Escolar Documentos
Profissional Documentos
Cultura Documentos
Comitê Editorial
Editora-Chefe: Sandra Heck
Editor-Superintendente: Valdemir Paiva
Editora Científica: Kelly Miranda
Editor-Coordenador: Everson Ciriaco
Diagramação e Projeto Gráfico: Rafael Chiarelli
Arte da Capa: Paula Zettel
Revisão de Texto: Os autores
14 – REGRESSÃO. . . . . . . . . . . . . . . . . . . . . . 341
14.1. Regressão Linear Simples. . . . . . . . . . . . . . . . . . 343
14.2. Regressão Múltipla . . . . . . . . . . . . . . . . . . . . 355
14.3. Regressão Polinomial. . . . . . . . . . . . . . . . . . . 366
16 – CORRELAÇÃO . . . . . . . . . . . . . . . . . . . . . 403
16.1. Correlação de Pearson e Spearman . . . . . . . . . . . . . . 403
16.2. Correlação Parcial . . . . . . . . . . . . . . . . . . . . 413
16.3. Correlação: Análise de Trilha. . . . . . . . . . . . . . . . . 424
16.4. Correlação Fenotípica, Genotípica e Ambiental . . . . . . . . . . 431
16.5. Correlação Canônica . . . . . . . . . . . . . . . . . . . 439
ESTATÍSTICA DESCRITIVA
12
estatística experimental no rbio
13
estatística experimental no rbio
14
estatística experimental no rbio
66.98 – 81.8 3 50
96.61 – 111.43 0 0
Gráfico 1.1 Histograma realizado com base nos dados da Tabela 1.1.
15
estatística experimental no rbio
16
estatística experimental no rbio
∑
n
xi =1 i x1 + x2 +…+ xn
=x =
n n
75.61 + 87.53
=x = 81.57
2
17
estatística experimental no rbio
123456 7 8 9 10 11 12
18
estatística experimental no rbio
Posição 0 1 2 3 4 5
n −1 6 −1
=K Q1 1=
x 1=
x 1.25
4 4
n −1 6 −1
=K Q 2 2=
x 2=
x 2.5
4 4
n −1 6 −1
=K Q 3 3=
x 3=
x 3.75
4 4
19
estatística experimental no rbio
Posição 0 1 2 3 4 5 6
n +1 6 +1
=K Q1 1=
x 1=
x 1.75
4 4
n +1 6 +1
=K Q 2 2=
x 2=
x 3.5
4 4
n +1 6 +1
=K Q 3 3=
x 3=
x 5.25
4 4
20
estatística experimental no rbio
=R X maior − X menor
21
estatística experimental no rbio
∑ (x − x)
n 2
i
σˆ 2 = i =1
n −1
∑ (x − x)
n 2
i
=s σˆ
= 2 i =1
n −1
22
estatística experimental no rbio
=s 589.89 24.28
=
1 540 531 528 487 424 477 453 439 606 515 500 55
2 505 507 502 499 494 493 500 500 494 506 500 5
23
estatística experimental no rbio
Desvio padrão 55
Erro padrão da média ( Empresa
= 1) = = 17.39
n 10
Desvio padrão 5
Erro padrão da média ( Empresa=
2) = = 1.58
n 10
Empresa 1:
[500– (1.96 x 17.39); 500 + (1.96 x 17.39)] = [465.9; 534.0]
Empresa 2:
[500– (1.96 x 1.58); 500 + (1.96 x 1.58)] = [496.9; 503.0]
24
estatística experimental no rbio
25
estatística experimental no rbio
s 24.28
CV
= (%) =x100 = x100 26.87%
x 90.33
26
estatística experimental no rbio
27
estatística experimental no rbio
# -----------------------------------
# Script 1: Estatísticas Descritivas
# -----------------------------------
# ----------------------
# 1.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
X
# ----------------------
# 1.2- Estatística Descritivas
# ----------------------
# 1.2.1- Resumida
# ----------------------
summary(X)
28
estatística experimental no rbio
# ----------------------
# 1.2.2- Completa
# ----------------------
library(fBasics)
basicStats(X, ci = 0.95)
# ----------------------
# 1.3- Histograma
# ----------------------
hist(X[,3], col=”gray”, main=”Histograma: Eixo x = Variavel “,ylab=”Amplitude”, xlab= colnames(X)[3] )
29
estatística experimental no rbio
ANEXO 1.1: Tabela da Distribuição Normal padrão reduzida (Z~N (0,1)) P(Z<z) e z
positivos.
z 0.0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
30
estatística experimental no rbio
z 0.0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
31
estatística experimental no rbio
Nível de significância
gl 0.1 0.05 0.025* 0.01 0.005
22 1.321 1.717 2.074 2.508 2.819
23 1.319 1.714 2.069 2.500 2.807
24 1.318 1.711 2.064 2.492 2.797
25 1.316 1.708 2.060 2.485 2.787
26 1.315 1.706 2.056 2.479 2.779
27 1.314 1.703 2.052 2.473 2.771
28 1.313 1.701 2.048 2.467 2.763
29 1.311 1.699 2.045 2.462 2.756
30 1.310 1.697 2.042 2.457 2.750
40 1.303 1.684 2.021 2.423 2.704
50 1.299 1.676 2.009 2.403 2.678
60 1.296 1.671 2.000 2.390 2.660
120 1.289 1.658 1.980 2.358 2.617
∞ 1.282 1.645 1.960 2.326 2.576
* mais usada. Entra-se com α/2; portanto se deseja teste a 5%, entra com 0.05/2=0.025
32
2
33
estatística experimental no rbio
34
estatística experimental no rbio
experimento. Isso faz com que não existam tratamentos que sejam
beneficiados por estarem em uma área mais favorável.
O controle local é comumente utilizado na experimentação, po-
rém no experimento no delineamento inteiramente ao acaso ele não está
presente, existindo apenas a repetição. O controle local permite aumen-
tar a precisão experimental. Pode-se exemplificar a avaliação de doença
num experimento feito por duas pessoas diferentes. Isso poderia levar a
uma não homogeneidade dos dados, e assim, cada pessoa poderia ser
considerada um bloco. Normalmente em experimentos agronômicos
o pesquisador determina o bloco como sendo uma área experimental
homogênea, seja por quantidade de nutriente recebido, declividade de
solo, ou outro fator que é de conhecimento a priori. Portanto, o impor-
tante é que a variação dentro do bloco seja a menor possível, podendo
as variações entre blocos serem grandes ou pequenas. Delineamentos
que possuem controle local são chamados delineamentos em blocos
ao acaso ou casualizados e serão tratados em capítulos posteriores. O
bloco não é simplesmente uma repetição, pois ele invoca os princípios
de repetição e controle local ao mesmo tempo.
O que se deseja com a experimentação é descrever da melhor
maneira possível o fenômeno de interesse. O planejamento experimen-
tal permite eficiência e economia no processo experimental e o uso de
métodos estatísticos na análise dos dados obtidos resulta em conclusões
mais objetivas. É de extrema importância que o pesquisador conheça
bem a espécie com que irá trabalhar, para realizar os tratos culturais
adequados, como também conhecer as variáveis de interesse. É prática
comum e errônea montar experimentos sem saber ao certo o objetivo
do experimento. A primeira coisa a se fazer é ter claro o objetivo que
se deseja. A partir desse momento, deve-se planejar o melhor arranjo
experimental para auxiliar na resposta acerca da questão chave do ob-
jetivo. Monta-se o experimento com todas as variáveis de interesse já
definidas. Faz-se a coleta dos dados, e a partir daí realiza-se a análise dos
dados, para concluir sobre a questão definida no objetivo.
35
3
Yij=m + ti + eij
em que:
Yij é o valor observado relativo à parcela que recebe o trata-
mento i na repetição j
m é a média geral do experimento
ti é o efeito do tratamento i
eij é o erro aleatório, ou seja, contribuição ao acaso da variação
devida a fatores não controlados.
36
estatística experimental no rbio
Com base nos itens ii, iii e iv, normalmente se parte do princípio
de que os erros são aleatórios, independentes e normalmente distri-
buídos com média zero e variância σ2 e representado por eij ~ N (0, σ2).
Segundo Pimentel-Gomes (2000) estas hipóteses parecem muito
restritivas, mas não o são, pois em geral não há grande importância que
se verifiquem apenas aproximadamente. Por exemplo, os testes t e F
não se alteram muito se a distribuição for apenas aproximadamente
normal ou que se afaste bastante da normalidade. Do mesmo modo, a
desigualdade das variâncias traz problemas mais sérios, mas não deve
ser encarada com excessivo rigor, pois normalmente estas não são muito
grandes em sua maioria. Para verificar tal fato usa-se o teste de Bartlett
e o de F máximo que serão exemplificados mais adiante, mas desde já
se chama a atenção para o fato destes serem muito sensíveis à falta de
normalidade. Para caso de excessiva heterogeneidade das variâncias ou
não aditividade do modelo, pode-se tentar a transformação da variável
em estudo ou usar métodos não paramétricos de análise.
Considere um experimento simulado em delineamento em
blocos ao acaso segundo o modelo matemático Yij=m + bj + ti + eij. Os
dados deste experimento são apresentados na Tabela 3.1, e serão
testadas as pressuposições da análise de variância.
37
estatística experimental no rbio
( )( )
2
t Y Yi. − Y.. Y. j − Y..
∑ i 1∑
r
SQNA = = =j 1 ij
t
(Y − Y ) x ∑ (Y − Y.. )
2 2
∑
r
i.
=i 1 = .. j 1 .j
( )( )
2
n =∑ ∑ Y Yi. − Y.. Y. j − Y..
t r
SQNA = i 1 =j 1 ij
[ SQTxSQB ]
38
estatística experimental no rbio
SQErro − SQNA
QMRNA =
GLErro − 1
2
t r
( )(
∑∑Yij Yi. − Y.. Y. j − Y.. )
=i 1 =j 1
2
( 66.98 ) x ( 71.295 − 90.3333) x ( 84.20667 − 90.3333)
+ ( 75.61) x ( 71.295 − 90.3333) x ( 96.46 − 90.3333)
+ (113.77 ) x (120.005 − 90.3333) x ( 84.20667 − 90.3333)
= = 57640.7447
+ (126.24 ) x (120.005 − 90.3333) x ( 96.46 − 90.3333)
+ ( 71.87 ) x ( 79.7 − 90.3333) x ( 84.20667 − 90.3333)
+ ( 87.53) x ( 79.7 − 90.3333) x ( 96.46 − 90.3333)
39
estatística experimental no rbio
∑ (Y − Y )=
2
( 71.295 − 90.3333) + (120.005 − 90.3333)
2 2
i. ..
i =1
+ ( 79.7 − 90.3333) =
2
1355.933717
∑ (Y )
2
(84.20667 − 90.3333)
2
.j Y..
−= +
j =1
( 96.46 − 90.3333)
2
75.07209
=
SQNA 57640.7447
= 0.5663
(1355.933717 x75.07209 )
Alternativamente tem-se:
( )
2
SQB t ∑ Y. j − Y..
=
j =1
( )
2
SQT r ∑ Yi. − Y..
=
i =1
t r
∑∑ (Y )
2
SQTotal
= ij − Y..
=i 1 =j 1
40
estatística experimental no rbio
41
estatística experimental no rbio
ei
Zi =
QMR
66.98 − 71.295
Z11 = = −1.7329
6.20
75.61 − 71.295
=Z12 = 1.7329
6.20
113.77 − 120.005
Z 21 = = −2.5040
6.20
126.24 − 120.005
=Z 22 = 2.5040
6.20
71.87 − 79.7
Z 31 = = −3.1446
6.20
87.53 − 79.7
=Z 32 = 3.1446
6.20
42
estatística experimental no rbio
Gráfico 3.1. Dispersão gráfica dos valores Zi obtidos com base nos dados da Tabela 3.1.
∑ (e − e )
T 2
t t −1
d= t =2
∑ (e )
T 2
t =1 t
43
estatística experimental no rbio
113.77 2 23.43666667 0 0 0
126.24 2 35.90666667 0 0 0
Dessa forma pode-se obter os valores de B0 e B1, que são dados por:
cov ( x, y ) ∑ xi yi 16.81
Bˆ1
= = = = 4.2025
v ( x) ∑ xi2 4
Bˆ0 =−
Y Bˆ1 X =
90.33 − ( 4.2025 x 2 ) =
81.92
44
estatística experimental no rbio
∑ (e − e )
2
t t −1 =
t =2
∑ (e )
2
t =
t =1
d = 1.7573
45
estatística experimental no rbio
(y )
2
ni
ij − yi.
si2 = ∑
j =1 ni − 1
1 k
=sP2 ∑ ( ni − 1) si2
N − k i =1
k
( N − k ) *ln( s ) − ∑[( ni − 1) *ln si2 ]
q= 2
P ( )
i =1
1 k 1 1
1+
c= ∑ −
3 ( k − 1) i =1 ni − 1 N − k
46
estatística experimental no rbio
então
q
B0 =
c
sendo que
H0 é a igualdade das variâncias e B0 tem distribuição assintótica
de qui-quadrado com k-1 graus de liberdade. Portanto, se B0 > χ2(alfa; k-1),
rejeita-se H0.
Para o conjunto de dados apresentados na Tabela 3.1, o cálculo
do teste de Bartlett é:
47
estatística experimental no rbio
1 1 1 1 1
1+
c= + + − 1.4444
=
3 ( 3 − 1) 2 − 1 2 − 1 2 − 1 6 − 3
0.336095
=B0 = 0.23268
1.4444
48
estatística experimental no rbio
Simetria
3
1 Xi − X
Simetria= ∑
n s
Simetria = + + = 0.4295
6 24.28775 24.28775
3 3
+ 71.87 − 90.3333 + 87.53 − 90.3333
24.28775 24.28775
49
estatística experimental no rbio
Curtose
4
1 Xi − X
Curtose =∑ −3
n s
50
estatística experimental no rbio
Curtose = + + − 3 =−1.8386
6 24.28775 24.28775
4 4
+ 71.87 − 90.3333 + 87.53 − 90.3333
24.28775 24.28775
eij = X ij − X i. − X . j + X ..
51
estatística experimental no rbio
Em que:
X . j : Média da repetição j em que a observação pertence
X .. : Média Geral da variável
Xi − µ
zi = , em que:
σ
52
estatística experimental no rbio
em que:
ni = número de valores observados em ordem crescente ≤ zi;
n = número total de observações da amostra.
D = máximo |F(zi) - S(zi)|.
O teste é bilateral, como segue:
H0: é razoável estudar os dados através da distribuição normal;
Ha: não é razoável estudar os dados através da distribuição normal.
x −x
x
(ordenados)
Fn ( x ) F
= ( x ) P z( i ) ≤ ( i )
s
( ) ( )
F x( i ) − Fn x( i ) ( ) (
F x( i ) − Fn x( i −1) )
1 x −x
x(1)
n
F
= ( x ) P z(1) ≤ (1)
s
( )
F x(1) − Fn x(1) ( ) ( )
F x(1) − 0
x −x
x( 2) 2
n
F
= ( x ) P z( 2) ≤ ( 2)
s
( )
F x( 2) − Fn x( 2)( ) ( )
F x( 2) − Fn x(1) ( )
... ... ... ... ...
x( n−1) − x
x( n−1) n −1
n
F ( x ) P z( n−1) ≤
=
s
( ) (
F x( n−1) − Fn x( n−1) ) ( ) (
F x( n−1) − Fn x( n− 2) )
x( n ) − x
x( n ) 1 F ( x ) P z( n ) ≤
=
s
( ) ( )
F x( n ) − Fn x( n ) ( ) (
F x( n ) − Fn x( n −1) )
53
estatística experimental no rbio
xi −x
O valor de P z( ) ≤ ( ) s é encontrado na tabela da distribuição
i
normal padrão (ANEXOS 3.4 e 3.5).
Por exemplo, considerando os dados da Tabela 3.5, cujo desvio
padrão (s) dos resíduos é = 1.574194, e a primeira linha da Tabela 3.7
abaixo, tem-se que:
−1.811 − 0
( x ) P z(1) ≤
F=
=
1.57
(
P z(1) ≤ −1.153 )
= 0.1246
54
estatística experimental no rbio
x −x
x (ordenados) Fn ( x ) F
= ( x ) P z( i ) ≤ ( i )
s
( ) ( )
F x( i ) − Fn x( i ) ( ) (
F x( i ) − Fn x( i −1) )
1 −1.811 − 0
-1.811 = 0.1667 F ( x) =
P z(1) ≤ =0.1246 0.1246 − 0.1667 =
0.0419 0.1246 − 0 =
0.1246
6 1.57
2 −1.703 − 0
-1.703 = 0.3333 F ( x) =
P z( 2) ≤ =0.1393 0.1393 − 0.3333 =
0.1937 0.1393 − 0.1667 =
0.0272
6 1.57
3 −0.108 − 0
-0.108 = 0.5 F ( x) =
P z( 3) ≤ =0.4999 0.4999 − 0.5 =
0.0001 0.4999 − 0.3333 =
0.1666
6 1.57
4 0.108 − 0
0.108 = 0.6667 F ( x) =
P z( 4) ≤ =0.50 0.50 − 0.6667 =
0.1666 0.50 − 0.5 =
0.0
6 1.57
5 1.703 − 0
1.703 = 0.8333 F ( x) =
P z( 5) ≤ =0.8606 0.8606 − 0.8333 =
0.0272 0.8606 − 0.6667 =
0.1937
6 1.57
6 1.811 − 0
1.811 =1 F ( x) =
P z( 6) ≤ =0.8753 0.8753 − 1 =0.1246 0.8753 − 0.8333 =
0.0419
6 1.57
Teste de Shapiro-Wilk
b2
W=
( x( ) − x )
2
∑
n
i =1 i
55
estatística experimental no rbio
n2
∑ ( )
a( n −i +1) x x( n −i +1)− x( i ) se n é par
b= i = 1
( n +1) /2
( )
∑ a( n −i +1) x x( n −i +1)− x( i ) se n é ímpar
i =1
56
estatística experimental no rbio
1.7033
1.8116
3.30502
=W = 0.8816
12.3904
e=
ij X ij − X i.
Em que:
eij : resíduo da observação ij do tratamento i na repetição j
X ij : Valor observado pela variável no tratamento i na repetição j
X i. : Média do tratamento i em que a observação pertence
57
estatística experimental no rbio
eij = X ij − X i. − X . j + X ..
Em que:
X . j : Média da repetição j em que a observação pertence
X .. : Média Geral da variável
Uma opção gráfica importante é o diagrama de dispersão do re-
síduo versus valor predito. Com base nesse valor pode-se inferir sobre:
• Heterocedasticidade de ɛi
• Detectar prováveis dados atípicos
58
estatística experimental no rbio
(a)
(b)
59
estatística experimental no rbio
(c)
(d)
Figura 3.3. Dispersão gráfica dos resíduos e valores preditos em diferentes cenários.
60
estatística experimental no rbio
61
estatística experimental no rbio
Gráfico 3.2. Dispersão gráfica dos valores dos resíduos preditos e preditos com
base nos dados da Tabela 3.1 e delineamento inteiramente ao acaso.
62
estatística experimental no rbio
1
1−
1 66.98 2 = 0.083 -1.38
6
1
2−
2 71.87 2 = 0.25 -0.675
6
1
3−
3 75.61 2 = 0.416 -0.21
6
1
4−
4 87.53 2 = 0.583 0.21
6
63
estatística experimental no rbio
1
j−
j x (ordenados) 2 Z(j)
n
1
5−
5 113.77 2 = 0.75 0.675
6
1
6−
6 126.24 2 = 0.916 1.38
6
Gráfico 3.3. Quantil-qualtin (Q-Q) plot considerando o exemplo com base nos
dados da Tabela 3.1.
64
estatística experimental no rbio
65
estatística experimental no rbio
Tabela 3.12. Razão entre maior e menor amplitude de médias de forma a auxiliar
na transformação de dados, considerando os dados da Tabela 3.1.
Tratamentos Log (dados) Raiz (dados)
66
estatística experimental no rbio
67
estatística experimental no rbio
68
estatística experimental no rbio
69
estatística experimental no rbio
# -----------------------------------
# Script 2: Pressuposições da ANOVA
# -----------------------------------
# ----------------------
# 2.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
X
Trat Rep Variavel
1 1 1 66.98
2 1 2 75.61
3 2 1 113.77
4 2 2 126.24
5 3 1 71.87
6 3 2 87.53
# ----------------------
# 2.2- Anova DBC
# ----------------------
Trat<-as.factor(X[,1])
Rep<-as.factor(X[,2])
Modelo<-aov(X[,3]~Rep+Trat)
anova<-anova(Modelo)
anova
Analysis of Variance Table
Response: X[, 3]
Df Sum Sq Mean Sq F value Pr(>F)
Rep 1 225.22 225.22 36.353 0.026422 *
Trat 2 2711.87 1355.93 218.868 0.004548 **
Residuals 2 12.39 6.20
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# ----------------------
# 2.3- Teste de não aditividade
# ----------------------
#install.packages(“agricolae”)
library(agricolae)
df<-df.residual(Modelo)
MSerror<-deviance(Modelo)/df
nonadditivity(X[,3], Trat, Rep, df, MSerror)
Tukey’s test of nonadditivity
Analysis of Variance Table
Response: residual
Df Sum Sq Mean Sq F value Pr(>F)
Nonadditivity 1 0.5663 0.5663 0.0479 0.8628
Residuals 1 11.8242 11.8242
# ----------------------
# 2.4- Independência dos erros
# ----------------------
Y<-X[,3]
regressao<-lm(Y~X[,1])
print(summary(regressao))
70
estatística experimental no rbio
Call:
lm(formula = Y ~ X[, 1])
Residuals:
1 2 3 4 5 6
-19.151 -10.521 23.437 35.907 -22.666 -7.006
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 81.928 28.977 2.827 0.0475 *
X[, 1] 4.202 13.414 0.313 0.7697
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 26.83 on 4 degrees of freedom
Multiple R-squared: 0.02395,Adjusted R-squared: -0.2201
F-statistic: 0.09816 on 1 and 4 DF, p-value: 0.7697
AnalRes <- aov(Y ~ X[,1])
AnalRes
Call:
aov(formula = Y ~ X[, 1])
Terms:
X[, 1] Residuals
Sum of Squares 70.644 2878.830
Deg. of Freedom 1 4
Residual standard error: 26.82737
Estimated effects may be unbalanced
par(mfrow=c(2,2))
plot(AnalRes)
#install.packages(“car”)
library(car)
durbinWatsonTest(lm(Y~X[,1]))
lag Autocorrelation D-W Statistic p-value
1 0.04911042 1.757333 0.348
Alternative hypothesis: rho != 0
71
estatística experimental no rbio
# ----------------------
# 2.5- Homogeneidade de Variância
# ----------------------
cat(“\n”, “Teste de Homogeneidade de variancias de Bartlett”,”\n”)
Teste de Homogeneidade de variancias de Bartlett
testeH<- bartlett.test(X[,3]~Trat, data = X)
print(testeH)
Bartlett test of homogeneity of variances
data: X[, 3] by Trat
Bartlett’s K-squared = 0.23268, df = 2, p-value =
cat(“\n”, “Teste de Homogeneidade de variancias de Bartlett”,”\n”)
Teste de Homogeneidade de variancias de Bartlett
testeH<- bartlett.test(X[,3]~Trat, data = X)
print(testeH)
Bartlett test of homogeneity of variances
data: X[, 3] by Trat
Bartlett’s K-squared = 0.23268, df = 2, p-value =
0.8902
# ----------------------
# 2.6- Normalidade dos erros
# ----------------------
# 2.6.1- Simetria
# ----------------------
#install.packages(“e1071”)
require(e1071)
dados<-X[,3]
skewness(dados,type=3)
[1] 0.429522
# ----------------------
# 2.6.2- Curtose
# ----------------------
kurtosis(dados,type=3)
[1] -1.838679
# ----------------------
# 2.6.3- Teste Lilliefors
# ----------------------
#install.packages(“nortest”)
library(nortest)
resid<-residuals(Modelo)
# Testes
# Lilliefors
t2 <- lillie.test(resid) # Lilliefors
t2
Lilliefors (Kolmogorov-Smirnov) normality test
data: resid
D = 0.19371, p-value = 0.6842
# ----------------------
# 2.6.4- Teste Shapiro-Wilks
# ----------------------
#Shapiro-Wilks
t3 <- shapiro.test(resid) # Shapiro-Wilk
t3
Shapiro-Wilk normality test
data: resid
W = 0.88163, p-value = 0.2766
72
estatística experimental no rbio
73
estatística experimental no rbio
74
estatística experimental no rbio
75
estatística experimental no rbio
76
estatística experimental no rbio
ANEXO 3.4: Tabela da Distribuição Normal padrão reduzida (Z~N (0,1)) P(Z<z) e z
positivos.
z 0.0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
77
estatística experimental no rbio
z 0.0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
ANEXO 3.5: Tabela da Distribuição Normal padrão reduzida (Z~N (0,1)) P(Z<z) e z
negativos.
z 0.0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641
-0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247
-0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
-0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483
-0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121
-0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776
-0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451
-0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148
-0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867
-0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611
-1.0 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379
-1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
-1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985
-1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
-1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681
-1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559
78
estatística experimental no rbio
z 0.0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
-1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455
-1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367
-1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
-1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233
-2.0 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183
-2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143
-2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110
-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084
-2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064
-2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048
-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036
-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026
-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019
-2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
-3.0 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.0010
-3.1 0.0010 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007
-3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005
-3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003
-3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002
-3.5 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002
-3.6 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.7 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.8 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.975 0.995 21 0.2872 0.3443 41 0.2076 0.249 61 0.1709 0.2051 81 0.1487 0.1784
2 0.8419 0.9293 22 0.2809 0.3367 42 0.2052 0.2461 62 0.1696 0.2034 82 0.1478 0.1773
3 0.7076 0.829 23 0.2749 0.3295 43 0.2028 0.2433 63 0.1682 0.2018 83 0.1469 0.1763
4 0.6239 0.7342 24 0.2693 0.3229 44 0.2006 0.2406 64 0.1669 0.2003 84 0.146 0.1752
5 0.5633 0.6685 25 0.264 0.3166 45 0.1984 0.238 65 0.1657 0.1988 85 0.1452 0.1742
79
estatística experimental no rbio
n 5% 1% n 5% 1% n 5% 1% n 5% 1% n 5% 1%
6 0.5193 0.6166 26 0.2591 0.3106 46 0.1963 0.2354 66 0.1644 0.1973 86 0.1444 0.1732
7 0.4834 0.5758 27 0.2544 0.305 47 0.1942 0.233 67 0.1632 0.1958 87 0.1435 0.1722
8 0.4543 0.5418 28 0.2499 0.2997 48 0.1922 0.2306 68 0.162 0.1944 88 0.1427 0.1713
9 0.43 0.5133 29 0.2457 0.2947 49 0.1903 0.2283 69 0.1609 0.193 89 0.1419 0.1703
10 0.4092 0.4889 30 0.2417 0.2899 50 0.1884 0.226 70 0.1597 0.1917 90 0.1412 0.1694
11 0.3912 0.4677 31 0.2379 0.2853 51 0.1866 0.2239 71 0.1586 0.1903 91 0.1404 0.1685
12 0.3754 0.449 32 0.2342 0.2809 52 0.1848 0.2217 72 0.1576 0.189 92 0.1396 0.1676
13 0.3614 0.4325 33 0.2308 0.2768 53 0.1831 0.2197 73 0.1565 0.1878 93 0.1389 0.1667
14 0.3489 0.4176 34 0.2274 0.2728 54 0.1814 0.2177 74 0.1554 0.1865 94 0.1382 0.1658
15 0.3376 0.4042 35 0.2242 0.269 55 0.1798 0.2157 75 0.1544 0.1853 95 0.1375 0.1649
16 0.3273 0.392 36 0.2212 0.2653 56 0.1782 0.2138 76 0.1534 0.1841 96 0.1368 0.1641
17 0.318 0.3809 37 0.2183 0.2618 57 0.1767 0.212 77 0.1524 0.1829 97 0.1361 0.1632
18 0.3094 0.3706 38 0.2154 0.2584 58 0.1752 0.2102 78 0.1515 0.1817 98 0.1354 0.1624
19 0.3014 0.3612 39 0.2127 0.2552 59 0.1737 0.2084 79 0.1505 0.1806 99 0.1347 0.1616
20 0.2941 0.3524 40 0.2101 0.2521 60 0.1723 0.2067 80 0.1496 0.1795 100 0.134 0.1608
ANEXO 3.7: Tabela com constantes geradas pelas médias, variâncias e covariâncias
da estatística de uma amostra de tamanho n de uma distribuição normal a ser
aplicada no teste de Shapiro Wilk.
i\n 2 3 4 5 6 7 8 9 10 11 12 13
1 0.7071 0.7071 0.6872 0.6646 0.6431 0.6233 0.6062 0.5888 0.5739 0.5601 0.5475 0.5359
2 0.1677 0.2413 0.2806 0.3031 0.3164 0.3244 0.3291 0.3315 0.3325 0.3325
3 0.0875 0.1401 0.1743 0.1976 0.2141 0.2260 0.2347 0.2412
4 0.0561 0.0947 0.1224 0.1429 0.1586 0.1707
5 0.0399 0.0695 0.0922 0.1099
6 0.0303 0.0539
80
estatística experimental no rbio
81
4
DELINEAMENTO EXPERIMENTAL
INTEIRAMENTE CASUALIZADO
82
estatística experimental no rbio
T1 T2
T3 T2
T1 T3
Yij = m + ti + eij
em que:
Yij é o valor observado relativo à parcela que recebe o trata-
mento i na repetição j, sendo i =1, 2, ..., t e j= 1, 2, ..., r.
m é a média geral do experimento
ti é o efeito do tratamento i
eij é o erro aleatório associado a observação ij, ou seja, contri-
buição ao acaso da variação devido a fatores não controlados.
