Verificando as três pressuposições de ANOVA:

1) Variância dos resíduos ser homogêneas – Teste de Bartlett

H0: σ1= σ2= σ3
H1: Pelo menos um σx é diferente dos demais
α=0,01
> tecido<-c(1.3,1.6,0.5,1.2,1.1,2.2,2.4,0.4,2.0,1.8,1.8,1.7,0.6,
1.5,1.3,3.9,4.4,2.0,4.1,3.4)
> produtos<-factor(rep(1:4,each=5))
> produtos
[1] 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4
Levels: 1 2 3 4
> blocos<-factor(rep(1:5,4))
> blocos
[1] 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
Levels: 1 2 3 4 5
> ex1<-data.frame(produtos,blocos,tecido)
> ex1
produtos blocos tecido
1 1 1 1.3
2 1 2 1.6
3 1 3 0.5
4 1 4 1.2
5 1 5 1.1
6 2 1 2.2
7 2 2 2.4
8 2 3 0.4
9 2 4 2.0
10 2 5 1.8
11 3 1 1.8
12 3 2 1.7
13 3 3 0.6
14 3 4 1.5
15 3 5 1.3
16 4 1 3.9
17 4 2 4.4
18 4 3 2.0
19 4 4 4.1
20 4 5 3.4

> residuos1<-residuals(lm(tecido~produtos+blocos),data=ex01)
> residuos1
1 2 3 4 5
6 7 8 9
-1.800000e-01 -1.050000e-01 4.450000e-01 -1.800000e-01 2.000000e-02
 1.000000e-01 7.500000e-02 -2.750000e-01 1.318390e-16
10 11 12 13 14
15 16 17 18
1.000000e-01 8.000000e-02 -2.450000e-01 3.050000e-01 -1.200000e-01
-2.000000e-02 9.020562e-17 2.750000e-01 -4.750000e-01
19 20
3.000000e-01 -1.000000e-01

> bartlett.test(residuos1~produtos,data=ex1)
Bartlett test of homogeneity of variances

data: residuos1 by produtos

Bartlett's K-squared = 1.8047, df = 3, p-value = 0.6139
p-value=0.6139>0.05, então, as variâncias são
homogêneas.

2) Resíduos são normalmente distribuídos – Teste de Shapiro-Wilk

H0: resíduos são normais
H1: resíduos não são normais
> #shapiro-wilk
> shapiro.test(residuos1)

Shapiro-Wilk normality test

data: residuos1
W = 0.98077, p-value = 0.9437

p-value=0.9437>0.05, então, os resíduos são normais.

3) Resíduos são independentes – Teste de Durbin-Watson

> dwtest(lm(tecido~produtos+blocos))

Durbin-Watson test

data: lm(tecido ~ produtos + blocos)

DW = 3.1043, p-value = 0.9715
alternative hypothesis: true autocorrelation is greater than 0

p-value=0.9715 >0.05, então, os resíduos são independentes.

> #Homocedasticidade, normalidade e independencia usando gráficos
> par(mfrow=c(1,1))
> plot(produtos,residuos1,xlab="produtos", ylab="residuos")
> title("Residuos vs produtos /n homocedasticidade", cex.main=0.8)
#cex.main=reduz a fonte do titulo e /n significa nova linha
OBS1: na análise gráfica usando Boxplot para os tratamentos vs
resíduos existe homocedasticidade, se os BoxPlots forem semelhantes,
ou seja, a variabilidade seja a mesma em todas as caixas.

OBS2: se um box plot é comparativamente curto –Isso sugere que há pouca

variação; se um box plot é muito mais alto ou mais baixo que outro,
isso sugere uma diferença entre grupos.

> #normalidade grafico

> residuos<- residuals(lm(tecido~produtos+blocos), data=ex1)
> qqnorm(residuos)
> qqline(residuos)

OBS: A distribuição dos resíduos será normal se os resíduos estiverem

bem alinhados na linha reta.

> #independencia gráfico

> preditos<-(ex1$fitted.values)
> plot(preditos,residuos)
> title("Resíduos vs Preditos \n Independência", cex.main=0.8)
 OBS1: Se existir independência, há ausência de padrão neste gráfico. Ou
seja, a validade da suposição de independência é verificada se, os resí
duos estiverem situados aproximadamente, em torno da linha em que resíduo=
0. Caso ocorram configurações especiais, como a presença de sequencias de
resíduos positivos e negativos, ou padrões de alternância de sinais, isso
pode indicar dependência.

