> dados <- read.table("dados_dbc PROVA.

txt", header = T) ## lendo um conjunto de dados

em txt, header = T tem nome das colunas na 1ª linha ##

> dados

bl dose tipoap prod

1 1 0 c 3770

2 1 0 s 3467

3 1 0 l 3422

4 1 40 c 3302

5 1 40 s 3653

6 1 40 l 3711

7 1 80 c 2930

8 1 80 s 3800

9 1 80 l 2702

10 1 120 c 3013

11 1 120 s 3338

12 1 120 l 3156

13 2 0 c 3618

14 2 0 s 4284

15 2 0 l 3760

16 2 40 c 2671

17 2 40 s 2653

18 2 40 l 3284

19 2 80 c 2813

20 2 80 s 4356

21 2 80 l 3520

22 2 120 c 3780

23 2 120 s 3369

24 2 120 l 4369

25 3 0 c 2164

26 3 0 s 3773

27 3 0 l 2747
28 3 40 c 2782

29 3 40 s 3529

30 3 40 l 2556

31 3 80 c 2560

32 3 80 s 3560

33 3 80 l 3382

34 3 120 c 3142

35 3 120 s 2507

36 3 120 l 2831

37 4 0 c 3996

38 4 0 s 3280

39 4 0 l 2853

40 4 40 c 2502

41 4 40 s 2258

42 4 40 l 3284

43 4 80 c 3049

44 4 80 s 4013

45 4 80 l 3524

46 4 120 c 3604

47 4 120 s 4200

48 4 120 l 4222

>

> attach(dados)

>

> ## ANÁLISE DESCRITIVA GERAL ##

>

> summa

ry(prod) ## resumo descritivo geral ##

Min. 1st Qu. Median Mean 3rd Qu. Max.

2164 2826 3354 3314 3723 4369

> sd(prod) ## desvio padrão geral ##

[1] 569.4875

> var(prod) ## variância geral ##

[1] 324316

> (sd(prod)/mean(prod))*100

[1] 17.1857

boxplot(prod ~ dose*tipoap, xlab = "Tratamento", ylab = "Produção de milho (kg/ha)")

boxplot(prod ~ bl, xlab = "Bloco", ylab = "Produção de milho (kg/ha)")

interaction.plot(dose, bl, prod, xlab = "Dose", ylab = "Produção de milho (kg/ha)")

interaction.plot(bl, dose, prod, xlab = "Blocos", ylab = "Produção de milho (kg/ha)")

interaction.plot(tipoap, bl, prod, xlab = "Tipo de aplicação", ylab = "Produção de milho
(kg/ha)")

interaction.plot(bl, tipoap, prod, xlab = "Blocos", ylab = "Produção de milho (kg/ha)")

dose <- as.factor(dose)

tipoap <- as.factor(tipoap)

bl <- as.factor(bl)

require(ExpDes)

split2.rbd(dose, tipoap, bl, prod, quali = c(TRUE,TRUE), mcomp='tukey', fac.names = c("dose",

"tipoap"), sigT = 0.05, sigF = 0.05)

> (sd(prod)/mean(prod))*100

------------------------------------------------------------------------

Legend:

FACTOR 1 (plot): dose

FACTOR 2 (split-plot): tipoap

------------------------------------------------------------------------
------------------------------------------------------------------------

$`Analysis of Variance Table\n------------------------------------------------------------------------\n`

DF SS MS Fc Pr(>Fc)

dose 3 1500538 500179 1.1651 0.37565

Block 3 2212847 737616 1.7181 0.23246

Error a 9 3863854 429317

tipoap 2 1266324 633162 3.6132 0.04249 *

dose*tipoap 6 2193665 365611 2.0864 0.09270 .

Error b 24 4205625 175234

Total 47 15242853

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

------------------------------------------------------------------------

CV 1 = 19.77298 %

CV 2 = 12.6326 %

No significant interaction: analyzing the simple effects

------------------------------------------------------------------------

dose

According to F test, the means of this factor are not different.

Levels Means

1 0 3427.833

2 120 3460.917

3 40 3015.417

4 80 3350.750

------------------------------------------------------------------------

tipoap

Tukey's test

------------------------------------------------------------------------
Groups Treatments Means

a s 3502.5

ab l 3332.688

b c 3106

------------------------------------------------------------------------

>

## normalidade ##

shapiro.test(prod) ## teste de normalidade de Shapiro Wilk ## #avalia se os dados tem

distribuição normal

par(mfrow = c(1,2)) ## abre uma janela gráfica com espaço para 2 gráficos ##

qqnorm(prod, main = "QQ-plot para a produção")

qqline(prod, col = "blue") ## qq-plot

qqnorm(anv$residuals, main = "QQ-plot para o resíduo")

qqline(anv$residuals, col = "blue") ## qq-plot

> shapiro.test(prod) ## teste de normalidade de Shapiro Wilk ## #avalia se os dados tem

distribuição normal

Shapiro-Wilk normality test

data: prod

data: anv$residuals

W = 0.9773, p-value = 0.4731

data: prod

anv <- aov(prod ~ dose * tipoap)

shapiro.test(anv$residuals)

par(family = "serif")

par(family = "serif")

par(mfrow = c(1,2))
qqnorm(prod, main = "QQ-plot para a produção")

qqline(prod, col = "blue") ## qq-plot

qqnorm(anv$residuals, main = "QQ-plot para o resíduo")

qqline(anv$residuals, col = "blue") ## qq-plot

##homocedasticidade##

bartlett.test(prod ~ dose) ## teste de Bartlett: homogeneidade das variâncias ##

Bartlett test of homogeneity of variances

data: prod by dose

Bartlett's K-squared = 0.3875, df = 3, p-value = 0.9428

##homocedasticidade##

bartlett.test(prod ~ tipoap) ## teste de Bartlett: homogeneidade das variâncias ##