83
estatística experimental no rbio
Em que:
t r
SQTotal
= ∑∑Y
=i 1 =j 1
ij
2
−C
1 t 2
SQTrat
= ∑Yi. − C
r i =1
t r
1 t 2
SQRes = SQTotal − SQTrat = ∑∑Yij 2 −
=i 1 =j 1
∑Yi.
r =i 1
Y..2
eC= é denominada Correção.
tr
84
estatística experimental no rbio
r
1 Y11 Y12 Y1. = ∑Y j =1
1j Ȳ1.
r
2 Y21 Y22 Y2. = ∑Y j =1
2j Ȳ2.
r
3 Y31 Y32 Y3. = ∑Y j =1
3j Ȳ3.
t r
Total Y.1 Y.2 Y.. = ∑∑Yij
=i 1 =j 1
85
estatística experimental no rbio
Y..2 5422
C
= = = 48960.67
tr 3x2
t r
SQTotal
= ∑∑Y
=i 1 =j 1
ij
2
C 66.982 + 75.612 + 113.77 2
−=
1 t 2 1
SQ=
Trat ∑
r i =1
Yi. =
2
(
− C x 142.592 + 240.012 + 159.42
)
−48960.6 = 2711.867
86
estatística experimental no rbio
QM Trat SQ
= =Trat / 2 2711.867
= / 2 1355.9
QM Res SQ
= =Res / 3 237.6067
= / 3 79.2
Total 5 2949.474
*: significativo a 5% de probabilidade pelo teste F.
87
estatística experimental no rbio
1 1
Acurácia = 1 − = 1− = 0.9703
F 17.11
∑
t 2
S
i =1 i
σˆ QMR
= =2
88
estatística experimental no rbio
σˆ 2 = QMR
QMT-QMR
σˆ g2 =
r
89
estatística experimental no rbio
1 QMT
σˆ 2f =σˆ g2 + σˆ 2 =
r r
tendo-se:
2
σˆ g2
h =
σˆ 2
+ σˆ g2
r
σˆ g2
h2 =
QMT
r
90
estatística experimental no rbio
QMT-QMR 1355.9-79.2
=σˆ g2 = = 638.35
r 2
2
σˆ g2
638.35
=h = = 0.9415
= 94.15%
QMT 1355 / 2
r
sendo
Yij − E (Yij ) =
gi + ε ij
então
91
estatística experimental no rbio
V (Yij =
) V (Yij' =) V ( m + gi + eij )
V ( gi ) + V ( eij ) + 2 cov( gi, eij ) =+
= σ 2 σ g2
Assim
92
estatística experimental no rbio
σˆ g2 638.35
r= 2
= = 0.8896
σˆ + σˆ g 79.2 + 638.35
2
93
estatística experimental no rbio
94
estatística experimental no rbio
95
estatística experimental no rbio
# -----------------------------------
# Script 3: Delineamento Inteiramente ao acaso (DIC)
# -----------------------------------
# ----------------------
# 3.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
X
Trat Rep Variavel
1 1 1 66.98
2 1 2 75.61
3 2 1 113.77
4 2 2 126.24
5 3 1 71.87
6 3 2 87.53
# ----------------------
# 3.2- ANOVA DIC
# ----------------------
Trat<-as.factor(X[,1])
Bloco<-as.factor(X[,2])
saida<-aov(X[,3]~Trat)
print(summary(saida))
Df Sum Sq Mean Sq F value Pr(>F)
Trat 2 2711.9 1355.9 17.12 0.0229 *
Residuals 3 237.6 79.2
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# ----------------------
# 3.3- Estatísticas Gerais
# ----------------------
cat(“-----Estatisticas Gerais:”,”\n”)
-----Estatisticas Gerais:
cv (%): 9.851915
96
estatística experimental no rbio
97
estatística experimental no rbio
98
5
DELINEAMENTO EXPERIMENTAL
EM BLOCOS AO ACASO
99
estatística experimental no rbio
Bloco 1 Bloco 2
T1 T2
T3 T1
T2 T3
em que:
Yij é o valor observado relativo à parcela que recebe o trata-
mento i no bloco j, sendo i =1, 2, ..., t e j= 1, 2, ..., r.
m é a média geral do experimento
100
estatística experimental no rbio
ti é o efeito do tratamento i
bj é o efeito do bloco j
eij é o erro aleatório associado a observação ij, ou seja, contri-
buição ao acaso da variação devido a fatores não controlados.
Em que:
t r
SQTotal
= ∑∑Y
=i 1 =j 1
ij
2
−C
1 t 2
SQTrat
= ∑Yi. − C
r i =1
1 r 2
SQ
= Bloco ∑Y. j − C
t i =1
101
estatística experimental no rbio
Y..2
eC= é denominada por correção.
tr
r
1 Y11 Y12 Y1. = ∑Y j =1
1j Ȳ1.
r
2 Y21 Y22 Y2. = ∑Y j =1
2j Ȳ2.
r
3 Y31 Y32 Y3. = ∑Y j =1
3j Ȳ3.
t t t r
Total Y.1 = ∑Yi1 Y.2 = ∑Yi 2 Y.. = ∑∑Yij
i =1 i =1 =i 1 =j 1
102
estatística experimental no rbio
Y..2 5422
C
= = = 48960.67
tr 3.2
t r
SQTotal
= ∑∑Y
=i 1 =j 1
ij
2
C 66.982 + 75.612 + 113.77 2
−=
1 t 2 1
SQ=
Trat ∑
r i =1
Yi. =
2
(
− C x 142.592 + 240.012 + 159.42
)
−48960.6 = 2711.867
1 r 2 1
SQBlocos
= ∑
t j =1
Y. j . =
3
(
− C x 252.622 + 289.382
)
−48960.6 = 225.283
QM Trat SQ
= =Trat / 2 2711.867
= / 2 1355.9
QM Blocos SQ
= =Blocos /1 225.283
= /1 225.283
QM Res SQ
= =Res / 2 12.3237
= / 2 6.2
103
estatística experimental no rbio
Total 5 2949.474
*: significativo a 5% de probabilidade pelo teste F.
1 1
Acurácia = 1 − = 1− = 0.9977
F 218.87
104
estatística experimental no rbio
QMT-QMR
σˆ g2 =
r
σˆ 2 = QMR
σˆ g2
h2 =
σˆ 2
+ σˆ g2
r
sendo
105
estatística experimental no rbio
Vˆ (Yij=
) Vˆ (Yij=
') σˆ 2 + σˆ g2
σˆ g2
Assim, tem-se r =
σˆ + σˆ g2
Sabe-se também que:
V (Yij =
) V (Yij' =) V ( m + gi + bj + eij )
= V ( gi ) + V ( bj ) + V ( eij ) + 2 cov( gi, eij )
σ 2 + σ g2
+2 cov( gi, bj ) + 2 cov(bj , eij ) =
Assim
106
estatística experimental no rbio
logo,
σˆ 2 = QMR= 6.2
107
estatística experimental no rbio
σˆ g2 674.86
=h2 = = 99.54%
QMT / r (1355.9 / 2 )
σˆ g2 674.86
=r = = 0.9909
σˆ + σˆ g 6.2 + 674.85
2 2
=ER
QM Erro DIC
=
( r − 1) QM Blocos + r ( t − 1) QM Erro
QM Erro DBC ( rt − 1) QM Erro
=ER
( 2 − 1) 225.283 + 2 ( 3=
− 1) 6.2 250.083
= 8.067
( 6 − 1) 6.2 10.08
108
estatística experimental no rbio
1( 225.283) + 2 ( 6.2 )
QM Res DIC
= = 79.22
1+ 2
e a ER é dada por:
79.22 x (1 + 1) x ( 3 + 3)
ER ( DBC , DIC )
= = 9.58
6.2 x (1 + 3) x ( 3 + 1)
109
estatística experimental no rbio
110
estatística experimental no rbio
# -----------------------------------
# Script 4: Delineamento Blocos ao acaso (DBC)
# -----------------------------------
# ----------------------
# 4.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
X
# ----------------------
# 4.2- ANOVA DBC
# ----------------------
Trat<-as.factor(X[,1])
Bloco<-as.factor(X[,2])
saida<-aov(X[,3]~Bloco+Trat)
print(summary(saida))
# ----------------------
# 4.3- Estatísticas Gerais
# ----------------------
cat(“-----Estatisticas Gerais:”,”\n”)
-----Estatisticas Gerais:
cv (%): 2.755372
111
estatística experimental no rbio
112
estatística experimental no rbio
v2 \ v1 1 2 3 4 5 6 7 8 9 10
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32
22 4.3 3.44 3.05 2.82 2.66 2.55 2.46 2.4 2.34 2.3
23 4.28 3.42 3.03 2.8 2.64 2.53 2.44 2.37 2.32 2.27
24 4.26 3.4 3.01 2.78 2.62 2.51 2.42 2.36 2.3 2.25
25 4.24 3.39 2.99 2.76 2.6 2.49 2.4 2.34 2.28 2.24
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.2
28 4.2 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19
29 4.18 3.33 2.93 2.7 2.55 2.43 2.35 2.28 2.22 2.18
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16
35 4.12 3.27 2.87 2.64 2.49 2.37 2.29 2.22 2.16 2.11
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08
113
6
COMPONENTES DE VARIÂNCIA
E a covariância:
114
estatística experimental no rbio
115
estatística experimental no rbio
E ( QMT=) σ 2 + rσ g2
116
estatística experimental no rbio
E ( QMR ) = σ 2
σˆ 2 = QMR
QMT-QMR
σˆ g2 =
r
E(gi) = gi
117
estatística experimental no rbio
E(gi) = gi
( )
E gi2 = g i2
E ( gi ) = 0
( )
E gi2 =σ g2
E ( g i ,g i ´ ) = 0
118
estatística experimental no rbio
Somatórios
Tabela 6.1 Valores obtidos para a produção de cinco genótipos avaliados em quatro
blocos.
Genótipos Bloco 1 Bloco 2 Bloco 3 Bloco 4 Total
Total B1 B2 B3 B4 T
119
estatística experimental no rbio
∑
r
Gi= Y=
i. Y
j =1 ij
∑
g
Bj
= Y=
.j Y
i =1 ij
e,
∑ i 1Y= ∑ j 1Y= ∑ i 1∑ j 1 ij
g r g r
T= Y
=
=
.. =
i. .=
j =
Y
∑ aY = a ∑ Y
g g
ij
=i 1 = i 1 ij
∑ (Y )= ∑ i 1Y=
ij + ∑ i 1X ij
g g g
=i 1 ij + X ij=
( ∑=
X )
2
∑ X i2 + 2∑ i < ∑ j X i X j
n n n n
i
=i 1 = i 1
120
estatística experimental no rbio
Variâncias:
Covariância
121
estatística experimental no rbio
122
estatística experimental no rbio
FV GL GL expandidos
Bloco/Ambiente (r - 1)a ra –a
GxA (g - 1) (a -1) ga - a - g + 1
Total rga – 1
123
estatística experimental no rbio
1
a Y. j . gr ∑ Y.j.2
gr j
1
g Yi.. ar ∑ Yi..2
ar i
1
ga Yij . r ∑ ∑ Yij.2
r i j
1
gr Yi.k a ∑ ∑ Yi.k2
a i k
1
ar Y. jk g ∑ j ∑ kY.jk2
g
gar Yijk 1 ∑∑ ∑Y
i j
2
k ijk
Y...2
1 Y... gar
gar
1 1
SQB/A=
g
∑ j ∑ k .jk
Y 2 − ∑ jY.j.2
gr
1
SQG=
ar
∑ Y2 −C
i i..
1
SQA=
gr
∑ Y2 −c
j .j.
1 1 1
SQGA=
r
∑ i ∑ j ij.
Y 2 − ∑ jY.j.2 − ∑ iYi..2 + C
gr ar
1 1 1
SQR= ∑ i ∑ j ∑ kYijk2 − ∑ j ∑ k .jk
Y 2 − ∑ i ∑ jYij.2 + ∑ jY. 2j .
g r gr
124
estatística experimental no rbio
a) Modelo fixo
σ 2 + kϕ x
Em que:
ϕx =
∑fi i
2
gl
125
estatística experimental no rbio
FV QM E(QM)
Resíduo QMR σ2
b) Modelo aleatório
126
estatística experimental no rbio
Assim, tem-se:
Componente
Blocos/
ra x x
Ambientes
Genótipos (G) g x x x
Ambientes (A) a x x x x
GxA ga x x
Resíduo - x
FV QM E(QM)
Resíduo QMR σ2
c) Modelo Misto
127
estatística experimental no rbio
Componente
Blocos/Ambientes ra x x
Genótipos (G) g x x
Ambientes (A) a x x x x
GxA ga x x
Resíduo - x
128
estatística experimental no rbio
Assim tem-se:
FV QM E(QM)
ra 2
Ambientes (A) QMA σ2 + σ ga + gσ ba2 + grϕa
a-1
ra 2
GxA QMGA σ2 + σ ga
a-1
Resíduo QMR σ2
Modelo Estatístico
Yij=m + gi + eij
em que:
m : média geral (E(m) = m e E(m2 ) = m2 )
gi: efeito do i-ésimo genótipo, considerado fixo e, portanto, tem-se:
E(gi) = gi ( )
E gi2 = g i2 e ∑
g
g =0
i =1 i
i = 1,2 ... g
129
estatística experimental no rbio
( )
E(eij) = 0, E eij =σ e que ε ij ~NID 0,σ
2 2 2
( ) j = 1,2 ...r
130
estatística experimental no rbio
Total rg – 1 SQTo
em que:
∑ i 1∑
g r
SQTo == Y2 −C
=j 1 ij
1 g 2
SQT = ∑ Yi. − C
r i =1
1 g 2
∑ ∑ ∑ Yi.
g r 2
SQR = SQTo − SQT = Y −
=i 1 =j 1 ij
r =i 1
e
Y..2
C=
gr
131
estatística experimental no rbio
E ( SQTo ) = E ( ∑ ∑ Y ) − E (C )
i
2
j ij
132
estatística experimental no rbio
Assim,
E (∑ ∑ Y ) = ∑ ∑
i
2
j ij i j
( ) ( ) ( )
[ E m 2 + E gi2 + E ε ij2 + E ( DP )]
logo,
E (C ) =
1
= E (Y.. ) 2
gr
1
gr
)
E ∑ i ∑ j (m + gi + ε ij ]2
1
= E (grm+∑ i ∑ jε ij ) 2
gr (2)
E(C) =gr m 2 + σ 2
Assim, com base nas expressões (1) e (2) tem-se:
E ( SQTo ) = r ∑ igi2 + ( rg - 1) σ 2
1
E ( SQT ) = E
r
( ∑ Y ) − E (C )
2
i i.
133
estatística experimental no rbio
1
=
r
(
E ∑ iYi.2
1
r
E ) {∑ ∑ ( m + g
i j i + ε ij )
2
}
1 2 2 2 2
2
= E ∑ r m + r gi + ∑ε ij + DP
r i j
1 2 2 2
= E gr m + r ∑ igi2 + ∑ i (∑ jε ij ) 2 + DP
r
= grm 2 + r ∑ gi2 + gσ 2
(3)
E (=
SQT ) ( g - 1) σ 2 + r ∑ gi2
e, consequentemente,
SQT
E ( QMT ) = E = σ 2 + rϕ g
g - 1
sendo
∑ gi2
ϕg = : é o componente quadrático que expressa a variabi-
g-1
lidade genotípica entre o material genético estudado, considerado de
efeito fixo.
134
estatística experimental no rbio
logo
SQR
E ( QMR ) = E =σ
2
( r - 1)
g
Modelo Estatístico
Y=
ij m+g i + b j + ε ij
135
estatística experimental no rbio
em que:
Yij : observação obtida na parcela de i-ésimo genótipo no j-é-
simo bloco.
m: média geral
gi: efeito do i-ésimo genótipo considerado aleatório.
( )
E(gi) =0; E gi = σ g E ( gi , gi ' ) = 0
2 2
136
estatística experimental no rbio
em que:
1
SQB =
g
∑ Y2 −C
j .j
1
SQT =
r
∑ Y2 −C
j i.
SQTo = ∑ i ∑ jYij2 -C
Y..2
C=
rg
E ( SQTo ) =E ( ∑ ∑ Y ) -E (C )
i
2
j ij
137
estatística experimental no rbio
E ( ∑ ∑ Y ) = E ∑ ∑ (m+g + b + ε )
i
2
j ij i j i j ij
2
1 1
E (C) E (Y.. ) E[r 2 g 2 m 2 + r 2 (∑ igi ) 2
2
= =
rg rg
+ g 2 (∑ jb j ) 2 + ( ∑ ∑ ε ) + DP
i j ij
2
(2)
1
E ( SQB ) =E ∑ jY.j2 − E ( C )
g
138
estatística experimental no rbio
1
=
g
(
E ∑ jY.j2
1
E=
g
∑ j)(∑ iYij ) 2
1
g ∑ j ∑i
E{ [ (m+g i + b j + ε ij )]2 }
=
1
g
{∑ [ g m + (∑ g ) + g b + ( ∑ ε ) + DP}
E j
2 2
i i
2 2 2
j i ij
2
E rg m + r ( ∑ g ) + g ∑ b + ∑ (∑ ε ) + DP
1 2 2 2 2 2 2
=
g i i j j j i ij
= rgm 2 + rσ g2 + grσ b2 + rσ 2
E ( SQB
= ) g ( r-1) σ b2 + ( r − 1) σ 2
SQB
E ( QMB ) =E = gσ b + σ
2 2
r-1
1
E ( SQT ) =E ∑ iYi.2 − E ( C )
r
139
estatística experimental no rbio
1
( ∑ Y ) = 1r E {∑ ∑ (Y ) }
2
2
E i i. ij
r i j
1
2
= E ∑ ∑ ( m + gi + b j + ε ij )
r i j
=
1
r
(
E{∑ i[r 2 m 2 + r 2 gi2 + (∑ jb j ) 2 + ∑ jε ij ) 2 + DP }
=
1
r
(
E[ gr 2 m 2 + r 2 ∑ igi2 + g ∑ jb j ) 2 + ∑ i (∑ jε ij ) 2 + DP
= rgm 2 + rgσ g2 + gσ b2 + gσ 2 (4)
SQT
E ( QMT ) =E = σ + rσ g
2 2
g-1
{ }
− g ( r-1) σ b2 + ( r − 1) σ 2 ]+[ r ( g-1) σ g2 + ( g-1) σ 2
=σ 2 ( rg − 1 − r + 1 − g + 1) =( rg-r-g+1) σ 2
= ( r -1)( g-1) σ
2
140
estatística experimental no rbio
logo
SQR
E ( QMR ) =E =σ
2
( r-1)( g-1)
Resíduo (r - 1) (g - 1) QMR σ2
141
estatística experimental no rbio
geral, porém, ele não avaliou todos os materiais nos 11 locais, nessa
situação temos um conjunto de dados desbalanceados, e as diferenças
entre os grupos de ambientes são confundidas com as diferenças entre
os materiais genéticos, não sendo recomendado portanto, a seleção
simplesmente pela performance média dos materiais.
O BLUP, Best Linear unbiased prediction, é um procedimento
que permite a comparação entre experimentos desbalanceados seja
no número de genótipos, de ambientes, ambos ou outra forma de des-
balanceamento. Portanto BLUP é muito importante no melhoramento
genético uma vez que situações de desbalanceamento são passíveis
de aparecer a todo instante. Além disso o BLUP permite fazer uso da
matriz de parentesco entre os indivíduos maximizando o processo se-
letivo. Suponha que deseja comparar o desempenho entre 2 materiais
genéticos. Pode-se apenas comparar o desempenho per se destes
materiais e decidir qual é o melhor material, porém alternativamente,
pode-se avaliar também o desempenho dos parentes destes materiais
de forma e inferir sobre qual desses materiais é superior. Um exemplo
clássico nesse sentido é visto no melhoramento animal, em que deseja
selecionar um boi para produção de leite. Como boi não produz leite,
sua capacidade de produção é avaliada através das suas descendentes,
de forma que é possível estimar o real potencial do boi para contribui-
ção na produção do leite.
No melhoramento vegetal utiliza-se os termos BLUP e BLUE,
sendo que os efeitos aleatórios são preditos através do BLUP e os
efeitos fixos são estimados pelo BLUE. Os efeitos fixos são constantes
e não variáveis aleatórias. Alguns efeitos fixos são, por exemplo, a
média geral, diferentes tipos de solos. No melhoramento o ambiente
é considerado aleatório, porém a média de um grupo de ambientes
é considerada um efeito fixo. Imagine que no exemplo anterior dado
tem-se que no grupo de 5 locais houve menos precipitação do que
o segundo grupo de locais com 6 locais, será necessário proceder a
correção para a precipitação antes de proceder a análise de compa-
142
estatística experimental no rbio
143
estatística experimental no rbio
144
estatística experimental no rbio
145
estatística experimental no rbio
146
estatística experimental no rbio
y = Xβ + Zu + e
em que
y: é o vetor das observações
β: é o vetor de parâmetros de efeitos fixos desconhecidos
u: é o vetor de parâmetros dos efeitos aleatórios desconhecidos
X: matriz de incidência do delineamento conhecida, sendo que
X é relaciona y a β
Z: matriz de incidência do delineamento conhecida, sendo que
Z relaciona y a u
As matrizes X e Z são constituídas de 1s e 0s.
e: refere-se ao efeito aleatório associado aos erros ou resíduos
não observáveis.
u 0
Média: E =
e 0
u G 0
Variância: Var =
e 0 R
Tem-se:
Var(u) = G; Var(e)=R, Cov (u, e) = 0
Var(y) = Var (Zu) + Var(e) = ZGZ’ + R
Cov (y, u’) = Cov (Zu, u’) = ZVar(u) = ZG
Cov (y, e’) = Cov (e, e’) = Var(e) = R
147
estatística experimental no rbio
−1
βˆ X'R −1 X X'R −1Z X'R −1 y
= −1
uˆ Z'R X Z'R −1Z + A−1 (VR / VA ) Z'R −1 y
148
estatística experimental no rbio
−1
βˆ X'X X'Z X'y
=
uˆ Z'X Z'Z + A (VR / VA ) Z'y
−1
149
estatística experimental no rbio
VA =
(
uˆ ' A−1uˆ + VˆR *traço A−1 A22 )
( número de genótipos )
VA VA + VR − VA VR
1 − h 2 =−
1 = =
VA + VR VA + VR VA + VR
VA
h2 =
VA + VR
150
estatística experimental no rbio
VR
VA + VR = VR / VA
VA
VA + VR
1 0 1 0 0 66.98
0
1 75.61
1 0 0
1 0 0 1 0 113.77
X = Z = Y =
0 1 0 1 0 126.24
1 0 0 0 1 71.87
0 1 0 0 1 87.53
151
estatística experimental no rbio
66.98 1 0 1 0 0 e1
75.61 0 1 1 0 0 e2
g1
113.77 1 0 b1 0 1 0 g 2 + e3
= + e4
126.24 0 1 b 2 0 1 0 g 3
71.87 1 0 0 0 1 e5
87.53 0 1 0 0 1 e6
152
estatística experimental no rbio
A matriz X’X é:
1 0
0 1
1 0 1 0 1 0 1 0 3 0
0 1 0 1 0 1 0 =
1 0 3
1 0
0 1
A matriz X’Z é:
1 0 0
1 0 0
1 0 1 0 1 0 0 1 0 1 1 1
0 1 0 1 0 1 0 =
1 0 1 1 1
0 0 1
0 0 1
A matriz Z’X é:
1 0
0 1
1 1 0 0 0 0 1 1
0 0 1 1 0 0 1 0
0 = 1 1
1
0 0 0 0 1 1 1 1
1 0
0 1
153
estatística experimental no rbio
A matriz Z’Z é:
1 0 0
1 0 0
1 1 0 0 0 0 2 0 0
0 0 1 1 0 0 0 1 0
0 = 0 2 0
1 0
0 0 0 0 1 1 0 0 2
0 0 1
0 0 1
1 0 0
A = 0 1 0
0 0 1
1 0 0 1 0 0
0 1 0 * λ = 0 1 0
0 0 1 0 0 1
2 0 0 1 0 0 3 0 0
0 2 0 + 0 1 0 =
0 3 0
0 0 2 0 0 1 0 0 3
154
estatística experimental no rbio
3 0 1 1 1
0 3 1 1 1
X ' X X 'Z
Z 'X = 1 1 3 0 0
Z ' Z + A−1 (VR / VA )
1 1 0 3 0
1 1 0 0 3
66.98
75.61
1 0 1 0 1 0 113.77 252.62
0 1 0 1 0 1 126.24 = 289.38
71.87
87.53
66.98
75.61
1 1 0 0 0 0 142.59
0 0 1 1 0 0 113.77
126.24 = 240.01
0 0 0 0 1 1 159.40
71.87
87.53
155
estatística experimental no rbio
252.62
289.38
X ' y
Z ' y = 142.59
240.01
159.40
−1
βˆ X ' X X 'Z X ' y
=
uˆ Z ' X Z ' Z + A (VR / VA ) Z ' y
−1
156
estatística experimental no rbio
bˆ1 3 0 1 11
−1
Soma B1 = 252.62
bˆ2 0 3 1 1
1 Soma B 2 = 289.38
ˆ = 1 1 3 00 Soma G1 = 142.59
g1
gˆ 2 1 1 0 03 Soma G 2 = 240.01
gˆ 3 1 1 0 0 3 Soma G3 = 159.40
157
estatística experimental no rbio
bˆ1 = 84.2066
bˆ2 = 96.4600
gˆ1 = −12.6922
gˆ 2 = 19.7811
gˆ 3 = −7.0888
A matriz Y’Y é:
158
estatística experimental no rbio
252.62
289.38
X ' y
Z ' y = 142.59
240.01
159.40
VR =
( número de observações em y ) − rank ( X )
51910.4 − 50993.79
= 229.0866
6−2
159
estatística experimental no rbio
VA =
(
uˆ ' A−1uˆ + VˆR *traço A−1 A22 )
( número de genótipos )
−1
X ' X X 'Z
Z ' X Z ' Z + A−1 V / V =
( R A )
0.6667 0.3333 −0.3333 −0.3333 −0.3333
0.3333 0.6667 −0.3333 −0.3333 −0.3333
−0.3333 −0.3333 0.5555 0.2222 0.2222
−0.3333 −0.3333 0.2222 0.5555 0.2222
−0.3333 −0.3333 0.2222 0.2222 0.5555
Sendo assim,
160
estatística experimental no rbio
VA =
(
uˆ ' A−1uˆ + VˆR * traço A−1 A22 )
( número de genótipos )
602.6372 + ( 229.0866*1.6667 )
= 328.1494
3
161
estatística experimental no rbio
162
estatística experimental no rbio
Figura 6.4. Software Rbio, e rotina de procedimentos para realizar anova via
modelos mistos
163
estatística experimental no rbio
# -----------------------------------
# Script 5: Análise de Modelos Mistos
# -----------------------------------
# ----------------------
# 5.1- Leitura dos dados
# ----------------------
dados<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
dados
# ----------------------
# 5.2- Análise
# ----------------------
Trat<-as.factor(dados[,1]) # ALEATÓRIO
Rep<-as.factor(dados[,2]) # FIXO
y=dados[,3]
library(lme4)
blup1=lmer(y~(1|Trat)+Rep, REML=TRUE)
blup1
ranef(blup1)
$Trat
(Intercept)
1 -18.95135
2 29.53610
3 -10.58475
fixef(blup1)
(Intercept) Rep2
84.20667 12.25333
164
7
DELINEAMENTO EXPERIMENTAL
EM QUADRADO LATINO
165
estatística experimental no rbio
1 T1 T2 T3
2 T3 T1 T2
3 T2 T3 T1
166
estatística experimental no rbio
em que:
Yijk é o valor observado relativo à parcela que recebe o trata-
mento k na linha i e na coluna j, sendo i =1, 2, ..., k e j= 1, 2, ..., k.
m é a média geral do experimento
Li é o efeito da linha i
Cj é o efeito da coluna j
Tk é o efeito do tratamento k
eijk é o erro aleatório associado a observação ijk.