OBS2: Geralmente, o uso de uma aleatorização adequada na coleta de dados,

garante que a condição de independência não seja violada.

Os resultados acima indicam que os pressupostos estão sendo obedecidos para este
conjunto de dados e a análise de variância é válida.

> ex1<-aov(tecido ~ blocos + produtos)

> anova(ex1)
Analysis of Variance Table

Response: tecido
Df Sum Sq Mean Sq F value Pr(>
F)
blocos 4 6.693 1.6733 21.114 2.319e-05 ***
produtos 3 18.044 6.0147 4.518e- ***
75.895 08
Residuals 12 0.951 0.0793
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
p-value=0.00000004518<0.05, portanto rejeita-se H0, e a hipótese de igualdade entre as
médias é rejeitada, ou seja, tem-se pelo menos uma das médias diferente das demais. Neste
caso aplicamos o teste de Tukey, para comparação de médias e descobrir qual das médias é
diferente das demais.
#Teste de Tukey
>require(agricolae)
>require(ExpDes.pt)
> dbc(produtos, blocos, tecido, quali =TRUE, mcomp="tukey", nl = FALSE,
hvar = 'oneillmathews',sigT=0.05,sigF=0.05)
------------------------------------------------------------------------
Quadro da analise de variancia
------------------------------------------------------------------------
GL SQ QM Fc Pr>Fc
 Tratamento 3 18.044 6.0147 75.895 4.5200e-08
Bloco 4 6.693 1.6733 21.114 2.3189e-05
Residuo 12 0.951 0.0793
Total 19 25.688
------------------------------------------------------------------------
CV = 14.36 %

------------------------------------------------------------------------
Teste de normalidade dos residuos valor-
p: 0.9436782
De acordo com o teste de Shapiro-Wilk a 5% de significancia, os resíduos
podem ser considerados normais.
------------------------------------------------------------------------

------------------------------------------------------------------------
Teste de homogeneidade de variancia valor-
p: 0.3128419
De acordo com o teste de oneillmathews a 5% de significancia, as
variancias podem ser consideradas homogeneas.
------------------------------------------------------------------------
Teste de Tukey
------------------------------------------------------------------------
Grupos Tratamentos Medias
a 4 3.56 b
2 1.76 bc 3
1.38 c 1
1.14
------------------------------------------------------------------------

Decisão: Por meio do teste de Tukey foi possível identificar que as médias B, BC e C não
diferem entre si, demonstrando que há diferenças entre os tipos de produtos químicos na
resistência média dos tecidos a um nível de significância de 0.05%,.

Testando as etapas das pressuposições de ANOVA:

> laboratorio<-c(9.3,9.4,9.6,10,9.4,9.3,9.8,9.9,9.2,9.4,9.5,9.7,9.7,
9.6,10.0,10.2)
> soluçoes<-factor(rep(1:4,each=4))
> soluçoes
 [1] 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4
Levels: 1 2 3 4
> blocos2<-factor(rep(1:4,4))
> blocos2
[1] 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Levels: 1 2 3 4
> ex2<-data.frame(laboratorio,blocos2,soluçoes)
> ex2
laboratorio blocos2 soluçoes
1 9.3 1 1
2 9.4 2 1
3 9.6 3 1
4 10.0 4 1
5 9.4 1 2
6 9.3 2 2
7 9.8 3 2
8 9.9 4 2
9 9.2 1 3
10 9.4 2 3
11 9.5 3 3
12 9.7 4 3
13 9.7 1 4
14 9.6 2 4
15 10.0 3 4
16 10.2 4 4
> residuos2<-residuals(lm(laboratorio~soluçoes+blocos2),data=ex2)
> residuos2
1 2 3 4 5
6 7
-5.000000e-02 2.500000e-02 -7.500000e-02 1.000000e-01 2.500000e-02
-1.000000e-01 1.000000e-01
8 9 10 11 12
13 14
-2.500000e-02 -2.500000e-02 1.500000e-01 -5.000000e-02 -7.500000e-02
5.000000e-02 -7.500000e-02
15 16
2.500000e-02 -3.556183e-16

> #Teste de bartlett

> bartlett.test(residuos2~soluçoes,data=ex2)
Bartlett test of homogeneity of variances

data: residuos2 by soluçoes

Bartlett's K-squared = 1.0123, df = 3, p-value = 0.7983

> #teste normalidade

> #teste de shapiro
> shapiro.test(residuos2)

