Escolar Documentos
Profissional Documentos
Cultura Documentos
Campus de Jaboticabal SP
2 SEMESTRE DE 2014
NDICE
INTRODUO AO R ................................................................................................ 2
AULA 1 ESTATSTICA DESCRITIVA ......................................................................... 3
1 EXERCCIO PRTICO ESTATSTICA EXPERIMENTAL ................................................... 23
AULA 2 TESTES DE SIGNIFICNCIA ..................................................................... 25
2 EXERCCIO PRTICO DE ESTATSTICA EXPERIMENTAL ............................................. 35
AULA 3- DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) .................................. 37
3 EXERCCIO PRTICO DE ESTATSTICA EXPERIMENTAL ............................................. 58
AULA 4 TESTE DE COMPARAES MLTIPLAS ....................................................... 61
4 EXERCCIO PRTICO DE ESTATSTICA EXPERIMENTAL ............................................. 79
AULA 5 TESTES F PLANEJADOS ............................................................................ 80
5 EXERCCIO PRTICO DE ESTATSTICA EXPERIMENTAL ............................................. 89
AULA 6 DELINEAMENTO EM BLOCOS CASUALIZADOS (DBC) .................................... 91
6 EXERCCIO PRTICO DE ESTATSTICA EXPERIMENTAL ........................................... 106
AULA 7 DELINEAMENTO QUADRADO LATINO (DQL). .............................................. 109
7 EXERCCIO PRTICO DE ESTATSTICA EXPERIMENTAL ........................................... 124
AULA 8 EXPERIMENTOS FATORIAIS ..................................................................... 126
8 EXERCCIO PRTICO DE ESTATSTICA EXPERIMENTAL ........................................... 138
AULA 9 EXPERIMENTOS FATORIAIS: ANALISANDO UM FATORIAL A X B ................... 143
9 EXERCCIO PRTICO DE ESTATSTICA EXPERIMENTAL ........................................... 155
AULA 10 EXPERIMENTOS EM PARCELA SUBDIVIDIDA ........................................... 157
10 EXERCCIO PRTICO DE ESTATSTICA EXPERIMENTAL ......................................... 169
AULA 11 EXPERIMENTOS EM PARCELAS SUBDIVIDIDAS - ANLISE DE MEDIDAS
REPETIDAS NO TEMPO. ...................................................................................... 171
AULA 12 TRANSFORMAO DE DADOS ................................................................ 175
2
Introduo ao R
1 O que o R?
2 Instalando o R
http://CRAN.r-project.org
http://www.vps.fmvz.usp.br/CRAN/
Estatstica Experimental
3
Conjunto de dados:
Considere uma varivel aleatria de interesse representada pela letra
maiscula Y e os valores especficos assumidos por esta varivel aleatria
pelas letras minsculas y. Para distinguir um valor do outro, utilizamos um
subscrito i. Por exemplo, y 1 , y 2 , ... , y n . Em geral, um valor tpico da varivel
aleatria ser designado por yi e o valor final desta amostra por yn, sendo que
n representa o tamanho da amostra.
Uma notao compacta para representar a soma de todos os valores de
uma varivel aleatria de interesse, por exemplo, Y,
n
i
yi
1
y 1 y 2 ... y n
i
yi
1
y 1 y 2 ... y n
i
yi
1
2
y i2 y 22 ... y n2
i
xi yi x y
1
1 1 x 2 y 2 ... x n y n
y i 1 3 6 10 ,
i 1
i
yi
1
2
12 32 62 46
i
1
xi yi (2 )(1)
(4 )(3 )
(5 )(6 )
44
(x i y i ) x i y i
i 1 i 1 i 1
Estatstica Experimental
4
k y i k y i
i 1 i 1
3 A soma de n constantes com valor k igual ao produto n k
n
i
k k k ... k
1
n k
n
Ateno: notem que o clculo da expresso
i
1
yi 2
y 12 y 22 ... y n2 ,
n
y yi
y+ =
i
1
yi y 1 y 2 ... y n , e y
n
i
1
n
Notao com dois subescritos. Considere dois grupos de dados
( y ij )
i 1
2
j 1
Calcular o valor da expresso
ri
Exemplo de Tabela de dupla entrada. Qualquer observao
representada por yij , sendo que, o ndice i refere-se s linhas (i=1, 2,..., k) e o
ndice j refere-se s colunas (j=1, 2, ..., r).
Colunas
Linhas 1 2 3 ... j ... r Total Mdia
1 y11 y12 y13 ... ... ... y1r y1+ y 1
2 y21 y22 y23 ... ... ... y2r y2+ y 2
3 y31 y32 y33 ... ... ... y3r y3+ y 3
. . . . . ... . . . .
. . . . . ... . . . .
. . . . . ... . . . .
i . . . . yij . . yj+ yj
. . . . . . . . .
. . . . . . . . . .
.
. . . . . . . . .
.
k yk1 yk2 yk3 ... ... ... ykr yk+ yk
Total y+1 Y+2 y+3 ... y+j ... y+r y++
Mdia y 1 y 2 y 3 ... yj ... y r y
Estatstica Experimental
5
yi
y 1 y 2 ... y n y
y i
1
n n n
Vamos supor que a varivel aleatria Y assume os seguintes valores,
{ 10, 54, 21, 33, 53 }, ento a mdia destes 5 valores dada por:
5
yi
10 54 21 33 53 171
y i
1
34,2
5 5 5
Script no R para o clculo da mdia
# calculo da mdia pela definio
y <-c(10,54,21,33,53)
media.1<-sum(y)/length(y)
2.2 Mediana.
Uma alternativa mdia aritmtica como medida de tendncia central
a mediana. A mediana de um conjunto de valores finitos o valor que ocupa
a posio central dos dados ordenados, ou seja, aquele valor o qual divide o
conjunto de dados em duas partes iguais tal que o nmero de valores iguais ou
Estatstica Experimental
6
Exemplos:
1. Considere os dados 10, 54, 21, 33, 53 , com n=5 observaes, e a
seqncia ordenada fica 10, 21, 33, 53, 54. A mediana calculada como sendo
a observao que ocupa a 3 posio da seqncia ordenada, ou seja,
/ 2, ou seja, k 2 y~ y(21) y(3 ) 33
n 2k 1 k (n 1)
2. Considere os dados 10, 54, 21, 33, 53, 55, e a seqncia ordenada
fica 10, 21, 33, 53, 54, 55. Como o nmero de observaes par e a mediana
calculada como sendo a mdia das observaes que ocupam a posio
central, ou seja,
1 1
n 2k k (n ) / 2, ou seja, k 3 y~ (y(3 ) y(3 1))
(y(3 ) y(4 ))
2 2
1
(33 53 ) 43
2
Script no R para o clculo da mediana
Propriedades da mediana;
a) nica. Assim como a mdia, para um conjunto de dados existe
uma e somente uma mediana.
b) Simplicidade. A mediana fcil de ser calculada.
c) Ela no drasticamente afetada por valores extremos, como a
mdia.
2.3 Moda.
A moda comumente definida como a observao mais freqente
do conjunto de dados. Se todas as observaes so diferentes no existe
moda; por outro lado um conjunto de dados pode ter mais de uma moda.
Exemplo: considere o conjunto de dados
{98, 102, 100, 100, 99, 97, 96, 95, 99, 100}, ento a moda mo =
100, e no conjunto de dados, abaixo,
{ 20, 21, 20, 20, 34, 22, 24, 27, 27, 27} existe duas modas 20 e 27
(bimodal).
Estatstica Experimental
7
a) b)
c) d)
3 Medidas de disperso
Apesar das medidas de tendncia central fornecerem uma idia do
comportamento de um conjunto de dados, elas podem esconder valiosas
informaes. Essas medidas no so suficientes para descrever ou discriminar
diferentes conjunto de dados. Por exemplo, a Figura 3.1 mostra os polgonos
de freqncia duas variveis que possuem a mesma mdia, mas diferentes
valores de disperso. A varivel B, a qual tem maior variabilidade que a
varivel A, mais espalhada. A disperso de um conjunto de dados se refere
variedade que eles exibem. Uma medida de disperso fornece informao a
respeito da quantidade de variabilidade presente no conjunto de dados.
Figura 3.1 Dois polgonos de freqncia com a mesma mdia, mas com
diferentes quantidades de disperso.
Se todos os valores do conjunto de dados so iguais, no existe
disperso; se eles so diferentes, a disperso est presente nos dados. A
quantidade de disperso pode ser pequena, quando os dados, embora
diferentes, so muito prximos.
3.1 Amplitude
A amplitude definida como a diferena entre o maior e o menor valor
do conjunto de dados. O problema desta mediada que ela s leva em conta
dois valores do conjunto de dados e, assim, seria mais conveniente
considerarmos uma mediada que utilizasse todas as observaes do conjunto
de dados. A primeira idia que ocorre considerar o desvio de cada
Estatstica Experimental
8
n n n n n n yi n n
i
d i (y i
1 i 1
y i y y i ny y i n
y)
i 1 i 1 i 1 n i 1 i 1
i 1
i1
yi yi 0
1 n
( yi )
y i
2 i 1
n 1 i 1 n
Exemplo: Os pesos (em pounds) de uma amostra aleatria de trutas em
um lago so:
1,19; 0,93; 2,40; 1,71; 0,89; 1,74; 1,06; 1,16; 1,47; 1,15
Estatstica Experimental
9
1
s2 ( 1,19 1,37 )2 (0,93 1,37 )2 ... (1,15 1,37 )2
10 1
0,2187(pounds ) 2
Alternativamente, temos
2
1 2 ( 1,19 0,93 ... 1,15 )
s2 2 2
1,19 0,93 ... 1,15
10 1 10
1 13,70
0,2187(pounds ),e
2
20,74
9 10
s 0,2187 0,47 pounds.
Script no R para os clculos acima
# entrando com os dados pelo comando concaternar c( )
peso <- c(1.19, 0.93, 2.40, 1.71, 0.89, 1.74, 1.06, 1.16, 1.47, 1.15)
#
# para saber mais detalhes da funo mean() execute o comando ??mean()
#
3.3 Quartis
Alguns quartis so definidos de modo anlogo mediana. Assim como a
mediana divide o conjunto de dados em duas partes, os quartis dividem os
dados em quatro partes. O segundo quartil, representado por Q2 igual
Estatstica Experimental
10
68 63 42 27 30 36 28 32 79 27 22 23 24 25 44 65 43 25 74
51 36 42 28 31 28 25 45 12 57 51 12 32 49 38 42 27 31 50
38 21 16 24 69 47 23 22 43 27 49 28 23 19 46 30 43 49 12
12 12 12 16 19 21 22 22 23 23 23 24 24 25 25 25 27 27 27
27 28 28 28 28 30 30 31 31 32 32 36 36 38 38 42 42 42 43
43 43 44 45 46 47 49 49 49 50 51 51 57 63 65 68 69 74 79
Assim, a menor e a maior observao 12 e 79, respectivamente. O
nmero de observaes 57. O primeiro quartil a observao
57 1
Q1 14.5 y(14,5 ) 25 g,
4
e o terceiro quartil
3(57 1)
Q3 43.5 y(43,5 ) 46,5 g
4
Estatstica Experimental
11
# calculo da mediana
mediana<- median(p.tumor)
mediana
Estatstica Experimental
12
# incrementando o grfico
boxplot(p.tumor,
col=2, # colocando cor no grfico
horizontal= T, # na posio horizontal
main= "Grfico Box-Plot") # colocando ttulo principal
Grfico produzido pela ltima funo boxplot( )
a) b)
Estatstica Experimental
13
4
n(n 1) n
yi y 3(n 1)2
ct
(n 1)(n 2 )(n 3 )i 1 s (n 2 )(n 3 )
Para variveis, tais como, peso, altura ou produo de leite, espera-se
que a distribuio de freqncia seja simtrica em torno da mdia e tenha a
forma de um sino. Estas so as distribuies normais. Se as observaes tm
distribuio normal ento a curtosis igual a zero (ct = 0). Uma distribuio
com curtosis positiva tem uma grande freqncia de observaes prximas da
mdia e caudas finas. Uma distribuio com curtosis negativa tem as caudas
mais grossas e uma baixa freqncia de dados perto da mdia.
Script no R para os clculos dos coeficientes de assimetria e curtosis
Estatstica Experimental
14
m4<-sum((x-mean(x))^4)
s4<-sd(x)^4
n<-length(x)
coef1<-n*(n+1)/((n-1)*(n-2)*(n-3))
coef2<- 3*(n-1)^2/((n-2)*(n-3))
ct<-coef1*m4/s4 - coef2
# definindo a sada
c(mnimo=minimo,Q1=q1,mdia=media,mediana=mediana,desv_pad=dp,
Q3=q3,mximo=maximo,CV=cv,Assimetria=ass,Curtosis=ct)
} # final da funo ed( )
3.6 Histograma
O grfico do histograma outro recurso visual muito usado para a
anlise da forma da distribuio. No script do R abaixo so apresentados
alguns exemplos doa funo hist( ) e sua correspondncia com o grfico Box-
Plot.