Em que:
t r
SQTotal
= ∑∑Y
=i 1 =j 1
ij
2
−C
1 t 2
SQ
=Linhas ∑Yi. − C
k i =1
1 t 2
SQ
=Colunas ∑Y. j − C
k i =1
167
estatística experimental no rbio
1 t 2
SQTrat
= ∑Yk . − C
k i =1
Y..2
C=
k2
Tabela 7.3. Tabela auxiliar considerando observações de três linhas e três colunas
para proceder a ANOVA.
Coluna
Linha Total Média
1 2 3
k k k k k k
168
estatística experimental no rbio
Tabela 7.4. Avaliação de uma variável agronômica simulada, com três linhas e três
colunas a serem submetidas a ANOVA em quadrado latino.
Linhas/Colunas I II II Total das linhas
Em que:
t r
SQTotal
= ∑∑Y
=i 1 =j 1
ij
2
C 66.982 + 113.77 2 + 71.87 2 + 87.532
−=
1 t 2 1
SQLinhas
= ∑
c i =1
Yi. =
−C
3
(
x 252.622 + 289.382 + 270.992 )
−73439.19 = 225.2163
1 t 2 1
SQColunas
= ∑
l i =1
Y. j =
−C
3
(
x 274.512 + 269.082 + 269.42 )
−73439.19 = 6.1882
1 t 2 1
∑Yk . = x ( 66.98 + 75.61 + 71.29 ) + (120 + 113.77 + 126.24 )
2 2
SQ
=Trat −C
r i =1 3
+ ( 87.53 + 79.7 + 71.87 ) − 73439.19 =
2
4067.695
Y..2 812.992
C
= = = 73439.19
tr 3.3
169
estatística experimental no rbio
QM BLinhas SQ
= =Linhas / 2 225.2163
= / 2 112.61
QM
= Colunas Colunas / 2
SQ= 6.1882
= / 2 3.1
QM Trat SQ
= =Trat / 2 4067.695
= / 2 2033.9
QM Res SQ
= =Res / 2 6.2025
= / 2 3.1
Total 8 4305.302
*: significativo a 5% de probabilidade pelo teste F.
170
estatística experimental no rbio
171
estatística experimental no rbio
172
estatística experimental no rbio
# -----------------------------------
# Script 6: Delineamento experimental em quadrado latino (DQL)
# -----------------------------------
# ----------------------
# 6.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo2.txt”, h=T) # Leitura dos dados
X
Linha<-as.factor(X[,1])
Coluna<-as.factor(X[,2])
Trat<-as.factor(X[,3])
saida <- lm(X[,4]~Linha+Coluna+Trat)
anova(saida)
Response: X[, 4]
Df Sum Sq Mean Sq F value Pr(>F)
Linha 2 225.2 112.61 36.3157 0.026798 *
Coluna 2 6.2 3.09 0.9979 0.500517
Trat 2 4067.7 2033.85 655.9082 0.001522 **
Residuals 2 6.2 3.10
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
saida<- aov(X[,4]~Linha+Coluna+Trat)
print(summary(saida))
173
estatística experimental no rbio
174
8
TESTES DE COMPARAÇÕES
MÚLTIPLAS E AGRUPAMENTOS
175
estatística experimental no rbio
176
estatística experimental no rbio
8.1. Teste t
s12
FCalculado =
s22
2 2
Nesta expressão anterior do F, s1 é a maior variância e s2 é a
menor variância.
O valor de F calculado deverá ser comparado com um valor de F
tabelado a um nível α de significância e com n1-1 e n2-1 graus de liber-
dade, em que n1 e n2 são os números de observações do tratamento
177
estatística experimental no rbio
m1 − m2
t=
( n1 − 1) s12 + ( n2 − 1) s22 x 1 1
+
n1 + n2 − 2 n1 n2
em que:
m1 e m2: médias dos tratamentos 1 e 2
s21 e s22: variâncias dos tratamentos 1 e 2
m1 − m2
t=
s12 s22
+
n1 n2
2
s12 s22
+
n n
gl = 12 2 2
s12 s22
n1 + n2
n1 − 1 n2 − 1
178
estatística experimental no rbio
m1 − m2
t=
( n1 − 1) s + ( n2 − 1) s22 x
2
1 1 1
+
n1 + n2 − 2 n1 n2
71.295 − 120.005
= = −6.424
( 2 − 1) 37.238 + ( 2 − 1) 77.75 x 1 1
+
2+2−2 2 2
179
estatística experimental no rbio
180
estatística experimental no rbio
em que:
D : média dos desvios das observações dos tratamentos
SD é o desvio padrão dos desvios das observações dos tratamentos
n: número de observações de cada tratamento
Tabela 8.2. Avaliação de uma variável agronômica simulada, com dois tratamentos
avaliadas no tempo um e dois.
Observações (n) Tempo 1 Tempo 2 Diferença (D = t1-t2)
Média -48.71
2
−48.71
= = −25.37
2.71
2
181
estatística experimental no rbio
182
estatística experimental no rbio
# -----------------------------------
# Script 7: Testes de Médias
# -----------------------------------
# ----------------------
# 7.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
X
Trat Rep Variavel
1 1 1 66.98
2 1 2 75.61
3 2 1 113.77
4 2 2 126.24
5 3 1 71.87
6 3 2 87.53
# ----------------------
# 7.2- Teste T
# ----------------------
variavel<-(X[,3])
alpha<- 0.05
cat(“\n”,”Teste para comparacoes entre as variancias das populacoes”, “\n”)
Teste para comparacoes entre as variancias das populacoes
variancia.teste1<-(var.test(variavel[X[,1]==pop1], variavel[X[,1]==pop2], alternative=”two.sided”))
variancia.teste2<-(var.test(variavel[X[,1]==pop2], variavel[X[,1]==pop1], alternative=”two.sided”))
if (variancia.teste1$statistic > variancia.teste2$statistic)
variancia.teste <- variancia.teste1
else
variancia.teste = variancia.teste2
print(variancia.teste)
183
estatística experimental no rbio
Conclusao:Variancias Homogeneas
### Teste T
if (variancia.teste$p.value > alpha) #variancias homogeneas
+ media.teste <- t.test(variavel[X[,1]==1], variavel[X[,1]==2], alternative=”two.sided”, var.equal =
TRUE, conf.level = 1-alpha)
if (variancia.teste$p.value < alpha) #variancias heterogeneas
+ media.teste <-t.test(variavel[X[,1]==1], variavel[X[,1]==2], alternative=”two.sided”, var.equal =
FALSE, conf.level = 1-alpha)
print(media.teste)
if (media.teste$p.value > alpha) cat(“Conclusao: Medias iguais”, “\n”) else cat(“Conclusao: Medias
diferentes”,”\n”)
# ----------------------
# 7.2.1- Teste T pareado
# ----------------------
if (variancia.teste$p.value > alpha) #variancias homogeneas
+ media.teste <- t.test(variavel[X[,1]==1], variavel[X[,1]==2], alternative=”two.sided”, var.equal =
TRUE, conf.level = 1-alpha, paired=TRUE)
> if (variancia.teste$p.value < alpha) #variancias heterogeneas
+ media.teste <-t.test(variavel[X[,1]==1], variavel[X[,1]==2], alternative=”two.sided”, var.equal =
FALSE, conf.level = 1-alpha, paired=TRUE)
> print(media.teste)
Paired t-test
if (media.teste$p.value > alpha) cat(“Conclusao: Medias iguais”, “\n”) else cat(“Conclusao: Medias
diferentes”,”\n”)
184
estatística experimental no rbio
QMR
DMSTukey = q∝ ( k , GlResíduo )
r
Em que:
qα (k; gl Resíduo): Valores da amplitude total estudentizada (q) a um
nível α de probabilidade com k e GLResíduo graus de liberdade (ANEXO 8.4);
r: número de repetições;
k: número de tratamentos;
Total 5 2949.474
*: Significativo a 5% pelo teste F.
185
estatística experimental no rbio
QMR
DMSTukey = q∝ ( k , GlResíduo )
r
79.2
= q5% ( 3,=
3) 5.9
= x 39.6 37.18
2
m1: 71.295 b
m2: 120.005 a
m3: 79.7 b
186
estatística experimental no rbio
Figura 8.2. Software Rbio, e rotina de procedimentos para realizar o teste Tukey.
187
estatística experimental no rbio
# -----------------------------------
# Script 7: Testes de Médias
# -----------------------------------
# ----------------------
# 7.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
X
# ----------------------
# 7.3- Declaração
# ----------------------
#install.packages(“agricolae”)
library(agricolae)
A<-as.factor(X[,1])
Rep<-as.factor(X[,2])
saida<-aov(X[,3]~A, data=X)
# ----------------------
# 7.3.1- Tukey
# ----------------------
out<-HSD.test(saida,”A”, group=TRUE,console=TRUE)
A, means
X[, 3] groups
2 120.005 a
3 79.700 b
1 71.295 b
188
estatística experimental no rbio
QMR
DMS Duncan = z∝ ( k , GlResíduo )
r
Em que:
zα (k; gl Resíduo): Valores da amplitude total estudentizada (z) a um
nível α de probabilidade com k e GLResíduo graus de liberdade (ANEXO 8.5);
r: número de repetições;
k: número de tratamentos abrangidos pelo contraste;
Com os dados do exemplo anterior, temos:
QMR
DMS Duncan = z∝ ( k , GlResisuo )
r
79.2
= z5% (=
2, 3 ) 4.501
= x 39.6 28.32
2
189
estatística experimental no rbio
QMR
DMS Duncan = z∝ ( k , GlResisuo )
r
79.2
( 3, 3 )
= z5% = 4.516
= x 39.6 28.41
2
m1: 71.295 b
m2: 120.005 a
m3: 79.7 b
190
estatística experimental no rbio
Figura 8.3. Software Rbio, e rotina de procedimentos para realizar o teste Duncan.
191
estatística experimental no rbio
# -----------------------------------
# Script 7: Testes de Médias
# -----------------------------------
# ----------------------
# 7.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
X
# ----------------------
# 7.3- Declaração
# ----------------------
#install.packages(“agricolae”)
library(agricolae)
A<-as.factor(X[,1])
Rep<-as.factor(X[,2])
saida<-aov(X[,3]~A, data=X)
# ----------------------
# 7.3.2- Duncan
# ----------------------
out<-duncan.test(saida,”A”, group=TRUE,console=TRUE)
A, means
Critical Range
2 3
28.32238 28.41673
X[, 3] groups
2 120.005 a
3 79.700 b
1 71.295 b
192
estatística experimental no rbio
QM Res
S
= ( k − 1) xF(∝;Gl trat ;Gl Res ) x 2 x
r
Em que:
F (α; gl Resíduo): Valores da tabela F a um nível α de probabilidade
com GLTratamento e GLResíduo graus de liberdade (ANEXO 8.1 e ANEXO 8.2);
r: número de repetições;
k: número de tratamentos;
QMRes: Quadrado Médio do Resíduo;
79.2 79.2
( 3 − 1) xF(5%;2;3) x 2 x
S= 2 x9.55 x 2 x
= 38.89
=
2 2
193
estatística experimental no rbio
m1: 71.295 b
m2: 120.005 a
m3: 79.7 b
194
estatística experimental no rbio
Figura 8.4. Software Rbio, e rotina de procedimentos para realizar o teste Scheffé.
195
estatística experimental no rbio
# -----------------------------------
# Script 7: Testes de Médias
# -----------------------------------
# ----------------------
# 7.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
X
Trat Rep Variavel
1 1 1 66.98
2 1 2 75.61
3 2 1 113.77
4 2 2 126.24
5 3 1 71.87
6 3 2 87.53
# ----------------------
# 7.3- Declaração
# ----------------------
#install.packages(“agricolae”)
library(agricolae)
A<-as.factor(X[,1])
Rep<-as.factor(X[,2])
saida<-aov(X[,3]~A, data=X)
# ----------------------
# 7.3.3- Scheffé
# ----------------------
out<-scheffe.test(saida,”A”, group=TRUE,console=TRUE)
A, means
X[, 3] groups
2 120.005 a
3 79.700 b
1 71.295 b
196
estatística experimental no rbio
2 xQMR
DMSt = t ∝ ( GlResíduo )
2
r
1 1
=DMSt t ∝ ( GlResíduo ) QMR +
2 n1 n2
2 xQMR
DMSt = t ∝ ( GlResíduo )
2
r
2 x79.2
= t2.5 ( 3 )= 3.18 x 8.89 28.32
=
2
m1: 71.295 b
m2: 120.005 a
m3: 79.7 b
197
estatística experimental no rbio
198
estatística experimental no rbio
Figura 8.5. Software Rbio, e rotina de procedimentos para realizar o teste LSD
(Teste de Fisher).
199
estatística experimental no rbio
# -----------------------------------
# Script 7: Testes de Médias
# -----------------------------------
# ----------------------
# 7.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
X
Trat Rep Variavel
1 1 1 66.98
2 1 2 75.61
3 2 1 113.77
4 2 2 126.24
5 3 1 71.87
6 3 2 87.53
# ----------------------
# 7.3- Declaração
# ----------------------
#install.packages(“agricolae”)
library(agricolae)
A<-as.factor(X[,1])
Rep<-as.factor(X[,2])
saida<-aov(X[,3]~A, data=X)
# ----------------------
# 7.3.4- Teste t Fisher ou LSD
# ----------------------
out<-LSD.test(saida,”A”, group=TRUE,console=TRUE)
X[, 3] groups
2 120.005 a
3 79.700 b
1 71.295 b
200
estatística experimental no rbio
2 xQMR
DMSt = t∝ ( GlResíduo )
r
1 1
=DMSt t∝ ( GlResíduo ) QMR +
n1 n2
c = 3 (2) /2 =3
α = 5/6 = 0.83
2 xQMR
DMSt = tα ( GlResíduo )
r
2 x79.2
= t0.83 ( 3 )= 4.85 x 8.89 43.22
=
2
201
estatística experimental no rbio
m1: 71.295 b
m2: 120.005 a
m3: 79.7 ab
202
estatística experimental no rbio
203
estatística experimental no rbio
# -----------------------------------
# Script 7: Testes de Médias
# -----------------------------------
# ----------------------
# 7.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
X
# ----------------------
# 7.3- Declaração
# ----------------------
#install.packages(“agricolae”)
library(agricolae)
A<-as.factor(X[,1])
Rep<-as.factor(X[,2])
saida<-aov(X[,3]~A, data=X)
# ----------------------
# 7.3.5- Bonferroni
# ----------------------
out<-LSD.test(saida,”A”,p.adj=c(“bonferroni”), group=TRUE,console=TRUE)
X[, 3] groups
2 120.005 a
3 79.700 ab
1 71.295 b
204
estatística experimental no rbio
QMR
DMS SNK = q∝ ( k , GlResíduo )
r
Em que
qα (k; gl Resíduo): Valores da amplitude total estudentizada (q) a um
nível α de probabilidade com k e GLResíduo graus de liberdade (ANEXO 8.4);
r: número de repetições;
k: número de médias envolvidas;
QMR
DMS SNK = q∝ ( k , GlResíduo )
r
79.2
= q5% (=
2, 3) 4.50
= x 39.6 28.32
2
205
estatística experimental no rbio
QMR
DMS SNK = q∝ ( k , GlResíduo )
r
79.2
= q5% ( 3,=
3) 5.9
= x 39.6 37.18
2
Logo:
m1: 71.295 b
m2: 120.005 a
m3: 79.7 b
206
estatística experimental no rbio
Figura 8.7. Software Rbio, e rotina de procedimentos para realizar o teste SNK.
207
estatística experimental no rbio
# -----------------------------------
# Script 7: Testes de Médias
# -----------------------------------
# ----------------------
# 7.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
X
# ----------------------
# 7.3- Declaração
# ----------------------
#install.packages(“agricolae”)
library(agricolae)
A<-as.factor(X[,1])
Rep<-as.factor(X[,2])
saida<-aov(X[,3]~A, data=X)
# ----------------------
# 7.3.6- SNK
# ----------------------
out<-SNK.test(saida,”A”, group=TRUE,console=TRUE)
A, means
Critical Range
2 3
28.32238 37.18917
X[, 3] groups
2 120.005 a
3 79.700 b
1 71.295 b
208
estatística experimental no rbio
2 xQMR
DMS Dunnet = d∝ ( k , GlResíduo )
r
1 1
=DMS Dunnet d∝ ( k , GlResíduo ) QMR +
n1 n2
2 xQMR
DMS Dunnet = d∝ ( k , GlResíduo )
r
2 x79.2
= d5 ( 3;3 )= 3.86 x 8.89 34.31
=
2
209
estatística experimental no rbio
m1: 71.295 a
m2: 120.005 b
m3: 79.7 a
210
estatística experimental no rbio
Figura 8.8. Software Rbio, e rotina de procedimentos para realizar o teste Dunnet.
211
estatística experimental no rbio
# -----------------------------------
# Script 7: Testes de Médias
# -----------------------------------
# ----------------------
# 7.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
X
Trat Rep Variavel
1 1 1 66.98
2 1 2 75.61
3 2 1 113.77
4 2 2 126.24
5 3 1 71.87
6 3 2 87.53
# ----------------------
# 7.3- Declaração
# ----------------------
#install.packages(“multcomp”)
library(multcomp)
A<-as.factor(X[,1])
Rep<-as.factor(X[,2])
saida<-aov(X[,3]~A, data=X)
# ----------------------
# 7.3.7- Dunnet
# ----------------------
Dun = glht(saida, linfct = mcp(A = “Dunnett”))
print(summary(Dun))
Linear Hypotheses:
Estimate lwr upr
2 - 1 == 0 48.7100 14.2996 83.1204
3 - 1 == 0 8.4050 -26.0054 42.8154
212
estatística experimental no rbio
T 2 T 2 (T + T )
2
B0 = 1 + 2 − 1 2
k1 k2 k1 + k2
em que
213
estatística experimental no rbio
π B
λ= x 02
2 (π − 2 ) σˆ 0
em que:
1 g QMR
∑ (Yi − Y ) + v
2
=σˆ 02
g + v i =i r
214
estatística experimental no rbio
T 2 T 2 (T + T ) 120.0052
2
B0 = 1 + 2 − 1 2 =
k1 k2 k1 + k2 1
( 79.7 + 71.295) (120.005 + 150.995)
2 2
+ − 1320.6117
=
2 1+ 2
Passo 3: Calcular l
1 g QMR
∑ (Yi − Y ) + v
2
=σˆ 02
g + v i =i r
1 79.2
(120.005 − 90.333) + ( 79.7 − 90.333) + ( 71.295 − 90.333) +3
2 2 2
=
3 + 3 2
1
= = x1474.7337 245.789
6
π B 1320.6117
=λ = x 02 1.3759=
x 7.392
2 (π − 2 ) σˆ 0 245.789
Passo 4: Se
λ ≥ χ 2 g
Rejeita Ho; λ ≥ χ (25%;2.6279) =
λ ≥ 7.11
α ; (π − 2 )
215
estatística experimental no rbio
+ − 35.322
=
1 2
1 g QMR 1
∑ (Yi − Y ) + v =
2
=σˆ 02
g + v i =i r 2+3
79.2 1
( 79.7 − 75.4975 ) + ( 71.295 − 75.4975 ) +3 2 = 5 154.12 = 30.825
2 2
m1: 71.295 a
m2: 120.005 b
m3: 79.7 a
216
estatística experimental no rbio
217
estatística experimental no rbio
218
estatística experimental no rbio
Figura 8.10. Software Rbio, e rotina de procedimentos para realizar o teste Scott Knott.
219
estatística experimental no rbio
# -----------------------------------
# Script 7: Testes de Médias
# -----------------------------------
# ----------------------
# 7.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”, h=T) # Leitura dos dados
X
# ----------------------
# 7.3- Declaração
# ----------------------
#install.packages(“ScottKnott”)
library(ScottKnott)
A<-as.factor(X[,1])
Rep<-as.factor(X[,2])
saida<-aov(X[,3]~A, data=X)
# ----------------------
# 7.3.8- Scott-Knott
# ----------------------
sk <- SK(saida, which=’A’, dispersion=’se’, sig.level=0.05)
summary(sk)
Levels Means SK(5%)
2 120.005 a
3 79.700 b
1 71.295 b
220
estatística experimental no rbio
221
estatística experimental no rbio
222
estatística experimental no rbio
223
estatística experimental no rbio
ANEXO 8.4. Valores da amplitude total estudentizada (q) para teste de Tukey a 5% de
probabilidade em função do número de tratamentos e graus de liberdade do resíduo.
GL(resid) Número de grupos no tratamento
2 3 4 5 6 7 8 9 10
1 17.97 26.98 32.82 37.08 40.41 43.12 45.40 47.36 49.07
2 6.08 8.33 9.8 10.88 11.73 12.43 13.03 13.54 13.99
3 4.50 5.91 6.82 7.50 8.04 8.48 8.85 9.18 9.46
4 3.93 5.04 5.76 6.29 6.71 7.05 7.35 7.60 7.83
5 3.64 4.6 5.22 5.67 6.03 6.33 6.58 6.8 6.99
6 3.46 4.34 4.9 5.3 5.63 5.9 6.12 6.32 6.49
7 3.34 4.16 4.68 5.06 5.36 5.61 5.82 6 6.16
8 3.26 4.04 4.53 4.89 5.17 5.4 5.6 5.77 5.92
9 3.2 3.95 4.41 4.76 5.02 5.24 5.43 5.59 5.74
10 3.15 3.88 4.33 4.65 4.91 5.12 5.3 5.46 5.6
11 3.11 3.82 4.26 4.57 4.82 5.03 5.2 5.35 5.49
12 3.08 3.77 4.2 4.51 4.75 4.95 5.12 5.27 5.39
13 3.06 3.73 4.15 4.45 4.69 4.88 5.05 5.19 5.32
14 3.03 3.7 4.11 4.41 4.64 4.83 4.99 5.13 5.25
15 3.01 3.67 4.08 4.37 4.59 4.78 4.94 5.08 5.2
16 3 3.65 4.05 4.33 4.56 4.74 4.9 5.03 5.15
17 2.98 3.63 4.02 4.3 4.52 4.7 4.86 4.99 5.11
18 2.97 3.61 4 4.28 4.49 4.67 4.82 4.96 5.07
19 2.96 3.59 3.98 4.25 4.47 4.65 4.79 4.92 5.04
20 2.95 3.58 3.96 4.23 4.45 4.62 4.77 4.9 5.01
24 2.92 3.53 3.9 4.17 4.37 4.54 4.68 4.81 4.92
30 2.89 3.49 3.85 4.1 4.3 4.46 4.6 4.72 4.82
40 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.73
120 2.8 3.36 3.68 3.92 4.1 4.24 4.36 4.47 4.56
>120 2.77 3.31 3.63 3.86 4.03 4.17 4.29 4.39 4.47
∞ 3.64 4.12 4.4 4.6 4.76 4.88 4.99 5.08 5.16
224
estatística experimental no rbio
ANEXO 8.5. Valores da amplitude total estudentizada (z) para teste de Duncan a 5%
de probabilidade em função do número médias abrangidas pelo contraste (n1) e
graus de liberdade do resíduo (n2).
n2 \ n1 2 3 4 5 6 7 8 9 10
1 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97
2 6.08 6.08 6.08 6.08 6.08 6.08 6.08 6.08 6.08
3 4.50 4.51 4.51 4.51 4.51 4.51 4.51 4.51 4.51
4 3.93 4.01 4.03 4.03 4.03 4.03 4.03 4.03 4.03
5 3.64 3.75 3.80 3.81 3.81 3.81 3.81 3.81 3.81
6 3.46 3.59 3.65 3.68 3.69 3.69 3.69 3.69 3.69
7 3.34 3.48 3.55 3.59 3.61 3.62 3.62 3.62 3.62
8 3.26 3.40 3.48 3.52 3.55 3.57 3.58 3.58 3.58
9 3.20 3.34 3.42 3.47 3.50 3.52 3.54 3.54 3.54
10 3.15 3.29 3.38 3.43 3.46 3.49 3.50 3.51 3.52
11 3.11 3.26 3.34 3.39 3.43 3.46 3.48 3.49 3.50
12 3.08 3.22 3.31 3.37 3.41 3.44 3.46 3.47 3.48
13 3.05 3.20 3.28 3.35 3.39 3.42 3.44 3.46 3.47
14 3.03 3.18 3.27 3.33 3.37 3.40 3.43 3.44 3.46
15 3.01 3.16 3.25 3.31 3.35 3.39 3.41 3.43 3.44
16 2.99 3.14 3.23 3.30 3.34 3.38 3.40 3.42 3.44
17 2.98 3.13 3.22 3.28 3.33 3.37 3.39 3.41 3.43
18 2.97 3.12 3.21 3.27 3.32 3.36 3.38 3.40 3.42
19 2.96 3.11 3.20 3.26 3.31 3.35 3.38 3.40 3.42
20 2.95 3.10 3.19 3.26 3.30 3.34 3.37 3.39 3.41
25 2.91 3.06 3.15 3.22 3.27 3.31 3.34 3.37 3.39
30 2.89 3.03 3.13 3.20 3.25 3.29 3.32 3.35 3.37
50 2.84 2.99 3.08 3.15 3.21 3.25 3.29 3.32 3.34
60 2.83 2.98 3.07 3.14 3.20 3.24 3.28 3.31 3.33
100 2.81 2.95 3.05 3.12 3.18 3.22 3.26 3.29 3.32
225
estatística experimental no rbio
226
estatística experimental no rbio
227
9
228
estatística experimental no rbio
1 Y111, ..., Y11r Y121, ..., Y12r ... Y1l1, ..., Y1lr Y1.. Ȳ1..
2 Y211, ..., Y21r Y221, ..., Y22r ... Y2l1, ..., Y2lr Y2.. Ȳ2..
t Yt11, ..., Yt1r Yt21, ..., Yt2r ... Ytl1, ..., Ytlr Yt.. Ȳt..
