Alan R. Panosso e Euclides B.

Malheiros 53

13. DELINEAMENTOS EXPERIMENTAIS

Delineamento experimental ou desenho experimental, de uma forma bastante simples, a forma em que os tratamentos (nveis de um fator ou combinaes de nveis de fatores) so atribudos s unidades experimentais. Os delineamentos experimentais envolvem um ou mais fatores, cada fator com nf nveis: Exemplos: Estudar o efeito da Classe Social (Alta, Mdia ou Baixa) no peso das crianas. (Fator: Classe Social, trs nveis qualitativos). Estudar o efeito de Dose do Adubo (0, 20, 40, 60 e 80 kg/ha) na produo de uma determinada cultura. (Fator: Doses de adubo, cinco nveis quantitativos, crescentes e igualmente espaados). Estudar o efeito da Idade (I1:10-15, I2:15-20 e I3:25-30 meses) e Sexo (M e F) no peso dos animais. Fatores: Idade e Sexo com trs e dois nveis, respectivamente. Os tratamentos so as combinaes dos nveis dos fatores, que so seis, ou sejam: I1/M, I1/F, I2/M, I2/F, I3/M, I3/F. Um fator pode ser de efeito fixo ou aleatrio. Fator de efeito fixo: Os nveis do fator so fixados (escolhidos) pelo pesquisador. Exemplos: Os exemplos das Classes Sociais, Dose do Adubo, Idade e Sexo apresentados anteriormente so exemplos de fatores de efeitos fixos. Fator de efeito aleatrio: Os nveis do fator uma amostra aleatria da populao dos possveis nveis. Exemplo: Suponhamos que o Governo do Estado queira saber se a marca da vacina interfere no controle de uma determinada. Como existem no mercado vrias marcas, o experimentador casualiza t marcas para o experimento. O experimento trar informaes sobre a populao de vacinas, no apenas para os t tratamentos. Este um caso de fator de efeito aleatrio.

13.1 Delineamento Inteiramente Casualizado - DIC (One-way)

Experimento de um nico fator com t nveis (geralmente denominados tratamentos) e ri repeties. As parcelas so consideradas homogneas e os tratamentos so atribudos a elas de forma completamente casual (aleatria). Se ri=r, i (experimento balanceado). Modelo: yij = m + ti + eij , onde yij = valor observado na unidade experimental que recebeu o tratamento i, repetio j; m= efeito geral da mdia; ti = efeito do tratamento i; eij = erro aleatrio (resduo). A anlise da varincia uma ferramenta muito usada para testes de hipteses. Esse procedimento estatstico consiste em particionar a variao total em partes devidas a cada uma das Fontes de Variao envolvidas no experimento. Em um DIC tm-se duas fontes de variao, ou seja: o fator em estudo (tratamentos) e o erro aleatrio. A anlise de varincia esquematizada como: F.V. Tratamento Resduo Total G.L. t-1 t(r-1) tr-1 S.Q. SQ(Tr.) SQ(Res.) SQ(Tot.) Q.M. QM(Tr.) QM(Res.) F QM(Tr.) / QM(Res.) p-value p

F.V. - Fontes de Variao, ou seja, as partes da Variao Total; G.L. - nmero de graus de liberdade associados F.V.; S.Q. - Soma de quadrados; Q.M. - Quadrado mdio