Shapiro-Wilk normality test

data: residuos2

W = 0.93957, p-value = 0.3438

> #teste independencia
> dwtest(lm(laboratorio~soluçoes+blocos2))

Durbin-Watson test
 data: lm(laboratorio ~ soluçoes + blocos2)
DW = 2.9531, p-value = 0.8993
alternative hypothesis: true autocorrelation is greater than 0

Como as três pressuposições da ANOVA foram satisfeitas, ambas com p-value>0,05, então
aplica-se p teste da ANOVA.
> #anova
> ex2<-aov(laboratorio~ blocos2 + soluçoes)
> anova(ex2)
Analysis of Variance Table

Response: laboratorio
Df Sum Sq Mean Sq F value Pr(>F)
blocos2 3 0.825 0.275000 30.938 4.523e-05
*** soluçoes 3 0.385 0.128333 14.438
0.0008713 *** Residuals 9 0.080 0.008889
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Como p-value=0.0008713>0,05, rejeita-se Ho, portanto, a hipótese de igualdade entre as

médias é rejeitada, ou seja, tem-se pelo menos uma das médias diferente das demais. Neste
caso aplicamos o teste de Tukey, para comparação de médias e descobrir qual das médias
difere-se das demais.
> #teste tukey

> require(ExpDes.pt)
> dbc(soluçoes, blocos2, laboratorio, quali =TRUE, mcomp="tukey", nl = FAL
SE,hvar = 'oneillmathews',sigT=0.05,sigF=0.05)
------------------------------------------------------------------------
Quadro da analise de variancia
------------------------------------------------------------------------
GL SQ QM Fc Pr>Fc
Tratamento 3 0.385 0.128333 14.438 0.00087127
Bloco 3 0.825 0.275000 30.938 0.00004523
Residuo 9 0.080 0.008889
Total 15 1.290
------------------------------------------------------------------------
CV = 0.98 %

------------------------------------------------------------------------
Teste de normalidade dos residuos valor-
p: 0.3438405
De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos p
odem ser considerados normais.
------------------------------------------------------------------------

------------------------------------------------------------------------
Teste de homogeneidade de variancia valor-
p: 0.7490649
De acordo com o teste de oneillmathews a 5% de significancia, as variancia
s podem ser consideradas homogeneas.
------------------------------------------------------------------------
Teste de Tukey
------------------------------------------------------------------------
Grupos Tratamentos Medias
a 4 9.875
b 2 9.6
b 1 9.575
 b 3 9.45
------------------------------------------------------------------

Conclusão: Por meio do teste de Tukey foi possível identificar que apenas a média 4 difere das
demais. Concluímos então que uma ou mais médias diferem entre si.

Atividade enzimatica de diferentes tipos de produtos, testados em diferentes dias:

> dias<-c(73,68,74,71,73,67,75,72,75,78,78,73,73,71,75,75)
> prod<-factor(rep(1:4,each=4))
> bloc2<-factor(rep(1:4,4))
> bloc2
[1] 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Levels: 1 2 3 4
> ex02<-data.frame(dias,bloc2,prod)
> ex02 dias
bloc2 prod 1
73 1 1
2 68 2 1
3 74 3 1
4 71 4 1
5 73 1 2
6 67 2 2
7 75 3 2
8 72 4 2
9 75 1 3
10 78 2 3
11 78 3 3
12 73 4 3
13 73 1 4
14 71 2 4
15 75 3 4
16 75 4 4
> resid2<-residuals(lm(dias~prod+bloc2),data=ex02)
> resid2
1 2 3 4 5 6 7 8 9
10
11 12 13
1.1875 -1.3125 0.1875 -0.0625 0.9375 -2.5625 0.9375 0.6875 -1.3125
4.1875
-0.3125 -2.5625 -0.8125
14 15 16
-0.3125 -0.8125 1.9375
> #Teste de bartlett
> bartlett.test(resid2~prod,data=ex02)

Bartlett test of homogeneity of variances

data: resid2 by prod

Bartlett's K-squared = 3.3675, df = 3, p-value = 0.3384 ok

> #teste de shapiro

> shapiro.test(resid2)

Shapiro-Wilk normality test

data: resid2
W = 0.95094 , p- value = 0.504 7 ok
> #teste Durbin
> require(lmtest)
> dwtest(lm(dias~prod+bloc2))

Durbin-Watson test

data: lm(dias ~ prod + bloc2)

DW = 2.434, p-value = 0.557 ok
alternative hypothesis: true autocorrelation is greater than 0