229
estatística experimental no rbio
Tabela 9.2. Avaliação de uma variável agronômica simulada, em arranjo fatorial com
três tratamentos, avaliada em dois locais com duas repetições num delineamento
inteiramente casualizado.
Local
230
estatística experimental no rbio
maior QMR
H=
menor QMR
79.2
H
= = 13.79
5.74
b) Teste de Bartlett
231
estatística experimental no rbio
a SQRes
∑
2,3026 x
(∑
a
)
GLRes j x log aj =1
j
∑ j =1
j =1
GLRes j
∑ j =1
a
− (GLRes j x log( SQRes j ))
Bartlet =
1 1 1
x ∑ j =1
a
1+ − a
3 ( a − 1) GLRes j ∑ GLRes j
j =1
a
A = ∑GLRes j = 3 + 3 = 6
j =1
a SQRes
=
∑ j =1
s =
j
237.6 + 17.2
= 42.46
GLRes j
∑ j =1
a
6
a
C = ∑(GLRes j x log( SQRes j ))
j =1
a
1 1 1
D=∑ = + = 0.667
j =1 GLRes j 3 3
232
estatística experimental no rbio
em que:
Yijk é o valor observado relativo à parcela que recebe o tratamen-
to i no local j na repetição k, sendo i =1, 2, ..., t , j= 1, 2, ..., l e k =1, 2, ... r.
m é a média geral do experimento
Ti é o efeito do tratamento i
Lj é o efeito do local j
TLij é o efeito da interação entre o tratamento i e o local j
eijk é o erro aleatório associado a observação ijk.
233
estatística experimental no rbio
Em que:
Y...2
C=
tlr
t l r
SQTotal
= ∑∑∑Y
=i 1 =j 1 =
k 1
2
ijk −C
1 t 2
SQTrat
= ∑Yi.. − C
lr i =1
1 l 2
SQLocal
= ∑Y. j. − C
tr j =1
1 t l 2
SQ=
TxA ∑∑Yij. − SQTrat − SQLocal − C
r =i 1 =j 1
234
estatística experimental no rbio
Y...2 11252
C
= = = 105468.75
tlr 3 x 2 x 2
t l r
SQTotal
= ∑∑∑Y
=i 1 =j 1 =
k 1
2
ijk C 66.982 + 75.612 + 113.77 2 + 126.242
−=
1 t 2 1
SQ
=Trat ∑
lr i =1
Yi.. =
−C
2 x2
(
x 313.252 + 460.652 + 351.12 )
−105468.75 = 2930.049
1 t 2 1
SQ
=Local ∑
tr j =1
Y. j . =
−C
3x 2
(
x 5422 + 5832 )
−105468.75 =
140.0833
1 t l 2 1
SQTxA
= ∑∑
r =i 1 =j 1
Yij . − SQTrat − SQLocal
= −C
2
(142.59 2
+ 240.012 + 159.42 + 170.662 + 220.642 + 191.7 2 )
−2930.049 − 140.0833 − 105468.75 =
411.52
235
estatística experimental no rbio
Total 11 3736.45
*: Significativo a 5% de significância pelo teste F
em que:
Yijk é o valor observado relativo à parcela que recebe o tratamen-
to i no local j na repetição k, sendo i =1, 2, ..., t , j= 1, 2, ..., l e k =1, 2, ... r.
m é a média geral do experimento
Bk é o efeito do bloco k
Ti é o efeito do tratamento i
Lj é o efeito do local j
TLij é o efeito da interação entre o tratamento i e o local j
eijk é o erro aleatório associado a observação ijk.
236
estatística experimental no rbio
1 r 2 1
SQ=
Blocos ∑
tl k =1
Y..k =
−C
3x 2
x
Total 11 3736.45
*: Significativo a 5% pelo teste F.
237
estatística experimental no rbio
238
estatística experimental no rbio
QMR
DMSTukey = q∝ ( k , GlResíduo )
r x local
42.47
= q5% ( 3,
= 6) 4.34
= x 10.61 14.14
( 2 x2 )
m1: 78.31 b
m2: 115.16 a
m3: 87.77 b
QMR
DMSTukey = q∝ ( k , GlResíduo )
r x trat
42.47
= q5% ( 2,=
6) 3.46
= x 7.07 9.2
( 2 x3 )
239
estatística experimental no rbio
240
estatística experimental no rbio
Figura 9.2. Software Rbio: Representação gráfica do teste de média para as fontes
de variação do modelo tratamento e local.
241
estatística experimental no rbio
# ----------------------
# 8.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo3.txt”, h=T) # Leitura dos dados
X
# ----------------------
# 8.2- Análises individuais
# ----------------------
for (i in 1:2){
+ X1<- subset(X, Local == i)[,c(1,3:4)]
+ #print(i)
+ cat(“\n”, “ --- Local: “,i, “\n”, “\n”)
+ X1
+
+ Trat<-as.factor(X1[,1])
+ Rep<-as.factor(X1[,2])
+ variavel<-X1[,3]
+ saida<-aov(variavel~Trat)
+ print(summary(saida))
+}
--- Local: 1
--- Local: 2
# ----------------------
# 8.3- ANOVA Fatorial
# ----------------------
242
estatística experimental no rbio
Trat<-as.factor(X[,1])
Local<-as.factor(X[,2])
Bloco<-as.factor(X[,3])
# ----------------------
# 8.3.1- ANOVA Fatorial DIC
# ----------------------
saida<-aov(X[,4]~Trat+Local+Trat*Local)
print(summary(saida))
# ----------------------
# 8.3.2- ANOVA Fatorial DBC
# ----------------------
saida2<-aov(X[,4]~Bloco+Trat+Local+Trat*Local)
print(summary(saida2))
# ----------------------
# 8.4- Teste Tukey
# ----------------------
library(agricolae)
Trat, means
243
estatística experimental no rbio
X[, 4] groups
2 115.1625 a
3 87.7750 b
1 78.3125 b
cat(“\n”, “-----Teste de Media para o Fator Local-----”,”\n”)
-----Teste de Media para o Fator Local-----
out<-HSD.test(saida,”Local”, alpha=0.05, group=TRUE,console=TRUE)
Study: saida ~ “Local”
HSD Test for X[, 4]
Mean Square Error: 42.47225
Local, means
X...4. std r Min Max
1 90.33333 24.28775 6 66.98 126.24
2 97.16667 11.37478 6 83.95 110.35
Alpha: 0.05 ; DF Error: 6
Critical Value of Studentized Range: 3.460456
Minimun Significant Difference: 9.206834
Treatments with the same letter are not significantly different.
X[, 4] groups
2 97.16667 a
1 90.33333 a
cat(“\n”, “-----Teste de Media para a Interacao Trat x Local-----”,”\n”)
-----Teste de Media para a Interacao Trat x Local-----
AxB <- with(X, interaction(Trat, Local))
model <- aov(X[,i] ~ Bloco+AxB, data=X)
out<-HSD.test(model,”AxB”, alpha=0.05, group=TRUE,console=TRUE)
Study: model ~ “AxB”
HSD Test for X[, i]
Mean Square Error: 1.463803e-31
AxB, means
X...i. std r Min Max
1.1 1 0 2 1 1
1.2 2 0 2 2 2
2.1 1 0 2 1 1
2.2 2 0 2 2 2
3.1 1 0 2 1 1
3.2 2 0 2 2 2
Alpha: 0.05 ; DF Error: 5
Critical Value of Studentized Range: 6.032903
Minimun Significant Difference: 1.632122e-15
Treatments with the same letter are not significantly different.
X[, i] groups
1.2 2 a
2.2 2 a
3.2 2 a
1.1 1 b
2.1 1 b
3.1 1 b
244
estatística experimental no rbio
245
estatística experimental no rbio
246
estatística experimental no rbio
247
estatística experimental no rbio
ANEXO 9.5. Valores da amplitude total estudentizada (q) para teste de Tukey a 5% de
probabilidade em função do número de tratamentos e graus de liberdade do resíduo.
GL(resid) Número de grupos no tratamento
2 3 4 5 6 7 8 9 10
1 17.97 26.98 32.82 37.08 40.41 43.12 45.40 47.36 49.07
2 6.08 8.33 9.8 10.88 11.73 12.43 13.03 13.54 13.99
3 4.50 5.91 6.82 7.50 8.04 8.48 8.85 9.18 9.46
4 3.93 5.04 5.76 6.29 6.71 7.05 7.35 7.60 7.83
5 3.64 4.6 5.22 5.67 6.03 6.33 6.58 6.8 6.99
6 3.46 4.34 4.9 5.3 5.63 5.9 6.12 6.32 6.49
7 3.34 4.16 4.68 5.06 5.36 5.61 5.82 6 6.16
8 3.26 4.04 4.53 4.89 5.17 5.4 5.6 5.77 5.92
9 3.2 3.95 4.41 4.76 5.02 5.24 5.43 5.59 5.74
10 3.15 3.88 4.33 4.65 4.91 5.12 5.3 5.46 5.6
11 3.11 3.82 4.26 4.57 4.82 5.03 5.2 5.35 5.49
12 3.08 3.77 4.2 4.51 4.75 4.95 5.12 5.27 5.39
13 3.06 3.73 4.15 4.45 4.69 4.88 5.05 5.19 5.32
14 3.03 3.7 4.11 4.41 4.64 4.83 4.99 5.13 5.25
15 3.01 3.67 4.08 4.37 4.59 4.78 4.94 5.08 5.2
16 3 3.65 4.05 4.33 4.56 4.74 4.9 5.03 5.15
17 2.98 3.63 4.02 4.3 4.52 4.7 4.86 4.99 5.11
18 2.97 3.61 4 4.28 4.49 4.67 4.82 4.96 5.07
19 2.96 3.59 3.98 4.25 4.47 4.65 4.79 4.92 5.04
20 2.95 3.58 3.96 4.23 4.45 4.62 4.77 4.9 5.01
24 2.92 3.53 3.9 4.17 4.37 4.54 4.68 4.81 4.92
30 2.89 3.49 3.85 4.1 4.3 4.46 4.6 4.72 4.82
40 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.73
120 2.8 3.36 3.68 3.92 4.1 4.24 4.36 4.47 4.56
>120 2.77 3.31 3.63 3.86 4.03 4.17 4.29 4.39 4.47
∞ 3.64 4.12 4.4 4.6 4.76 4.88 4.99 5.08 5.16
248
10
ANÁLISE DE EXPERIMENTOS
EM PARCELAS SUBDIVIDIDAS
249
estatística experimental no rbio
Parcela subdividida:
Bloco 1 D1 D3 D4 D2 D2 D1 D4 D3 D3 D2 D1 D4
Bloco 2 D2 D4 D3 D1 D3 D1 D2 D4 D4 D2 D3 D1
Bloco 3 D3 D2 D1 D4 D3 D1 D2 D4 D1 D3 D4 D2
Fatorial:
Bloco 1 V1D1 V2D2 V3D4 V3D1 V1 D3 V2D4 V2D1 V3D3 V1D2 V2D3 V3D2 V1D4
Bloco 2 V1D2 V2D1 V1D3 V3D1 V2D2 V3D3 V3D2 V1D1 V2D4 V1D4 V3D4 V2D3
Bloco 3 V3D1 V2D4 V1D3 V1D2 V3D2 V2D3 V1D4 V3D3 V2D2 V2D1 V3D4 V1D1
250
estatística experimental no rbio
1 Y111, ..., Y11r Y121, ..., Y12r ... Y1l1, ..., Y1lr Y1.. Ȳ1..
2 Y211, ..., Y21r Y221, ..., Y22r ... Y2l1, ..., Y2lr Y2.. Ȳ2..
t Yt11, ..., Yt1r Yt21, ..., Yt2r ... Ytl1, ..., Ytlr Yt.. Ȳt..
em que:
Yijk é o valor observado relativo a parcela i, da subparcela j e do
bloco k, sendo i =1, 2, ..., t , j= 1, 2, ..., l e k =1, 2, ... r.
m é a média geral do experimento
Bk é o efeito do bloco k
Pi é o efeito da parcela principal i
Erro a: Erro da parcela principal associado a observação ik.
Sj é o efeito da subparcela j
PSij é o efeito da interação da parcela i e a subparcela j
Erro b é o erro aleatório da subparcela associado a observação ijk.
251
estatística experimental no rbio
QMParc /
Parcela (P) t-1 SQParc QMParc = SQParc/glParc
QMErroA
QM Subp /
Subparcela (S) l-1 SQSubp QMSubp = SQSubp/glSubp
QMErroB
QMPxS /
PxS (t-1) (l-1) SQPxS QMPxS = SQPxS/glPxS
QMErroB
Em que:
Y...2
C=
tlk
1 r 2
SQBlocos
= ∑Y..k − C
tl k =1
1 t 2
SQParc
= ∑Yi.. − C
lr i =1
1 t r
SQ
=Total Parcela ∑∑
l =i 1 =k 1
Yi.k 2 − C
SQErro=
A SQTotal Parcela − SQParcela − SQBloco
252
estatística experimental no rbio
1 l 2
SQSubParcelas
= ∑Y. j. − C
tr j =1
1 t l 2
SQPxS= ∑∑Yij. − SQParcela − SQSubparcela − C
r =i 1 =j 1
t l r
SQTotal
= ∑∑∑Y
=i 1 =j 1 =
k 1
2
ijk −C
SQErro B =
SQTotal − SQTotal Parcela − SQSubparcela − SQPxS
253
estatística experimental no rbio
Em que:
Y...2 11252
C
= = = 105468.75
tlr 3 x 2 x 2
1 t 2 1
SQParcelas
= ∑
lr i =1
Yi.. =
−C
2 x2
x
( 313.25 2
)
+ 460.652 + 351.12 − 105468.75 =
2930.049
1 t 1
SQTotal Parcela
= ∑
l i =1
Yi.k 2=
−C
2
x
217108.98
= − 105468.75 = 3085.74
2
SQErro=
A SQTotal Parcela − SQParcela − SQBloco
=3085.74 − 2930.049 − 127.5312 =28.16
1 t 2 1
SQSubParcelas
= ∑
tr j =1
Y. j . =
−C
3x 2
x
( 542 2
)
+ 5832 − 105468.75 =
140.0833
254
estatística experimental no rbio
1 t l 2
SQPxS= ∑∑Yij. − SQParcela − SQSubparcela − C
r =i 1 =j 1
1
=
2
(
142.592 + 240.012 + 159.42 + 170.662 + 220.642 + 191.7 2 )
−2930.049 − 140.0833 − 105468.75 = 411.52
t l r
SQTotal
= ∑∑∑Y
=i 1 =j 1 =
k 1
2
ijk C 66.982 + 75.612 + 113.77 2 + 126.242
−=
SQErro B =
SQTotal − SQTotal Parcela − SQSubparcela − SQPxS
= 3736.45 − 3085.74 − 140.0833 − 411.52 = 99.1
255
estatística experimental no rbio
Total 11 3736.45
*: Significativo a 5% pelo teste F.
256
estatística experimental no rbio
257
estatística experimental no rbio
# -----------------------------------
# Script 9: Delineamento em esquema de parcela subdividida
# -----------------------------------
# ----------------------
# 9.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo3sub.txt”, h=T) # Leitura dos dados
X
Parcela Subparcela Rep Variavel
1 1 1 1 66.98
2 1 1 2 75.61
3 2 1 1 113.77
4 2 1 2 126.24
5 3 1 1 71.87
6 3 1 2 87.53
7 1 2 1 86.71
8 1 2 2 83.95
9 2 2 1 110.35
10 2 2 2 110.29
11 3 2 1 93.26
12 3 2 2 98.44
# ----------------------
# 9.2- ANOVA Parcela Subdividida
# ----------------------
Parc<-as.factor(X[,1])
Sub<-as.factor(X[,2])
Bloco<-as.factor(X[,3])
# ----------------------
# 9.2.1- ANOVA Parcela Subdividida em DIC
# ----------------------
saida<-aov(X[,4]~ Parc + Error(Bloco:Parc) + Sub +Parc*Sub)
print(summary(saida))
Error: Bloco:Parc
Df Sum Sq Mean Sq F value Pr(>F)
Parc 2 2930.0 1465.0 28.23 0.0113 *
Residuals 3 155.7 51.9
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Error: Within
Df Sum Sq Mean Sq F value Pr(>F)
Sub 1 140.1 140.08 4.239 0.1316
Parc:Sub 2 411.5 205.76 6.226 0.0855 .
Residuals 3 99.1 33.05
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# ----------------------
# 9.2.2- ANOVA Parcela Subdividida em DBC
# ----------------------
saida<-aov(X[,4]~ Bloco +Parc + Error(Bloco:Parc) + Sub +Parc*Sub)
print(summary(saida))
Error: Bloco:Parc
Df Sum Sq Mean Sq F value Pr(>F)
Bloco 1 127.5 127.5 9.057 0.09495 .
Parc 2 2930.0 1465.0 104.045 0.00952 **
Residuals 2 28.2 14.1
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Error: Within
Df Sum Sq Mean Sq F value Pr(>F)
Sub 1 140.1 140.08 4.239 0.1316
Parc:Sub 2 411.5 205.76 6.226 0.0855 .
Residuals 3 99.1 33.05
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
258
estatística experimental no rbio
259
11
260
estatística experimental no rbio
Parcela subdividida:
Bloco 1 D1 D3 D4 D2 D2 D1 D4 D3 D3 D2 D1 D4
Bloco 2 D2 D4 D3 D1 D3 D1 D2 D4 D4 D2 D3 D1
Bloco 3 D3 D2 D1 D4 D3 D1 D2 D4 D1 D3 D4 D2
261
estatística experimental no rbio
Fatorial:
Bloco 1 V1D1 V2D2 V3D4 V3D1 V1D3 V2D4 V2D1 V3D3 V1D2 V2D3 V3D2 V1D4
Bloco 2 V1D2 V2D1 V1D3 V3D1 V2D2 V3D3 V3D2 V1D1 V2D4 V1D4 V3D4 V2D3
Bloco 3 V3D1 V2D4 V1D3 V1D2 V3D2 V2D3 V1D4 V3D3 V2D2 V2D1 V3D4 V1D1
1 Y111, ..., Y11r Y121, ..., Y12r ... Y1l1, ..., Y1lr Y1.. Ȳ1..
2 Y211, ..., Y21r Y221, ..., Y22r ... Y2l1, ..., Y2lr Y2.. Ȳ2..
t Yt11, ..., Yt1r Yt21, ..., Yt2r ... Ytl1, ..., Ytlr Yt.. Ȳt..
em que:
Yijk é o valor observado relativo a parcela i, da subparcela j e do
bloco k, sendo i =1, 2, ..., t , j= 1, 2, ..., l e k =1, 2, ... r.
m é a média geral do experimento
Rk é o efeito do bloco k
Ai é o efeito do fator principal i
Erro a: Erro associado a observação ik
Bj é o efeito do fator secundário j
262
estatística experimental no rbio
Em que:
t l r
SQTotal
= ∑∑∑Y
=i 1 =j 1 =
k 1
2
ijk −C
1 r 2
SQBlocos
= ∑Y..k − C
tl k =1
1 t 2
SQ
= FatorA ∑Yi.. − C
lr i =1
263
estatística experimental no rbio
1 t
SQTotal
= Parcela ∑
l i =1
Yi.k 2 − C
SQErro=
A SQTotal Parcela − SQFatorA − SQBloco
1 t 2
SQFatorB
= ∑Y. j. − C
tr j =1
1 t
SQTotal =
Subparcela ∑
t i =1
Y. jk 2 − C
SQ=
Erro B SQTotal Subparcela − SQBloco − SQFatorB
1 t l 2
SQAxB= ∑∑Yij. − SQFatorA − SQFatorB − C
r =i 1 =j 1
264
estatística experimental no rbio
Y...2 11252
C
= = = 105468.75
tlr 3 x 2 x 2
t l r
SQTotal
= ∑∑∑Y
=i 1 =j 1 =
k 1
2
ijk −C
1 r 2 1
SQ=
Blocos ∑
tl k =1
Y..k =
−C
3x 2
x
265
estatística experimental no rbio
1 t 2 1
SQ=
FatorA ∑
lr i =1
Yi.. =
−C
2 x2
x
( 313.25 2
)
+ 460.652 + 351.12 − 105468.75 =
2930.049
1 t
SQTotal
= Parcela ∑Yi.k 2 − C
l i =1
= x
2 + (126.24 + 110.29 ) + ( 71.87 + 93.26 ) + ( 87.53 + 98.44 ) ))
2 2 2
1
−105468.75=
2
(
x 153.692 + 159.562 + 224.122 + 236.532 + 165.132 + 185.97 2 )
217108.98
−105468.75 = − 105468.75 = 3085.74
2
SQErro=
A SQTotal Parcela − SQFatorA − SQBloco
=3085.74 − 2930.049 − 127.5312 =28.16
1 t 2 1
SQ=
FatorB ∑
tr j =1
Y. j . =
−C
3x 2
x
( 542 2
)
+ 5832 − 105468.75 =
140.0833
1 t 1
SQTotal Subparcela
= ∑
t i =1
Y. jk 2=
−C
3
x
266
estatística experimental no rbio
SQ=
Erro B SQTotal Subparcela − SQBloco − SQFatorB
= 366.2279 − 127.5312 − 140.0833 = 98.61
1 t l 1
SQAxB
= ∑∑Yij.2 − SQFatorA − SQFatorB
r =i 1 =j 1
= −C
2
(142.59 2
+ 240.012 + 159.42 + 170.662 + 220.642 + 191.7 2 )
−2930.049 − 140.0833 − 105468.75 =
411.52
Total 11 3736.45
ns,
*: Não significativo e significativo respectivamente a 5% pelo teste F.
267
estatística experimental no rbio
268
estatística experimental no rbio
Em que:
1 t 2 1 2
SQAdB1
= ∑Yi1. − tr Y.1.
r i =1
1 t 1
SQAdB 2
= ∑
r i =1
Yi 2.2 − Y.2.2
tr
QM Res( A) + ( l − 1) QM Res( C )
QM Erro médio 1 =
l
269
estatística experimental no rbio
Tabela 11.7. Valores numéricos com os totais de t cultivares (fator A), em l anos
(fator B) em r blocos para proceder o desdobramento da interação significativa
entre os fatores A e C.
Fator B
Fator A Total
1 2
1 t 2 1 2 1
SQAdB1 = ∑Yi1. − tr Y.1. = 2 x
r i =1
1
(142.59 2
+ 240.012 + 159.402 − ) 3x 2
(
x 542.002 = )
2711.87
1 t 1 1
SQAdB 2= ∑
r i =1
Yi 2.2 − Y.2.2=
tr 2
x
1
(170.66 2
+ 220.642 + 191.702 − ) 3x 2
(
x 583.002 = )
629.70
270
estatística experimental no rbio
QM Res( A) + ( l − 1) QM Res( C )
QM Erro médio 1 =
l
14.08 + ( 2 − 1) x0.25
= 7.29
2
Tabela 11.8. ANOVA para o desdobramento do fator A dentro de cada nível do fator B.
FV GL SQ QM F
QM Erro médio 1
DMSTukey = q∝ ( k , GlErro médio 1 )
r
7.29
( 3, 2 )
= q5% = 8.33
= x 3.645 15.90
2
271
estatística experimental no rbio
a1: 71.295 b
a2: 120.005 a
a3: 79.700 b
a1: 85.33 b
a2: 110.32 a
a3: 95.85 ab
272
estatística experimental no rbio
Em que:
1 l 1
SQBdA1
= ∑
r j =1
Y1 j .2 − Y1..2
lr
1 l 1
SQBdA 2
= ∑
r j =1
Y2 j .2 − Y2..2
lr
1 l 1
SQBdA3
= ∑
r j =1
Y3 j .2 − Y3..2
lr
273
estatística experimental no rbio
QM Res( B ) + ( t − 1) QM Res( C )
QM Erro médio 2 =
t
1 l 1 1
SQBdA1= ∑
r j =1
Y1 j .2 − Y1..2=
lr 2
(
x 142.592 + 170.662 )
1
−
2 x2
(
x 313.252 = )
196.98
1 l 1 1
SQBdA 2= ∑
r j =1
Y2 j .2 − Y2..2=
lr 2
(
x 240.012 + 220.642 )
1
−
2 x2
(
x 460.652 = )
93.80
1 l 1 1
SQBdA3= ∑
r j =1
Y3 j .2 − Y3..2=
lr 2
(
x 159.402 + 191.702 )
1
−
2 x2
(
x 351.102 = )
260.83
274
estatística experimental no rbio
QM Res( B ) + ( t − 1) QM Res( C )
QM Erro médio 2 =
t
98.61 + ( 3 − 1) x0.25
= 33.04
3
Tabela 11.10. ANOVA para o desdobramento do fator A dentro de cada nível do fator C.
FV GL SQ QM F
275
estatística experimental no rbio
276
estatística experimental no rbio
# -----------------------------------
# Script 10: Delineamento em esquema de faixas
# -----------------------------------
# ----------------------
# 10.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo3sub.txt”, h=T) # Leitura dos dados
X
Parcela Subparcela Rep Variavel
1 1 1 1 66.98
2 1 1 2 75.61
3 2 1 1 113.77
4 2 1 2 126.24
5 3 1 1 71.87
6 3 1 2 87.53
7 1 2 1 86.71
8 1 2 2 83.95
9 2 2 1 110.35
10 2 2 2 110.29
11 3 2 1 93.26
12 3 2 2 98.44
# ----------------------
# 10.2- ANOVA em Faixas
# ----------------------
Parc<-as.factor(X[,1])
Sub<-as.factor(X[,2])
Bloco<-as.factor(X[,3])
# ----------------------
# 10.2.1- ANOVA em Faixas em DIC
# ----------------------
saida<-aov(X[,4]~ Parc*Sub + Error(Bloco:Parc +Bloco:Sub))
print(summary(saida))
Error: Bloco:Parc
Df Sum Sq Mean Sq F value Pr(>F)
Parc 2 2930.0 1465.0 28.23 0.0113 *
Residuals 3 155.7 51.9
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Error: Bloco:Sub
Df Sum Sq Mean Sq F value Pr(>F)
Sub 1 140.08 140.08 1.421 0.444
Residuals 1 98.61 98.61
Error: Within
Df Sum Sq Mean Sq F value Pr(>F)
Parc:Sub 2 411.5 205.76 780.1 0.00128 **
Residuals 2 0.5 0.26
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# ----------------------
# 10.2.2- ANOVA em Faixas em DBC
# ----------------------
saida<-aov(X[,4]~ Bloco + Parc*Sub + Error(Bloco:Parc +Bloco:Sub))
print(summary(saida))
Error: Bloco:Parc
Df Sum Sq Mean Sq F value Pr(>F)
Bloco 1 127.5 127.5 9.057 0.09495 .
277
estatística experimental no rbio
278
estatística experimental no rbio
F1 : F2 2 0.020048
Erro combinado
------------------------------------------------------------------------
F1 dentro de F2 1
------------------------------------------------------------------------
Teste de Tukey
------------------------------------------------------------------------
Grupos Tratamentos Medias
a 2 120.005
b 3 79.7
b 1 71.295
------------------------------------------------------------------------
F1 dentro de F2 2
------------------------------------------------------------------------
Teste de Tukey
------------------------------------------------------------------------
Grupos Tratamentos Medias
a 2 110.32
ab 3 95.85
b 1 85.33
------------------------------------------------------------------------
F2 dentro de F1 1
------------------------------------------------------------------------
De acordo com o teste F, as medias desse fator sao estatisticamente iguais.