10
5
0
10 20 30 40 50 60 70 80
Estatstica Experimental
15
# histograma
hist(p.tumor,
col="light blue", # colocando a cor azul
xlab=" Classes de Peso (g)", # ttulo do eixo x
ylab="Frequncia", # ttulo do eixo y
nclass=8, # nmero de colunas
border="dark blue", # colocando bordas no grfico
main="Histograma") # ttulo principal
15
0 5
10 20 30 40 50 60 70 80
Grfico Box-Plot
10 20 30 40 50 60 70 80
Grficos para dados com uma classificao uma ferramenta muito til
na nalise exploratria de dados. Considere a questo n 1 da 1 Lista de
exerccios, apresentada ao final da Aula 1. Nesta questo solicitado a
construo do grfico de barras para cada tipo de comida. O script no R para
construir estes grficos :
Estatstica Experimental
16
arrows(bar.moscas,m.moscas-sd.moscas,
bar.moscas,m.moscas+sd.moscas, length=0.1, angle=90, code=3)
4.ESTATSTICA EXPERIMENTAL
Estatstica Experimental
17
4.1 INTRODUO
Numa pesquisa cientfica o procedimento geral formular hipteses e
verific-las diretamente ou por suas conseqncias. Para isto necessrio um
conjunto de observaes e o planejamento de experimentos ento essencial
para indicar o esquema sob o qual as hipteses possam ser verificadas com a
utilizao de mtodos de anlise estatstica que dependem da maneira sob a
qual as observaes foram obtidas. Portanto, planejamento de experimentos e
anlises dos resultados esto intimamente ligados e devem ser utilizados em
uma seqncia nas pesquisas cientficas das diversas reas do conhecimento.
Isto pode ser visto por meio da seguinte representao grfica da circularidade
do mtodo cientfico.
(2)
Observaes
(1) (3)
Formulao de Hipteses Verificao das Hipteses formuladas
(4)
Desenvolvimento da Teoria
Fica evidente nesta ilustrao que as tcnicas de planejamento devem
ser utilizadas entre as etapas (1) e (2) e os mtodos de anlise estatstica
devem ser utilizados na etapa (3).
Desenvolvendo um pouco mais est idia podemos dizer que uma
pesquisa cientfica estatisticamente planejada consiste nas seguintes etapas:
1. Enunciado do problema.
Como vimos uma pesquisa cientfica se inicia sempre com a formulao
de hipteses. Essas hipteses so primeiramente formuladas em termos
cientficos dentro da rea de estudo (hiptese cientfica) e em seguida em
termos estatsticos (hiptese estatstica) . Deve haver uma correspondncia
perfeita entre as hipteses cientfica e estatstica para evitar ambigidade.
Portanto, no enunciado do problema, a hiptese cientfica deve ser
formulada de maneira precisa e objetiva.
Estatstica Experimental
18
Estatstica Experimental
19
Aleatorizao
Aleatorizao a designao dos tratamentos s unidades
experimentais, tal que estas tm a mesma chance (mesma probabilidade) de
receber um tratamento. Sua funo assegurar estimativas no-viesadas das
mdias dos tratamentos e do erro experimental. Nesta fase do planejamento de
um experimento j sabemos quais fatores sero estudados e o nmero de
nveis de cada fator que estaro presentes no experimento. Sabemos ainda
qual a unidade experimental escolhida e a varivel dependente. Podemos
imaginar que de um lado temos um conjunto
Estatstica Experimental
20
n
i 1
i n.
Estatstica Experimental
21
Trat. Repeties
T1 u4 u5 u7 u10 u17 u8
T2 u16 u3 u2 u14 u11 u13
T3 u9 u1 u18 u6 u15 u12
Estatstica Experimental
22
Repetio
Repetio significa que o mesmo tratamento aplicado sobre duas ou
mais unidades experimentais. Sua funo fornecer uma estimativa do erro
experimental e dar uma medida mais precisa dos efeitos dos tratamentos. O
nmero de repeties requeridas em um particular experimento depende da
magnitude das diferenas que o pesquisador deseja testar e da variabilidade
da varivel dependente em que se esta trabalhando.
Estatstica Experimental
23
4 4 4
(f)
i
1
xi 2
(g)
i
(x i
1
2
2) (h)
i
(x i
1
2
4x i 4 )
3) Uma observao qualquer do conjunto de dados abaixo pode ser representada por yij ,
com o ndice i=1, 2, 3 controlando as linhas e j=1, 2, 3, 4, 5, 6 controlando as colunas.
Por exemplo, y23 = 100. Calcule as seguintes expresses (fazendo o desdobramento):
2
3 6 3 6 3 6 3 6
a) yi 2 b) y 2j c) y ij d) y ij 2
e) y ij
i 1 j
1 i j
1 1 i j
1 1 i 1 j 1
C1 C2 C3 C4 C5 C6
L1 550 950 950 750 650 700
L2 350 500 100 550 350 350
L3 600 450 150 500 100 250
4) Os dados a seguir referem-se ao nvel de glicose em sangue de 10 ces
56 62 63 65 65 65 65 68 70 72
Calcule manualmente e depois utilize o R para calcular: a) mdia; b) a mediana; c) mnimo e
mximo; d) os quartis Q1 e Q3. Construa o histograma e grfico tipo Box Plot. Comente a
respeito da disperso dos dados.
7) Determinaes de acar no sangue ( mg/ 100ml ) foram feitas em 5 raas de animais
experimentais, sendo 10 amostras por raa. Os resultados foram:
Raas
A B C D E
124 111 117 104 142
116 101 142 128 139
101 130 121 130 133
118 108 123 103 120
118 127 121 121 127
120 129 148 119 149
110 122 141 106 150
127 103 122 107 149
106 122 139 107 120
130 127 125 115 116
Estatstica Experimental
24
Utilize o R para calcular para cada raa: a) mdia; b) a mediana; c) desvio padro;
d) o erro padro; e) mnimo e mximo; f) os quartis Q1 e Q3. Construa o histograma, o
grfico tipo Box-Plot e o grfico de barras para cada raa. Comente a respeito da disperso
dos dados em cada raa.
Somatrio e Algebrismo
c) Seja Y a varivel tempo de recuperao da anestesia de tilpias, com 10 observaes:
7 yi
7
2
a) yi b) i1
c) Quadrado da Soma y i ;
i1 7 i 1
7 7
d) Soma de Quadrados y i2 ;
i 1
e) Suponha k = 15, calcule
i
ky i ;
1
f) Considerando-se Y como uma constante, desenvolva algebricamente o seguinte quadrado:
n
n yi
i
(y i
1
y )
2
, lembre-se que y i 1
n
1 n
g) Reescreva a expresso s
2
(y y )
n 1 i 1 i
2
em funo do desenvolvimento do item f.
Estatstica Experimental
25
AMOSTRAGEM
x
MDIA MDIA
POPULACIONAL AMOSTRAL
INFERNCIA ESTATSTICA
POPULAO AMOSTRA
Estatstica Experimental
26
(y i y)
2
(9 1)
(s ... s 52 )
2
Estime 2 por meio da frmula s 2 1
, a qual uma
5
mdia das varincias das amostras e ser denominada de
variabilidade dentro das amostras ( s D2 ).
Estime a varincia populacional das mdias y2 , por meio das
5
(y i2
y )
2
5 1
De s ,2
y estime novamente 2, usando a relao
s2
s y2 , ou s 2 rs y2 , denominada de variabilidade entre as
r
amostras ( s E2 ).
Estatstica Experimental
27
s E2
Calcule Fc 2
sD
A estimativa de s E2 do numerador foi feita com base em n - 1 = 4 graus
de liberdade (n o nmero de amostras) e a estimativa de s D2 do denominador
foi feita com base em n(r 1) = 5(9-1) = 40. A repetio deste procedimento
amostral muitas vezes gera uma populao de valores de F, os quais quando
colocados em um grfico de distribuio de freqncia tem o seguinte formato
Distribuio F(4,40,0.05)
0.7
0.6
0.5
2,61
Probabilidade
0.4
0.3
95% 5%
0.2
0.1
0.0
0 1 2 3 4
Estatstica Experimental
28
0.4
2,61
0.3
0.2
95% 5%
0.1
0.0
0 1 2 3 4
Estatstica Experimental
29
Soluo:
As varincias amostrais so s12 852,9333 e s22 398,2424 ,
respectivamente.
Suposies: Os dados constituem amostras aleatrias
independentes retiradas, cada uma, de uma populao com
distribuio normal. (Esta a suposio geral que deve ser
encontrada para que o teste seja vlido).
Hipteses estatsticas
H 0 : 12 22
H 1 : 12 22
Clculo do Teste Estatstico
s12 852,9333
Fc 2,1417
s 22 398,2424
Distribuio do Teste Estatstico: quando H0 verdadeira a
estatstica F tem distribuio F com n1 1 e n2 1 graus de
liberdade, ou seja, F(9,11, 0,05 ).
Regra de Deciso: fazendo 5% , o valor crtico de
F(9,11, 0,05 ) 2,896 , ento, rejeita-se H0 se Fc 2,896 . A ilustrao
grfica desta regra de deciso mostrada a seguir,
Distribuio F(4,40,0.05)
0.7
0.6
0.5
Probabilidade
0.4
2,1417
0.3
2,896
0.2
0.1
0.0
0 1 2 3 4
Estatstica Experimental
30
# calculo da estatstica F
fc<-v.y1/v.y2
fc
# valor tabelado
ft
# grfico da distribuio
xv<-seq(0,4,0.01) # gerando uma sequncia de nmeros de 0 a 4
yv<-df(xv,4,40) # gerando os valores de
# distr. F(4,40) com a sequencia xv
plot(xv,yv,type="l",main="Distribuio F(4,40,0.05)",
ylab="Probabilidade",xlab="",lwd=3) # grfico da distribuio F
fcr=qf(0.95,4,40);fcr # valor crtico para alfa=5%
lines(c(fcr,fcr),c(0,0.6),
col=2,lwd=2,pch=2) # linha sinalizando o valor crtico
# preenchimento da rea sob a curva acima do valor crtico
polygon(c(xv1[xv1>=2.605975],2.605975),
c(yv1[xv1>=2.60975],yv1[xv1==4]),col="red")
4 Anlise de varincia
Embora o teste F possa ser aplicado independentemente, a sua maior
aplicao na anlise de varincia dos Delineamentos Experimentais. Vamos
considerar os seguintes dados de Delineamento Inteiramente Casualizado,
(DIC).
Repeties
Tratamentos 1 2 3 4
A 12,4 15,2 14,3 12,6 e2
B 13,2 16,2 14,8 12,9
C 12,1 11,3 10,8 11,4
D 10,9 9,8 9,4 8,3
e2 T2
Dentro de um mesmo tratamento o valor observado nas diferentes
repeties no o mesmo, pois estes valores esto sujeitos variao ao
Estatstica Experimental
31
Entre k-1 k
y (y ) 2 2 S .Q .Trat . Q .M .Trat .
i 1 r
kr
i
k 1 Q .M . Re s .
Dentro n-k k r k
(y i )
2
S .Q .Re s .
i
1j
y ij
i1
2
1 r kr k
Total n-1 k r
(y )2
i j
y ij
1 1
2
kr
5 Teste t Student.
Considere uma outra retirada de amostras repetidas de um determinado
tamanho, por exemplo, r = 5 de uma populao normal. Para cada amostra
calcule a mdia y o desvio padro, s , o erro padro da mdia s y e uma outra
estatstica
y
tc
sy
Graficamente temos
Populao Normal
0.4
0.3
Probabilidade
0.2
0.1
0.0
-3 -2 -1 0 1 2 3
Estatstica Experimental
32
(y i y)
2
s2 y
amostra 1 s 12 ;s y 1 1 ; t 1 1
5 1 5 s y1
amostra 2 .......... .......... .......... .......... .......... .........