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 54 O valor p (p-value) obtido supondo que a estatstica F tem uma distribuio F central com t-1 e t(r-1) graus de liberdade. Essa pressuposio vlida se os erros forem iid independentes e identicamente distribudos, com distribuio normal N(0,2). A estatstica F testa as hipteses: a) Efeitos fixos de tratamentos (concluses apenas para aos nveis estudados): H0: 1=2=3= ... t vs H1: ii', para algum i i'. i = mdia populacional do grupo i. Neste caso, se a hiptese H0 rejeitada e tem-se mais que 2 nveis do fator pode-se usar as ferramentas: Comparaes das mdias (comparaes mltiplas). Geralmente usado quando no se tem qualquer informao a priori sobre os tratamentos e tem interesse em comparar as mdias entre si. Contrastes ortogonais. Geralmente usado quando se tem informaes a priori sobre os tratamentos e as comparaes de interesse ficam evidentes. b) Efeitos aleatrios de tratamentos (Concluses permitem inferncias para a populao dos nveis): H0: 2Tr=0 vs H1: 2Tr 0. Testa se existe variabilidade ou no na populao de nveis. Neste caso, estimam-se os componentes da varincia. Na prtica, os passos para a Anlise da Varincia em um delineamento DIC so apresentados no Exemplo a seguir: Exemplo(DIC_ex1): Um experimento para avaliar o efeito da rao (Rao 1 a 5) no ganho de peso animal, utilizou-se um DIC com 5 tratamentos e 4 repeties. Os resultados so apresentados a seguir. Disponveis em A_DIC_ex1.txt.
Repeties Rao 1 2 3 4 5 1 3,31 23,62 14,75 30,58 50,25 2 6,1 26,94 25,2 30,69 45,12 3 8,53 20,16 17,56 18,54 37,25 4 3,84 22,18 24,8 27,56 52,15

Entrada dos dados no R. > dicex <- read.table("C:/EEAR/A_DIC_ex1.txt", header=T, dec=",");dicex > attach(dicex) > TR;RP;Y 13.1 Definio do modelo e Anlise da Varincia > FTR <- factor(TR) > mod <- lm(Y~FTR ) > summary(mod) 13.2 Mdias, varincias e desvios-padro dos tratamentos > m <- tapply(Y,FTR,mean); v <- tapply(Y,FTR,var); dp <- tapply(Y,FTR,sd) > m;v;dp Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 55 13.3 Representao grfica das mdias dos Tratamentos # Grfico de barras # Defina um limite mnimo e mximo para a escala das mdias (opcional) > lmin <# defina o limite mnimo para a escala > lmax <# defina o limite mximo para a escala > barplot(m,ylim=c(lmin,lmax)) # Grfico Box_Plot por Tratamento > FTR <- as.factor(TR) > plot(Y~FTR) 13.4 Diagnsticos para a Anlise da Varincia Os erros devem ser iid - independentes e identicamente distribudos, com distribuio normal N(0,2). a) Os diagnsticos grficos utilizados so os disponveis no Script R (S_Diag). b) Os testes de normalidade dos erros so os Disponveis no Script R (S_TestNorm). c) Alm dessas pressuposies, as varincias das observaes de cada tratamento devem ser homogneas, ou seja, no muito discrepantes (homocedasticidade). Para ilustrar veja a tabela a seguir: Trat. T1 T2 ... Tt Observaes y11, y12, ..., y1r Y21, y22, ..., y2r Yt1, yt2, ..., ytr M - mdias m1 m2 ... mt V - Varincias v1 v2 Homogneas ... vt

Os testes de homocedasticidade mais comuns na literatura so Bartlett, Levene e Brown Forsythe. O teste de Bartlett um teste fcil de ser feito manualmente por isso sempre encontrado em livros didticos de estatstica experimental. Os testes de Levene e Brow Forsyte so disponveis na maioria dos softwares de estatstica. No R, as sintaxes desses comandos so apresentadas a seguir. > # Teste de Bartlett > bartlett.test(Y~FTR) > # Teste de Levene > #install.packages("lawstat") > #require(lawstat) > levene.test(Y, FTR) > # Brown-Forsyte test > #install.packages("HH") > #require(HH) > hov(Y~ FTR) Um Script no R para o Teste de homocedasticidade (S_Homoced) apresentado a seguir:

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 56

Script para Teste de Homocedasticidade (S_Homoced.R)

#################################################### ## Testes para Homocedasticidade ## ## Depende de Y e de tratamento como fator - FTR ## ## Teste de Bartlett bartlett.test(Y~FTR) ## Teste de Levene #install.packages("lawstat") #require(lawstat) levene.test(Y,FTR) ## Brown-Forsyte test #install.packages("HH") #require(HH) hov(Y~FTR)