------------------------------------------------------------------------
Niveis Medias
1 1 71.295
2 2 85.330
------------------------------------------------------------------------
F2 dentro de F1 2
------------------------------------------------------------------------
De acordo com o teste F, as medias desse fator sao estatisticamente iguais.
------------------------------------------------------------------------
Niveis Medias
1 1 120.005
2 2 110.320
------------------------------------------------------------------------
F2 dentro de F1 3
------------------------------------------------------------------------
De acordo com o teste F, as medias desse fator sao estatisticamente iguais.
------------------------------------------------------------------------
Niveis Medias
1 1 79.70
2 2 95.85
------------------------------------------------------------------------
279
estatística experimental no rbio
280
estatística experimental no rbio
ANEXO 11.2. Valores da amplitude total estudentizada (q) para teste de Tukey a
5% de probabilidade em função do número de tratamentos e graus de liberdade
do resíduo.
GL(resid) Número de grupos no tratamento
2 3 4 5 6 7 8 9 10
1 17.97 26.98 32.82 37.08 40.41 43.12 45.40 47.36 49.07
2 6.08 8.33 9.8 10.88 11.73 12.43 13.03 13.54 13.99
3 4.50 5.91 6.82 7.50 8.04 8.48 8.85 9.18 9.46
4 3.93 5.04 5.76 6.29 6.71 7.05 7.35 7.60 7.83
5 3.64 4.6 5.22 5.67 6.03 6.33 6.58 6.8 6.99
6 3.46 4.34 4.9 5.3 5.63 5.9 6.12 6.32 6.49
7 3.34 4.16 4.68 5.06 5.36 5.61 5.82 6 6.16
8 3.26 4.04 4.53 4.89 5.17 5.4 5.6 5.77 5.92
9 3.2 3.95 4.41 4.76 5.02 5.24 5.43 5.59 5.74
10 3.15 3.88 4.33 4.65 4.91 5.12 5.3 5.46 5.6
11 3.11 3.82 4.26 4.57 4.82 5.03 5.2 5.35 5.49
12 3.08 3.77 4.2 4.51 4.75 4.95 5.12 5.27 5.39
13 3.06 3.73 4.15 4.45 4.69 4.88 5.05 5.19 5.32
14 3.03 3.7 4.11 4.41 4.64 4.83 4.99 5.13 5.25
15 3.01 3.67 4.08 4.37 4.59 4.78 4.94 5.08 5.2
16 3 3.65 4.05 4.33 4.56 4.74 4.9 5.03 5.15
17 2.98 3.63 4.02 4.3 4.52 4.7 4.86 4.99 5.11
18 2.97 3.61 4 4.28 4.49 4.67 4.82 4.96 5.07
19 2.96 3.59 3.98 4.25 4.47 4.65 4.79 4.92 5.04
20 2.95 3.58 3.96 4.23 4.45 4.62 4.77 4.9 5.01
24 2.92 3.53 3.9 4.17 4.37 4.54 4.68 4.81 4.92
30 2.89 3.49 3.85 4.1 4.3 4.46 4.6 4.72 4.82
40 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.73
120 2.8 3.36 3.68 3.92 4.1 4.24 4.36 4.47 4.56
>120 2.77 3.31 3.63 3.86 4.03 4.17 4.29 4.39 4.47
∞ 3.64 4.12 4.4 4.6 4.76 4.88 4.99 5.08 5.16
281
12
282
estatística experimental no rbio
faz com que exista então um arranjo hierárquico de tal forma que os
híbridos são aninhados sob as instituições. Dessa forma, pode-se ava-
liar se existe variabilidade entre as instituições e se existe variabilidade
entre os híbridos de cada instituição.
O modelo matemático para esse arranjo experimental em DIC é:
em que:
Yijk é o valor observado relativo à parcela que recebe o fator A i
no fator B j na repetição k, sendo i =1, 2, ..., l , j= 1, 2, ..., t e k =1, 2, ... r.
m é a média geral do experimento
Ai é o efeito do fator i
Bj(i) é o efeito do fator j aninhado sob o fator A
eijk é o erro aleatório associado a observação ijk.
Em que:
Y...2
C=
tlr
283
estatística experimental no rbio
t l r
SQTotal
= ∑∑∑Y
=i 1 =j 1 =
k 1
2
ijk −C
1 l 2
SQA
= ∑Yi.. − C
tr i =1
1 t l 2 1 l 2
SQB( A)
= ∑∑Yij. − tr =∑
r =i 1 =j 1 i 1
Yi..
284
estatística experimental no rbio
Y...2 11252
C
= = = 105468.75
tlr 3 x 2 x 2
t l r
SQTotal
= ∑∑∑Y
=i 1 =j 1 =
k 1
2
ijk C 66.982 + 75.612 + 113.77 2 + 126.242
−=
1 l 2 1
SQ=
Local ∑
tr i =1
Yi.. =
−C
3x2
( )
x 5422 + 5832 − 105468.75
= 140.08
1 t l 2 1 l 2 1
SQTrat ( Local )= ∑∑Yij. − tr =∑
r =i 1 =j 1 i 1
Yi.. =
2
(142.59 2
+ 240.012 + 159.42 + 170.662 + 220.642 + 191.7 2 )
1
−
3x 2
(
x 5422 + 583
= 2
)
108950.4023 − 105608.83
= 3341.57
285
estatística experimental no rbio
Total 11 3736.45
*: Significativo a 5% de significância pelo teste F
em que:
Yijk é o valor observado relativo à parcela que recebe o fator A i
no fator B j na repetição k, sendo i =1, 2, ..., l , j= 1, 2, ..., t e k =1, 2, ... r.
m é a média geral do experimento
Rk é o efeito do bloco k
Ai é o efeito do fator i
286
estatística experimental no rbio
Em que:
Y...2
C=
tlr
t l r
SQTotal
= ∑∑∑Y
=i 1 =j 1 =
k 1
2
ijk −C
1 r 2
SQBloco
= ∑Y..k − C
tl k =1
1 l 2
SQA
= ∑Yi.. − C
tr i =1
1 t l 2 1 l 2
SQB( A)
= ∑∑Yij. − tr =∑
r =i 1 =j 1 i 1
Yi..
287
estatística experimental no rbio
1 r 2 1
SQ=
Blocos ∑
tl k =1
Y..k =
−C
3x 2
x
Total 11 3736.45
*: Significativo a 5% de significância pelo teste F
288
estatística experimental no rbio
QMR
DMSTukey = q∝ ( k , GlResíduo )
local x trat
25.5
= q5% ( 2,=
5) 3.64
= x 4.25 7.5
( 2 x3 )
289
estatística experimental no rbio
QMR
DMSTukey = q∝ ( k , GlResíduo )
r
25.5
= q5% (=
6, 5 ) 6.03
= x 12.75 21.53
2
Sendo assim:
T2L1 a
T2L2 a b
T3L2 b c
T1L2 c d
T3L1 c d
T1L1 d
290
estatística experimental no rbio
291
estatística experimental no rbio
292
estatística experimental no rbio
# -----------------------------------
# Script 11: Delineamento em esquema Hierárquico
# -----------------------------------
# ----------------------
# 11.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo3.txt”, h=T) # Leitura dos dados
X
# ----------------------
# 11.2- ANOVA Hierárquico
# ----------------------
Trat<-as.factor(X[,1])
Local<-as.factor(X[,2])
Bloco<-as.factor(X[,3])
# ----------------------
# 11.2.1- ANOVA Hierárquico DIC
# ----------------------
saida<-aov(X[,4]~Local/Trat)
print(summary(saida))
Df Sum Sq Mean Sq F value Pr(>F)
Local 1 140 140.1 3.298 0.11926
Local:Trat 4 3342 835.4 19.669 0.00135 **
Residuals 6 255 42.5
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# ----------------------
# 11.2.2- ANOVA Hierárquico DBC
# ----------------------
saida<-aov(X[,4]~Bloco+Local/Trat)
print(summary(saida))
# ----------------------
# 11.3- Teste Tukey
# ----------------------
cat(“\n”, “-----Teste de Media para o Fator Local/Trat-----”,”\n”)
293
estatística experimental no rbio
$`Local:Trat`
diff lwr upr p adj
1:3-1:1 8.405 -13.120064 29.93006 0.5985940
2:1-1:1 14.035 -7.490064 35.56006 0.2078545
2:3-1:1 24.555 3.029936 46.08006 0.0298128
2:2-1:1 39.025 17.499936 60.55006 0.0039904
1:2-1:1 48.710 27.184936 70.23506 0.0014224
2:1-1:3 5.630 -15.895064 27.15506 0.8571679
2:3-1:3 16.150 -5.375064 37.67506 0.1367461
2:2-1:3 30.620 9.094936 52.14506 0.0117974
1:2-1:3 40.305 18.779936 61.83006 0.0034409
2:3-2:1 10.520 -11.005064 32.04506 0.4132197
2:2-2:1 24.990 3.464936 46.51506 0.0277647
1:2-2:1 34.675 13.149936 56.20006 0.0068150
2:2-2:3 14.470 -7.055064 35.99506 0.1906185
1:2-2:3 24.155 2.629936 45.68006 0.0318505
1:2-2:2 9.685 -11.840064 31.21006 0.4814724
$Local
diff lwr upr p adj
2-1 6.833333 -0.6553229 14.32199 0.0659169
library(agricolae)
cat(“\n”, “-----Teste de Media para o Fator Local-----”,”\n”)
Local, means
X[, 4] groups
2 97.16667 a
1 90.33333 a
294
estatística experimental no rbio
295
estatística experimental no rbio
ANEXO 12.2. Valores da amplitude total estudentizada (q) para teste de Tukey a 5% de
probabilidade em função do número de tratamentos e graus de liberdade do resíduo.
GL(resid) Número de grupos no tratamento
2 3 4 5 6 7 8 9 10
1 17.97 26.98 32.82 37.08 40.41 43.12 45.40 47.36 49.07
2 6.08 8.33 9.8 10.88 11.73 12.43 13.03 13.54 13.99
3 4.50 5.91 6.82 7.50 8.04 8.48 8.85 9.18 9.46
4 3.93 5.04 5.76 6.29 6.71 7.05 7.35 7.60 7.83
5 3.64 4.6 5.22 5.67 6.03 6.33 6.58 6.8 6.99
6 3.46 4.34 4.9 5.3 5.63 5.9 6.12 6.32 6.49
7 3.34 4.16 4.68 5.06 5.36 5.61 5.82 6 6.16
8 3.26 4.04 4.53 4.89 5.17 5.4 5.6 5.77 5.92
9 3.2 3.95 4.41 4.76 5.02 5.24 5.43 5.59 5.74
10 3.15 3.88 4.33 4.65 4.91 5.12 5.3 5.46 5.6
11 3.11 3.82 4.26 4.57 4.82 5.03 5.2 5.35 5.49
12 3.08 3.77 4.2 4.51 4.75 4.95 5.12 5.27 5.39
13 3.06 3.73 4.15 4.45 4.69 4.88 5.05 5.19 5.32
14 3.03 3.7 4.11 4.41 4.64 4.83 4.99 5.13 5.25
15 3.01 3.67 4.08 4.37 4.59 4.78 4.94 5.08 5.2
16 3 3.65 4.05 4.33 4.56 4.74 4.9 5.03 5.15
17 2.98 3.63 4.02 4.3 4.52 4.7 4.86 4.99 5.11
18 2.97 3.61 4 4.28 4.49 4.67 4.82 4.96 5.07
19 2.96 3.59 3.98 4.25 4.47 4.65 4.79 4.92 5.04
20 2.95 3.58 3.96 4.23 4.45 4.62 4.77 4.9 5.01
24 2.92 3.53 3.9 4.17 4.37 4.54 4.68 4.81 4.92
30 2.89 3.49 3.85 4.1 4.3 4.46 4.6 4.72 4.82
40 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.73
120 2.8 3.36 3.68 3.92 4.1 4.24 4.36 4.47 4.56
>120 2.77 3.31 3.63 3.86 4.03 4.17 4.29 4.39 4.47
∞ 3.64 4.12 4.4 4.6 4.76 4.88 4.99 5.08 5.16
296
13
ANÁLISE DE EXPERIMENTOS
EM BLOCOS INCOMPLETOS
297
estatística experimental no rbio
Bloco 1:
T1 T2 G1 G2
Bloco 2:
G4 T2 G3 T1 G5
Yij = µ + τ i + B j + ε ij
em que:
Yij : é o valor da característica para a i-ésima testemunha no
j-ésimo bloco (ou repetição). Para melhor entendimento, é utilizada
outra simbologia para expressar o valor de um genótipo, para a mesma
característica considerada, dada por:
Z i j : é o valor da característica para o i-ésimo genótipo no j-é-
simo bloco;
µ : constante associada ao modelo;
τ i : efeito do i-ésimo tratamento, que pode ser decomposto em:
Ti: efeito da i-ésima testemunha, com i =1,2...t e
Gi j : efeito do i-ésimo genótipo, com i =1,2...gj.
O total de genótipos avaliados é:
∑
b
g= g j em que gj é o número total de genótipos avaliados
j =1
no j-ésimo bloco.
B j : efeito do j-ésimo bloco, com j=1,2...b;
298
estatística experimental no rbio
ε ij : erro aleatório.
Para a realização da análise de variância, todos os efeitos do
modelo devem ser obtidos, de tal forma que:
a) Estimação de µ
1 Y.. b
=µˆ + Z. − ∑g j Bˆ j : média ponderada descrita por Federer (1956).
t+g b j =1
Y.. + Z.
µˆ g = : média geral do ensaio;
bt + g
Y
µˆ c = .. : média dos tratamentos comuns (testemunhas);
bt
Z
µˆ nc = . : média dos tratamentos não comuns (genótipos);
g
b) Estimação de Bj
Y. j Y..
Bˆ j = − = Y. j − µˆ c
t bt
∑ Bˆ j = 0
b
de forma que: j =1
j
c) Estimação de Gi
Y. j
Gi j = Z i j − + µˆ c − µˆ
t
Para Garça (1972), o efeito atribuído aos tratamentos não co-
muns (genótipos) pode ser estimado por meio de:
Y. j = Z − 1 b Y g
tendo-se ∑ i 1G ∑ j 1 .j j
g
G= j
Z i j − ,= i .
i
t
=
t
299
estatística experimental no rbio
de forma que
G i j = Gˆ i j − µˆ c + µˆ
d) Estimação de Ti
ˆ Yi. − µˆ
T=i
b
Y Y Y
∑
t
Ti = i. − µˆ c = i. − .. Desta relação, tem-se T = 0
i =1 i
b b bt
Y
Ti = i. − µˆ c =Tˆi − µˆ c + µˆ
b
O esquema da ANOVA para o delineamento em blocos aumen-
tados é apresentado na Tabela 13.1.
Em que:
300
estatística experimental no rbio
sendo
(Y.. + Z. ) 2
C=
bt + g
Yij =µ + B j + eij
(Y )
2
b + Z. j
∑
.j
SQBlocos
= −C
j gj +t
(Y )
2
b + Z. j
= SQmodelo − ∑
.j
SQTajustado
j gj +t
301
estatística experimental no rbio
em que:
t g b
+ G Z + Bˆ Y + Z j
SQmodelo= µˆ c (Y.. + Z. ) + ∑TY
i i. ∑ i i ∑ j .j . ( )
=i 1 =i 1 =j 1
Z i ( ajustado ) = Z i − Bˆ ij = Gi + µˆ
302
estatística experimental no rbio
1 71.87 - 71.87
73.74
2 75.61 - 75.61
3 - 79.7 79.7
5 - 77 77
Média geral
Y.. 718.01
µˆ=
c = = 119.668
bt 2 x3
Z. 391.71
µˆ=
g = = 78.34
g 5
303
estatística experimental no rbio
718.01
1 Y.. b 1 + 391.71
µˆ + Z. − ∑g= ˆ 2
= j Bj
t+g b j =1 3 + 5 − ( 2 x − 3.41) + ( 3 x3.41)
1
= ( 359 + 391.71 − 3.41) = 93.41
8
Y Y 348.77
Bˆ1 =.1 − .. =
Y.1 − µˆ c = − 119.66 =
−3.41
t bt 3
Y Y 369.24
Bˆ 2 =.2 − .. =
Y.2 − µˆ c = − 119.66 =
+3.41
t bt 3
Y 348.77
Gˆ11 =Z11 − .1 + µˆ c − µˆ =71.87 − + 119.66 − 93.41 =−18.13
t 3
Y
Gˆ 21 =Z 21 − .1 + µˆ c − µˆ =75.61 − 116.25 + 119.66 − 93.41 =−14.39
t
Y 369.24
Gˆ 32 =Z 22 − .2 + µˆ c − µˆ =79.7 − + 119.66 − 93.41 =−17.13
t 3
Y
Gˆ 42 =Z 42 − .2 + µˆ c − µˆ =87.53 − 123.08 + 119.66 − 93.41 =−9.29
t
Y
Gˆ 52 =Z 52 − .2 + µˆ c − µˆ =77 − 123.08 + 119.66 − 93.41 =−19.82
t
304
estatística experimental no rbio
Y 233.77
Tˆ1 =1. − µˆ = − 93.41 =
116.88 − 93.41 =
23.47
b 2
Y 246.24
Tˆ2 =2. − µˆ = − 93.41 =
123.12 − 93.41 =29.70
b 2
Y 238
Tˆ3 =3. − µˆ = − 93.41 =
119 − 93.41 =
25.58
b 2
Tˆ µˆ + =
T= µˆ 29.70 − 119.66 + 93.41
= 3.45
2 2− c
305
estatística experimental no rbio
Correção
( 718.01 + 391.71)
2
(Y.. + Z. ) 2
=C = = 111.952,58
bt + g 2 x3 + 5
i j i =1
+ ( 71.87 ) + ( 75.61) + ( 79.7 ) + ( 87.53) + ( 77 )
2 2 2 2 2
−111.952,58 =116.858,8 − 111.952,58 =4.906,32
(Y ) (Y ) + (Y )
2 2 2
b + Z. j + Z.1 + Z.2
∑
.j .1 .2
SQBlocos
= =−C −C
j gj +t gj +t gj +t
= + −C
2+3 3+3
( 496.25) ( 613.47=
) −C
2 2
= + 111.977, 05 − 111.952,58
= 24.46
5 6
(Y )
2
b + Z. j
= SQmodelo − ∑
.j
SQTajustado
j gj +t
306
estatística experimental no rbio
t g b
+ G Z + Bˆ Y + Z j =
SQmodelo= µˆ c (Y.. + Z. ) + ∑TY
i i. ∑ i i ∑ j .j . ( )
=i 1 =i 1 =j 1
Total 10 4906.3215
*: significativo a 5% de probabilidade pelo teste F.
307
estatística experimental no rbio
308
estatística experimental no rbio
309
estatística experimental no rbio
# -----------------------------------
# Script 12: Delineamento em Blocos Aumentados (DBA)
# -----------------------------------
# ----------------------
# 12.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo4.txt”, h=T) # Leitura dos dados
X
# ----------------------
# 12.2- ANOVA em Blocos Aumentados
# ----------------------
Trat<-as.factor(X[,1])
Rep<-as.factor(X[,2])
# ----------------------
# 12.3- ANOVA em Blocos Aumentados pacote augmentedRCBD
# ----------------------
library(augmentedRCBD)
saida2<-augmentedRCBD(Rep, Trat, X[,3], method.comp = “tukey”)
310
estatística experimental no rbio
Treatment Means
===============
Treatment Block Means SE r Min Max
1 1 1 71.870 NA 1 71.87 71.87
2 2 1 75.610 NA 1 75.61 75.61
3 3 2 79.700 NA 1 79.70 79.70
4 4 2 87.530 NA 1 87.53 87.53
5 5 2 77.000 NA 1 77.00 77.00
6 T1 116.885 3.115 2 113.77 120.00
7 T2 123.120 3.120 2 120.00 126.24
8 T3 119.000 4.000 2 115.00 123.00
Adjusted Means
1 75.28167
2 79.02167
3 76.28833
4 84.11833
5 73.58833
6 116.88500
7 123.12000
8 119.00000
Coefficient of Variation
========================
0.7142555
Standard Errors
===================
Std. Error of Diff.
Control Treatment Means 0.7205669
Two Test Treatments (Same Block) 1.0190355
Two Test Treatments (Different Blocks) 1.1766808
A Test Treatment and a Control Treatment 1.0190355
CD (5%)
Control Treatment Means 3.100349
Two Test Treatments (Same Block) 4.384556
Two Test Treatments (Different Blocks) 5.062849
A Test Treatment and a Control Treatment 4.384556
Tukey HSD (5%)
Control Treatment Means 6.638107
Two Test Treatments (Same Block) 9.387702
Two Test Treatments (Different Blocks) 10.839984
A Test Treatment and a Control Treatment 6.638107
311
estatística experimental no rbio
Treatment Groups
==================
Method : tukey
# ----------------------
# 12.4- ANOVA em Blocos Aumentados pacote agricolae
# ----------------------
#install.packages(“agricolae”)
library(agricolae)
saida<- DAU.test(Rep,Trat,X[,3])
print(saida)
$means
X...3. std r Min Max Q25 Q50
1 71.870 NA 1 71.87 71.87 71.8700 71.870
2 75.610 NA 1 75.61 75.61 75.6100 75.610
3 79.700 NA 1 79.70 79.70 79.7000 79.700
4 87.530 NA 1 87.53 87.53 87.5300 87.530
5 77.000 NA 1 77.00 77.00 77.0000 77.000
T1 116.885 4.405275 2 113.77 120.00 115.3275 116.885
T2 123.120 4.412346 2 120.00 126.24 121.5600 123.120
T3 119.000 5.656854 2 115.00 123.00 117.0000 119.000
Q75 mean.adj SE block
1 71.8700 75.28167 0.7205669 1
2 75.6100 79.02167 0.7205669 1
3 79.7000 76.28833 0.7205669 2
4 87.5300 84.11833 0.7205669 2
5 77.0000 73.58833 0.7205669 2
T1 118.4425 116.88500 0.5095177
T2 124.6800 123.12000 0.5095177
T3 121.0000 119.00000 0.5095177
$parameters
test name.t ntr Controls Augmented blocks alpha
DAU Trat 8 3 5 2 0.05
$statistics
Mean CV
100.8836 0.7
$comparison
NULL
$groups
X[, 3] groups
312
estatística experimental no rbio
T2 123.12000 a
T3 119.00000 b
T1 116.88500 b
4 84.11833 c
2 79.02167 d
3 76.28833 de
1 75.28167 de
5 73.58833 e
$SE.difference
Std Error Diff.
Two Control Treatments 0.7205669
Two Augmented Treatments (Same Block) 1.0190355
Two Augmented Treatments(Different Blocks) 1.1766808
A Augmented Treatment and A Control Treatment 0.9302479
$vartau
1 2 3 4 5
1 0.0000000 1.0384333 1.3845778 1.3845778 1.3845778
2 1.0384333 0.0000000 1.3845778 1.3845778 1.3845778
3 1.3845778 1.3845778 0.0000000 1.0384333 1.0384333
4 1.3845778 1.3845778 1.0384333 0.0000000 1.0384333
5 1.3845778 1.3845778 1.0384333 1.0384333 0.0000000
T1 0.8653611 0.8653611 0.8653611 0.8653611 0.8653611
T2 0.8653611 0.8653611 0.8653611 0.8653611 0.8653611
T3 0.8653611 0.8653611 0.8653611 0.8653611 0.8653611
T1 T2 T3
1 0.8653611 0.8653611 0.8653611
2 0.8653611 0.8653611 0.8653611
3 0.8653611 0.8653611 0.8653611
4 0.8653611 0.8653611 0.8653611
5 0.8653611 0.8653611 0.8653611
T1 0.0000000 0.5192167 0.5192167
T2 0.5192167 0.0000000 0.5192167
T3 0.5192167 0.5192167 0.0000000
13.2. Látice
313
estatística experimental no rbio
Bloco 1 1 2 3
Bloco 2 4 5 6
Bloco 3 7 8 9
1 2 3
4 5 6
7 8 9
Bloco 4 1 4 7
Bloco 5 2 5 8
Bloco 6 3 6 9
Bloco 7 1 5 9
Bloco 8 2 6 7
Bloco 9 3 4 8
314
estatística experimental no rbio
315
estatística experimental no rbio
em que:
Yijk é o valor observado relativo à parcela que recebe o tratamen-
to i da repetição j no bloco k, sendo i =1, 2, ..., t ; j= 1, 2, ..., r e k = 1,2, ...k.
m é a média geral do experimento
ti é o efeito do tratamento i
rj é o efeito da repetição j
(b/r) jk é o efeito do bloco k dentro da repetição j
eijk é o erro aleatório associado a observação ijk
Repetições r-1
316
estatística experimental no rbio
Y...2
C= e é denominada por correção.
tr
t r k
SQTotal
= ∑∑∑Y
=i 1 =j 1 =
k 1
ijk
2
−C
1 r 2
SQRep
= ∑Y. j. − C
t j =1
1 k 2
SQBloco / Rep = ∑Y..k − (SQRep + C )
k k
1 t ˆ
SQTrat aj . = ∑tiQi
k i =1
Sendo que: Qi = k * Ti – Ai
Ti: Total para o tratamento i avaliado
Ai: Total dos blocos em que o tratamento i aparece (correções)
317
estatística experimental no rbio
1 1
=tˆi Qi + [ S1 (Qi ) + S2 (Qi ) +… Sr (Qi )]
rk r ( r − 1) t
G ˆ
mˆ i = mˆ + tˆi = + ti em que G é o total geral das parcelas.
tr
318
estatística experimental no rbio
t r
SQTotal
= ∑∑Y
=i 1 =j 1
ijk
2
C 66.982 + 113.77 2 + 71.87 2
−=
1 r 2 1
SQ
=Rep ∑
t j =1
Y. j . =
−C
9
(832.322 + 909.682 ) − 168586.9
= 332.4761
1 k 2 1
SQBloco=
/ Rep ∑
k k =1
Y..k − ( SQRep +=
C)
3
(252.622 + 289.382
1 t ˆ
SQTrat aj . = ∑ti Qi
k i =1
319
estatística experimental no rbio
320
estatística experimental no rbio
1 1
=tˆi Qi + [ S1 (Qi ) + S2 (Qi ) +… Sr (Qi )]
rk r ( r − 1) t
1 1
tˆ1 = Q1 + [ S1 (Q1 ) + S2 (Q1 )]
2 x3 2 ( 2 − 1) 9
−66.04 1
= + [ −65.39 − 124.77 ] =
−21.57
6 18
1 1
tˆ2 = Q2 + [ S1 (Q2 ) + S2 (Q2 )]
2 x3 2 ( 2 − 1) 9
3 x ( Q2 ) + [ S1 (Q2 ) + S 2 (Q2 ) ] 3 x ( 59.08 ) + [ −65.39 + 218.76 ]
= = 18.36
18 18
3 x ( Q3 ) + [ S1 (Q3 ) + S 2 (Q3 ) ]
tˆ3 =
18
3 x ( −58.43) + [ −65.39 − 93.99 ]
= = −18.59
18
321
estatística experimental no rbio
3 x ( Q4 ) + [ S1 (Q4 ) + S 2 (Q4 ) ]
tˆ4 =
18
3 x ( −41.36 ) + [ 72.67 − 124.77 ]=
= −9.78
18
3 x ( Q5 ) + [ S1 (Q5 ) + S 2 (Q5 ) ]
tˆ5 =
18
3 x (125.79 ) + [ 72.67 + 218.76 ]
= 37.15
18
3 x ( Q6 ) + [ S1 (Q6 ) + S2 (Q6 ) ]
tˆ6 =
18
3 x ( −11.76 ) + [ 72.67 − 93.99 ]
= = −3.14
18
3 x ( Q7 ) + [ S1 (Q7 ) + S 2 (Q7 ) ]
tˆ7 =
18
3 x ( −17.37 ) + [ −7.28 − 124.77 ]
= = −10.23
18
3 x ( Q8 ) + [ S1 (Q8 ) + S 2 (Q8 ) ]
tˆ8 =
18
3 x ( 33.89 ) + [ −7.28 + 218.76 ]
= 17.39
18
3 x ( Q9 ) + [ S1 (Q9 ) + S 2 (Q9 ) ]
tˆ9 =
18
3 x ( −23.8 ) + [ −7.28 − 93.99 ]
= = −9.59
18
322
estatística experimental no rbio
Total 17 4209.7191
*: significativo a 5% de probabilidade pelo teste F.