(y i y)
2
s2 y
amostra m s m2 ;s y m 1 ; t m 1
5 1 5 s y1
Organizando estes milhares de valores da estatstica t em distribuio
de freqncia. Esta distribuio de freqncia tem a seguinte forma
0.3 Distribuio t-student com 4 graus de liberdade
Probabilidade
0.2
rea 95%
0.1
-3 -2 -1 0 1 2 3 rea 2,5%
rea 2,5%
Estatstica Experimental
33
(r1 1) (r 2 1)
Clculos:
Suposies: os dados constituem duas amostras independentes,
cada uma, retirada de uma populao normal. As varincias
populacionais so desconhecidas e assumidas iguais;
H : 2
Hipteses: 0 1 ;
H 1 : 1 2
(y y 2 ) (1 2 )
Teste estatstico: t c 1 ;
s p s p2
2
r1 r 2
Estatstica Experimental
34
t c 2,030 ;
Clculo do teste estatstico: primeiro o clculo da varincia amostral
2 2
14(40 ) 21
(35 )
s p2 1375 e
14 21
(120 96 )0 24
tc 1,93
1375 1375 12,42
15 22
Deciso estatstica: no se rejeita H0, visto que
- 2,030 1,88 2,030 , ou seja, 1,88 est na regio de no rejeio;
Concluso: com base nestes dados no podemos concluir que as
mdias das duas populaes so diferentes. Neste teste o nvel
mnimo de significncia do teste p= 0,069 (p>0,05).
Script no R para resolver o exemplo acima
# definio das mdias, dos desvio padres e do tamanho das amostras
m.y1<-120;m.y2<-96;sd.y1<-40;sd.y2<-35;n.y1<-15;n.y2<-22
# calculo da estatistica t
tc<-(m.y1-m.y2)/sqrt(v.pool/n.y1+v.pool/n.y2)
tc
# valor de t tabelado a 5% e 35 graus de liberdade
alfa<-0.05
t.tab <- qt(1-alfa/2,35)
t.tab
Estatstica Experimental
35
2- Em um estudo, a seguintes contagens de linfcitos foi obtido em vacas de dois anos da raa
Holstein e de vacas de dois anos da raa Guernseys. Os resultados esto na Tabela abaixo:
Holstein 5166 6080 7290 7031 6700 8908 4214 5135 5002
4900 8043 6205 3800
Guernseys 6310 6295 4497 5182 4273 6591 6425 4600 5407
5509
Calcular:
a)- a mdia geral, um grfico de barras, um grfico boxplot para cada raa, a mdia de cada
raa, a varincia amostral e o desvio-padro de cada raa;
b)- declare as suposies sob as quais o teste t student, para amostras independentes, pode
ser aplicado;
c)- teste se as varincias das duas populaes so iguais. (Teste F)
d)- em funo do resultado do teste do item c) podemos concluir que a contagem de linfcitos
nas duas raas diferem assumindo que as varincias so desconhecidas e iguais? Considere
5% .
3- Retirou-se 5 amostras de tamanho 5 de uma populao N( , 2). Para cada amostra foi
aplicado um antiparasitrio (tratamentos). Em seguida os pesos dos animais foram analisados
para cada tratamento. Teste se existe efeito de antiparasitrio no peso dos animais, ou seja,
teste a hiptese estatstica,
H 0 1 2 ... 5
H 1 i j para i j
Os tratamentos (antiparasitrios) e os pesos, em quilogramas, dos animais esto dados na
tabela abaixo:
Tratamentos
Neguvon Methiridim TH Haloxon Controle
330 315 298 286 279
314 304 289 273 240
331 307 273 269 266
311 320 240 278 269
320 305 121 274 250
(Mdia) ( y j )
(Varincia) S i
2
(Desvio padro) S i
Roteiro dos clculos:
a)- Faa uma estimativa da 2 atravs de:
5
s 12 s 22 ... s 52 (y j y)
2
s D2 e de s E2 rs y2 , sendo s y2 i
1
5 5 1
Estatstica Experimental
36
s E2
Calcule a estatstica F 2 e compare com o valor terico da distribuio F a 5%, sendo SD
sD
= varincia dentro dos tratamentos e SE = varincia entre os tratamentos.
Estatstica Experimental
37
33
Estatstica Experimental
38
r i i
i1
, com i a mdia populacional do i-simo tratamento;
N
Estatstica Experimental
39
3
1
1 2 3
5 Hipteses estatsticas
A Hiptese geral :
H0 : 1 2 ... k 0 ,
ou seja, vamos testar a no existncia de efeito do fator (tratamento).
Estatstica Experimental
40
(y ij y )
(y ij y i )
(y i y )
,
a qual diz que a a variao de uma observaes em relao mdia geral
amostral igual soma variao desta observao em relao mdia de
seu grupo com a variao da mdia do i-simo tratamento em que se encontra
esta observao em relao mdia geral amostral . Elevando-se ao
quadrado os dois membros da identidade acima e somando em relao aos
ndices i e j, obtemos:
k ri k ri k
( y
i 1 j 1
ij y ) ( yij yi ) ri ( yi y )2 ,
2
i 1 j 1
2
i 1
os duplos produtos so nulos.
O termo
k ri
i j
(y ij y
1 1
2
) ,
( y
i 1 j 1
ij y ) 0 .
A componente:
k ri
i j
(y ij y i
1 1
)
,
j
(y ij y i
1
2
)
i
1
(ri kr k N k .
1)
k
A componente
i
1
r(
i yi y )
2
, mede a variabilidade entre as mdias
Estatstica Experimental
41
i
r(
1
i yi y )
0,
6 Quadrados mdios
Dividindo a SQR e SQTr pelos seus correspondentes graus de
liberdade, obtemos, respectivamente o Quadrado Mdio Residual (QMR) e o
Quadrado Mdio Entre Tratamentos (QMTr), isto ,
SQR SQTr
QMR e QMTr
N k k 1
Estatstica Experimental
42
Y i 2 (Y )
ri 2 SQTr QMTr
QMTr
Tratamentos (Entre) k-1
i 1 ri N k 1 QMR
k r k
(Y i )
2 SQR
Yij2 QMR
Resduo (dentro dos trat.) N-k
i 1 j 1 i 1 r N k
k r
(Y )
2
Estatstica Experimental
43
Estatstica Experimental
44
boxplot(insulina~trat, vertical=T,ylab="Quantidade de
insulina",col="green")
Estatstica Experimental
45
# requerendo o ExpDes
require(ExpDes)
Estatstica Experimental
46
ExpDes::ExpDes-package/
Index/
Documentation for package ExpDes version 1.1.2/ExpDes-package/
crd
Onde aparecer a explicao
crd(treat,resp,quali=TRUE,mcomp="tukey",sigT=0.05,sigF=0.05)
sendo:
treat Vetor numeric contendo os tratamentos;
resp Vetor numeric contendo a varivel resposta;
quali Logico. Se TRUE (default), os tratamentos so assumidos qualitativos, se
FALSE, quantitativos;
mcomp Permite a escolha do teste de comparao mltiplo; o default o teste de
Tukey, entretanto, as optes so: o teste LSD ('lsd'), o teste LSD com a
proteo de Bonferroni ('lsdb'), o teste de Duncan ('duncan'), o teste de
Student-Newman-Keuls ('snk'), o teste de Scott-Knott ('sk') e o teste de
comparao mltipla bootstrap ('ccboot');
sigT A significncia a ser usada para o teste de comparao mltipla; o default
5%;
sigF A significncia a ser usada no teste F da ANOVA; o default 5%,
11 Exemplo 2
Em um experimento em que se mediu o peso corporal (kg), 19 porcos
foram distribudos aleatoriamente a 4 grupos. Cada grupo foi alimentado com
dietas diferentes. Deseja-se testar se oos pesos dos porcos so os mesmos
para as 4 dietas.
Desejamos testar a hiptese nula
H 0 : 1 2 3 4
H1 : i j para pelo menos um par i j
As observaes obtidas foram:
Tratamento Repeties
1 2 3 4 5
Dieta 1 60,8 57,7 65,0 58,6 61,7
Dieta 2 68,7 67,7 74,0 66,3 69,8
Dieta 3 102,6 102,1 100,2 96,5 *
Dieta 4 87,9 84,2 83,1 85,7 90,3
Estatstica Experimental
47
Estatstica Experimental
48
n.trat<-levels(trat)
n.trat
Estatstica Experimental
49
-------------------------------------------------------------------------------
Analysis of Variance Table
-------------------------------------------------------------------------------
DF SS MS Fc Pr>Fc
Treatament 3 4202.1 1400.69 169.88 8.4501e-12
Residuals 15 123.7 8.24
Total 18 4325.7
--------------------------------------------------------------------------------
CV = 3.68 %
i j
1
(y ij y ij ),
1
2
Estatstica Experimental
50
k
em relao a e i , i=1, 2, ...k, sujeito a restrio
i
ri i
1
0 . Assim
Estatstica Experimental
51
IC( i , 95%) (58,02; 63,48) (66,56; 72,04) (97,29; 103,41) (83,50; 88,98)
Problema: identificar quais as Dietas (tratamentos) que tiveram efeitos
no nulos sobre o peso dos sunos.
Estatstica Experimental
52
Estatstica Experimental
53
# clculo do R2
r2 <- sqtr/(sqtr+sqr)*100
r2
Estatstica Experimental
54
Estatstica Experimental
55
Estatstica Experimental
56
data: res
W = 0.8796, p-value = 0.08657.
No resultado fornecido pelo R e pelo valor de p (p=0,08657) associado a
estatstica W=0,8796 do teste de Shapiro-Wilks, no rejeitamos H 0 , logo
razovel supor a normalidade para os dados de liberao de insulina. O teste
de Bartlett testa as hipteses
H 0 : 12 22 32
,
H1 : i2 2j i j
ou seja, a homogeneidade das varincias dos tratamentos.
O script no R que fornece este teste
Estatstica Experimental
57
15 Resumo
O DIC mais til onde no existe nenhuma fonte de variao
identificvel entre as unidades experimentais, exceto s dos efeitos dos
tratamentos. o mais flexvel com respeito ao arranjo fsico das unidades
experimentais. Ele maximiza os graus de liberdade para a estimao da
varincia por unidade experimental (erro experimental ou erro residual) e
minimiza o valor da estatstica F requerida para a significncia estatstica.
Estatstica Experimental
58
Estatstica Experimental
59
(d) Com base nos resultados do teste F da anova faa as concluses pertinentes
sobre as hipteses do item (b).
(e) Calcular os intervalos de confiana das mdias dos tratamentos IC(i ; 95%).
Apresente os resultados. (Siga o modelo tabela pg 42 da apostila).
Estatstica Experimental
60
Estatstica Experimental
61
Total 19 1923,75
2 Definies bsicas
Consideremos um experimento com k tratamentos, cujas mdias
populacionais so 1 , 2 ,..., K e seus estimadores y 1 , y 2 ,..., y k foram obtidas
de amostras de tamanhos r1, r2, ..., rK.
Estatstica Experimental
62
k
a i bi
Definio 2 Dizemos que dois contrastes so ortogonais se
i1 r i
0
ri
i 1
ci 2
ri
e um estimador no
QMR
Y )(c 2 c 2 c 2 )
n
QMR
viesado dado por V( 1 2 n
ri
i 1
c i2
ri
,
Estatstica Experimental
63
Contraste 1 2 3 4
Y1 +1 +1 -1
-1
Y2 +1 -1 0 0
Y3 0 0 +1 -1
Estatstica Experimental
64
Contraste 1 2 3 4 4
tc
YI
c
I 1
2
i
Estatstica Experimental
65
4 Teste de Scheff
O teste de Scheff pode testar qualquer contraste envolvendo
mdias de tratamentos do tipo Y c1 1 c 2 2 ... c k k definido a priori ou
no, sendo baseado na estatstica S, definida como:
ri r para todo i (Experimento balanceado) ri r j para i j (Experimento desbalanceado)
S (k 1) Y )
F(k 1, gl res , )V( k
c i2
F(k 1, gl res , )QMR
i
S (k 1) ;
c i2 i 1 ri
k
F(k 1, gl res , )QMR
(k 1) ;
i 1 r
Estatstica Experimental
66
Contraste 1 2 3 4 4 S
YI
I
ci
1
2
Y1 +3 -1 -1 -1 -0,41 12 0,3733 *
Y2 0 +2 -1 -1 0,22 6 0,2640 *
Y3 0 0 +1 -1 -0,18 2 0,1524 ns
* significativo a 5%; ns no significativo a 5%.
H 0 :Y i 0
O objetivo testar a hiptese , para i = 1,2,3.
H 1 :Y i 0
Assim, para o contraste Y1 , temos que:
H 0 :Y1 0
H 1 :Y1 0
Y1 3(2,03 )
(2,24 )
(2,04 )(2,22 ) 0,41 e
QMR 4
0,0044375
Y1 )
V( ci 2
12 0,0133
r i1 4
0,0044375
S (4 1)
F(3,12, 0,05 ) 2
((3 ) 12 12 12 )
4
0,0044375
(4 1)(3,49 )( )(12 ) 0,1394 0,3733
4
Pela regra de deciso Yi S , logo rejeitamos H0 a 5% de
probabilidade e conclumos que a rao comercial com milho tem
uma converso alimentar melhor do que a que a rao comercial
com sorgo.