> #anova
> ex02<-aov(dias~ bloc2 + prod)
> anova(ex02)
Analysis of Variance Table

Response: dias
Df Sum Sq Mean Sq F value Pr(>F)
bloc2 3 41.688 13.8958 2.9042 0.09376 .
prod 3 51.687 17.2292 3.6009 0.05889 ok .
Residuals 9 43.063 4.7847
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

> #teste tukey

> require(ExpDes.pt)
> dbc(prod, bloc2, dias, quali =TRUE, mcomp="tukey", nl = FALSE,hvar = 'on
eillmathews',sigT=0.05,sigF=0.05)
------------------------------------------------------------------------
Quadro da analise de variancia
------------------------------------------------------------------------
GL SQ QM Fc Pr>Fc
Tratamento 3 51.687 17.2292 3.6009 0.058889
Bloco 3 41.688 13.8958 2.9042 0.093760
Residuo 9 43.063 4.7847
Total 15 136.438
------------------------------------------------------------------------
CV = 2.99 %

------------------------------------------------------------------------
Teste de normalidade dos residuos valor-
p: 0.5046547
De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos p
odem ser considerados normais.
------------------------------------------------------------------------

------------------------------------------------------------------------
Teste de homogeneidade de variancia valor-
p: 0.3967608
De acordo com o teste de oneillmathews a 5% de significancia, as variancia
s podem ser consideradas homogeneas.
------------------------------------------------------------------------
De acordo com o teste F, as medias nao podem ser consideradas diferentes.

Niveis Medias
1 1 71.50
2 2 71.75
3 3 76.00
4 4 73.50
Decisão: De acordo com o teste F, as medias não podem ser consideradas diferentes.
> raçoes<-
c(34.60,47.10,37.30,44.35,64.85,48.35,37.45,20.70,40.35,33.90,59.10,4
9.35,38.10,54.45,48.00,53.70,60.15,63.45,48.65,64.00,56.95,80.65,90.85,84.95)
> TR<-factor(rep(1:6,each=4))
> blocos3<-factor(rep(1:4,6))
> blocos3
[1] 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1
[20] 2 3 4 5 6
Levels: 1 2 3 4 5 6
> ex3<-data.frame(raçoes,blocos3,TR)
> ex3
raçoes blocos3 TR
1 34.60 1 1
2 47.10 2 1
3 37.30 3 1
4 44.35 4 1
5 64.85 1 2
6 48.35 2 2
7 37.45 3 2
8 20.70 4 2
9 40.35 1 3
10 33.90 2 3
11 59.10 3 3
12 49.35 4 3
13 38.10 1 4
14 54.45 2 4
15 48.00 3 4
16 53.70 4 4
17 60.15 1 5
18 63.45 2 5
19 48.65 3 5
20 64.00 4 5
21 56.95 1 6
22 80.65 2 6
23 90.85 3 6
24 84.95 4 6
> residuos3<-residuals(lm(raçoes~TR+blocos3),data=ex3)
> residuos3
1 2 3 4
5 6 7 8 9
10
 -2.8500000 4.1666667 -4.5416667 3.2250000
25.4000000 3.4166667 -6.3916667 -22.4250000
-1.9375000 -13.8708333
11 12 13 14
15 16 17 18 19
20
12.4208333 3.3875000 -7.0750000 3.7916667
-1.5666667 4.8500000 4.4750000 2.2916667
-11.4166667 4.6500000
21 22 23 24
-18.0125000 0.2041667 11.4958333 6.3125000
> #Teste de bartlett
> bartlett.test(residuos3~TR,data=ex3)

Bartlett test of homogeneity of variances

data: residuos3 by TR
Bartlett's K-squared = 7.969, df = 5, p-value = 0.158

> #teste de shapiro

> shapiro.test(residuos3)

Shapiro-Wilk normality test

data: residuos3
W = 0.95316, p-value = 0.3167

> #teste Durbin

> require(lmtest)
> dwtest(lm(raçoes~TR+blocos3))

Durbin-Watson test

data: lm(raçoes ~ TR + blocos3)

DW = 1.9289, p-value = 0.1267
alternative hypothesis: true autocorrelation is greater than 0

> #anova
> ex3<-aov(raçoes~ blocos3 + TR)
> anova(ex3)
Analysis of Variance Table

Response: raçoes
Df Sum Sq Mean Sq F value Pr(>F)
blocos3 3 101.8 33.92 0.2135 0.885494
TR 5 4010.9 802.19 5.0492 0.006531 **
Residuals 15 2383.1 158.88
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Decisão: Há diferença entre as médias, portanto rejeita H0