323
estatística experimental no rbio
G ˆ
mˆ i = mˆ + tˆi = + ti em que G é o total geral das parcelas, portan-
tr
to para o referido exemplo
1742 ˆ 1742
mˆ=
1 t1
+= − 21.57
= 75.20
9 x2 18
1742 ˆ 1742
mˆ=
2 + t=
2 + 18.36
= 115.14
9 x2 18
1742 ˆ 1742
mˆ=
3 + t=
3 − 18.59
= 78.18
9 x2 18
1742 ˆ 1742
mˆ=
4 + t=
4 − 9.78
= 87
9 x2 18
1742 ˆ 1742
mˆ=
5 + t=
5 + 37.15
= 133.93
9 x2 18
1742 ˆ 1742
mˆ=
6 + t=
6 − 3.14
= 93.63
9 x2 18
1742 ˆ 1742
mˆ=
7 + t=
7 − 10.23
= 86.54
9 x2 18
1742 ˆ 1742
mˆ=
8 + t=
8 + 17.39
= 114.17
9 x2 18
1742 ˆ 1742
mˆ=
9 + t=
9 − 9.59
= 87.18
9 x2 18
324
estatística experimental no rbio
Eficiência do Látice
Total 17 4209.7
ns
: Não significativo a 5% de probabilidade pelo teste F.
QMResDBC
Eficiência =
Variância Efetiva
325
estatística experimental no rbio
1 1
(1) QMResLátice 1 + = 48.811 + = 65.09
Variância Efetiva=
k 3
r
Variância
= Efetiva ( 2 ) QMResLátice 1 +
( r − 1) k
2
=48.811 + =81.36
( 2 − 1) 3
r
Variância Efetiva
= ( média ) QMResLátice 1 +
( r − 1)( k + 1)
2
= 48.811 + 73.215
=
( 2 − 1)( 3 + 1)
QMResDBC 282.9
(1)
Eficiência= = = 4.34
= 434%
Variância Efetiva (1) 65.08
QMResDBC 282.9
( 2)
Eficiência= = = 3.47
= 347%
Variância Efetiva ( 2 ) 81.35
QMResDBC 282.9
Eficiência ( média
= ) = = 3.86
= 386%
Variância Efetiva ( média ) 73.215
326
estatística experimental no rbio
1 t 2
SQTrat ( não=
ajustado ) ∑Yi.. − C
r i =1
SQBlocos ( ajustado
= ) SQBlocos ( não ajustado ) + SQTrat ( ajustado ) − SQTrat ( não ajustado )
340402.06
= − 168586.9= 1614.14
2
SQBlocos ( ajustado
= ) SQBlocos ( não ajustado ) + SQTrat ( ajustado ) − SQTrat ( não ajustado )
= 446.2046 + 3235.76 − 1614.14 = 2067.83
327
estatística experimental no rbio
Total 17 4209.7191
Vale ressaltar que não há teste exato para este tipo de análise,
por isso não foi realizado o teste F.
Para obter a análise interbloco deve-se estimar:
=aˆ
( r=
− 1) xQMRintra ( 2 − 1) x 48.81
= 0.0495
r x QMBaj − QMRintra 2 x 516.95 − 48.81
G
M i =Qi + aˆ Ai − aˆ
k
G
Q1 + aˆ A1 − aˆ
M1 = −66.04 + ( 0.0495 x562.3)
=
k
1742
−0.0495 x −66.95
=
3
G
M 2 =Q2 + aˆ A2 − aˆ =59.08 + ( 0.0495 x539.36 )
k
1742
−0.0495 x 57.03
=
3
328
estatística experimental no rbio
G
Q3 + aˆ A3 − aˆ
M3 = −58.43 + ( 0.0495 x565.88 )
=
k
1742
−0.0495 x −59.16
=
3
G
Q4 + aˆ A4 − aˆ
M4 = −41.36 + ( 0.0495 x599.06 )
=
k
1742
−0.0495 x −40.45
=
3
G
M 5 =Q5 + aˆ A5 − aˆ =125.79 + ( 0.0495 x576.12 )
k
1742
−0.0495 x 125.56
=
3
G
Q6 + aˆ A6 − aˆ
M6 = −11.76 + ( 0.0495 x602.64 )
=
k
1742
−0.0495 x −10.67
=
3
G
Q7 + aˆ A7 − aˆ
M7 = −17.37 + ( 0.0495 x600 )
=
k
1742
−0.0495 x −16.41
=
3
G
M 8 =Q8 + aˆ A8 − aˆ =33.89 + ( 0.0495 x577.06 )
k
1742
−0.0495 x 33.71
=
3
G
Q9 + aˆ A9 − aˆ
M9 = −23.8 + ( 0.0495 x603.58 )
=
k
1742
−0.0495 x −22.66
=
3
329
estatística experimental no rbio
1 1 1 − aˆ
=tˆi' Mi + S1 ( M i ) +…+ S r ( M i )
rk rt r − 1 + aˆ
330
estatística experimental no rbio
( 57.03) + 0.05031 x
tˆ2=' ( −69.08 + 216.31=) 16.91
6
( −59.16 )
tˆ3' =+ 0.05031 x ( −69.08 – 92.50 ) =
−17.99
6
( −40.45)
tˆ4' = + 0.05031 x ( 74.44 − 123.81) =
−9.23
6
(125.56 ) + 0.05031 x
tˆ5' = ( 74.44 + 216.31 ) = 35.56
6
( 33.71) + 0.05031 x
tˆ8' = ( – 5.37 + 216.31 ) =16.23
6
331
estatística experimental no rbio
*
SQTrat
* aj . 3062.62
= = = 382.82
QM Trat aj .
t −1 8
383.795
=F = 7.86 7.84 , associado a 8 e 4 graus de liberdade, para
48.81
numerador e denominador respectivamente. F (5%,8,4) =6.04. Como F
calculado é maior que F tabelado, rejeita-se H0 de igualdade entre as
médias. O quadro da ANOVA é apresentado na Tabela 13.9.
Total 17 4209.7191
*: significativo a 5% de probabilidade pelo teste F.
332
estatística experimental no rbio
G ˆ'
mˆ i' = mˆ + tˆi' =
+ ti em que G é o total de geral das parcelas,
tr
portanto para o referido exemplo
333
estatística experimental no rbio
Quadro auxiliar:
1 165.42 562.30 -66.04 27.86 -66.95 -69.08 -123.81 -192.89 -20.86 75.92 1396.76
2 199.48 539.36 59.08 26.72 57.03 -69.08 216.31 147.23 16.91 113.69 964.59
3 169.15 565.88 -58.43 28.04 -59.16 -69.08 -92.50 -161.58 -17.99 78.79 1064.30
4 185.9 599.06 -41.36 29.68 -40.45 74.44 -123.81 -49.37 -9.23 87.55 373.14
5 233.97 576.12 125.79 28.55 125.56 74.44 216.31 290.75 35.56 132.33 4464.49
6 196.96 602.64 -11.76 29.86 -10.67 74.44 -92.50 -18.05 -2.69 94.09 28.67
7 194 600.00 -17.37 29.73 -16.41 -5.37 -123.81 -129.18 -9.23 87.54 151.55
8 203.65 577.06 33.89 28.59 33.71 -5.37 216.31 210.94 16.23 113.01 547.17
9 193.26 603.58 -23.8 29.91 -22.66 -5.37 -92.50 -97.86 -8.70 88.08 197.21
QMResDBC
Eficiência =
Variância Efetiva
334
estatística experimental no rbio
1 QMBlocosajustados − QMResLátice
Variância
= Efetiva (1) QMResLátice 1 +
k QMBlocosajustados
1 516.95 − 48.81
= 48.811 + = 63.54
3 516.95
r QMBlocosajustados − QMResLátice
Variância
= Efetiva ( 2 ) QMResLátice 1 +
( r − 1) k QMBlocosajustados
2 516.95 − 48.81
48.811 +
= 78.27
=
( 2 − 1) 3 516.95
r QMBlocosajustados − QMResLátice
Variância Efetiva
= ( média ) QMResLátice 1 +
( r − 1)( k + 1) QMBlocosajustados
2 516.95 − 48.81
= 48.811 + =70.91
( 2 − 1)( 3 + 1) 516.95
QMResDBC 282.9
(1)
Eficiência= = = 4.45
= 445%
Variância Efetiva (1) 63.54
QMResDBC 282.9
( 2)
Eficiência = = = 3.61
= 361%
Variância Efetiva ( 2 ) 78.27
QMResDBC 282.9
Eficiência ( média
= ) = = 3.989 = 398.9%
Variância Efetiva ( média ) 70.91
335
estatística experimental no rbio
Eficiência =
( t − 1) x ( r − 1)
( t − 1) x ( r − 1) + r ( k − 1)
=Eficiência
( 9 − 1) x ( 2 − 1)
= 0.6667
( 9 − 1) x ( 2 − 1) + 2 ( 2 − 1)
336
estatística experimental no rbio
337
estatística experimental no rbio
# -----------------------------------
# Script 13: Látice
# -----------------------------------
# ----------------------
# 13.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo5.txt”, h=T) # Leitura dos dados
X
# ----------------------
# 13.2- ANOVA em Látice
# ----------------------
#install.packages(“agricolae”)
#install.packages(“MASS”)
#install.packages(“nlme”)
library(agricolae)
library(MASS)
library(nlme)
rep<-as.factor(X[,1])
bloco<-as.factor(X[,2])
trat<-as.factor(X[,3])
r<-length(unique(rep))
b<-length(unique(bloco))
kk <- b/r
# ----------------------
# 13.2.1- Analise intrabloco com tratamento ajustado
# ----------------------
m0 <- lm(terms(X[,4]~rep/bloco+trat, keep.order=TRUE), data=X)
saida0 <- anova(m0)
print(saida0)
Response: X[, 4]
Df Sum Sq Mean Sq F value Pr(>F)
rep 1 332.5 332.48 6.8103 0.05944 .
rep:bloco 4 446.2 111.55 2.2850 0.22159
trat 8 3235.8 404.47 8.2850 0.02886 *
Residuals 4 195.3 48.82
338
estatística experimental no rbio
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# ----------------------
# 13.2.2- Análise com tratamento ajustado com recuperação da informação interbloco
# ----------------------
saida<- PBIB.test(bloco,trat,rep,X[,4],k=kk)
print(saida$ANOVA)
Response: X[, 4]
Df Sum Sq Mean Sq F value Pr(>F)
trat 8 3033.29 379.16 7.6979 0.03287 *
Residuals 4 197.02 49.26
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
print(saida$groups)
339
estatística experimental no rbio
340
14
REGRESSÃO
341
estatística experimental no rbio
Yi = β o + β1 X 1i + β 2 X 2i + ... + β p X pi + ei
E ( ei ) = 0
342
estatística experimental no rbio
( )
( ei ) σ 2
ei2 V=
E=
E ( ei ei ' ) = 0
Y1 =β o + β1 X 1 + ε1
Y2 =β o + β1 X 2 + ε 2
... .... ....
Yn =β o + β1 X n + ε n
Yi =β 0 + β1 X i + ε i
343
estatística experimental no rbio
yi =b0 + b1 xi + ei
sendo
∑
n
x =0
i =1 i
∑
n
y =0
i =1 i
bˆ1 = βˆ1
344
estatística experimental no rbio
∑= ei2 ∑ i 1( yi − b1 xi ) 2
n n
=ω
= i 1=
∑ ( y − 2b x y + b x )
n 2 2 2
= i =1 i 1 i i 1 i
∑ y − 2b ∑ x y + ∑
n 2 n n 2 2
=i 1 i =
=
1 i i
i 1= i 1 1 i
b x
∂ω
∑ ∑
n n
0
= − 2
=i 1 =i 1 i
xi yi + 2b1 x2
∂b1
fazendo
∂ω
=0
∂b1
tem-se:
∑
n
xy Cov ( x, y )
=bˆ1 = i =1 i i
∑ x
n 2 V ( x)
i =1 i
∑ e ∑ y − bˆ ∑ x yi
2 n n
2 n
= 1
=i 1 =i 1 =i 1 i
i i
345
estatística experimental no rbio
∑
n 2
SQtotal = y
i =1 i
SQDesvio = ∑ i =1ei
n
2
β o + β1 X i + ε
Yi =
346
estatística experimental no rbio
• O intercepto
sendo σ2 = QMD
• O coeficiente angular
n∑ X iYi − ∑ X i ∑ Yi
n n n
ˆ
• A covariância entre os coeficientes β o e β̂1
347
estatística experimental no rbio
Total n -1 SQTo
SQTo =
( ∑ Y)
n
i =1 i
∑
n
Y2
i =1 i
−
n
SQDes = SQTo - SQReg
100 xSQ Re g
R2 =
SQTo
2
( n − 1) (1 − R 2 )
R ajustado = 1−
n− p
sendo que para a regressão linear simples estima-se 2 parâme-
tros p (b0 e b1).
348
estatística experimental no rbio
% germinação 92 94 93 96
Dessa forma pode-se obter os valores de B0 e B1, que são dados por:
cov ( x, y ) ∑ xi yi 55
Bˆ1
= = = = 0.11
v ( x) ∑ xi 2
500
Bˆ0 =−
Y Bˆ1 X =
93.75 − ( 0.11x35 ) =
89.9
349
estatística experimental no rbio
SQReg βˆ1 ∑
n
= = x y 0=
i =1 i i
.11x55 6.05
∑=
n 2
SQTo
= yi =1 i
8.75
Total 3 8.75
350
estatística experimental no rbio
2
( n − 1) (1 − R 2 )
Rajustado = 1−
n− p
1−
=
( 4 − 1)(1 − 0.6914 ) =
0.5371 =
53.71%
4−2
σ2 = QMD= 1.35
351
estatística experimental no rbio
352
estatística experimental no rbio
353
estatística experimental no rbio
# -----------------------------------
# Script 14: Regressao
# -----------------------------------
# ----------------------
# 14.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo6.txt”, h=T) # Leitura dos dados
X
germinacao.Y. UR.X.
1 92 20
2 94 30
3 93 40
4 96 50
# ----------------------
# 14.2- Regressao Linear Simples
# ----------------------
variavely<-(X[,1])
variavelx<-(X[,2])
regressao<-lm(variavely~variavelx)
cat(“\n”,”--Analise de Variancia da regressao: “,”\n”)
print(anova(regressao)
Response: variavely
Df Sum Sq Mean Sq F value Pr(>F)
variavelx 1 6.05 6.05 4.4815 0.1685
Residuals 2 2.70 1.35
summary(regressao)
Call:
lm(formula = variavely ~ variavelx)
Residuals:
1 2 3 4
-0.1 0.8 -1.3 0.6
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 89.90000 1.90919 47.088 0.000451 ***
variavelx 0.11000 0.05196 2.117 0.168478
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
plot(variavelx,variavely,xlab=”X”,ylab=”Y”)
abline(regressao)
354
estatística experimental no rbio
Yi = β o + β1 X 1i + β 2 X 2i + ... + β p X pi + ε i
Y1 1 X 11 X 21 ... X p1 βo ε1
Y 1 X X 22
... X p 2 β ε
2
X = ; β = 1 e ε = 2
12
Y= ;
... ... ... ... ... ... ... ...
Yn 1 X 1n X 2n ... X pn β p ε n
355
estatística experimental no rbio
βˆ = ( X ' X ) −1 X ' Y
FV GL SQ QM F
Regressão p SQReg QMR QMR/QMD
Desvio n-p-1 SQDes QMD
Total n -1 SQTo
em que
= βˆ ' X ' Y − C
SQReg
356
estatística experimental no rbio
= Y 'Y − C
SQTo
em que
Y’Y - C: soma de quadrado total corrigida, associada a n-1 graus
de liberdade;
βˆ ' X ' Y − C : soma de quadrado da regressão associada a p
graus de liberdade;
' εˆ Y ' Y − βˆ ' X ' Y : soma de quadrado do desvio da regres-
εˆ=
são associada a n-p-1 graus de liberdade;
Y. 2
C: correção, obtida por meio de: C =
n
O coeficiente de determinação é estimado pela seguinte ex-
pressão:
100 SQ Re g
R2 =
SQTo
2
( n − 1) (1 − R 2 )
Rajustado = 1−
n− p
2
É comum essas estatísticas ( R 2 e Rajustado ) serem apresentadas
em porcentagem, obtida pela multiplicação dos resultados por 100.
Considere um experimento simulado com 4 valores diferentes de
umidade relativa do ar de secagem de sementes (UR), 4 temperaturas (ºC)
e a germinação de sementes. Os dados são apresentados na Tabela 14.5
357
estatística experimental no rbio
βˆi − βi
t=
QMDxCii
Temperatura
5 15 10 20
(ºC) (X2)
% germinação
92 94 93 96
(Y)
β o β1 X 1i + β 2 X 2i + ε i
Yi =+
92 1 20 5 ε1
94 1 β ε
30 15
0
Y = ; X =
; β = β1 e ε =
2
93 1 40 10 ε 3
β 2
96 1 50 20 ε 4
358
estatística experimental no rbio
1 1 1 1
X ' = 20 30 40 50
5 15 10 20
1 20 5
1 1 1 1 4 140 50
= 1 30 15 140 5400 1950
X 'X 20 30 40 50 1 40 10
5 15 10 20 50 1950 750
1 50 20
92
1 1 1 1 375
94
=X ' Y =20 30 40 50 13180
93
5 15 10 20 4720
96
359
estatística experimental no rbio
375
βˆ ( X ' Y )
'
[90.25
= 0.0166 0.2333] 13180 [35164.75]
4720
92
94
=Y ' Y [92
= 94 93 96] [35165]
93
96
βˆ0 90.25
0.0166
=βˆ ( X ' X ) −1 ( X=
' Y ) = βˆ1
ˆ 0.2333
β 2
Y. 2 3752
C
= = = 35156.25
n 4
= βˆ ' X ' Y =
SQReg − C 35164.75 − 35156.25
= 8.5
360
estatística experimental no rbio
1 20
1 30
Para a variável X1 (Umidade Relativa) = X = .
1 40
1 50
Dessa forma considerando a matriz Y apresentada, procede-se
os mesmos passos, sendo que se tem:
375
βˆ ' ( X ' Y ) [89.90
= 0.011] [35162.3]
13180
X 1 βˆ ' X ' Y =
SQReg= − C 35162.3 − 35156.25
= 6.05
FV GL SQ QM F
Total 3 8.75
361
estatística experimental no rbio
( n − 1) ( ) 1 − 0.971 =
4 −1
2
Rajustado 1−
=
n− p
(1− R ) =
1− 2
4−2
( ) 0.9143 ou 91.43%
2
βˆi − βi 90.25 − 0
=t = = 108.84
QMDxCii 0.25 x 2.75
βˆi − βi 0.0166 − 0
=t = = 0.4476
QMDxCii 0.25 x0.0055
βˆi − βi 0.2333 − 0
=t = = 3.13
QMDxCii 0.25 x0.0222
362
estatística experimental no rbio
363
estatística experimental no rbio
364
estatística experimental no rbio
# -----------------------------------
# Script 14: Regressao
# -----------------------------------
# ----------------------
# 14.2- Regressao Múltipla
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo7.txt”,header=T)
X
Response: Y
Df Sum Sq Mean Sq F value Pr(>F)
UR.X1 1 6.05 6.05 24.2 0.1277
Temp.X2 1 2.45 2.45 9.8 0.1968
Residuals 1 0.25 0.25
print(summary(regressao))
Call:
lm(formula = Y ~ ., data = X[, -1])
Residuals:
1 2 3 4
0.25 -0.25 -0.25 0.25
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 90.25000 0.82916 108.846 0.00585 **
UR.X1 0.01667 0.03727 0.447 0.73228
Temp.X2 0.23333 0.07454 3.130 0.19684
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
365
estatística experimental no rbio
QM(Mod.) /
Modelo k SQ(Mod.) QM(Mod.) p
QM(Res.)
366
estatística experimental no rbio
% germinação (Y) 92 94 93 96
367
estatística experimental no rbio
92 1 20 400 ε1
94 1 β0 ε
30 900
X = β = β1 e ε =
2
Y=
93 ; 1 40 1600
; ε 3
β 2
96 1 50 2500 ε 4
1 1 1 1
X ′ = 20 30 40 50
400 900 1600 2500
4 140 5400
X ′X = 140 5400 224000
5400 224000 9780000
375
X ' Y = 13180
510200
92.6500
β = ( X ' X ) ( X ' Y ) = −0.0650
ˆ −1
0.0025
368
estatística experimental no rbio
Y ' Y = [35165]
βˆ0 92.6500
−0.0650
βˆ = ( X ' X ) −1 ( X ' Y ) = βˆ1 =
ˆ 0.0025
β 2
Y. 2 3752
C =
= = 35156.25
n 4
SQ Re
= g βˆ ' X ' Y =
− C 35162.55 − 35156.25
= 6.3
FV GL SQ QM F
Total 3 8.75
369
estatística experimental no rbio
βˆi − βi 92.65 − 0
=t = = 10.3118
QMDxCii 2.45 x32.95
βˆi − βi −0.0650
t= = = −0.118
QMDxCii 2.45 x0.12450
370
estatística experimental no rbio
βˆi − βi 0.0025 − 0
=t = = 0.319
QMDxCii 2.45 x0.000025
(∑ Y ) 2 3752
;C
35165=
375 ; ∑ Yi 2 =
∑Y = = = 35156.25
n 4
20 92 -3 1
30 94 -1 -1
40 93 1 -1
50 96 3 1
K= 20 K= 4
371
estatística experimental no rbio
2
( −3 x92 ) + ( −1x94 )
( ∑ C1Y ) + (1x93) + ( 3 x96 )
2
112
SQLinear
= = = = 6.05
k1 20 20
2
(1x92 ) + ( −1x94 )
( ∑ C2Y ) + ( −1x93) + (1x96 )
2
12
SQQuadrática
= = = = 0.25
k2 4 4
FV GL SQ QM F
Total 3 8.75
372
estatística experimental no rbio
Total 5 2949.474
*: significativo a 5% de probabilidade pelo teste F.
373
estatística experimental no rbio
1 142.59 -1 1
2 240.01 0 -2
3 159.4 1 1
K= 2 K= 6
2
( −1x142.59 ) + ( 0 x 240.01)
( ∑ C1Y ) + (1x159.4 )
2
SQLinear
= =
r k1 2 x2
16.812
= = 70.64
4
FV GL SQ QM F
Total 5 2949.474
374
estatística experimental no rbio
2
(1x142.59 ) + ( −2 x 240.01)
( ∑ C2Y ) + (1x159.4 )
2
SQQuadrático
= =
r k2 2 x6
−178.032
= = 2641.22
12
FV GL SQ QM F
Total 5 2949.474
375
estatística experimental no rbio
376
estatística experimental no rbio
# ----------------------
# 14.3- Regressao Polinomial
# ----------------------
# ----------------------
# 14.3.1 - Regressao Polinomial: dados sem repetição
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo6.txt”,header=T)
X
germinacao.Y. UR.X.
1 92 20
2 94 30
3 93 40
4 96 50
Y<-X[,1]
variavelx <- X[,2]
# ------
regressao1<-lm(Y ~ variavelx)
cat(“\n”,”--Analise de Variancia da regressao: “,”\n”)
print(anova(regressao1))
Analysis of Variance Table
Response: Y
Df Sum Sq Mean Sq F value Pr(>F)
variavelx 1 6.05 6.05 4.4815 0.1685
Residuals 2 2.70 1.35
print(summary(regressao1))
377
estatística experimental no rbio
Call:
lm(formula = Y ~ variavelx)
Residuals:
1 2 3 4
-0.1 0.8 -1.3 0.6
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 89.90000 1.90919 47.088 0.000451 ***
variavelx 0.11000 0.05196 2.117 0.168478
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
coef1<-regressao1$coefficients
coef1
(Intercept) variavelx
89.90 0.11
# ------
regressao2<-lm(Y ~ variavelx + I(variavelx^2))
Response: Y
Df Sum Sq Mean Sq F value Pr(>F)
variavelx 1 6.05 6.05 2.4694 0.3608
I(variavelx^2) 1 0.25 0.25 0.1020 0.8032
Residuals 1 2.45 2.45
print(summary(regressao2))
Call:
lm(formula = Y ~ variavelx + I(variavelx^2))
Residuals:
1 2 3 4
-0.35 1.05 -1.05 0.35
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 92.650000 8.984848 10.312 0.0615 .
variavelx -0.065000 0.552291 -0.118 0.9254
I(variavelx^2) 0.002500 0.007826 0.319 0.8032
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
coef2<-regressao2$coefficients
coef2
(Intercept) variavelx I(variavelx^2)
92.6500 -0.0650 0.0025
378
estatística experimental no rbio
379
estatística experimental no rbio
# -----------------------------------
# Script 14: Regressao
# -----------------------------------
# ----------------------
# 14.3.2 - Regressao Polinomial: dados com repetição
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo1.txt”,header=T)
X
Trat Rep Variavel
1 1 1 66.98
2 1 2 75.61
3 2 1 113.77
4 2 2 126.24
5 3 1 71.87
6 3 2 87.53
library(ExpDes.pt)
data=X
attach(X)
Trat<-(X[,1])
dic(Trat, X[,3], quali = FALSE)
------------------------------------------------------------------------
Quadro da analise de variancia
------------------------------------------------------------------------
GL SQ QM Fc Pr>Fc
Tratamento 2 2711.87 2 17.12 0.022865
Residuo 3 237.61 3
Total 5 2949.47 1
------------------------------------------------------------------------
CV = 9.85 %
380
estatística experimental no rbio
------------------------------------------------------------------------
Teste de normalidade dos residuos
Valor-p: 0.2046456
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: 0.890172
De acordo com o teste de bartlett a 5% de significancia, as variancias podem ser consideradas
homogeneas.
------------------------------------------------------------------------
Modelo Linear
========================================
Estimativa Erro.padrao tc valor.p
----------------------------------------
b0 81.9283 9.6126 8.5230 0.0034
b1 4.2025 4.4498 0.9444 0.4146
----------------------------------------
R2 do modelo linear
--------
0.026050
--------
Modelo quadratico
=========================================
Estimativa Erro.padrao tc valor.p
-----------------------------------------
b0 -66.4300 27.4303 -2.4218 0.0940
b1 182.2325 31.1485 5.8505 0.0100
b2 -44.5075 7.7072 -5.7748 0.0103
-----------------------------------------
R2 do modelo quadratico
-
1
-
381
estatística experimental no rbio
382
estatística experimental no rbio
383
15
384
estatística experimental no rbio
385
estatística experimental no rbio
1 1 66.98 28 94.98
1 2 75.61 22 97.61
2 1 113.77 30 143.77
2 2 126.24 26 152.24
3 1 71.87 17 88.87
3 2 87.53 24 111.53
em que:
386
estatística experimental no rbio
Y..2 5422
C =
= = 48960.67
tr 3.2
t r
SQTotal
= (Y ) ∑∑Y =
−C
=i 1 =j 1
ij
2
66.982 + 75.612 +…+ 87.532
−48960.6 =
2949.474
1 t 2 1
SQTrat=
(Y ) ∑
r i =1
Yi. =
2
(
− C x 142.592 + 240.012 + 159.42
)
−48960.6 =2711.867
1 r 2 1
SQBlocos
= ∑
(Y )
t j =1
Y. j . =
3
(
− C x 252.622 + 289.382
)
−48960.6 =
225.283
Variável X:
Y..2 147 2
C
= = = 3601.5
tr 3.2
t r
SQTotal (=
X) ∑∑Y
=i 1 =j 1
ij
2
C 282 + 222 +…+ 242
−=
−3601.5 =
107.5
387
estatística experimental no rbio
1 t 2 1
SQTrat=
(X )∑
r i =1
− C x 502 + 562 + 412
Yi. =
2
( )
−3601.5 =
57
1 r 2 1
SQBlocos=
(X )∑
t j =1
− C x 752 + 722
Y. j . =
3
( )
−3601.5 =
1.5
r
Y.. X ..