O script no R para o clculo da estatstica de Scheff
Estatstica Experimental
67
5 Teste de Tukey
O Teste de Tukey baseado na amplitude total estudentizada
(studentized range) e pode ser usado para comparar todo contraste entre duas
mdias de tratamentos do tipo
H 0 :Yi i j 0 para i j
Hipteses:
H 1 :Yi i j 0
Calcular o valor da diferena mnima significativa (d.m.s):
QMR 1 1
balanceado)
Estatstica Experimental
68
Estimativa do contraste
Y1 y B y A 39 26 13 ns
Y2 yC y A 32 26 6 ns
Y3 y D y A 22 26 4 ns
Y4 y B yC 39 32 7 ns
Y5 y B y D 39 22 17 *
Y6 yC y D 32 22 10 ns
* - significativo a 5%; ns no significativo a 5%
Script no R para o clculo da anova e o teste de Tukey
# entrando com os dados de ganho de peso
gp <- c(35,19,31,15,30,
40,35,46,41,33,
39,27,20,29,45,
27,12,13,28,30)
# Grfico Box-Plot
boxplot(gp~trat, vertical=T,ylab="ganho de peso",col="green")
# obtendo os residuos
residuo <- aov(gp.av)$res
residuo
Estatstica Experimental
69
# Teste de Tukey
compara.tu <- TukeyHSD(gp.av)
compara.tu
30
25
20
15
A B C D
0
-5
-10
-2 -1 0 1 2
Quantis tericos
Estatstica Experimental
70
* mdias seguidas pela mesma linha no diferem entre si pelo teste de Tukey a 5% de probabilidade .
ou ainda,
Tratamentos Mdias
D 22 a
A 26 ab
C 32 ab
B 39 b
mdias seguidas pela mesma letra minscula nas colunas no
diferem entre si pelo teste de Tukey a 5% de probabilidade.
Estatstica Experimental
71
6 Teste de Dunnet
um teste utilizado no qual as nicas comparaes de interesse so
aquelas entre os tratamentos e um determinado tratamento padro, geralmente
a testemunha (controle), e cada um dos demais tratamentos, no havendo
interesse na comparao dos demais tratamentos entre si. Para testarmos o
contraste H0 : i c , o qual envolve a mdia do tratamento i e do
tratamento controle c, usamos a estatstica:
1 1
D d(k , gl res , )( )QMR ,
ri rc
sendo: d( k , gl res , ) o valor tabelado para fixado freqentemente em 5%, que
depende do nmero total de tratamentos (k), do nmero de graus de liberdade
do resduo (gl res), o qual neste exemplo (n-k) e de ; ri e rc correspondem
ao nmero de repeties dos tratamentos i e c. A seguir, calculamos uma
estimativa para cada um dos contrastes Yi y i y c e comparamos o valor da
estatstica D' e aplicamos a seguinte regra de deciso:
se Yi D rejeitamos H0 e conclumos que a mdia do tratamento
i difere significativamente da mdia do tratamento c o padro;
se Yi D no rejeitamos H0 e conclumos que a mdia do
tratamento i igual ao do tratamento padro c.
Como exemplo, considere as mdias de um experimento, apresentados
na tabela abaixo, em que um mdico veterinrio, comparou o efeito de cinco
Estatstica Experimental
72
A verificao destes resultados pode ser feita por meio dos resultados
da ANOVA, onde QMR= 36, os graus de liberdade do resduo 24 e vamos
fixar 5% .
Procedimentos:
consultando a Tabela do Teste de Dunnett (VIEIRA, S. pg 183 e
184) a 5% de probabilidade, temos que d ( 6 , 24 , 0 ,05 ) 2 ,76 e a
2(36 )
estatstica D 2,76 10,47
5
fcil verificar que as drogas A, D e E diferem significativamente
do controle, ou seja, apresentam resultados melhores que os do
controle.
O teste de Dunnett no R est implementado no pacote multcomp. Um
exemplo de sua utilizao para os dados do exemplo 1 desta aula,
considerando o tratamento A como controle, dado pelo script abaixo
# teste de Dunnett
gp.dunnett <- glht(gp.av, linfct = mcp(trat = "Dunnett"))
summary(gp.dunnett)
Estatstica Experimental
73
7 Teste de Duncan
A aplicao do teste de Duncan bem mais trabalhosa que o teste de
Tukey, mas chega-se a resultados mais detalhados e se discrimina com mais
facilidade entre os tratamentos. Geralmente, o Teste de Duncan indica
resultados significativos em casos em que o Teste de Tukey no permite obter
significncia estatstica. Para a aplicao do teste importante ordenarmos as
mdias dos tratamentos em ordem crescente ou decrescente de tamanho. A
seguir, calculamos o valor da amplitude total mnima significativa (shortest
significant range) para o contraste entre a maior e a menor das mdias dos
tratamentos, usando a frmula:
QMR
d .m .s . z(p , gl res , ) ,
r
sendo: p=i-j+1 ( n de mdias abrangidas pelo intervalo delimitado pelas
mdias comparadas), z( p, gl res , ) o nvel da amplitude mnima estudentizada
de Duncan (obtido da Tabela de Duncan arquivo Tab_Duncan_5%.pdf), neste
exemplo os graus de liberdade do resduo n-k.
A regra de deciso :
se Yi d .m .s . rejeita-se H0 , ou seja, se o valor absoluto da
diferena entre as mdias em comparao igual ou maior que a
d.m.s.
se Yi d .m .s . no rejeitamos H0
Considere os dados do item 6 desta aula. A ordem dos tratamentos,
segundo a grandeza das mdias, :
Tratamentos Controle B C E A D
Mdias (2) (8) (10) (13) (21) (29)
Estatstica Experimental
74
Y2 2 21 19 e Y 3 8 29 21 e o valor da
36
d .m .s . 3,226 8,66 . Neste caso z(5, 24, 0,05 ) 3,226 ,
5
portanto, rejeitamos as hipteses
H 0 :Y2 Cont A 0 e H 0 :Y3 B D 0 e conclumos que
estes contrastes so significativos a 5% de probabilidade.
Tratamentos Controle B C E A D
mdias (2)a (8)ab (10)ab (13)b (21)c (29)d
Mdias seguidas pela mesma letra minscula no diferem entre si pelo teste de Duncan a 5% de
probabilidade.
Estatstica Experimental
75
p-value: 0.2270063
According to Shapiro-Wilk normality test at 5% of significance, residuals can be
considered normal.
------------------------------------------------------------------------
Duncan's test
------------------------------------------------------------------------
Groups Treatments Means
a B 39
ab C 32
b A 26
b D 22
------------------------------------------------------------------------
Concluso (somente para o teste de Duncan): O tratamento B difere
significativamente dos tratamentos A e D. Reparem que o teste de Duncan
indicou uma diferena a mais, entre os tratamentos B e A, a qual no foi
indicada pelo teste de Tukey.
A funo crd( ) do pacote ExpDes fornece outras opes de testes de
comparaes mltiplas para serem colocadas no comando mcomp = " ". O
teste default o teste de Tukey ("tukey"). As outras opes so o teste LSD
equivalente ao teste t-student ("lsd"); o teste LSD com proteo Bonferroni
("lsdb"); o teste de Duncan ("duncan"); o teste de Student-Newman-Kews
("snk") e o teste de Scott-Knott ("sk").
# teste de Tukey
compara.tukey <- HSD.test(gp.av,"trat")
# grfico de barras das mdias com as letras segundo com o teste de Tukey
bar.group(compara.tukey,main="Teste de Tukey", ylim=c(0,50),
xlab="Tratamentos (Raes)")
Estatstica Experimental
76
# teste de Duncan
compara.duncan <- duncan.test(gp.av,"trat")
# teste de Scheff
compara.scheffe <- scheffe.test(gp.av,"trat")
a
40
ab
30
ab
b
20
10
0
B C A D
Tratamentos (Raes)
Estatstica Experimental
77
Critical Range
2 3 4
11.11688 11.65753 11.99550
a
40
ab
30
b
b
20
10
0
B C A D
Tratamentos (Raes)
Estatstica Experimental
78
Teste de Scheff
50
a
40
ab
30
ab
b
20
10
0
B C A D
Tratamentos (Raes)
Estatstica Experimental
79
Trat.(extratos)
Ces Totais Mdias si
(Controle) A 74,0 71,0 73,0 79,0 68,0
B 99,0 91,0 94,0 101,0 97,0
C 100,0 95,0 97,0 99,0 98,0
D 78,0 74,0 75,0 86,0 72,0
Total Geral
(a) Escreva o script da linguagem R para ler os dados da tabela acima e calcular os totais dos
tratamentos, as mdias dos tratamentos, os desvios padres dos tratamentos, o total geral,
e a mdia geral. Apresente os resultados na mesma tabela acima.
(b) Escrever o modelo matemtico do experimento, estabelecer as hipteses estatsticas H0 e
H1 e as suposies bsicas para se testar estas hipteses.
(c) Escreva o script para os clculos do quadro da anlise de varincia e apresente monte o
quadro da anova. Apresente as concluses.
(d) Aplique o teste de Tukey para comparar as mdias 2 a 2. Apresente um quadro e um
grfico de barras das mdias juntamente com as letras explicando as diferenas. Tire as
concluses.
(e) Aplique o teste de Duncan para comparar as mdias 2 a 2. Apresente um quadro e um
grfico de barras das mdias juntamente com as letras explicando as diferenas. Tire as
concluses.
(f) Aplique o teste de Dunnett para comparar as mdias com o controle A. Comente os
resultados.
A reduo na presso sangnea (mm Hg) em um perodo de quatro semanas observadas em ces
experimentais est tabulada abaixo:
Tratamentos Repetio
1 2 3 4 Total Mdia
T1 27 26 21 26
T2 19 13 15 16
T3 15 10 10 11
T4 22 15 21 18
T5 20 18 17 16
Pede-se:
a) A anlise de varincia para testar a hiptese geral de igualdade das mdias dos tratamentos;
b) Aplique os testes t-student e Scheff nos contrates abaixo:
b.1 Existe efeito das drogas combinadas (T2 T3 T4 T5 ) na RPS?.
b.2 Existe diferena entre os efeitos mdios das doses baixa e alta da droga Y?.
b.3 Existe diferena entre a resposta mdia esperada das duas doses de X?.
(extrado de Statistical Research Methods in the Life Science, P. V. Rao, pg. 327).
Estatstica Experimental
80
Estatstica Experimental
81
Estatstica Experimental
82
Contraste Y1 Y2 Y3 Y4 Y5
Y1 4 -1 -1 -1 -1
Y2 0 +1 +1 -1 -1
Y3 0 +1 -1 0 0
Y4 0 0 0 +1 -1
Usando a frmula definida acima para o clculo da soma de quadrados
dos contrastes temos:
1) rc vs demais.
Y1 4(21,0 )
27,1 26,6 22,1 25,6 17,6 cm
5
i
ci
1
2 2
(4 ) 2
(1) 2
(1) 2
(1) 2
(1) 20
(Y1 )
2 2
(17,4 )
S .Q .(Y1 )
5
3,78
4(20 )
r ci
1
2
F( 4 ,15 ; 0 ,05 ) 3 ,06 ; F( 4 ,15 ; 0 ,01 ) 4 ,89; F( 1,15 ; 0 ,05 ) 4 ,54 e F( 1,15 ; 0 ,05 ) 8 ,68
Concluses:
rc vs demais o contraste significativo (p<0,01) e pelo resultado
do contraste devemos utilizar rce ou rceB12, ou ainda, rcfo ou
rcfoB12, quando comparada com a rc.
rce vs rcfo o contraste significativo (p<0,05) e pelo resultado
do contraste verificamos que rce tem um efeito superior no
crescimento dos alevinos, quando comparada com rcfo.
rce vs rceB12 - o contraste no significativo (p>0,05), portanto o
acrscimo de vitamina B12 rce (rceB12) no afeta
significativamente, o crescimento dos alevinos, quando comparada
com a rce.
rcfo vs rcfoB12 o contraste significativo (p<0,05) e pelo
resultado do contraste devemos adicionar vitamina B12 rao
comum com farinha de osso,quando comparada com a rcfo.