> dbc(TR, blocos, raçoes, quali =TRUE, mcomp="tukey", nl = FALSE,hvar =

'oneillmat hews',sigT=0.05,sigF=0.05)
-----------------------------------------------------------------------
Quadro da análise de variância
------------------------------------------------------------------------
GL SQ QM Fc Pr>Fc Tratamento 5 4010.9 802.19 5.0492 0.00653 Bloco 3
101.8 33.92 0.2135 0.88549 Resíduo 15 2383.1 158.88 Total 23 6495.8
------------------------------------------------------------------------
CV = 23.98 %
 -----------------------------------------------------------

Teste de normalidade dos residuos valor-p: 0.3167476 De acordo com o

teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser
considerados normais.
------------------------------------------------------------------------
------------------------------------------------------------------------
Teste de homogeneidade de variancia valor-p: 0.4336543 De acordo com o
teste de oneillmathews a 5% de significancia, as variancias podem ser
consideradas homogeneas.
------------------------------------------------------------------------

Teste de Tukey
------------------------------------------------------------------------
Grupos Tratamentos Medias
a 6 78.35
ab 5 59.0625
b 4 48.5625
b 3 45.675
b 2 42.8375
b 1 40.8375
------------------------------------------------------------------------
Decisão: Através do teste de Tukey é possível analisar que as médias 6 e 5 não diferem entre
si, mas difere das médias 1,2,3,4 e 5. Já as médias 1,2,3,4 e 5 são iguais entre si, concluindo
então que as médias das raçoes não são iguais a um nível de significância 5%

> pastoração<-
c(6.10,5.80,3.60,5.30,6.30,10.90,13.75,14.50,11.70,13.10,11.70,16
.28,14.40,15.50,11.60,16.80,14.10,8.60,16.10,14.30)
> tratamentos<-factor(rep(1:4,each=5))
> tratamentos
[1] 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4
Levels: 1 2 3 4
> blocos4<-factor(rep(1:5,4))
> blocos4
 [1] 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
Levels: 1 2 3 4 5
> ex4<-data.frame(pastoração,blocos4,tratamentos)
> ex4
pastoração blocos4 tratamentos
1 6.10 1 1
2 5.80 2 1
3 3.60 3 1
4 5.30 4 1
5 6.30 5 1
6 10.90 1 2
7 13.75 2 2
8 14.50 3 2
9 11.70 4 2
10 13.10 5 2
11 11.70 1 3
12 16.28 2 3
13 14.40 3 3
14 15.50 4 3
15 11.60 5 3
16 16.80 1 4
17 14.10 2 4
18 8.60 3 4
19 16.10 4 4
20 14.30 5 4
> residuos4<-residuals(lm(pastoração~tratamentos+blocos4),data=ex4)
> residuos4
1 2 3 4 5 6 7 8 9
10 11 12 13 14 15 16
0.8265 -0.5810 -0.5735 -0.7485 1.0765 -1.7435 -0.0010 2.9565
-1.7185 0.5065 -2.0495 1.4230 1.7505 0.9755 -2.0995 2.9665
17 18 19 20
-0.8410 -4.1335 1.4915 0.5165
> #Teste de bartlett
> bartlett.test(residuos4~tratamentos,data=ex4)

Bartlett test of homogeneity of variances

data: residuos4 by tratamentos

Bartlett's K-squared = 3.8644, df = 3, p-value = 0.2765

3, p-value = 0.4067
> #teste de shapiro
> shapiro.test(residuos4)

Shapiro-Wilk normality test

data: residuos4
W = 0.97137, p-value = 0.7834

> #teste Durbin

> require(lmtest)
> dwtest(lm(pastoração~tratamentos+blocos4))

Durbin-Watson test

data: lm(pastoração ~ tratamentos + blocos4)

DW = 2.6578, p-value = 0.792
alternative hypothesis: true autocorrelation is greater than 0

> #anova
> ex4<-aov(pastoração~ blocos4 + tratamentos)
> anova(ex4)
 Analysis of Variance Table

Response: pastoração
Df Sum Sq Mean Sq F value Pr(>F)
blocos4 4 11.729 2.932 0.5695 0.6898472
tratamentos 3 252.599 84.200 16.3514 0.0001542 ***
Residuals 12 61.793 5.149
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
---
Signif. codes:
1 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’
0.1 ‘ ’ 1

Conclusão: p-value > 0.05 portanto, rejeita-se H0, portanto aplicamos o teste de Tukey