SPTotal ( XY )= ∑Y X
j =1
ij ij −
tr
= 66.98 x 28 + 75.61x 22
542 x147
+…+ 87.53 x 24 − = 277.71
3X 2
1 r Y X .. 1
SPBlocos( XY
= ) ∑ Y. j X . j − .. = ( 252.62 x75 + 289.38 x72 )
t j =1 tr 3
542 x147
− −18.38
=
3X 2
388
estatística experimental no rbio
389
estatística experimental no rbio
FV GL SQ QM F
FV GL SQ QM F
Total 5 2949.474
*: Significativo a 5% pelo teste F
390
estatística experimental no rbio
( SPRes( XY ) ) 2 22.362
SQRegressão
= bXY SP= Res ( XY )
= = 10.20
SQResX 49
FV GL SQ QM F
391
estatística experimental no rbio
QM ResY 6.2
CVantes
= cov = = 0.02756 = 2.75%
média 90.33
QM ResY 2.19
CV=
após cov = = 0.01638 = 1.63%
média 90.33
392
estatística experimental no rbio
Y 1 =
Y1. − bXY ( x1. − x.. )
= 71.29 − 0.4563 ( 25 − 24.5 ) = 71.06
Y 2 =
Y2. − bXY ( x2. − x.. )
= 120.05 − 0, 4563 ( 28 − 24.5 ) = 118.45
Y 3 =
Y3. − bXY ( x3. − x.. )
=79.7 − 0, 4563 ( 20,5 − 24.5 ) =81.52
Vˆ ( mˆ i − mˆ i′ )
DMSTukey = q∝ ( k , GlResíduo )
2
Em que:
qα (k; gl Residuo): Valores da amplitude total estudentizada (q) a um ní-
vel α de probabilidade com k e GLResíduo graus de liberdade (ANEXO 15.1);
r: número de repetições;
k: número de tratamentos;
Vˆ ( mˆ i − mˆ i′ ) : Variância para a diferença entre duas médias
ajustadas de tratamento, sendo obtida por:
2 ( xi. − xi' ) 2
Vˆ ( mˆ i −=
mˆ i′ ) QM Res x + .
r SQRes ( X )
393
estatística experimental no rbio
2 ( 25 − 28 )2
ˆ
V ( mˆ 1 − m
ˆ 2 ) 2.19 x +
= = 2.59
2 49
2 ( 25 − 20.5 )2
ˆ
V ( mˆ 1 − m
ˆ 3 ) 2.19 x +
= = 3.09
2 49
2 ( 28 − 20.5 )2
ˆ
V ( mˆ 2 − m
ˆ 3 ) 2.19 x +
= = 4.70
2 49
2.59
DMS
= Tukey (1,2 )
26.98
= 30.70
2
3.09
DMS
= Tukey (1,3)
26.98
= 33.53
2
4.70
DMS
= Tukey ( 2,3)
26.98
= 41.35
2
2 118.45 a
3 81.52 ab
1 71.06 b
394
estatística experimental no rbio
Comparações:
em que:
µ : média geral do ensaio;
gi: efeito do i-ésimo genótipo
bj: efeito do j-ésimo bloco (para experimentos em blocos ao acaso)
ε ij : erro aleatório
V ( X + Y ) − V ( X ) − V (Y )
Cov ( X , Y ) =
2
395
estatística experimental no rbio
QM
FV GL X Y X+Y PMXY
Blocos r-1 QMBx QMBy QMBx+y PMBxy
Tratamentos g-1 QMTx QMTy QMTx+y PMTxy
396
estatística experimental no rbio
Y..2 6892
C =
= = 79120.16
tr 3.2
t r
SQTotal ( X=
+Y ) ∑∑Y
=i 1 =j 1
ij
2
C 94.982 + 97.612
−=
2
+…+111.53 − 79120.16 = 3612.4
1 t 2 1
SQTrat ( X=
+Y ) ∑
r i =1
Yi. =
2
(
− C x 192.592 + 296.012 + 200.42
)
−79120.16 = 3316.33
1 r 2 1
SQBlocos( X= ∑
+Y )
t j =1
− C x 327.622 + 361.382
Y. j =
3
( )
−79120.16 =
189.96
397
estatística experimental no rbio
398
estatística experimental no rbio
399
estatística experimental no rbio
400
estatística experimental no rbio
# -----------------------------------
# Script 15: Análise de Covariância - ANCOVA
# -----------------------------------
# ----------------------
# 15.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo8.txt”,header=T)
X
# ----------------------
# 15.2- Anova em DBC sem correção para a cov
# ----------------------
Trat<-as.factor(X[,2])
Rep<-as.factor(X[,3])
saida<-aov(X[,4]~Rep+Trat)
print(summary(saida))
Df Sum Sq Mean Sq F value Pr(>F)
Rep 1 225.2 225.2 36.35 0.02642 *
Trat 2 2711.9 1355.9 218.87 0.00455 **
Residuals 2 12.4 6.2
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# ----------------------
# 15.3- Análise para verificar interação cov x trat
# ----------------------
cov<-(X[,1])
saida<-aov(X[,1]~Trat)
print(summary(saida))
Df Sum Sq Mean Sq F value Pr(>F)
Trat 2 57.0 28.50 1.693 0.322
Residuals 3 50.5 16.83
# ----------------------
# 15.4- Análise de covariância em DBC
# ----------------------
library(car)
saida<-aov(X[,4]~cov+Rep+Trat)
saida2<-Anova(saida, type = “III”)
print(saida2)
Anova Table (Type III tests)
Response: X[, 4]
Sum Sq Df F value Pr(>F)
(Intercept) 504.58 1 230.7226 0.04185 *
cov 10.20 1 4.6656 0.27603
Rep 235.11 1 107.5030 0.06121 .
Trat 1895.00 2 433.2479 0.03395 *
Residuals 2.19 1
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
401
estatística experimental no rbio
ANEXO 15.1. Valores da amplitude total estudentizada (q) para teste de Tukey a 5% de
probabilidade em função do número de tratamentos e graus de liberdade do resíduo.
GL(resid) Número de grupos no tratamento
2 3 4 5 6 7 8 9 10
1 17.97 26.98 32.82 37.08 40.41 43.12 45.40 47.36 49.07
2 6.08 8.33 9.8 10.88 11.73 12.43 13.03 13.54 13.99
3 4.50 5.91 6.82 7.50 8.04 8.48 8.85 9.18 9.46
4 3.93 5.04 5.76 6.29 6.71 7.05 7.35 7.60 7.83
5 3.64 4.6 5.22 5.67 6.03 6.33 6.58 6.8 6.99
6 3.46 4.34 4.9 5.3 5.63 5.9 6.12 6.32 6.49
7 3.34 4.16 4.68 5.06 5.36 5.61 5.82 6 6.16
8 3.26 4.04 4.53 4.89 5.17 5.4 5.6 5.77 5.92
9 3.2 3.95 4.41 4.76 5.02 5.24 5.43 5.59 5.74
10 3.15 3.88 4.33 4.65 4.91 5.12 5.3 5.46 5.6
11 3.11 3.82 4.26 4.57 4.82 5.03 5.2 5.35 5.49
12 3.08 3.77 4.2 4.51 4.75 4.95 5.12 5.27 5.39
13 3.06 3.73 4.15 4.45 4.69 4.88 5.05 5.19 5.32
14 3.03 3.7 4.11 4.41 4.64 4.83 4.99 5.13 5.25
15 3.01 3.67 4.08 4.37 4.59 4.78 4.94 5.08 5.2
16 3 3.65 4.05 4.33 4.56 4.74 4.9 5.03 5.15
17 2.98 3.63 4.02 4.3 4.52 4.7 4.86 4.99 5.11
18 2.97 3.61 4 4.28 4.49 4.67 4.82 4.96 5.07
19 2.96 3.59 3.98 4.25 4.47 4.65 4.79 4.92 5.04
20 2.95 3.58 3.96 4.23 4.45 4.62 4.77 4.9 5.01
24 2.92 3.53 3.9 4.17 4.37 4.54 4.68 4.81 4.92
30 2.89 3.49 3.85 4.1 4.3 4.46 4.6 4.72 4.82
40 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.73
120 2.8 3.36 3.68 3.92 4.1 4.24 4.36 4.47 4.56
>120 2.77 3.31 3.63 3.86 4.03 4.17 4.29 4.39 4.47
∞ 3.64 4.12 4.4 4.6 4.76 4.88 4.99 5.08 5.16
402
16
CORRELAÇÃO
403
estatística experimental no rbio
Correlação de Pearson
Cov ( x, y )
r=
V ( X ) V (Y )
em que
( ∑ X )( ∑ Y )
i i 1 i
n n
∑
n =i 1 =
XY −
i i
Cov ( x, y ) =
i =1
n
n −1
(∑ X ) (∑ Y )
n 2 n 2
i i =1 i
∑ ∑
n i =1 n
X i2 − Y2
i =1 i
−
V (X ) =
i =1
n n
, V (Y ) =
n −1 n −1
r n−2
t=
1− r2
404
estatística experimental no rbio
% germinação 92 94 93 96
405
estatística experimental no rbio
( ∑ X )( ∑ Y )
i i 1 i
n n
∑
n =i 1 =
XY −
i i
Cov ( x, y ) =
i =1
n
n −1
55 −
( 0 )( 0 )
= = 4 18.3333
4 −1
(∑ X ) n 2
(0)
2
i
∑
n 2 i =1
X i − 500 −
V (X )
=
i =1
= n = 4 166.6666
n −1 4 −1
( )
2
∑ i =1Yi
n
(0)
2
∑
n 2
Y
i =1 i
− 8.75 −
V (Y )
= = n = 4 2.9166
n −1 4 −1
Cov ( x, y ) 18.3333
=r = = 0.8315
V ( X ) V (Y ) 166.6666 x 2.9166
r n−2 0.8315 4 − 2
=t = = 2.1167
1− r2 1 − ( 0.8315 )
2
406
estatística experimental no rbio
407
estatística experimental no rbio
Correlação de Spearman
∑ di2
r = 1− 6
(
n n2 − 1 )
92 20 4 4 4-4 = 0 0
94 30 2 3 2-3 = -1 1
93 40 3 2 3-2 = 1 1
96 50 1 1 1-1 = 0 0
∑ di2 2
1− 6
r= 1− 6
= 0.8
=
2
n n −1( )
4 42 − 1 ( )
408
estatística experimental no rbio
409
estatística experimental no rbio
410
estatística experimental no rbio
# -----------------------------------
# Script 16: Correlação
# -----------------------------------
# ----------------------
# 16.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo6.txt”, h=T) # Leitura dos dados
X # Listar dados
germinacao.Y. UR.X.
1 92 20
2 94 30
3 93 40
4 96 50
# ----------------------
# 16.2- Correlação de Pearson
# ----------------------
variavely<-(X[,1])
variavelx<-(X[,2])
Pearson<-cor.test(variavelx,variavely,method=”pearson”,alternative=”two.sided”)
print(Pearson)
411
estatística experimental no rbio
412
estatística experimental no rbio
# -----------------------------------
# Script 16: Correlação
# -----------------------------------
# ----------------------
# 16.1- Leitura dos dados
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo6.txt”, h=T) # Leitura dos dados
X # Listar dados
germinacao.Y. UR.X.
1 92 20
2 94 30
3 93 40
4 96 50
# ----------------------
# 16.3- Correlação de Spearman
# ----------------------
variavely<-(X[,1])
variavelx<-(X[,2])
Spearman<-cor.test(variavelx,variavely,method=”spearman”,alternative=”two.sided”)
print(Spearman)
Cov ( X , Y )
rXY =
V ( X ) V (Y )
413
estatística experimental no rbio
ser o resultado do efeito que, sobre essas duas variáveis, tem uma
terceira variável ou um grupo de variáveis.
Uma medida mais informativa sobre a relação entre variáveis é
o coeficiente de correlação parcial, que é estimado removendo-se os
efeitos de outras variáveis sobre a associação estudada.
Estimação dos Coeficientes de Correlação Parcial
Sejam X, Y e Z três variáveis aleatórias e rxy a correlação simples
entre X e Y, que mede a associação entre X e Y, determinada por várias
causas, entre elas as variações em Z. A correlação rxy.z é denominada
correlação parcial entre X e Y e quantifica a relação entre essas duas
variáveis, após removidos os efeitos de Z.
A influência de Z sobre X e Y pode ser expressa pelos modelos:
X= αZ + Ex
Y= βZ + Ey
em que:
ε x e ε y : são as frações de X e de Y, respectivamente, desprovi-
das das influências de Z;
α e β: são os coeficientes de regressão, dados por:
Côv ( X , Z ) rxzσˆ x
=αˆ =
σˆ z2 σˆ z
e
Côv (Y , Z ) ryzσˆ y
=βˆ =
σˆ z2 σˆ z
Côv ( εˆx , εˆ y )
rxy . z =
Vˆ ( εˆx ) Vˆ ( εˆ y )
414
estatística experimental no rbio
em que:
(
Côv ( εˆx , εˆ y ) = Côv X − αˆ Z , Y − βˆ Z )
Cov (Y , Z ) Cov ( X , Z )
Cov ( X , Y ) −
= Covc ( X , Y )
=
V (Z )
Cov 2 ( X , Z )
ˆ
V= (ε x ) V ( X ) −
ˆ = Vc(X) = σˆ x 1 − rxz
2 2
( )
V (Z )
Cov 2 (Y , Z )
ˆ
V=(ε y ) V (Y ) − V ( Z ) = Vc(Y) = σˆ y2 1 − ryz2
ˆ ( )
logo:
Covc ( X , Y ) rxy − rxz ryz
rxy. z = =
Vc ( X ) Vc (Y ) (1 − r )(1 − r )
2
xz
2
yz
−aij
rij .m =
aii a jj
415
estatística experimental no rbio
minação parcial, expresso por rij2.m , cujo teste de significância pode ser
feito pela estatística t, dada por:
rij .m
=t n − v , associado a n-v graus de liberdade,
1 − rij2.m
sendo:
n = número de observações
v = número de variáveis = m+2.
Sob contexto de análise de regressão, tem-se, para três variá-
veis (Y, X1 e X2), o estimador:
σˆ x 1 − rx21x2 ˆ
ryx1 . x1 = 1
byx . x
σˆ y 1 − ryx2 2 1 2
Y = b0 + byx1.x2X1 + byx2.x1X2 + E
416
estatística experimental no rbio
% germinação (Y) 92 94 93 96
Cov ( x1 , y )
rx1 y =
V ( X 1 ) V (Y )
18.3333
= 0.8315
166.6666 x 2.9166
417
estatística experimental no rbio
( ∑ X )( ∑ Y )
i i 1 i
n n
∑
n =i 1 =
XY −
1 i
Cov ( x1 , y ) =
i =1
n
n −1
55 −
( 0 )( 0 )
= = 4 18.3333
4 −1
( )
2
∑ i =1X1i
n
∑
n
X 12i −
V ( X1 ) =
i =1
n
n −1
(0)
2
500 −
= = 4 166.6666
4 −1
(∑ Y ) n 2
(0)
2
i =1 i
∑
n 2
Y
i =1 i
− 8.75 −
V (Y )
= = n = 4 2.9166
n −1 4 −1
Correlação X2 e Y:
Cov ( x2 , y ) 10.8333
=rx2 y = = 0.9827
V ( X 2 ) V (Y ) 41.6666 x 2.9166
∑ X=
n
Y 32.5
Cov ( x =
, y)
2i i
2
i =1
= 10.8333
n −1 4 −1
∑ =
n 2
X 125
V (=
X )
2i
2
i =1
= 41.6666
n −1 4 −1
418
estatística experimental no rbio
Correlação X1 e X2:
Cov ( x1 , x2 ) 66.6667
=rx1x2 = = 0.80
V ( X 1 )V ( X 2 ) 166.6666 x 41.6666
∑ X=
n
X 200
Cov ( x ,=
x )
1i 2i
1 2
i =1
= 66.6667
n −1 4 −1
Y X1 X2
Y 1 0.8315 0.9827
X1 0.8315 1 0.80
X2 0.9827 0.80 1
419
estatística experimental no rbio
Y X1 X2
−ax1 y − ( −4.4051)
rx1 y. x2
= = = 0.4080
ax1x1 a yy 3.3325 x34.9767
−ax2 y − ( −30.8475 )
rx2 y. x1
= = = 0.9525
ax2 x2 a yy 29.9836 x34.9767
−ax1x2 − (1.6628 )
rx1x2 . y = = = −0.1663
ax1x1 ax2 x2 3.3325 x 29.9836
rx1 y. x2 0.4080
=t = 4−3 = 1 0.4468
1 − rx21 y. x2 1 − 0.40802
rx2 y . x1 0.9525
=t = 4−3 = 1 3.1276
1 − rx22 y . x1 1 − 0.95252
rx1x2 . y −0.1663
t= 4−3 = 1 =−0.1686
1 − rx21x2 . xy 1 − 0.16632
420
estatística experimental no rbio
421
estatística experimental no rbio
422
estatística experimental no rbio
# -----------------------------------
# Script 16: Correlação
# -----------------------------------
# ----------------------
# 16.3- Correlação Parcial
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo7.txt”, h=T) # Leitura dos dados
X # Listar dados
install.packages(“ppcor”)
library(ppcor)
Estimativa da correlacao
# estimativa da correlação
saida_cp$estimate
Significancia (p-value)
# significância (p-value)
saida_cp$p.value
germinacao.Y UR.X1 Temp.X2
germinacao.Y 0.0000000 0.7322795 0.1968386
UR.X1 0.7322795 0.0000000 0.8933992
Temp.X2 0.1968386 0.8933992 0.0000000
Valor da estatistica t
# valor de t
saida_cp$statistic
germinacao.Y UR.X1 Temp.X2
germinacao.Y 0.0000000 0.4472136 3.1304952
UR.X1 0.4472136 0.0000000 -0.1690309
Temp.X2 3.1304952 -0.1690309 0.0000000
423
estatística experimental no rbio
Y= β1 X 1 + β 2 X 2 + ... + β n X n + ε
424
estatística experimental no rbio
e:
ε σˆ b σˆ
u= pε = ε poi = oi xi
σˆ ε ; σˆ y e σˆ y
tem-se
y= p1 x1 + p2 x2 + ... + pn xn + pε u
Variável: x1 Estimativas
... ...
Total rx1y
425
estatística experimental no rbio
riy= pi + ∑ j ≠i p j rij
n
sendo
riy: correlação entre a variável principal (y) e a i-ésima variável
explicativa;
pi: medida do efeito direto da variável i sobre a variável principal; e
pjrij: medida do efeito indireto da variável i, via variável j, sobre
a variável principal.
O coeficiente de determinação do diagrama de trilha é dado por
2
R= p1r1 y + p2 r2 y + ... + pn rny
pˆ=
ε 1 − R2
% germinação (Y) 92 94 93 96
426
estatística experimental no rbio
Y X1 X2
Y 1 0.83 0.98
X1 0.83 1 0.80
X2 0.98 0.80 1
0.83 1 0.80 p
=X ' Y = X 'X = e βˆ 1
0.98 0.80 1 p2
Portanto temos:
427
estatística experimental no rbio
O diagrama
428
estatística experimental no rbio
429
estatística experimental no rbio
Figura 16.4. Software Rbio, e rotina de procedimentos para realizar a Análise de Trilha.
# -----------------------------------
# Script 16: Correlação
# -----------------------------------
# ----------------------
# 16.4- Análise de Trilha
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo7.txt”, h=T)
X
library(agricolae)
x<-X[,-1]
y<-X[,1]
cor.y<-correlation(y,x)$correlation
cor.x<-correlation(x)$correlation
path.analysis(cor.x, cor.y)
430
estatística experimental no rbio
V ( X + Y ) − V ( X ) − V (Y )
Cov ( X , Y ) =
2
431
estatística experimental no rbio
QM
FV GL X Y X+Y E(QM)
Blocos r-1
2
Tratamentos g-1 QMT x QMT y QMT x+ y σ + rσ 2g
FV GL PM E (PM)
Blocos r-1
432
estatística experimental no rbio
a) Correlação fenotípica
PMTxy
rf =
QMTx QMTy
b) Correlação de ambiente
PMRxy
ra =
QMRx QMRy
c) Correlação genotípica
σˆ gxy
rg =
σˆ gx2 σˆ gy2
sendo:
PMTxy − PMRxy
σˆ gxy =
r
QMTx − QMRx
σˆ gx2 =
r
QMTy − QMRy
σˆ gy2 =
r
em que:
433
estatística experimental no rbio
r
=t n−2
1− r2
434
estatística experimental no rbio
FV GL X Y X+Y
435
estatística experimental no rbio
a) Correlação fenotípica
PMTxy 450.755
=rf = = 0.9623
QMTx QMTy 1355.9 x161.79
b) Correlação de ambiente
PMRxy 7.415
=ra = = 0.5821
QMRx QMRy 6.2 x 26.17
c) Correlação genotípica
σˆ gxy 221.67
=rg = = 1.0362
σˆ gx2 σˆ gy2 674.85 x 67.81
r 0.9623
=t n−2
= 6 − 2 7.07
=
2
1− r 1 − 0.96232
436
estatística experimental no rbio
• para 1% de probabilidade
r ≥ ρ ( s - 0,01 s + 1) ou r ≤ ρ ( 0,01s - 1)
para s = 100, por exemplo, então r será significativo se:
r ≥ ρ ( 991) ou r ≤ ρ ( 9 )
• para 5% de probabilidade
r ≥ ρ ( s - 0,05 s + 1) ou r ≤ ρ ( 0,05 s - 1)
para s = 100, por exemplo, então r será significativo se:
r ≥ ρ ( 951) ou r ≤ ρ ( 49 )
437
estatística experimental no rbio
438
estatística experimental no rbio
# -----------------------------------
# Script 16: Correlação
# -----------------------------------
# ----------------------
# 16.5- Correlação Fenotípica, Genotípica e ambiental
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo9.txt”, h=T)
X
cat(“----Correlacoes:”,”\n”)
----Correlacoes:
cat(“----Teste T:”,”\n”)
----Teste T:
t.teste
t.genot t.fenot t.amb
Variaveis: Var1 x Var2 NaN 7.098236 1.437777
439
estatística experimental no rbio
x1 y1
x y
2 2
X = e Y =
xp yq
440
estatística experimental no rbio
X 1 a1 x1 + a2 x2 +… a p x p
= Y1 b1 y1 + b2 y2 +…bq yq
e =
X 1 = a′X e Y1 = b′Y
em que:
= a′ a1 , a2 , …, a p : vetor de dimensão 1 x p de coeficientes
canônicos de poderação dos caracteres do grupo X;
= b′ b1 , b2 , …, bq : vetor de dimensão 1 x q de coeficientes
canônicos de poderação dos caracteres do grupo Y.
Define-se como a primeira correlação canônica aquela que
maximiza a relação entre X 1 e Y1 . As funções X 1 e Y1 constituem o
primeiro par canônico associado àquela correlação canônica, que é
expressa por:
sendo:
Vˆ ( X 1 ) = a′R11a
Vˆ (Y1 ) = b′R22b
441
estatística experimental no rbio
∂W ∂W
Obtendo e , são obtidas as sequintes equações:
∂a ∂b
(
R − 12 R R −1 R R − 12 − λ I ε =
11 12 22 21 11 i ) i 0
−1
( 1
)
R22 2 R21 R11−1 R12 R22− 2 − λ j I ε j =
0
r1 = λ1
−1 −1
em que λ1 é o maior autovalor da matriz R11 2 R12 R22−1 R21 R11 2 .
442
estatística experimental no rbio
−1
a1 = R11 2ε1
1
b1 = b1*
Vˆ (Y1 )
443
estatística experimental no rbio
( )
χ 2 t ln 1 − ri 2
=
Em que: t = n − 0.5 ( p + q + 3)
444
estatística experimental no rbio
−1 1.0681 −0.2229
R11 2
=
−0.2229 1.0681
−1 1.04166 −0.20833
R22 =
−0.20833 1.04166
−1 −1
A matriz R11 2 R12 R22−1 R21 R11 2 é calculada por:
Logo, o resultado é:
−1 −1 −1 0.43701 0.21778
R11 2 R12 R22 R21 R11 2
=
0.21778 0.10966
0.43701 − λ 0.21778
=0
0.21778 0.10966 − λ
λ 2 − 0.5467λ + 0.0005 =
0
445
estatística experimental no rbio
(R −1
11
2
−1
)
R12 R22−1 R21 R11 2 − λ1 I ε1 =
0
( −1 −1
R11 2 R12 R22−1 R21 R11 2
)ε = λ ε
1 1 1
0.43701 − λ 0.21778 x 0
0.21778 =
0.10966 − λ y 0
−0.10875 0.21778 x 0
0.21778 −0.4361 y = 0
-0.10875x + 0.21778y = 0
0.21778x -0.4361y = 0
X = 2y
446
estatística experimental no rbio
Portanto tem-se:
x 2
y = 1
ε1
ε1'ε1
2 2
1 1 0.894646
= =
[ 2 1] 2 5 0.446773
1
0.894646
ε1 =
0.446773
−1 1.0681 −0.2229
=a1 R= 11 ε 1
2
−0.2229 1.0681
0.894646 0.85598
× =
0.446773 0.27778
447
estatística experimental no rbio
1.04166 −0.20833
=b1* R= −1
22 R21a1 −0.20833 1.04166
0.5 0.3 0.85598 0.40248
× × =
0.6 0.4 0.27778 0.54420
1 1 0.40248 0.54481
b1 = b1* = × =
Vˆ (Y1 ) 0.54577 0.54420 0.73664
Vˆ (Y ) b=
'
[0.54481 0.7366 4]
= 1 1 R22 b1
0.54481
Portanto, com as estimativas b1 = , a restrição
0.73664
Vˆ (Y1 ) = 1 foi atendida.