Script no R para os clculos descritos acima
# entrando com o nmero de repeties
r <- 4
Estatstica Experimental
83
# Definio do contraste
c <- c(4,-1,-1,-1,-1) # contraste rc vs demais
# Clculo da estatstica F
fc <- sqy/qmr
fc
# Clculo do valor de p associado estatstica fc
valor.p <- 1-pf(fc,1,glr)
valor.p
Para obter os resultados referentes aos outros contrastes basta
substituir o objeto c na linha # Definio do contraste pelo contraste
correspondente definido abaixo e executar todo o script novamente
Estatstica Experimental
84
Estatstica Experimental
85
H 0 : 1 2 3 4
H1 : pelo menos duas mdias
I c I2 20 4 20
YLinear (3 )
T1 (1)
T2 (1)
T3 (3 )
T4
(3 )(26,20 )
(1)(27,50 )
(1)(34,50 )
(3 )(40,00 )
48,40
2
(48,40 )
S .Q .(YLinear )
29,28
(4 )(20 )
(A obteno das SQ dos efeitos quadrticos e cbicos so deixados como exerccio)
Estatstica Experimental
86
k X i Yi
X iY i i 1
k
i 1
b i1
k e a Y b X ,
k ( X i )
2
X i i 1
i 1
2
k
sendo: b e a , os estimadores de mnimos quadrados de b e a,
respectivamente, xi = 0, 10, 20 e 30 as doses de vitamina B12; y i = 6,55, 6,80,
8,63 e 10,00 so os comprimentos mdios dos alevinos, para i = 1, 2, 3, 4.
Utilizando essas frmulas, obtemos a equao
Y 6 ,168 0 ,122 X
Script no R para os clculos acima
# entrando com o nmero de repeties
r <- 4
Estatstica Experimental
87
qmr
# Definio do contraste
c <- c(-3,-1,1,3) # efeito linear
# calculo da estatstica F
fc <- sqy/qmr
fc
Este quadro da anova pode ser obtido facilmente com o pacote gmodels.
No h necessidade de instalar o pacote gmodels novamente, dado que ele j
foi instalado no script anterior. Basta requer-lo.
Script no R utilizando o pacote gmodels
# requerendo o pacote para o ambiente R
require(gmodels)
Estatstica Experimental
88
Estatstica Experimental
89
Estatstica Experimental
90
F.V. GL S. Q. Q. M. F Vapor de p
Tratamentos 0,2266
Y1
Y2
Y3
Resduo
Total 0,3426
c) Apresente as concluses destes testes.
d) Calcular R2 e o C.V. deste experimento e concluir.
3- Num experimento inteiramente casualizado, com 5 tratamentos e 6 repeties, estudou-se o
efeito da infestao de ovinos e caprinos por larvas de Gaigeria pachyscelis (Nematoda:
Ancylostomatoidea).
Os tratamentos aplicados foram:
T1 - infestao com 150 larvas por animal
T2 - infestao com 300 larvas por animal
T3 - infestao com 600 larvas por animal
T4 - infestao com 1200 larvas por animal
T5 - infestao com 2400 larvas por animal.
A anlise de varincia do nmero de semanas decorridas at a morte do animal
apresentou os seguintes resultados.
S.Q. Tratamentos = 5,7204
S.Q. Total =13,1829
Sabendo-se, tambm que as mdias do nmero de semanas, decorridas at a morte do
animal, por tratamento foram:
y 1 4,28 y 2 4,16 y3 = 3,55 y 4 = 3,22 y5 = 2,71
Pede-se:
a) Montar a anlise de varincia e concluir.
F.V. GL S. Q. Q. M. F Vapor de p
Tratamentos 5,7204
Resduo
Total 13,1829
b) Verificar pelo teste de Tukey, Duncan e Scheff ao nvel de 5% de probabilidade, quais
as mdias de tratamentos que esto diferindo significantemente entre si.
Estatstica Experimental
91
Estatstica Experimental
92
dentro de cada bloco. Deve-se ressaltar que cada tratamento aparece em cada
bloco, e todo bloco recebe todos os tratamentos. Quando se usa o DBC, o
objetivo isolar e remover do termo de erro (resduo) a variao atribuda ao
bloco, garantindo assim, que as mdias dos tratamentos esto livres do efeito
dos blocos. A efetividade deste delineamento depende da habilidade em se
obter blocos homogneos de unidades experimentais. A habilidade para formar
blocos homogneos depende do conhecimento que o pesquisador tem do
material experimental. Quando os blocos so usados adequadamente, o QMR
(quadrado mdio do resduo) no quadro da ANOVA ser reduzido, a estatstica
F aumentar, e a chance de se rejeitar H0 (hiptese de nulidade) ser maior.
Em experimentos com animais, quando suspeita-se que diferentes raas
de animais responder diferentemente ao mesmo tratamento, a raa do animal
pode ser usada como um fator a ser considerado na formao dos blocos. O
DBC pode, tambm, ser empregado efetivamente quando um experimento
deve ser conduzido em mais de um laboratrio (bloco) ou quando vrios dias
(blocos) so requeridos para a realizao do experimento. No DBC temos os
trs princpios bsicos da experimentao: repetio, casualizao e
controle local.
Vantagens do DBC
Com o agrupamento das parcelas, geralmente se obtm resultados
mais precisos que aqueles obtidos num DIC.
Desde exista material experimental suficiente, o delineamento ser
sempre balanceado, podendo-se incluir qualquer nmero de
tratamentos.
A anlise estatstica bastante simples.
Se a varincia do erro experimental maior para alguns
tratamentos que para outros, pode-se obter um erro no viesado
para testar qualquer combinao especfica das mdias dos
tratamentos.
Principal desvantagem
Ocorre quando da perda de parcela(s) em algum tratamento. Apesar de
existir um mtodo apropriado de estimao desses valores, h a perda de
eficincia na comparao de mdias envolvendo esses tratamentos.
Estatstica Experimental
93
Estatstica Experimental
94
Blocos
1 2 3 ... j ... r Total Mdia
Trat.
1 Y11 Y12 Y13 ... ... ... Y1r Y1+ Y1
2 Y21 Y22 Y23 ... ... ... Y2r Y2+ Y 2.
3 Y31 Y32 Y33 ... ... ... Y3r Y3+ Y 3
. . . . . ... . . . .
. . . . . ... . . . .
. . . . . ... . . . .
i . . . . Yij . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
k Yk1 Yk2 Yk3 ... ... ... Ykr Yk+ Yk
TOTAL Y+1 Y+2 Y+3 ... Y+j ... Y+r Y++
3 Modelo matemtico
Yij j i ij i 1, 2,, k e j 1, 2, , r
sendo:
y ij a observao que recebeu o i simo tratamento no j simo bloco;
mdia geral comum a todas as observaes ;
r
j o efeito do j simo bloco, com
j
j
1
0;
r
i efeito do i simo tratamento com
j
i
1
0;
4 Hiptese estatstica
Podemos testar
H 0 : i 0, com i 1, 2,..., k H 0 : 1 2 ... k 0
ou
H 1 : nem todos os i 0 H 1 : i j i j
Estatstica Experimental
95
i j
1
(y ij y
1
2
) (y ij y i )
i 1 j 1
2
(y j y )
2
i 1 j 1
k r
(y ij y i y j y )
2
,
i 1 j 1
i j
(y ij y
1 1
2
) ,
i j
1
(y ij y
1
)
0.
O termo:
k ri
i j
(y i
1 1
y )
2
,
Estatstica Experimental
96
diferentes entre si forem as mdias dos tratamentos, maior ser a SQTr. Desde
que temos k tratamentos e a restrio de que
k
( y
i 1
i y ) 0 ,
( y
i 1 j 1
j y )2 ,
j
(y
1
j y )
0,
i j
(y ij y i
1 1
y j y )
2
,
7 Quadrado mdios.
Dividindo a SQB, SQTr e SQR pelos correspondentes graus de
liberdade, obtemos, respectivamente o Quadrado Mdio Blocos (QMB), o
Quadrado Mdio Entre Tratamentos (QMTr) e o Quadrado Mdio Resduo,
isto ,
SQB SQTr SQR
QMB e QMTr e QMR
r 1 k 1 (k 1)(r 1)
Estatstica Experimental
97
Fc F(k 1(
, k 1)(r 1), ) ,
kr r 1
Blocos r1 j
k
Y i 2 (Y )
2 SQTr QMTr
Tratamentos k-1
i1 r
kr k 1 QMR
SQR
Resduo (k-1)(r-1) ( k 1 )( r 1 )
k r
(Y )2
Y ij 2
kr
TOTAL kr 1 i
1J 1
10 Detalhes computacionais
Apresentaremos alguns passos que facilitam os clculos das somas de
quadrados da ANOVA.
( y )2
Calcule a correo para a mdia CM ;
N
Calcule a Soma de Quadrados dos Totais (SQT)
k r
SQT y ij2 CM ;
i 1 j 1
Estatstica Experimental
98
Estatstica Experimental
99
# anlise de varincia
Estatstica Experimental
100
Estatstica Experimental
101
sendo:
Yij a estimativa da parcela perdida;
k o nmero de tratamentos e r o nmero de b locos;
Y o total das parcelas disponveis;
YI o total das parcelas res tan tes no tratamento onde ocorreu a parcela perdida;
Y j o total das parcelas res tan tes no b loco onde ocorreu a parcela perdida.
Uma soluo interessante para o caso da perda de uma parcela consiste
em estimar seu valor usando a frmula:
kY rY j Y
Yij I
(k 1)(r 1)
No exemplo acima, temos uma parcela perdida no tratamento C no
bloco 3 (classe de idade). Nestes dados temos:
k 5, r 4, Y 3 150, Y3 100 e Y 570;
Total 18 2124,75
F(4; 11; 0,05) = 3,36; F(4; 11; 0,01) = 5,67; F(3; 11; 0,05) = 3,59 ; F(3; 11; 0,01) = 6,62
Estatstica Experimental
102
Estatstica Experimental
103
Dietas
Animais 1 2 3 4 Total
1 Y11 Y12 Y13 Y14 Y1+
2 Y21 Y22 Y23 Y24 Y2+
3 Y31 Y32 Y33 Y34 Y3+
4 Y41 Y42 Y43 Y44 Y4+
5 Y51 Y52 Y53 Y54 Y5+
Total Y+1 Y+2 Y+3 Y+4 Y++
Estatstica Experimental
104
Concluso: rejeita-se H0
# removendo todos os objetos definidos anteriormente
rm(list=ls(all=TRUE))
model.tables(colesterol.av)
residuos<-resid(colesterol.av)
residuos
qqnorm(resduos,pch=16,col=1)
Estatstica Experimental
105
qqline(residuos,lwd=2,col=2)
shapiro.test(residuos)
bartlett.test(colesterol~animal+droga)
Estatstica Experimental
106
2- A Tabela abaixo mostra os dados da produo de leite, de vacas da raa Gir, filhas de 3
touros, na 1, 2 e 3 paries, em 305 dias de lactao, delineados segundo um DBC. com
amostragem na parcela.
Touros Paries (Blocos) Total
I II III
1 1750 1650 1600 2250 2200 2220 2400 2650 2610 19330
2 1250 1150 1120 1750 1600 1350 1800 1900 1710 13630
3 1600 1700 1900 2300 2400 2200 2700 2750 2680 20230
Total 13720 18270 21200 53190
Pede-se:
a) Escrever o modelo matemtico deste experimento e estabelecer as hipteses estatsticas H0
e H1
b) Montar o quadro da anlise de varincia e testar as hipteses do item a).
c) Calcular as mdias dos tratamentos e o erro padro das mdias com base na varincia
comum (QMR da ANOVA).
d) Fazer o grfico de barras das mdias dos tratamentos com o erro padro.
e) Verificar, pelo teste de Tukey, se existem diferenas entre as mdias dos touros.
f) Calcular o coeficiente de variao e de determinao do experimento R2 do experimento.
Estatstica Experimental
107
5 - No estudo do ganho de peso de porcos guinea, quatro dietas foram testadas. Vinte animais
foram usados neste experimento, 5 animais para cada dieta. Entretanto o pesquisador
acreditou que alguns fatores ambientais podem afetar o ganho de peso. No foi possvel reunir
os 20 animais em uma mesma condio ambiental. Portanto, foram estabelecidos 5 blocos de
unidades experimentais sob idnticas condies de temperatura, luz, etc.
Dietas
Blocos 1 2 3 4
1 7,0 5,3 4,9 8,8
2 9,9 5,7 7,6 8,9
3 8,5 4,7 5,5 8,1
4 5,1 3,5 2,8 3,3
5 10,3 7,7 8,4 9,1
a) Estabelecer as hipteses estatsticas H0 e H1
b) Montar o quadro da anlise de varincia e testar as hipteses do item a).
c) Fazer o grfico de barras das mdias dos tratamentos com o erro padro.
d) Verificar, pelo teste de Tukey, se existem diferenas entre as mdias das dietas. Qual foi a
dieta que proporcionou o melhor ganho de peso?
e) Calcular o coeficiente de variao e de determinao do experimento R2 do experimento.
Estatstica Experimental
108
Analisando os resultados da sada do Teste de Tukey preencha a tabela abaixo com as mdias
seguidas das letras.
