineamento de Tratamentos) ######################################################################
##CARREGUE A ROTINA PARA DIAGNSTICOS ##CARREGUE A ROTINA PARA HETEROCEDASTICIDADE (se for o caso) ##CARREGUE A ROTINA PARA TIPO DE HETEROCEDASTICIDADE - (se for o caso) ##CARREGUE A ROTINA PARA NORMALIDADE DOS ERROS ###################################################### # Analise - considerando o delineamento de tratamentos ###################################################### ## Definir o Modelo modc <- aov(Y~FA+FB+FB:FA) # Colocar Contr. Locais, se for o caso # ou modc <- aov(Y~FA*FB) anova(modc) ## Medias dos efeitos principais e da interao model.tables(modc,type="means") ## Grfico da interao interaction.plot(FA,FB,Y,fixed=T,fun=mean,main="Desd.Interacao", xlab="Fator A", ylab="Fator B", type="b", lty=1:length(levels(FB)), pch=1:length(levels(FB)), col=1:length(levels(FB))) ##### SE A INTERAO NAO FOR SIGNIFICATIVA ## Comparaes mltiplas (Tukey) para os efeitos principais #install.packages("agricolae") #require(agricolae) HSD.test(modc,"FA",group=T) HSD.test(modc,"FB",group=T) ##### SE A INTERAO FOR SIGNIFICATIVA ## Desdobramento da interao FA:FB # Desdobramento da interao FA d. FB modab <- aov(Y~FA/FB) # Colocar os Controles locais, se for o caso effects(modab) ### defina a lista (sequencias do Ax em FAx:FBy) summary(modab,split=list("FA:FB"=list(A1=1,A2=2,A3=3))) # Desdobramento da interao FB d. FA modab <- aov(Y~FB/FA) # Colocar os Controles locais, se for o caso effects(modab) ### defina a lista (sequencias do Bx em FBx:FAy) summary(modab,split=list("FB:FA"=list(B1=c(1,3),B2=c(2,4)))) ## Comparaes mltiplas (Tukey) - dentro de cada Fator cmTK <- TukeyHSD(modc,"FA:FB") cmTK cmTAB <- with(modc, pairwise.t.test(Y,FA:FB), p.adj="Tukey") cmTAB
Alan R. Panosso e Euclides B. Malheiros 68 2. Exemplo (FatAninh). Para estudar 3 espcies animais (Fator A A1, A2 e A3) e duas raas de cada espcie (Fator B) foi realizado um experimento em um DBC com 4 Blocos. Os resultados so apresentados a seguir. Disponveis em A_FatAninh.txt.
A 1 1 1 1 2 2 2 2 3 3 3 3 Bl 1 2 3 4 1 2 3 4 1 2 3 4 B 1 51,8 51,6 50,6 51,0 2 50,4 50,2 52,3 50,8 1 2 1 2
45,2 46,7 44,6 44,2 46,4 45,0 44,4 44,8 45,4 47,0 48,4 46,9
Fazer a anlise de varincia completa, com resultados e concluses. Um Script para a Anlise da Varincia para Fatorial com Fatores Aninhados apresentado a seguir:
####################################### #### FATORIAL - FATORES ANINHADOS ##### ####################################### ## Entre com os dados - Tratamentos - TR, Controles Locais - CL1, CL2 ... Fatores - A, B ... ## Difina "Como Fatores" os Controle Locais, Tratamento e os Fatores FCL1 <- as.factor(CL1) # ... FTR <- as.factor(TR) FA <- as.factor(A) FB <- as.factor(B) # ... ## Imprima os fatores FTR; FA; FB; Y ###################################################################### ### ## Diagnsticos - usando o modelo Geral (sem considerar o Delineamento de Tratamentos) ###################################################################### mod <- aov(Y ~ FTR) anova(mod) # Colocar os Controles locais, se for o caso
##CARREGUE A ROTINA PARA DIAGNSTICOS ##CARREGUE A ROTINA PARA HETEROCEDASTICIDADE - (se for o caso) ##CARREGUE A ROTINA PARA TIPO DE HETEROCEDASTICIDADE - (se for o caso) ##CARREGUE A ROTINA PARA NORMALIDADE DOS ERROS
3. Exemplo(FatCruzAninh): Em um experimento para testar 4 tratamentos, dispunha-se apenas de trs animais fistulados, utilizou-se 4 quadrados-latinos 3x3. Os resultados so apresentados a seguir. Disponveis em A_FatCruzAninh.txt.