Bartlett test of homogeneity of variances

data: prod by tipoap

Bartlett's K-squared = 0.4514, df = 2, p-value = 0.7979

require(moments)

skewness(prod)

kurtosis(prod)

> require(moments)

Carregando pacotes exigidos: moments

> skewness(prod)

[1] -0.01820928

> kurtosis(prod)

[1] 2.218195

hist(prod, main = "", xlab = "Produção", ylab = "Frequência")

boxplot(prod, ylab = "Produção")

## Resumo descritivo da produtividade pela DOSE ##

tapply(prod, dose, sum)

tapply(prod, dose, summary)

tapply(prod, dose, mean)

tapply(prod, dose, var)

tapply(prod, dose, sd)

> tapply(prod, dose, sum)

0 40 80 120

41134 36185 40209 41531

> tapply(prod, dose, summary)

$`0`
 Min. 1st Qu. Median Mean 3rd Qu. Max.

2164 3173 3542 3428 3771 4284

$`40`

Min. 1st Qu. Median Mean 3rd Qu. Max.

2258 2629 3033 3015 3359 3711

$`80`

Min. 1st Qu. Median Mean 3rd Qu. Max.

2560 2901 3451 3351 3620 4356

$`120`

Min. 1st Qu. Median Mean 3rd Qu. Max.

2507 3110 3354 3461 3885 4369

> tapply(prod, dose, mean)

0 40 80 120

3427.833 3015.417 3350.750 3460.917

> tapply(prod, dose, var)

0 40 80 120

350292.3 248483.0 305252.0 345274.1

> tapply(prod, dose, sd)

0 40 80 120

591.8550 498.4807 552.4962 587.6003

>
## Resumo descritivo da produtividade pelo TIPO DE APLICAÇÃO ##

tapply(prod, tipoap, sum)

tapply(prod, tipoap, summary)

tapply(prod, tipoap, mean)

tapply(prod, tipoap, var)

tapply(prod, tipoap, sd)

## Resumo descritivo da produtividade pelo TIPO DE APLICAÇÃO ##

> tapply(prod, tipoap, sum)

c l s
49696 53323 56040

> tapply(prod, tipoap, summary)

$c

Min. 1st Qu. Median Mean 3rd Qu. Max.

2164 2754 3031 3106 3608 3996

$l

Min. 1st Qu. Median Mean 3rd Qu. Max.

2556 2848 3333 3333 3571 4369

$s

Min. 1st Qu. Median Mean 3rd Qu. Max.

2258 3324 3544 3502 3853 4356

> tapply(prod, tipoap, mean)

c l s

3106.000 3332.688 3502.500

> tapply(prod, tipoap, var)

c l s

280690.1 275628.1 375450.4

> tapply(prod, tipoap, sd)

c l s

529.8020 525.0029 612.7401

>

boxplot(prod ~ tipoap, xlab = "Tipo de aplicação", ylab = "Produção")

boxplot(prod ~ tipoap, xlab = "Tipo de aplicação", ylab = "Produção", names =

+ c("c","s","l"))
## Resumo descritivo da produtividade dos Blocos##

tapply(prod, bl, sum)

tapply(prod, bl, summary)

tapply(prod, bl, mean)

tapply(prod, bl, var)

tapply(prod, bl, sd)

boxplot(prod ~ bl, xlab = "Bloco", ylab = "Produção")

boxplot(prod ~ bl, xlab = "Bloco", ylab = "Produção", names =

+ c("c","s","l"))

> tapply(prod, bl, sum)

1 2 3 4

40264 42477 35533 40785

> tapply(prod, bl, summary)

$`1`

Min. 1st Qu. Median Mean 3rd Qu. Max.

2702 3120 3380 3355 3668 3800

$`2`

Min. 1st Qu. Median Mean 3rd Qu. Max.

2653 3166 3569 3540 3906 4369

$`3`

Min. 1st Qu. Median Mean 3rd Qu. Max.

2164 2559 2806 2961 3419 3773

$`4`

Min. 1st Qu. Median Mean 3rd Qu. Max.

2258 3000 3404 3399 4000 4222

> tapply(prod, bl, mean)

1 2 3 4

3355.333 3539.750 2961.083 3398.750

> tapply(prod, bl, var)

1 2 3 4

124501.7 380395.7 255605.4 424043.3

> tapply(prod, bl, sd)

1 2 3 4

352.8480 616.7622 505.5743 651.1861