$tratamentos
diff lwr upr p adj
Trat B-Trat A 10.75 5.995488 15.504512 0.0000864
Trat C-Trat A 24.25 19.495488 29.004512 0.0000000
Trat D-Trat A 32.25 27.495488 37.004512 0.0000000
Trat E-Trat A 21.75 16.995488 26.504512 0.0000000
Trat C-Trat B 13.50 8.745488 18.254512 0.0000085
Trat D-Trat B 21.50 16.745488 26.254512 0.0000001
Trat E-Trat B 11.00 6.245488 15.754512 0.0000689
Trat D-Trat C 8.00 3.245488 12.754512 0.0012997
Trat E-Trat C -2.50 -7.254512 2.254512 0.4820549
Trat E-Trat D -10.50 -15.254512 -5.745488 0.0001086
Tratamentos Mdias
Estatstica Experimental
109
Estatstica Experimental
110
Combinaes
I,PM
Y21(B ) Y 22(D ) Y 23(C ) Y 24(A ) Y2 Y2
de tempo e 2,73 3,38 3,29 4,50
tcnicas
13,90
II,AM Y31(A ) Y32(C ) Y33(B ) Y 34(D ) Y3 Y3
3,45 4,09 2,66 3,51 13,71
II,PM
Y 41(C ) Y 42(A ) Y 43(D ) Y 44(B ) Y 4 Y 4
3,20 3,14 3,48 3,40 13,22
Y j Y 1 Y 2 Y 3 Y 4 Y
12,64 14,76 12,45 15,08 54,93
Y j Y1 Y2 Y3 Y4 Y
2 Modelo matemtico
Estatstica Experimental
111
3 Suposies do modelo
Neste modelo, supem-se que:
Lj so independentes N(0, L2 );
C j so independentes N(0,C2 )
;
it so independentes N(0, 2 )
ijt , Li , e C j so mutuamente independentes.
4 Hiptese estatstica
Podemos testar
H 0 : t 0, H 0 : 1 2 ... t
, ou
H 1 : nem todos os t 0 H 1 : i j para i j
Geralmente os testes de hipteses com relao aos efeitos de linhas e
colunas no so feitos por dois motivos: primeiro o interesse principal testar
os efeitos de tratamento, e o propsito usual de linhas e colunas eliminar
fontes estranhas de variao.
Estatstica Experimental
112
i j
1
(Y ijk Y
1
2
) (Y i Y )
i 1
2
(Y j Y )
j 1
2
(Y k Y )
t 1
2
k k k
(Y ijk Y i Y. j Y ij 2Y )
2
,
i 1 j 1 t 1
6 Quadrados mdios
Dividindo a SQL, SQC, SQTr e SQR pelos correspondentes graus de
liberdade, obtemos, respectivamente o Quadrado Mdio das Linhas (QML), o
Quadrado Mdio das Colunas (QMC) , o Quadrado Mdio de Tratamentos
(QMTr) e o Quadrado Mdio Resduo (QMR), isto ,
SQL SQC SQTr SQR
QML , QMC e QMTr e QMR
k 1 k 1 k 1 (k 1)(k 2 )
7 Estatstica e regio crtica do teste
A estatstica para o teste
QMTr
Fc ,
QMR
a qual, deve ser prximo de 1 se H0 for verdadeira, enquanto que valores
grandes dessa estatstica so uma indicao de que H0 falsa. A teoria nos
assegura que Fc tem, sob H0 distribuio F Snedecor com (k -1) e (k-1)(k-2)
graus de liberdade no numerador e no denominador, respectivamente.
Resumidamente, indicamos:
Fc ~ F(k 1(
, k 1)(k 2 ), ) , sob H 0 .
Rejeitamos H0 para o nvel de significncia se
Fc F( k 1 ,( k 1 )( k 2 ), ) ,
sendo, F( k 1 , ( k 1 )( k 2 ), ) o quantil de ordem (1 ) da distribuio F-Snedecor
com (k -1) e (k-1)(k-2) graus de liberdade no numerador e no denominador.
Estatstica Experimental
113
Y i 2 (Y )
k 2
SQL
Linhas k-1
i 1 k
k2 k 1
k Y 2j (Y )
2 SQC
Colunas k1
j 1 k
k2 k 1
Y 2t (Y )
k 2
SQTr QMTr
Tratamentos k-1
t 1 r
k2 k 1 QMR
SQR
Resduo (k-1)(k-2)
(k 1)(k 2 )
k k
(Y )
2
TOTAL 2
K 1 Yijt2
i 1 J 1 k2
Pode-se provar que:
E( QMR ) 2 , ou seja, QMR um estimador no viesado da
varincia 2 ;
r k
E(QMTr ) 2 i , ou seja, QMTr um estimador no
(k 1)i 1
viesado da varincia 2 se a hiptese H0 : 1 2 ... k 0
verdadeira.
9 Detalhes computacionais
Apresentaremos alguns passos que facilitam os clculos das somas de
quadrados da ANOVA.
( y )2
Calcule a correo para a mdia CM 2 ;
k
Calcule a Soma de Quadrados dos Totais (SQT)
k k
SQT y ijt2 CM ;
i 1 j 1
Estatstica Experimental
114
Estatstica Experimental
115
Fonte de variao gl SQ QM F
# quadro da anova
tx.inf.av<-aov(tx.inf~linha+coluna+trat)
summary(tx.inf)
# obtendo o residuo
residuo <- resid(tx.inf.av)
Estatstica Experimental
116
Quadro da ANOVA
Fonte de variao gl SQ QM F
Leitegadas 3 436,55 49,65 0,72
Classe 3 148,95 145,52 2,11
Tratamentos 3 913,57 304,52 4,42
Resduo 6 413,00 68,83
TOTAL 15 1912,07
Estatstica Experimental
117
attach(dados.ex2)
# quadro da anova
latsd(trat,leitegada,classe,peso,quali=T,mcomp="tukey")
Estatstica Experimental
118
Causas de variao gl
QL r1=1
Tratamentos k1=3
Linhas k1=3
Colunas k1=3
Resduo (k 1)[ r (k + 1) 3] = 21
Total r k2 1 = 31
Estatstica Experimental
119
(Soluo 2).
QL1 C1 C2 C3 C4 Totais QL2 C1 C2 C3 C4 Totais
L1 (D) 44 (C) 39 (B) 52 (A) 73 208 L5 (B) 51 (C) 74 (A) 74 (D) 82 281
L2 (B) 26 (A) 45 (D) 49 (C) 58 178 L6 (D) 62 (A) 74 (C) 75 (B) 79 290
L3 (C) 67 (D) 71 (A) 81 (B) 76 295 L7 (A) 71 (D) 67 (B) 60 (C) 74 272
L4 (A) 77 (B) 74 (C) 88 (D) 100 339 L8 (C) 49 (B) 47 (D) 58 (A) 68 222
Totais 214 229 270 307 1020 233 251 267 303 1065
Totais dos tratamentos: 563 (A), 465 (B), 524 (C), 533 (D)
Clculos:
2082 1782 ... 2222 (1020 1065)2
SQL 4891,69 ;
4 32
(214 233)2 ... (307 303)2 (1020 1065)2
SQC 1819,09;
8 32
5632 ... 5332 (1020 1065)2
SQTr 631,59;
8 32
(1020 1065)2
SQT 44 2 ... 68 2 7788,22;
32
SQR SQT SQTr SQC SQL 382,56;
O quadro da ANOVA fica
Causas de variao gl SQ QM F P
QL 1 63,28 63,28
Tratamentos 3 631,59 210,53 9,91 0,0004
Linhas (QL) 6 4891,69 815,28 38,26
Colunas 3 1819,09 606,36 28,53
Resduo 18 292 16,22
Total 31 7730
Das tabelas das distribuies F, temos que
F( 3 ,18 , 0 ,05 ) 3 ,16 e F( 6 , 18 , 0 ,01 ) 5 ,09 . O valor Fctr = 9,91 maior que estes
valores tabelados, ento rejeitamos a hiptese nula H0 para um nvel
0 ,01, ou1% de probabilidade e conclumos que a hiptese de que os
efeitos de tratamento so todos nulos rejeitada, ou seja, nos pesos dos
ovrios de ratos imaturos (bio-ensaio para vacas) existe pelo menos dois
tratamentos que diferem entre si quanto ao peso de ovrios.
Podemos usar o teste de Tukey para compararmos as mdias dos
tratamentos (note que temos 4 tratamentos e cada um deles aparece 8 vezes).
Ento,
QMR 21,25
d.m.s. q( 4, 18, 0,05) 3,997 6,51
rk 8
Estatstica Experimental
120
Peso mdio*
Drogas (mg)
A 70,37 a
D 66,63 a
C 65,50 a
B 58,13 b
(* Mdias seguidas pelas mesmas letras na coluna no diferem entre si pelo teste de Tukey a 5%).
Com base nos resultados apresentados na tabela anterior pode-se
afirmar que os pesos de ovrios tratados com as drogas A, D e C no diferem
entre si e os pesos dos ovrios tratados com as drogas C e B tambm no
diferem entre si. As diferenas nos pesos de ovrios esto entre as drogas A, D
e C quando comparadas, individualmente, com a droga B.
Organizando o arquivo de dados no Excel e no bloco de notas
Arquivo de dados .xls (peso.xls) Arquivo de dados . txt (peso.txt)
ql linha coluna trat put ql linha coluna trat put
q1 l1 c1 D 44
q1 l1 c1 D 44 q1 l2 c1 B 26
q1 l2 c1 B 26 q1 l3 c1 C 67
q1 l4 c1 A 77
q1 l3 c1 C 67
q1 l1 c2 C 39
q1 l4 c1 A 77 q1 l2 c2 A 45
q1 l1 c2 C 39 q1 l3 c2 D 71
q1 l4 c2 B 74
q1 l2 c2 A 45 q1 l1 c3 B 52
q1 l3 c2 D 71 q1 l2 c3 D 49
q1 l3 c3 A 81
q1 l4 c2 B 74
q1 l4 c3 C 88
q1 l1 c3 B 52 q1 l1 c4 A 73
q1 l2 c3 D 49 q1 l2 c4 C 58
q1 l3 c4 B 76
q1 l3 c3 A 81 q1 l4 c4 D 100
q1 l4 c3 C 88 q2 l5 c1 B 51
q1 l1 c4 A 73 q2 l6 c1 D 62
q2 l7 c1 A 71
q1 l2 c4 C 58 q2 l8 c1 C 49
q1 l3 c4 B 76 q2 l5 c2 C 74
q2 l6 c2 A 74
q1 l4 c4 D 100
q2 l7 c2 D 67
q2 l5 c1 B 51 q2 l8 c2 B 47
q2 l6 c1 D 62 q2 l5 c3 A 74
q2 l6 c3 C 75
q2 l7 c1 A 71 q2 l7 c3 B 60
q2 l8 c1 C 49 q2 l8 c3 D 58
q2 l5 c4 D 82
q2 l5 c2 C 74
q2 l6 c4 B 79
q2 l6 c2 A 74 q2 l7 c4 C 74
q2 l7 c2 D 67 q2 l8 c4 A 68
q2 l8 c2 B 47
q2 l5 c3 A 74
q2 l6 c3 C 75
q2 l7 c3 B 60
q2 l8 c3 D 58
q2 l5 c4 D 82
q2 l6 c4 B 79
q2 l7 c4 C 74
q2 l8 c4 A 68
Script no R para a obgteno dos resultados acima
# leitura dos dados pelo read.table
dados.ex3 <- read.table("ex2dql.txt",header=TRUE)
Estatstica Experimental
121
attach(dados.ex3)
# quadro da anova
put.av <-aov(put~ql+linha+coluna+trat)
anova(put.av)
Estatstica Experimental
122
# quadro da anova
latsd(trat,periodo,novilho,peso,quali=T,mcomp="tukey")
RESUMO:
Estatstica Experimental
123
Estatstica Experimental
124
Estatstica Experimental
125
Estatstica Experimental
126
Fator B - Idade
Fator A-(Dose da Droga) I0 I1
D0 5 10
D1 10 15
D2 15 25
Estatstica Experimental
127
Estatstica Experimental
128
2 Definies iniciais
Vamos considerar um experimento fatorial 2x2, com os fatores
Antibitico (A) e Vitamina B12 (B) nos nveis: a0 (sem antibitico) e a1 (com
antibitico); b0 (sem Vitamina B12) e b1 (com vitamina B12), respectivamente,
adicionados a uma dieta bsica e os seguintes valores mdios de ganho de
peso (g) para os 2x2 = 4 tratamentos:
Definies:
Estatstica Experimental
129
2 2
3 O modelo matemtico
O modelo de um experimento fatorial com dois fatores, num
delineamento inteiramente casualizado com r repeties, pode ser escrito
como:
y ijk i j ( )
ij ijk
Sendo:
Estatstica Experimental
130
4 Suposies do modelo
As suposies associadas ao modelo;
As observaes de cada clula ab constituem uma amostra
aleatria de tamanho r retirada de uma populao definida pela
particular combinao dos nveis dos dois fatores;
Cada uma das ab populaes normalmente distribuda;
Todas as populaes tm a mesma varincia;
ijk ~ N( o , 2 ) ;
e os parmetros i , j e( )
ij satisfazem as condies
a b a b
i j 0 e
i 1 j 1
( )
i 1
ij ( )
j 1
ij 0.