QL AN 1 PR 1 2 3 1 2 3 1 2 3 PR 1 2 3 1 2 3 1 2 3 TR 1 2 3 2 3 1 3 1 2 TR 1 2 3 2 3 1 3 1 2 Y 17.200 14.800 12.600 19.200 17.400 18.400 12.600 14.800 11.200 Y 12.000 10.400 8.200 12.000 10.600 12.400 9.000 12.400 9.200 QL AN 1 PR 1 2 3 1 2 3 1 2 3 PR 1 2 3 1 2 3 1 2 3 TR 1 3 2 2 1 3 3 2 1 TR 1 3 2 2 1 3 3 2 1 Y 16.000 12.200 11.200 12.800 15.200 9.800 11.000 11.600 12.400 Y 10.400 8.600 8.400 8.400 10.800 6.600 7.800 8.400 9.200
QL
AN 1
QL
AN 1
Fazer a anlise de varincia completa, com resultados e concluses. Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal
Alan R. Panosso e Euclides B. Malheiros 70 ESTATSTICA EXPERIMENTAL APLICADA Tarefa 1 1. Apresentam-se os valores de 20 observaes de uma v.a. Y com distribuio normal com mdia m e varincia 2.
42,5 42,0 39,0 43,0 42,0 40,0 45,0 38,0 40,8 39,0 41,2 39,9 43,0 40,1 40,0 41,0 37,1 44,0 41,0 42,0
a) Testar a hiptese H0: =40 vs H1: > 40 (=0,05). b) Testar a hiptese H0: 2 = 9 vs H1: 2 9 (=0,05). c) Apresentar os resultados e Concluir.
2. Apresentam-se os pesos observados para animais que receberam dois tipos de raes.
21,5 21,0 22,0 20,0 21,4 22,8 Rao1 22,0 21,5 23,0 19,5 21,8 21,2 23,0 21,5 21,0 22,5 22,1 22,1 19,0 21,0 18,0 19,0 19,8 20,5 Rao2 17,0 21,0 18,5 18,5 20,2 22,0 19,0 17,0 18,0 19,0
a) Testar a hiptese da homogeneidade de varincias (=0,10). b) Testar a hiptese das mdias das raes serem iguais (=0,10). c) Apresentar os resultados e Concluir. 3. Avaliou-se a espessura do fil de 10 peixes em 2 posies (inicial final do lombo PI e PF). Os valores observados foram:
Posio PI PF Animais 1 2 3 4 5 6 7 8 9 10 1,23 1,23 1,25 1,23 1,26 1,21 1,24 1,25 1,22 1,25 1,27 1,25 1,26 1,22 1,28 1,23 1,23 1,26 1,23 1,26
Considerando-se que os dados tm distribuio normal com mdias I e F, para as posies inicial e final, respectivamente, e varincia constante 2. a) Testar a hiptese das mdias serem iguais (=0,05). b) Apresentar os resultados e Concluir. 4. Um produtor afirma que 70% dos animais de uma propriedade esto infectados com um determinado fungo, um sanitarista consultado afirma que a infestao menor que 70%. Em uma pesquisa realizada, 300 animais foram avaliados, dos quais 195 estavam infestados. Testar a veracidade da hiptese do produtor (=0,10) e concluir. 5. Em um experimento para testar se a ocorrncia de uma determinada doena depende da espcie animal, foram testadas 3 espcies. As freqncias observadas foram: Presena de doena Espcie Sim No E1 25 90 E2 180 230 E3 4 8 a) Analisar os resultados (=0,05) b) Apresentar os resultados e Concluir.