448
estatística experimental no rbio
r1
= λ1
= 0.5458
= 0.7387
r2
= λ2
= 0.0009
= 0.03
−t ln 1 − ( ri 2 ) =
χ2 = −26.50 ln 1 − ( 0.7387 2 ) =
20.91
−t ln 1 − ( ri 2 ) =
χ2 = −26.50 ln 1 − ( 0.032 ) =
0.023
449
estatística experimental no rbio
(R −1
11
2
−1
)
R12 R22−1 R21 R11 2 − λ1 I ε1 =
0
(R −1
11
2
−1
R12 R22−1 R21 R11 2
)ε = λ ε
1 2 1
0.43701 − λ 0.21778 x 0
0.21778 =
0.10966 − λ y 0
0.43610 0.21778 x 0
0.21778 0.10875 y = 0
0.43610x + 0.21778y = 0
0.21778x +0.10875y = 0
x = -0.21778y/0.4361= -0.49938y
450
estatística experimental no rbio
Portanto tem-se:
x −0.49938
y = 1
ε1
ε1'ε1
−0.49938 −0.49938
1 1 −0.446773
= =
[ −0.49938 1] −0.49938 1.2493 0.894646
1
−0.446774
ε1 =
0.894646
−1 1.0681 −0.2229
=a1 R= 11 ε 1
2
−0.2229 1.0681
−0.446774 −0.67661
× =
0.894646 1.05515
*
Para obtenção das estimativas iniciais do vetor b1 , associado
ao grupo Y, utiliza-se:
451
estatística experimental no rbio
1.04166 −0.20833
=b1* R= −1
22 R21a1 −0.20833 1.04166
0.5 0.3 −0.67661 −0.02602
× × =
0.6 0.4 1.05515 0.02129
1 1 −0.02602 −0.86304
b1 = b1* = × =
Vˆ (Y1 ) 0.0009 0.02129 0.70641
−0.86304
Portanto, com as estimativas b1 = , a restrição
0.70641
Vˆ (Y1 ) = 1 foi atendida.
452
estatística experimental no rbio
453
estatística experimental no rbio
# -----------------------------------
# Script 16: Correlação
# -----------------------------------
# ----------------------
# 16.6- Correlações Canônicas
# ----------------------
X<-read.table(“c:/_Rbio/ebook/exemplo10.txt”, h=T)
X
AP DAP NDVI NDRE
1 12.3099 14.6866 0.9916 1.8244
2 11.4391 12.1037 -0.4444 0.1453
3 13.5531 13.9278 0.7502 1.4309
4 11.2630 13.2999 1.4702 -0.0786
5 12.7675 12.8800 1.7039 1.6147
6 11.8843 13.8518 -0.5823 0.0429
7 11.7263 13.7141 -0.1383 1.5747
8 12.8004 12.9733 2.3166 0.0321
9 12.7254 13.3755 0.8938 0.5664
10 11.9490 14.7371 1.3170 1.8506
11 11.7088 11.9851 -0.3476 0.1357
12 13.7218 14.6887 0.6827 1.6519
13 11.0557 12.9852 1.3048 -0.0809
14 13.3031 12.3663 1.4126 1.4657
15 12.0155 14.8828 0.5870 0.5697
16 10.8208 12.0537 -0.9965 0.8589
17 13.8379 14.1557 2.0772 1.0318
18 11.2104 13.0387 0.6082 -0.5381
19 13.0724 14.1549 2.0143 2.5493
20 11.5251 12.8764 -0.3277 -0.7468
21 12.9193 13.9065 -0.2917 2.1812
22 12.0457 13.7130 2.6663 0.0273
23 12.6094 11.8756 0.6123 0.6704
24 12.7646 15.8085 1.1879 1.9598
25 10.3654 11.7447 -0.7508 -0.0819
454
estatística experimental no rbio
455
estatística experimental no rbio
456
LITERATURAS CITADAS
BHERING, L. L. Rbio: A Tool For Biometric And Statistical Analysis Using The R Platform. Crop
Breeding and Applied Biotechnology, v.17, p. 187-190, 2017.
BHERING, L. L.; CRUZ, C. D.; VASCONCELOS, E. S.; FERREIRA, A.; RESENDE JUNIOR, M. F. R.
Alternative methodology for Scott-Knott test. Crop Breeding And Applied Technology, v. 8, n.
1, p. 9-16, 2008.
BOX, G. E. P. Non-normality and tests on variances. Biometrika, v. 40, p. 318-335, 1953.
BOX, G. E. P. Some theorems on quadratic forms applied in the study of analysis of variance
problems I. Annals of Mathematical Statistics, v. 25, p.290-302, 1953.
COCHRAN, W. G. COX, G. M. Experimental designs. 2th ed. Singapure: John Wiley & Sons,
1957. 611p.
COCHRAN, W. G. The combination of estimates from different experiments. Biometrics, v. 10,
p. 101-129, 1954.
DUNNETT, C. W.. A multiple comparison procedure for comparing several treatments with a
control. Journal of the American Statistical Association, v. 50, p. 1096-1121, 1955.
FEDERER, W. T. Augmented (hoonuiaku) designs. Hawaian Planters’ Record, v.55, p.191-
208, 1956.
GARÇA, A. M. Diseño y analisis de experimentos com canã de azucar. Chapingo, Mexico,
1972. 204p.
HENDERSON, C. R. A simple method for computing the inverse of a numerator relationship
matrix used in prediction of breeding values. Biometrics, v. 32, p. 69-83, 1976.
KHAN, M.; HASIJA, R. C.; HOODA, B. K.; TANWAR, N.; KUMAR, B. Relative efficiency of expe-
rimental designs in relation to various size and shape of plots and blocks in Indian Mustard
(Brassica juncea L.) crop. International Journal of Agricultural and Statistical Sciences, v. 13, p.
253-258, 2017.
PIMENTEL-GOMES, F. Curso de estatística experimental. 13 ed. São Paulo: Nobel, 2000. 479p.
PIMENTEL-GOMES, F.; GARCIA, C. H. Experimentos em látice: planejamento e análise por
meio de «pacotes» estatísticos. Piracicaba: Instituto de Pesquisas e Estudos Florestais/
ESALQ, 1991. 69p.
457
estatística experimental no rbio
458
ANEXOS
ANEXO 1. Tabela da Distribuição F ao nível de 5% de probabilidade com v1 graus de
liberdade do numerador e v2 graus de liberdade do denominador.
v2 \ v1 1 2 3 4 5 6 7 8 9 10
1 161.45 199.5 215.71 224.58 230.16 233.99 236.77 238.88 240.54 241.88
2 18.51 19 19.16 19.25 19.3 19.33 19.35 19.37 19.38 19.4
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6 5.96
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.1 4.06
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64
8 5.32 4.46 4.07 3.84 3.69 3.58 3.5 3.44 3.39 3.35
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14
10 4.96 4.1 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98
11 4.84 3.98 3.59 3.36 3.2 3.09 3.01 2.95 2.9 2.85
12 4.75 3.89 3.49 3.26 3.11 3 2.91 2.85 2.8 2.75
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67
14 4.6 3.74 3.34 3.11 2.96 2.85 2.76 2.7 2.65 2.6
15 4.54 3.68 3.29 3.06 2.9 2.79 2.71 2.64 2.59 2.54
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49
17 4.45 3.59 3.2 2.96 2.81 2.7 2.61 2.55 2.49 2.45
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41
19 4.38 3.52 3.13 2.9 2.74 2.63 2.54 2.48 2.42 2.38
20 4.35 3.49 3.1 2.87 2.71 2.6 2.51 2.45 2.39 2.35
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32
22 4.3 3.44 3.05 2.82 2.66 2.55 2.46 2.4 2.34 2.3
23 4.28 3.42 3.03 2.8 2.64 2.53 2.44 2.37 2.32 2.27
24 4.26 3.4 3.01 2.78 2.62 2.51 2.42 2.36 2.3 2.25
459
estatística experimental no rbio
v2 \ v1 1 2 3 4 5 6 7 8 9 10
25 4.24 3.39 2.99 2.76 2.6 2.49 2.4 2.34 2.28 2.24
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.2
28 4.2 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19
29 4.18 3.33 2.93 2.7 2.55 2.43 2.35 2.28 2.22 2.18
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16
35 4.12 3.27 2.87 2.64 2.49 2.37 2.29 2.22 2.16 2.11
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08
460
estatística experimental no rbio
v2 \ v1 11 12 15 20 24 25 30
23 2.24 2.2 2.13 2.05 2.01 2 1.96
24 2.22 2.18 2.11 2.03 1.98 1.97 1.94
25 2.2 2.16 2.09 2.01 1.96 1.96 1.92
26 2.18 2.15 2.07 1.99 1.95 1.94 1.9
27 2.17 2.13 2.06 1.97 1.93 1.92 1.88
28 2.15 2.12 2.04 1.96 1.91 1.91 1.87
29 2.14 2.1 2.03 1.94 1.9 1.89 1.85
30 2.13 2.09 2.01 1.93 1.89 1.88 1.84
35 2.07 2.04 1.96 1.88 1.83 1.82 1.79
40 2.04 2 1.92 1.84 1.79 1.78 1.74
461
estatística experimental no rbio
v2 \ v1 1 2 3 4 5 6 7 8 9 10
21 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.4 3.31
22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26
23 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.3 3.21
24 7.82 5.61 4.72 4.22 3.9 3.67 3.5 3.36 3.26 3.17
25 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32 3.22 3.13
26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18 3.09
27 7.68 5.49 4.6 4.11 3.78 3.56 3.39 3.26 3.15 3.06
28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12 3.03
29 7.6 5.42 4.54 4.04 3.73 3.5 3.33 3.2 3.09 3
30 7.56 5.39 4.51 4.02 3.7 3.47 3.3 3.17 3.07 2.98
35 7.42 5.27 4.4 3.91 3.59 3.37 3.2 3.07 2.96 2.88
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.8
462
estatística experimental no rbio
v2 \ v1 11 12 15 20 24 25 30
19 3.36 3.3 3.15 3 2.92 2.91 2.84
20 3.29 3.23 3.09 2.94 2.86 2.84 2.78
21 3.24 3.17 3.03 2.88 2.8 2.79 2.72
22 3.18 3.12 2.98 2.83 2.75 2.73 2.67
23 3.14 3.07 2.93 2.78 2.7 2.69 2.62
24 3.09 3.03 2.89 2.74 2.66 2.64 2.58
25 3.06 2.99 2.85 2.7 2.62 2.6 2.54
26 3.02 2.96 2.81 2.66 2.58 2.57 2.5
27 2.99 2.93 2.78 2.63 2.55 2.54 2.47
28 2.96 2.9 2.75 2.6 2.52 2.51 2.44
29 2.93 2.87 2.73 2.57 2.49 2.48 2.41
30 2.91 2.84 2.7 2.55 2.47 2.45 2.39
35 2.8 2.74 2.6 2.44 2.36 2.35 2.28
40 2.73 2.66 2.52 2.37 2.29 2.27 2.2
463
estatística experimental no rbio
464
estatística experimental no rbio
z 0.0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
465
estatística experimental no rbio
466
estatística experimental no rbio
z 0.0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
-3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003
-3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002
-3.5 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002
-3.6 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.7 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.8 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
467
estatística experimental no rbio
i\n 14 15 16 17 18 19 20 21 22 23 24 25
1 0.5251 0.5150 0.5056 0.4968 0.4886 0.4808 0.4734 0.4643 0.4590 0.4542 0.4493 0.4450
2 0.3318 0.3306 0.3290 0.3273 0.3253 0.3232 0.3211 0.3185 0.3156 0.3126 0.3098 0.3069
3 0.2460 0.2495 0.2521 0.2540 0.2553 0.2561 0.2565 0.2578 0.2571 0.2563 0.2554 0.2543
4 0.1802 0.1878 0.1939 0.1988 0.2027 0.2059 0.2085 0.2119 0.2131 0.2139 0.2145 0.2148
5 0.1240 0.1353 0.1447 0.1524 0.1587 0.1641 0.1686 0.1736 0.1764 0.1787 0.1807 0.1822
6 0.0727 0.0880 0.1005 0.1109 0.1197 0.1271 0.1334 0.1399 0.1443 0.1480 0.1512 0.1539
7 0.0240 0.0433 0.0593 0.0725 0.0837 0.0932 0.1013 0.1092 0.115 0.1201 0.1245 0.1283
8 0.0196 0.0359 0.0496 0.0612 0.0711 0.0804 0.0878 0.0941 0.0997 0.1046
9 0.0163 0.0303 0.0422 0.0530 0.0618 0.0696 0.0764 0.0823
10 0.0140 0.0263 0.0368 0.0459 0.0539 0.061
11 0.0122 0.0228 0.0321 0.0403
12 0.0107 0.0200
13 0.0000
i\n 26 27 28 29 30 31 32 33 34 35 36 37
1 0.4407 0.4366 0.4328 0.4291 0.4254 0.4220 0.4188 0.4156 0.4127 0.4096 0.4068 0.4040
2 0.3043 0.3018 0.2992 0.2968 0.2944 0.2921 0.2898 0.2876 0.2854 0.2834 0.2813 0.2794
3 0.2533 0.2522 0.2510 0.2499 0.2487 0.2475 0.2463 0.2451 0.2439 0.2427 0.2415 0.2403
4 0.2151 0.2152 0.2151 0.2150 0.2148 0.2145 0.2141 0.2137 0.2132 0.1227 0.2121 0.2116
5 0.1836 0.1848 0.1857 0.1864 0.1870 0.1874 0.1878 0.1880 0.1882 0.1883 0.1883 0.1883
6 0.1563 0.1584 0.1601 0.1616 0.1630 0.1641 0.1651 0.1660 0.1667 0.1673 0.1678 0.1683
7 0.1316 0.1346 0.1372 0.1395 0.1415 0.1433 0.1449 0.1463 0.1475 0.1487 0.1496 0.1505
468
estatística experimental no rbio
8 0.1089 0.1128 0.1162 0.1192 0.1219 0.1243 0.1265 0.1284 0.1301 0.1317 0.1331 0.1344
9 0.0876 0.0923 0.0965 0.1002 0.1036 0.1066 0.1093 0.1118 0.1140 0.1160 0.1179 0.1196
10 0.0672 0.0728 0.0778 0.0822 0.0862 0.0899 0.0931 0.0961 0.0988 0.1013 0.1036 0.1056
i\n 26 27 28 29 30 31 32 33 34 35 36 37
11 0.0476 0.0540 0.0598 0.065 0.0697 0.0739 0.0777 0.0812 0.0844 0.0873 0.0900 0.0924
12 0.0284 0.0358 0.0424 0.0483 0.0537 0.0585 0.0629 0.0669 0.0706 0.0739 0.0770 0.0798
13 0.0094 0.0178 0.0253 0.032 0.0381 0.0435 0.0485 0.0530 0.0572 0.0610 0.0645 0.0677
14 0.0000 0.0084 0.0159 0.0227 0.0289 0.0344 0.0395 0.0441 0.0484 0.0523 0.0559
15 0 0.0076 0.0144 0.0206 0.0262 0.0314 0.0361 0.0404 0.0444
i\n 2 3 4 5 6 7 8 9 10 11 12 13
i\n 38 39 40 41 42 43 44 45 46 47 48 49
1 0.4015 0.3989 0.3964 0.3940 0.3917 0.3894 0.3872 0.3850 0.3830 0.3808 0.3789 0.3770
2 0.2774 0.2755 0.2737 0.2719 0.2701 0.2684 0.2667 0.2651 0.2635 0.2620 0.2604 0.2589
3 0.2391 0.2380 0.2368 0.2357 0.2345 0.2334 0.2323 0.2313 0.2302 0.2291 0.2281 0.2271
4 0.2110 0.2104 0.2098 0.2091 0.2085 0.2078 0.2072 0.2065 0.2058 0.2052 0.2045 0.2038
5 0.1881 0.1880 0.1878 0.1876 0.1874 0.1871 0.1868 0.1865 0.1862 0.1859 0.1855 0.1851
6 0.1686 0.1689 0.1691 0.1693 0.1694 0.1695 0.1695 0.1695 0.1695 0.1695 0.1693 0.1692
7 0.1513 0.1520 0.1526 0.1531 0.1535 0.1539 0.1542 0.1545 0.1548 0.1550 0.1551 0.1553
8 0.1356 0.1366 0.1376 0.1384 0.1392 0.1398 0.1405 0.1410 0.1415 0.1420 0.1423 0.1427
9 0.1211 0.1225 0.1237 0.1249 0.1259 0.1269 0.1278 0.1286 0.1293 0.1300 0.1306 0.1312
10 0.1075 0.1092 0.1108 0.1123 0.1136 0.1149 0.1160 0.1170 0.1180 0.1189 0.1197 0.1205
11 0.0947 0.0967 0.0986 0.1004 0.1020 0.1035 0.1049 0.1062 0.1073 0.1085 0.1095 0.1105
12 0.0824 0.0848 0.0870 0.0891 0.0909 0.0927 0.0943 0.0959 0.0972 0.0986 0.0998 0.1010
13 0.0706 0.0733 0.0759 0.0782 0.0804 0.0824 0.0842 0.0860 0.0876 0.0892 0.0906 0.0919
14 0.0592 0.0622 0.0651 0.0677 0.0701 0.0724 0.0745 0.0765 0.0783 0.0801 0.0817 0.0832
15 0.0481 0.0515 0.0546 0.0575 0.0602 0.0628 0.0651 0.0673 0.0694 0.0713 0.0731 0.0748
16 0.0372 0.0409 0.0444 0.0476 0.0506 0.0534 0.0560 0.0584 0.0607 0.0628 0.0648 0.0667
469
estatística experimental no rbio
17 0.0264 0.0305 0.0343 0.0379 0.0411 0.0442 0.0471 0.0497 0.0522 0.0546 0.0568 0.0588
18 0.0158 0.0203 0.0244 0.0283 0.0318 0.0352 0.0383 0.0412 0.0439 0.0465 0.0489 0.0511
19 0.0053 0.0101 0.0146 0.0188 0.0227 0.0263 0.0296 0.0328 0.0357 0.0385 0.0411 0.0436
i\n 38 39 40 41 42 43 44 45 46 47 48 49
20 0.0000 0.0049 0.0094 0.0136 0.0175 0.0211 0.0245 0.0277 0.0307 0.0335 0.0361
21 0.0000 0.0045 0.0087 0.0126 0.0163 0.0197 0.0229 0.0259 0.0288
22 0.0000 0.0042 0.0081 0.0118 0.0153 0.0185 0.0215
23 0.0000 0.0039 0.0076 0.0111 0.0143
24 0.0000 0.0037 0.0071
25 0.0000
470
estatística experimental no rbio
Nível de significância
22 0.878 0.892 0.911 0.926 0.961 0.980 0.984 0.987 0.989
23 0.881 0.895 0.914 0.928 0.962 0.981 0.984 0.987 0.989
24 0.884 0.898 0.916 0.930 0.963 0.981 0.984 0.987 0.989
25 0.888 0.901 0.918 0.931 0.964 0.981 0.985 0.988 0.989
26 0.891 0.904 0.920 0.933 0.965 0.982 0.985 0.988 0.989
27 0.894 0.906 0.923 0.935 0.965 0.982 0.985 0.988 0.990
28 0.896 0.908 0.924 0.936 0.966 0.982 0.985 0.988 0.990
29 0.898 0.910 0.926 0.937 0.966 0.982 0.985 0.988 0.990
30 0.900 0.912 0.927 0.939 0.967 0.983 0.985 0.988 0.990
31 0.902 0.914 0.929 0.940 0.967 0.983 0.986 0.988 0.990
32 0.904 0.915 0.930 0.941 0.968 0.983 0.986 0.988 0.990
33 0.906 0.917 0.931 0.942 0.968 0.983 0.986 0.989 0.990
34 0.908 0.919 0.933 0.943 0.969 0.983 0.986 0.989 0.990
35 0.910 0.920 0.934 0.944 0.969 0.984 0.986 0.989 0.990
36 0.912 0.922 0.935 0.945 0.970 0.984 0.986 0.989 0.990
37 0.914 0.924 0.936 0.946 0.970 0.984 0.987 0.989 0.990
38 0.916 0.925 0.938 0.947 0.971 0.984 0.987 0.989 0.990
39 0.917 0.927 0.939 0.948 0.971 0.984 0.987 0.989 0.991
N 0.01 0.02 0.05 0.1 0.5 0.9 0.95 0.98 0.99
40 0.919 0.928 0.940 0.949 0.972 0.985 0.987 0.989 0.991
41 0.920 0.929 0.941 0.950 0.972 0.985 0.987 0.989 0.991
42 0.922 0.930 0.942 0.951 0.972 0.985 0.987 0.989 0.991
43 0.923 0.932 0.943 0.951 0.973 0.985 0.987 0.990 0.991
44 0.924 0.933 0.944 0.952 0.973 0.985 0.987 0.990 0.991
45 0.926 0.934 0.945 0.953 0.973 0.985 0.988 0.990 0.991
46 0.927 0.935 0.945 0.953 0.974 0.985 0.988 0.990 0.991
47 0.928 0.936 0.946 0.954 0.974 0.985 0.988 0.990 0.991
48 0.929 0.937 0.947 0.954 0.974 0.985 0.988 0.990 0.991
49 0.929 0.938 0.947 0.955 0.974 0.985 0.988 0.990 0.991
50 0.930 0.939 0.947 0.955 0.974 0.985 0.988 0.990 0.991
471
estatística experimental no rbio
472
estatística experimental no rbio
ANEXO 10. Valores da amplitude total estudentizada (q) para teste de Tukey a 5% de
probabilidade em função do número de tratamentos e graus de liberdade do resíduo.
GL(resid) Número de grupos no tratamento
2 3 4 5 6 7 8 9 10
1 17.97 26.98 32.82 37.08 40.41 43.12 45.40 47.36 49.07
2 6.08 8.33 9.8 10.88 11.73 12.43 13.03 13.54 13.99
3 4.50 5.91 6.82 7.50 8.04 8.48 8.85 9.18 9.46
4 3.93 5.04 5.76 6.29 6.71 7.05 7.35 7.60 7.83
5 3.64 4.6 5.22 5.67 6.03 6.33 6.58 6.8 6.99
6 3.46 4.34 4.9 5.3 5.63 5.9 6.12 6.32 6.49
7 3.34 4.16 4.68 5.06 5.36 5.61 5.82 6 6.16
8 3.26 4.04 4.53 4.89 5.17 5.4 5.6 5.77 5.92
9 3.2 3.95 4.41 4.76 5.02 5.24 5.43 5.59 5.74
10 3.15 3.88 4.33 4.65 4.91 5.12 5.3 5.46 5.6
11 3.11 3.82 4.26 4.57 4.82 5.03 5.2 5.35 5.49
12 3.08 3.77 4.2 4.51 4.75 4.95 5.12 5.27 5.39
13 3.06 3.73 4.15 4.45 4.69 4.88 5.05 5.19 5.32
14 3.03 3.7 4.11 4.41 4.64 4.83 4.99 5.13 5.25
15 3.01 3.67 4.08 4.37 4.59 4.78 4.94 5.08 5.2
16 3 3.65 4.05 4.33 4.56 4.74 4.9 5.03 5.15
17 2.98 3.63 4.02 4.3 4.52 4.7 4.86 4.99 5.11
18 2.97 3.61 4 4.28 4.49 4.67 4.82 4.96 5.07
19 2.96 3.59 3.98 4.25 4.47 4.65 4.79 4.92 5.04
20 2.95 3.58 3.96 4.23 4.45 4.62 4.77 4.9 5.01
24 2.92 3.53 3.9 4.17 4.37 4.54 4.68 4.81 4.92
30 2.89 3.49 3.85 4.1 4.3 4.46 4.6 4.72 4.82
40 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.73
120 2.8 3.36 3.68 3.92 4.1 4.24 4.36 4.47 4.56
>120 2.77 3.31 3.63 3.86 4.03 4.17 4.29 4.39 4.47
∞ 3.64 4.12 4.4 4.6 4.76 4.88 4.99 5.08 5.16
ANEXO 11. Valores da amplitude total estudentizada (z) para teste de Duncan a 5%
de probabilidade em função do número médias abrangidas pelo contraste (n1) e
graus de liberdade do resíduo (n2).
n2 \ n1 2 3 4 5 6 7 8 9 10
1 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97
2 6.08 6.08 6.08 6.08 6.08 6.08 6.08 6.08 6.08
3 4.50 4.51 4.51 4.51 4.51 4.51 4.51 4.51 4.51
4 3.93 4.01 4.03 4.03 4.03 4.03 4.03 4.03 4.03
5 3.64 3.75 3.80 3.81 3.81 3.81 3.81 3.81 3.81
473
estatística experimental no rbio
n2 \ n1 2 3 4 5 6 7 8 9 10
6 3.46 3.59 3.65 3.68 3.69 3.69 3.69 3.69 3.69
7 3.34 3.48 3.55 3.59 3.61 3.62 3.62 3.62 3.62
8 3.26 3.40 3.48 3.52 3.55 3.57 3.58 3.58 3.58
9 3.20 3.34 3.42 3.47 3.50 3.52 3.54 3.54 3.54
10 3.15 3.29 3.38 3.43 3.46 3.49 3.50 3.51 3.52
11 3.11 3.26 3.34 3.39 3.43 3.46 3.48 3.49 3.50
12 3.08 3.22 3.31 3.37 3.41 3.44 3.46 3.47 3.48
13 3.05 3.20 3.28 3.35 3.39 3.42 3.44 3.46 3.47
14 3.03 3.18 3.27 3.33 3.37 3.40 3.43 3.44 3.46
15 3.01 3.16 3.25 3.31 3.35 3.39 3.41 3.43 3.44
16 2.99 3.14 3.23 3.30 3.34 3.38 3.40 3.42 3.44
17 2.98 3.13 3.22 3.28 3.33 3.37 3.39 3.41 3.43
18 2.97 3.12 3.21 3.27 3.32 3.36 3.38 3.40 3.42
19 2.96 3.11 3.20 3.26 3.31 3.35 3.38 3.40 3.42
20 2.95 3.10 3.19 3.26 3.30 3.34 3.37 3.39 3.41
25 2.91 3.06 3.15 3.22 3.27 3.31 3.34 3.37 3.39
30 2.89 3.03 3.13 3.20 3.25 3.29 3.32 3.35 3.37
50 2.84 2.99 3.08 3.15 3.21 3.25 3.29 3.32 3.34
60 2.83 2.98 3.07 3.14 3.20 3.24 3.28 3.31 3.33
100 2.81 2.95 3.05 3.12 3.18 3.22 3.26 3.29 3.32
474
estatística experimental no rbio
Número de tratamentos
GL (N-K) 2 3 4 5 6 7 8 9 10
10 2.23 2.57 2.76 2.89 2.99 3.07 3.14 3.19 3.24
11 2.2 2.53 2.72 2.84 2.94 3.02 3.08 3.14 3.19
12 2.18 2.5 2.68 2.81 2.9 2.98 3.04 3.09 3.14
13 2.16 2.48 2.65 2.78 2.87 2.94 3 3.06 3.1
14 2.14 2.46 2.63 2.75 2.84 2.91 2.97 3.02 3.07
15 2.13 2.44 2.61 2.73 2.82 2.89 2.95 3 3.04
16 2.12 2.42 2.59 2.71 2.8 2.87 2.92 2.97 3.02
17 2.11 2.41 2.58 2.69 2.78 2.85 2.9 2.95 3
18 2.1 2.4 2.56 2.68 2.76 2.83 2.89 2.94 2.98
19 2.09 2.39 2.55 2.66 2.75 2.81 2.87 2.92 2.96
20 2.09 2.38 2.54 2.65 2.73 2.8 2.86 2.9 2.95
24 2.06 2.35 2.51 2.61 2.7 2.76 2.81 2.86 2.9
30 2.04 2.32 2.47 2.58 2.66 2.72 2.77 2.82 2.86
40 2.02 2.29 2.44 2.54 2.62 2.68 2.73 2.77 2.81
60 2 2.27 2.41 2.51 2.58 2.64 2.69 2.73 2.77
475
estatística experimental no rbio
476
SOBRE OS AUTORES
Leonardo Lopes Bhering
Engenheiro Agrônomo pela Universidade Federal de Viçosa (UFV),
mestre em Genética e Melhoramento de Plantas pela Universidade Fe-
deral de Lavras (UFLA), doutor em Genética e Melhoramento pela UFV
e pós-doutor pela University of Califórnia Riverside - USA. Atuou como
melhorista florestal, e como pesquisador da Embrapa. Atualmente é
professor da Universidade Federal de Viçosa. É autor do software Rbio
(Biometria no R). Possui experiência na área de Genética, com ênfase
em Biometria e Genética quantitativa.