5 Hipteses estatsticas
As seguintes hipteses podem ser testadas nos experimentos fatoriais.
A hiptese de que no existe ou existe interao AB equivalente
s hipteses
H0 AB : ( )ij 0 vs H1AB : ( )ij 0 com i 1, ..., a e j 1, ..., b ;
De maneira anloga as hipteses de que no existe efeito principal
do fator A e B a mesma que as hipteses
H 0 A : i 0 vs H1 A : i 0 com i 1, ..., a
,
H 0 B : j 0 vs H1B : j 0 com j 1, ..., b
respectivamente.
6 Detalhes computacionais
Apresentaremos alguns passos que facilitam os clculos das somas de
quadrados da ANOVA.
O quadro abaixo mostra um possvel arranjo dos dados de um
experimento com os tratamentos em um arranjo fatorial 2 x 2
Estatstica Experimental
131
a1 a2
b1 b2 b1 b2
y111 y121 y 211 y 221
y112 y122 y 212 y 222
. . . .
. . . .
. .. .
y11r y12 r y 21r y 22 r
7 Quadro da anova
Calculadas as SQ podemos montar o seguinte Quadro da ANOVA:
Estatstica Experimental
132
Estatstica Experimental
133
Fonte de variao gl SQ QM F
Tratamentos 3 0,4124 0,1398 38,13
Resduo 8 0,0293 0,003667
TOTAL 11 0,4417
Como F( 3 ,8 ; 0.01 ) 7 ,59 podemos concluir que pelo menos duas mdias
de tratamentos diferem significativamente (p<0,01) entre si quanto ao ganho de
peso dirio de sunos. A continuao da anlise pode envolver a comparao
das mdias dos tratamentos por meio de um dos procedimentos de
comparaes mltiplas conhecidos, como os testes de Tukey, Duncan, t-
Student, Scheff etc.
Uma alternativa de anlise mais simples e mais informativa, est
baseada no esquema fatorial dos tratamentos. Utilizando o quadro com os
totais das combinaes dos nveis dos fatores A e B e as frmulas
apresentadas anteriormente, podemos construir um novo quadro de anlise de
varincia que permitir testar se existe interao entre os dois fatores e se
cada um dos fatores tem efeito significativo sobre o desenvolvimento dos
sunos.
Quadro auxiliar com os totais das combinaes dos nveis de
antibiticos (a0, a1)e vitamina B12
b0 b1 Totais
a0 3.57 3,66 7,23
a1 3,10 4,63 7,73
Totais 6,67 8,29 14,96
Assim,
7,232 7,732 14,962
SQ(A ) 0,0208;
2.(3 ) 2.(3 ) 4.(3 )
6,67 8,292 14,962
SQ(B ) 0,2187;
2(3 ) 2(3 ) 4(3 )
SQ(AxB ) 0,4124 0,0208 0,2187 0,1728.
Estatstica Experimental
134
Fonte de variao gl SQ QM F
Antibtico (A) 1 0,0208 0,0208 5,68
Vitamina B12 (B) 1 0,2187 0,2187 59,65
Int. AxB 1 0,1728 0,1728 47,13
Tratamentos (3) 0,4124 0,137 37,33
Resduo 8 0,0293 0,00367
TOTAL 11 0,4417
Da tabela apropriada, temos F(3, 8; 0,01) = 7,59; F(1, 8, 0,05) = 5,32 ; F(1, 8 ;
0,01) = 11,26 Comparando os valores calculados das estatsticas F, podemos
concluir que:
o teste para a interao AxB foi significativo (p < 0,01), indicando
que o efeito da vitamina B12 na presena ou ausncia de antibitico
significativamente diferente.
Estatstica Experimental
135
Estatstica Experimental
136
2r (a )(b )(r )
1 (Y )2
SQ(B ) (Y1 Y 2 )
2 2
;
2r (a )(b )(r )
SQ( A x B ) SQTr SQ( A) SQ(B )
Script no r para obter os resultados acima
# entrada dos dados pelo comando read.table( )
dados.ex1 <- read.table("ex1fat.txt", header=T)
Estatstica Experimental
137
total.anti
# grfico da interao
interaction.plot(vitb12, anti, g.peso,col=2,lwd=2,
ylab="mdias",xlab="Vitamina B12",
main="Grfico da Interao")
Estatstica Experimental
138
2
2 2 6
y ijk
(Y )2 ... )2
CM i 1 j k 1
(
ab r ab r
r a b
( y )2
SQT y ijk
2
k 1 i 1 j 1 abr
SQ( A)
1
br
y i2 CM ( )2 (
)2
Estatstica Experimental
139
1
SQ(B )
ar
y 2
j CM
( 2
) ( 2
)
SQ(A x B )
SQTr SQ(A )
SQ(B ), sendo
1
SQTr (y 11
2
y 12 y 21 22 )
2 2 2
CM
r
( 2
) ... 2
SQA SQB
QMA ;QMB
a 1 b 1
SQ( AxB )
;QM ( AxB )
(a 1)(b 1)
SQR
QMR
ab r ab
QMA
FA valor de p
QMR
QMB
FB valor de p
QMR
QM ( AxB )
FAB valor de p
QMR
Complete o quadro da anova abaixo:
F. V. gl SQ QM F p
Antibtico (A)
Vitamina B12 (B)
Int. AxB
Tratamentos
Resduo
TOTAL
Concluses:
Estatstica Experimental
140
1 2 y 21
SQ( Adentro de b0 ) ( y 11 y 2
21 )
r b(r )
( )2 ( )2 (
( )
)2
1 2 y 22
SQ( Adentro de b1 ) ( y12 y 2
22 )
r 2( r )
( )2
( )
2
(
( )
)2
1 2 y 21
SQ(Bdentro de a 1 )
(y 21 y 22 )
2
r a(r )
2
( )
( )
Estatstica Experimental
141
d) Ainda com relao ao item c), d uma estimativa dos efeitos simples de antibiticos e de
vitaminas e conclua se eles so significativos. Aplique o teste de Tukey para localizar as
diferenas entre as mdias dos antibiticos dentro de vitaminas e das mdias das vitaminas
dentro de antibiticos Represente as diferenas com as mdias, seguidas de letras. Tire as
concluses prticas para este ensaio. Esboce o grfico da interao.
QMR
dms q( a, gl do resduo: 0,05 )
r
b0 b1 Mdias
a0
a1
Mdias
Concluses:
Estatstica Experimental
142
4) Um experimento para verificar o peso aos 180 dias de sunos com as raas Landrace e
Large White, utilizou-se de 480 sunos, machos e fmeas, sendo estes distribudos em trs
sunoculturas. a) Quais os fatores que podem influenciar a resposta medida. b) Estabelea um
modelo matemtico para o experimento. c) Faa um esquema da anlise de varincia (F.V. e
g.l.) para o experimento.
Estatstica Experimental
143
Tratamentos
b1 a1b1
a1 b2 a1b2 Bloco I Bloco II Bloco III Bloco IV
a2b1 a2b3 a1b2 a1b1
b3 a1b3 a1b2 a2b2 a2b1 a1b3
a2b2 a1b1 a2b2 a2b1
a2b3 a2b1 a1b3 a2b2
b1 a2b1 a1b1 a1b2 a2b3 a1b2
a1b3 a1b3 a1b1 a2b3
a2 b2 a2b2
b3 a2b3
SQ(B ) 1 2 ... ;
ar ar ar abr
SQ(AxB ) SQ(A, B ) SQ(A ) SQ(B ), ou SQ(AxB )
SQTr SQ(A )
SQ(B )
Estatstica Experimental
144
Estatstica Experimental
145
(4)
Nveis de A Nveis de B (Umidade (%))
(Temperatura C)) b1 = 45 % b2 = 75 % b3 = 100 % Total
a1 = 20 C 290 326 388 1004
a2 = 30 C 278 313 391 982
Total 568 639 779 1986
Estatstica Experimental
146
q( 3,18;0,05 ) 3,609
25,81
dmsB 3,6 o9 6,48
8
Gr
fi
cod
asm
d
a
isd
ostra
tame
nto
s
In
tera
oAxB
1
02
9
6
2
0 C
3
0
9
0
Md
ia
8
4
Mdiaobservadadocontedodagua(%)
7
8
7
2
6
6
4
5 7
5 1
00
U
mid
ad
e(%
)
Estatstica Experimental
147
9
6
9
2
8
8
8
4
Mdiasdoscontedodagua(%)
8
0
7
6
7
2
6
8
4
0 4
5 5
0 5
5 6
0 6
5 7
0 7
5 8
0 8
5 9
0 9
5 1
00 1
05
U
mid
ad
e(%
)
Estatstica Experimental
148
int.media
# grfico da interao
interaction.plot(umi, temp, ca,col=2,lwd=2,
ylab="mdias de ca",xlab="nveis da umidade",
main="Grfico da Interao")
# Regresso Linear
# Definio de x e y
x <- c(45,75,100)
ca.media <- tapply(ca,umi,mean) #c(71.0, 79.88, 97.38)
ca.media
Estatstica Experimental
149
Estatstica Experimental
150
(12)
Nveis de A Nveis de B (Rolo de milho kg)
(Qtde de rao) b1 = 0,5 kg b2 = 1,0 kg Total
a1 = 0,5 kg de A 38,763 42,867 81,630
a2 = 0,5 kg de B 52,419 51,370 103,789
Total 91,182 94,237 185,419
Estatstica Experimental
151
1 185,4192
SQ(A,C ) 2
(41,592 ... 61,352 )2
25,358
12 (2 )(2 )(2 )(6 )
SQ(AxC ) 25,238 10,230 6,279 8,729
Concluses:
a interao AxBxC no significativa (p>0,05), indicando a
possibilidade de independncia entre os fatores conjuntamente.
os testes F das interaes duplas indicam que somente a interao
AxC significativa (p<0,01), ou seja, os dados suportam uma
concluso de que os tipos de raes interagem com a dose de
vitamina B12 na produo de leite.
Estatstica Experimental
152
Quadro da anova
F.V. G.L. S.Q. Q.M. F
Embalagem (A) 2 3427,125 1713,562 24,586**
Tempo (B) 3 5186,229 1728,748 24,803**
Interao A x B 6 768,708 128,118 1,838ns
Tratamentos (11) 9382,06 852,91 12,24**
Blocos 3 829,729 276,576 3,968*
Resduo 33 2300,021 69,697
Total 47 12511,812
Concluses:
o efeito da interao A x B no significativo (p>0,05), ou seja,
existe uma independncia entre os fatores.
efeito do fator embalagem (A) significativo (p<0,05).
Estatstica Experimental
153
(4) B1 B2 B3 B4 Yi
A1 60,75 42,25 43,00 31,75 44,44 B
A2 66,00 46,25 46,25 36,50 48,75 B
A3 80,25 70,75 48,75 56,75 64,12 A
Y j 69,00 a 53,08 b 46,00 bc 41,67 c 52,44
Mdias com a mesma letra minscula nas linhas no diferem entre si pelo teste de Tukey a 5%
Mdias com a mesma letra maiscula nas colunas no diferem entre si pelo teste de Tukey a 5%
Estatstica Experimental
154
Quadros auxiliares
Rao
Sexo G0 G25 G50 G75 G100 Total
Bloco B1 B2 B3 Total
Total 832,9 838,8 837,2 2508,9
(Resolver os exemplos 4) e 5) no R)
Estatstica Experimental
155
Estatstica Experimental
156
Estatstica Experimental
157
Parcelas A1 A2 A2 A1 A2 A1
B1 B2 B3 B2 B1 B2
Subparcelas B3 B3 B2 B3 B3 B3
B2 B1 B1 B1 B2 B1
Estatstica Experimental
158
2 Anlise de varincia
No quadro a seguir, apresentaremos a partio dos graus de liberdade
de um experimento em parcelas subdivididas com a tratamentos primrios,
b tratamentos secundrios, r repeties em diferentes delineamentos para
os tratamentos aplicados s parcelas.
Estatstica Experimental
159
sendo :
a mdia geral; i o efeito do i simo nvel de A, na parcela principal
j o efeito do j simo nvel de B, na sub parcela; e ( )ij o efeito conjunto de
i simo nvel de A e j simo nvel de B;
k o efeito do k simo b loco;
ik o efeito conjunto do i simo nvel de A na parcela principal no k simo b loco
e ik ~ N (0, 2 );
ijk efeito do erro aleatrio ~ N (0, 2 )
Um esquema de anlise de varincia para este modelo
4 Hiptese estatstica
As seguintes hipteses podem ser testadas nos experimentos em
parcelas subdivididas.