Alan R. Panosso e Euclides B. Malheiros 71 ESTATSTICA EXPERIMENTAL APLICADA Tarefa 2 1. Fazer um programa SAS para, a partir dos dados a seguir:
X 2,0 2,0 2,0 2,2 2,2 Y 13,3 13,5 13,4 12,5 12,7 X 2,2 2,4 2,4 2,4 2,6 Y 12,7 11,9 12,0 11,9 11,9 X 2,6 2,6 2,8 2,8 2,8 Y 11,7 11,8 11,7 11,3 11,5 X 3,0 3,0 3,0 3,2 3,2 Y 11,3 11,2 11,2 11,0 10,9
a) Representar graficamente Y=f(X). b) Fazer a anlise de regresso linear, verificando as pressuposies. c) Apresentar os resultados e concluir.
d) Representar graficamente Y=f(X). e) Fazer a anlise de regresso polinomial, verificando as pressuposies. f) Apresentar os resultados da anlise e discutir.
a) Fazer a anlise de regresso linear mltipla e selecionar o modelo usando os mtodos: BACKWARD. b) Representar os resultados da anlise e concluir.
Alan R. Panosso e Euclides B. Malheiros 72 ESTATSTICA EXPERIMENTAL APLICADA Tarefa 3 1. Um experimento para testar 4 Raes foi instalado num Delin. Int. Cas. - DIC, com 5 tratamentos (efeitos fixos) e 5 repeties. A Rao1 tem Milho e as demais Soja nos nveis crescentes (20, 30, 40 e 50%, respectivamente). Os dados observados foram: Repeties TR 1 2 3 4 5 1 69,4 70,8 74,0 71,8 71,6 2 63,2 65,4 64,0 66,4 65,6 3 64,2 62,6 61,4 64,8 62,4 4 57,8 58,4 60,0 56,6 58,2 5 57,4 58,2 57,4 59,6 56,8 a) Testar as pressuposies para a Anlise da Varincia =0,05. b) Fazer a anlise da varincia. c) Desdobrar os graus de liberdade de Tratamentos por contrastes (contrastes apropriados). d) Apresentar a Tabela dos Resultados e Concluir. 2. Em um experimento para avaliar a Adubao da Pastagem no ganho de peso animal, utilizou-se um Delin. Int. Cas. - DIC. Foram estudados 5 Adubaes (com 0, 2, 5, 10 e 20Kg de N) . Os dados observados foram: Repeties TR 1 2 3 4 5 6 1 8,06 5,27 8,21 6,65 6,74 8,06 2 9,02 13,08 20,89 5,17 3,82 9,02 3 20,53 22,49 14,84 9,12 15,48 20,53 4 44,72 40,46 51,36 30,74 36,93 41,72 5 69,09 40,74 51,81 27,61 58,03 89,09 a) Testar as pressuposies para a Anlise da Varincia (=0,05). b) Fazer a anlise da varincia. c) Desdobrar os graus de liberdade de Tratamentos por contrastes (contrastes apropriados). d) Apresentar a Tabela dos Resultados e Concluir. 3. Em um experimento para avaliar Raes Animais utilizou-se um Delin. em Blocos Cas. - DBC. Foram estudados 6 Raes com 4 Blocos. Os dados observados foram: Bolos TR 1 2 3 4 1 34,60 47,10 37,30 44,35 2 64,85 48,35 37,45 20,70 3 40,35 33,90 59,10 49,35 4 38,10 54,45 48,00 53,70 5 60,15 63,45 48,65 64,00 6 56,95 80,65 90,85 84,95 a) Testar as pressuposies para a Anlise da Varincia =0,05. Fazer a anlise da varincia. (Em caso de observaes perdidas, estimar as parcelas). b) Comparar as mdias pelo teste de Tukey (=0,05). c) Apresentar a Tabela dos Resultados e Concluir.