> dbc(tratamentos, blocos, peso, quali =TRUE, mcomp="tukey", nl =

FALSE,hvar = 'on eillmathews',sigT=0.05,sigF=0.05)
------------------------------------------------------------------------
Quadro da analise de variancia
------------------------------------------------------------------------
GL SQ QM Fc Pr>Fc Tratamento 3 252.60 84.200 16.3514 0.00015 Bloco 4 11.73
2.932 0.5695 0.68985 Residuo 12 61.79 5.149 Total 19 326.12
------------------------------------------------------------------------
CV = 19.7 %
------------------------------------------------------------------------
Teste de normalidade dos residuos valor-p: 0.7834328 De acordo com o teste
de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados
normais.
------------------------------------------------------------------------
------------------------------------------------------------------------
Teste de homogeneidade de variancia valor-p: 0.2745995 De acordo com o
teste de oneillmathews a 5% de significancia, as variancias podem ser
consideradas homogeneas.
------------------------------------------------------------------------
Teste de Tukey
------------------------------------------------------------------------
Grupos Tratamentos Medias
a 4 13.98
a 3 13.896
a 2 12.79
b 1 5.42
------------------------------------------------------------------------
Conclusão: As médias 2,3 e 4 não diferem entre si, já a médias 1 difere das demais.
Concluindo que a efeito dos tratamentos sobre o ganho de peso em ovinos a um nível de
significância 5%
> celulas<-c(5.4,4.0,7.0,5.8,3.5,7.6,5.5,6.0,4.8,6.9,6.4,5.5,9.0,6.8,5.1,
3.9,6.5,5.6,3.9,7.0,5.4)
> drogas<-factor(rep(1:3,each=7))
> drogas
[1] 1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 3 3 3
[20] 3 3
Levels: 1 2 3
> blocos5<-factor(rep(1:7,3))
> blocos5
[1] 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5
[20] 6 7
Levels: 1 2 3 4 5 6 7
> ex5<-data.frame(celulas,blocos5,drogas)
> ex5
celulas blocos5 drogas
1 5.4 1 1
2 4.0 2 1
3 7.0 3 1
4 5.8 4 1
5 3.5 5 1
6 7.6 6 1
7 5.5 7 1
8 6.0 1 2
9 4.8 2 2
10 6.9 3 2
11 6.4 4 2
12 5.5 5 2
13 9.0 6 2
14 6.8 7 2
15 5.1 1 3
16 3.9 2 3
17 6.5 3 3
18 5.6 4 3
19 3.9 5 3
20 7.0 6 3
21 5.4 7 3
> residuos5<-residuals(lm(celulas~drogas+blocos5),data=ex5)
> residuos5
1 2 3
0.14761905 0.01428571 0.44761905
4 5 6
 0.11428571 -0.55238095 -0.01904762
7 8 9
-0.15238095 -0.19523810 -0.12857143
10 11 12
-0.59523810 -0.22857143 0.50476190
13 14 15
0.43809524 0.20476190 0.04761905
16 17 18
0.11428571 0.14761905 0.11428571
19 20 21
0.04761905 -0.41904762 -0.05238095
> #Teste de bartlett
> bartlett.test(residuos5~drogas,data=ex5)

Bartlett test of homogeneity of

variances

data: residuos5 by drogas

Bartlett's K-squared = 2.593, df = 2, p-
value = 0.2735

> #teste de shapiro

> shapiro.test(residuos5)

Shapiro-Wilk normality test

data: residuos5
W = 0.95585, p-value = 0.4367

> #teste Durbin

> require(lmtest)
> dwtest(lm(celulas~drogas+blocos5))

Durbin-Watson test

data: lm(celulas ~ drogas + blocos5)

DW = 1.3793, p-value = 0.05153
alternative hypothesis: true autocorrelation is greater than 0

> #anova
> ex5<-aov(celulas~ blocos5 + drogas)
> anova(ex5)
Analysis of Variance Table

Response: celulas
Df Sum Sq Mean Sq F
value blocos5 6 30.2781 5.0463
34.707 drogas 2 5.2152 2.6076
17.934 Residuals 12 1.7448 0.1454
Pr(>F) blocos5 6.657e-07 ***
drogas 0.0002482 *** Residuals
---
Signif. codes:
1 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’
0.1 ‘ ’ 1

Conclusão: p-value > 0.05 portanto, não rejeita-se H0, não havendo diferença entre os
tratamentos a um nível de significância a 5%.