A hiptese de que no existe ou existe interao AB equivalente
H01 : ( )ij 0
s hipteses estatsticas
H11 : ( )ij 0 com i 1,..., a e j 1,..., b
e para test-las, usamos a estatstica
QMAB
F01 ~ F( g .l . da int erao;g .l . do Re s b ); ; ,
QM Re s(b)
a qual sob H0, tem distribuio F-Snedecor com graus de liberdade
da interao no numerador e graus de liberdade do resduo (b) no
denominador.
No DIC temos F(( a 1)( b 1);a( r 1)( b 1); ) , no DBC temos F(( a 1)( b 1);a( r 1)( b 1); ) .
A hiptese de que no existe ou existe efeito principal do fator A
H02 : i 0
,
H12 : i 0 com i 1,..., a
e para test-las, usamos a estatstica
QMA
F02 ~ F( g .l . do fator A; g .l . do Re s a ); ; ,
QM Re s(a)
a qual sob H0, tem distribuio F-Snedecor com graus de liberdade
do fator A no numerador e graus de liberdade do resduo (a) no
denominador.
Estatstica Experimental
160
No DIC temos F(( a 1); a ( r 1); ) , no DBC temos F(( a 1); ( a 1)( r 1); ) .
as hipteses de que no existe ou existe efeito principal do fator B
H 03 : j 0
,
H13 : j 0 com j 1, ..., b
e para test-las, usamos a estatstica
QMB
F03 ~ F( g .l . do fator B; g .l . do Re s b ); ; .
QM Re s(b)
que sob H0, tem distribuio F-Snedecor com graus de liberdade do
fator B no numerador e graus de liberdade do resduo (b) no
denominador.
No DIC temos F(( b 1);a( r 1)( b 1); ) , no DBC temos F(( b 1);(a( r 1)( b 1); ) .
5 Detalhes computacionais
Apresentaremos alguns passos que facilitam os clculos das somas de
quadrados da ANOVA.
No DIC:
Soma de Quadrados do Total (SQT)
r a b
(Y )2 (Y )2
SQT Yijk2 , sendo C ;
k 1 i 1 j 1 abr abr
1 a 2
Soma de Quadrados do fator A, SQ(A) SQ( A) Yi C ;
br i 1
Soma de Quadrados da Parcelas, SQ(Parc)
1 a, b
SQ(Parc ) Yij2 C ;
b i, j
SQRes(a) = SQ(Parc) SQ(A);
1 b 2
Soma de Quadrados do fator B, SQ(B) SQ(B ) Y j C ;
ar j 1
Soma de Quadrados da interao AxB, SQ(AxB)=SQ(A,B)-SQ(A)-
1 a b
SQ(B) ou SQ( AxB ) Yij2 C , sendo a SQ(A,B) a soma de
r i 1 j 1
quadrado conjunta, a qual nos fatoriais a x b igual soma de
quadrados dos tratamentos (SQTr).
Estatstica Experimental
161
n
* Ea (b 1)E b
2
Ea 2 (b 1)Eb 2
na nb
sendo, Ea QM Re s(a ), E b QM Re s(b ),
na os graus de lib erdade do erro da parcela e
nb os graus de lib erdade da sub parcela.
t( gl do Ea ) o quantil de ordem (1 ) da distribuio t-student com
2
graus de liberdade do Ea.
Para testar um contraste entre duas mdias de A, Y i i , , ou
seja, H0 : Y 0 usamos a estatstica
Estatstica Experimental
162
Y
t ~ t( gl do Ea ) , sendo
2 Ea
br
t( gl do E a ) o quantil de ordem (1 ) da distribuio t-student com
2
graus de liberdade do Res(a).
Para os testes de Tukey e de Duncan usamos, respectivamente,
Ea Ea
dmsA q( a; gl do Ea ) e dmsA z( a; gl do Ea )
br br
Sendo, que q e z correspondem aos valores tabelados da
distribuio de Tukey e Duncan.
Estatstica Experimental
163
Yi
t ~ t( gl do Eb ) , sendo
Eb
r
ci
2
i
t( gl do E b ) o quantil de ordem (1 ) da distribuio t-student com graus
2
de liberdade do Eb.
Para testar um contraste entre duas mdias de B num mesmo nvel
de A, Y ij ij , , usamos a estatstica
Y
t ~ t( gl do Eb ) , sendo
2 Eb
r
t( gl do E b ) o quantil de ordem (1 ) da distribuio t-student com
2
graus de liberdade do Eb.
Para os testes de Tukey e de Duncan usamos, respectivamente
Eb Eb
dms q( b; gl Eb ) dms z( b; gl do Eb )
r r
Sendo que q e z correspondem aos valores tabelados da
distribuio de Tukey e Duncan.
Estatstica Experimental
164
dms q( b, n* )
1
QMRes(a) (b-1)QMRes(b) e ,
br
sendo os valores de q e z correspondem a b tratamentos e n*
graus de liberdade para o resduo (calculados pela Frmula de
Sattertwait) e so encontrados em tabelas prprias.
EXEMPLO 1: Supor um experimento com trs raes A, B e C em seis blocos
casualizados, sendo cada parcela constituda de dois bovinos de corte. Em
uma determinada fase do experimento, os bovinos dentro de cada parcela,
passaram a receber, por sorteio, um dos dois tipos de suplementos minerais M
e P. A varivel dependente o ganho de peso no final do experimento.
Um possvel croqui deste experimento em parcelas subdivididas no
delineamento em blocos casualizados:
B A C
Bloco I
P M M P P M
A C B Bloco II
P M M P P M
B C A
P M M P M P Bloco III
A B C
M P M P P M
Bloco IV
C A B
P M M P P M Bloco V
C B A
Bloco VI
M P M P P M
Estatstica Experimental
165
Estatstica Experimental
166
1 37402
SQRaes (12372 13352 11682 ) 1173,73
12 (3 )(2 )(6 )
SQ Re s(a) SQParcelas SQBl SQRaes
2377,56 582,22 1173,73 621,61
1 37402
SQSupl (20282 17122 ) 2773,78
18 (3 )(2 )(6 )
1 37402
SQ(R, S ) (663 574 ... 538 )
2 2 2
4057,89
6 (3 )(2 )(6 )
SQ(RxS) SQ(R, S ) SQ(R ) SQ(S )
4057,89 1173,73 2773,78 110,38
SQ Re s(b) SQT SQParcelas SQSupl SQ(RxC)
799,84
Quadro da anova
Causas da variao g.l. S.Q. QM F
Blocos 5 582,22 116,44 1,87ns
Rao (Trat. Principal) A 2 1173,73 586,86 9,44**
Erro (a) 10 621,61 62,16
Parcelas (17) 2377,56
Suplemento (Trat. Secundrio) B 1 2773,78 2773,78 52,02**
Rao x Suplemento 2 110,38 55,19 1,04ns
Erro (b) 15 799,84 53,32
Total 35 6061,56
Obs. Os efeitos das raes e dos blocos so testados usando o resduo (a). Os efeitos dos suplementos e da
interao so testados usando o resduo b.
F(5,10; 0,05)=3,33 ; F(5,10; 0,01)= 5,64; F(2,10; 0,05)= 4,10; F(2,10; 0,01)= 7,56; F(1,15; 0,05)= 4,54
F(1,15; 0,01)= 8,86; F(2,15; 0,05)= 3,68; F(2,15; 0,01)= 6,36
Quadro de mdias
(6) RAO
SUPLEMENTOS A B C Totais
Estatstica Experimental
167
Estatstica Experimental
168
Estatstica Experimental
169
2) Cinco jumentos foram utilizados, dentro do manejo regular de colheita de smem com o
qual j estavam acostumados, para testar sobre o primeiro ejaculado, trs diferentes diluentes
e aps as diluies, trs diferentes tempo de conservao do material (5C). A resposta medida
foi a motilidade observada no smem em funo daqueles fatores. Para cada jumento, o
primeiro ejaculado foi divido em trs alquotas, diludas cada uma em um dos diluentes e este
volume novamente dividido em outras trs alquotas, uma para cada tempo de conservao.
Percebe-se que a parcela definida pelo diluente e dentro dele, as trs subparcelas
correspondentes aos tempos. Trata-se portanto de um delineamento em parcelas subdivididas
, em que cada jumento assume o papel de um bloco, j que pela utilizao de alquotas todos
os tratamentos (diluentes) provm de um mesmo ejaculado.
DILUENTE
Estatstica Experimental
170
A B C
ANIMAL T1 T2 T3 T1 T2 T3 T1 T2 T3
1 75 73 66 214 81 75 62 218 68 61 50 179
2 65 60 61 186 69 62 51 182 60 55 50 165
3 78 83 70 231 79 76 60 215 72 68 61 201
4 68 61 51 180 76 66 51 193 61 57 53 171
5 44 43 37 124 55 51 41 147 34 24 21 79
Total 330 320 285 935 360 330 265 955 295 265 235 795
3 3 3 3
I 1 j 1
Yij2 169173 ; Y I 1 j 1
ij 2685 YLinear ( i ) ( 1 ) I1 ( 0 ) I 2 (1 ) I 3
68
62
Motildade
56
50
A
44
B
6 10 14 18 22 26 30 34 38 C
T
empo
Estatstica Experimental
171
Estatstica Experimental
172
1 7337 2
SQConjunta ( 564 644 ... 570 )
2 2 2
2128,86
8 ( 3 )( 4 )( 8 )
Estatstica Experimental
173
# grfico da interao
interaction.plot(tempo,droga,fc,col=2,lwd=2,
ylab="mdias da frequncia cardaca",xlab="tempo",
main="Grfico da Interao")
Estatstica Experimental
174
o valor tabelado t(63; 0,05) = 2,00. Conclumos, ento, que a tendncia linear
negativa observada no grfico para a Droga B (DB) significativa (p<0,05) pelo
teste t-student.
A tendncia quadrtica para a Droga a (DA) pode ser definida pelo
contraste
YQuad . 111 112 113 114
Estatstica Experimental
175
1 Introduo
Existem duas maneiras nas quais as hipteses da ANOVA podem ser
violadas. Primeiro, os dados podem consistir de medidas em uma escala
ordinal ou nominal; neste caso mtodos mais apropriados para dados ordinais
e nominais so necessrios. Segundo, os dados, embora medidos em escala
contnua, podem no satisfazer pelo menos uma das trs hipteses requeridas
pela anlise de varincia:
Como vimos anteriormente, as hipteses da anlise de varincia so:
os termos dos erros so aleatriamente, independentemente e
normalmente distribudos eij ~ N( 0 , 2 )
a varincia de diferentes amostras so homogneas; varincias e
mdias de diferentes amostras no so correlacionadas;
os efeitos dos tratamentos so aditivos.
Bloco
Tratamentos I II III IV
mice contrle 0.18 0.30 0.28 0.44
mice vitamina 0.32 0.40 0.42 0.46
galinha controle 2.0 3.0 1.8 2.8
galinha vitamina 2.5 3.3 2.5 3.3
ovelha controle 108.0 140.0 135.0 165.0
ovelha vitamina 127.0 153.0 148.0 176.0
Estatstica Experimental
176
# teste de normalidade
shapiro.test(pesotrat.av$res)
Sada fornecida pelo R:
data: pesotrat.av$res
W = 0.9536, p-value = 0.3236
Este teste mostra o teste no significativo (p=0,3236), portanto no
rejeitamos H0 : ij ~ N(0, 2 ) , ou seja, os resduos e por conseguinte os dados
deste experimento suportam a suposio de normalidade. Assim, a primeira
suposio prenchida.
Estatstica Experimental
177
y 1
y'
sendo um parmetro a ser estimado dos dados. Se 0 a equao
acima se reduz a
y ' ln(y )
sendo ln o logaritmo neperiano. Uma vez obtido o valor de encontramos
os valores dos dados transformados conforme a equao acima e utilizamos
estes dados transformados para efetuar as anlises. A funo boxcox() do
pacote MASS calcula a verossimilhanca perfilhada deste parmetro. Devemos
escolher o valor que maximiza esta funo. Nos comandos a seguir
comeamos carregando o pacote MASS e depois obtemos o grfico da
verossimilhanca perfilhada no R:
Estatstica Experimental
178
Estatstica Experimental
179
pesolog.av <-
aov(log(peso+1)~factor(bloco)+factor(fatorA)+factor(fatorB)+
factor(fatorA):factor(fatorB))
summary(pesolog.av)
# teste da normalidade
shapiro.test(pesolog.av$res)
Estatstica Experimental