Se as varincias no forem homogneas, a heterocedasticidade pode ser Regular ou Irregular. Regular se existe uma relao linear entre as mdias e varincias, caso contrrio Irregular. Se for regular, uma transformao de dados geralmente resolve o problema. Segundo Bartlett(1956), isso pode ser feito pela Anlise de Regresso Linear Simples entre o logaritmo da varincia, LV=log(V), e o logaritmo da mdia, LM =log(M), ou seja: LV = A + B LM, onde A e B so os parmetros do modelo. Se a Regresso for significativa a heterocedasticidade Regular e a transformao sugerida : YT = Y(1-B/2) Observe que: Se B for prximo de 0 No Transforma. Se B for prximo de 1 Transformao YT= Y . Se B for prximo de 2 Transformao YT=Log(Y). Se B for prximo de 3 Transformao YT=1/ Y . Se B for prximo de 4 Transformao YT=1/Y. E assim por diante. Um Script no R para o Tipo da Heterocedasticidade e transformao sugerida (S_TipoHeteroc ) apresentado a seguir: Script para Tipo de Heterocedasticidade (S_TipoHeteroc.R) ######################################################## ## Teste do tipo de Heterocedasticidade ## ## Depende da varivel classificatria (TR) e das observaes (Y) ## m <- tapply(Y,TR,mean) v <- tapply(Y,TR,var) lm <- log(m); lv <- log(v) m; v; lm; lv rl <- lm(lv~lm) summary(rl) # Variavel Transformada - Y^(1-B/2) YT <- Y^(1-rl$coefficients[2]/2) Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 57 No exemplo (DIC_ex1) as pressuposies: Normalidade dos erros e homogeneidade das varincias no so rejeitadas (=5%). 13.5. Comparaes mltiplas Quando no se tem qualquer informao a priori sobre os tratamentos, sugere-se comparaes mltiplas. Os testes mais comuns para Comparaes Mltiplas so: Tukey; Duncan e Student Newman Keuls (SNK). Um script para comparaes mltiplas, com esses testes, apresentado a seguir: Script para Comparaes mltiplas (S_CompMultip) ############################################################ ## Testes de comparaes mltiplas ## ## Depende do modelo (mod) e do fator tratamento (FTR) ## # Escolha um teste: Tukey ou Duncan ou Student Newman_Keulss (SNK) # Todos usam o pacote agricolae ## Teste de Tukey #install.packages("agricolae") #require(agricolae) HSD.test(mod, "FTR", group=T,alpha=0.05) ## Teste de Duncan #install.packages("agricolae") #require(agricolae) duncan.test(mod,"FTR",alpha=0.05) ## Teste de Student-Newman-Keuls #install.packages("agricolae") #require(agricolae) SNK.test(mod, "FTR", alpha=0.05)

# defina o alpha

# defina o alpha

# defina o alpha

Usar comparaes mltiplas para o exemplo DIC_ex1, teste de Tukey, (=5%). 13.6. Contrastes ortogonais Um script para contrastes apresentado a seguir: Script para Contrastes (S_Contrastes) ################################################ ## Script para Contrastes Ortogonais ## ## Depende do fator Tratamentos (FTR) ## # Defina a matriz com os coeficientes dos contrastes ct <- matrix(c(cof_cont_1, coef_cont_2, ..., coef_cont_nc), ncol=nc) # todos os coeficientes separados por vrgulas #nc = nmero de contrastes ct # Defina o modelo a ser considerado contrasts(FTR)<-ct ### Defina o modelo que depende do FTR ### modcc <- aov(Y~modelo) anova(modcc) summary.lm(modcc) Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 58

Um script para a anlise de Varincia completa para um Delineamento Inteiramente Casualizado DIC, apresentado a seguir: Script Anlise da Varincia - DIC
################################################################### ##### Script para Anlise da Variancia DIC #### ################################################################### ## Entrada de dados ### ##Entre com as variveis (TR - Tratamentos e Y - Varivel Resposta) ## Defina o modelo ### FTR <- as.factor(TR) mod <- aov(Y~FTR) summary(mod) summary.lm(mod) ## Mdias dos Tratamentos m <- tapply(Y,FTR,mean); m ## Grfico das mdias # Defina um limite mximo para as mdias # Defina um limite mnimo e mximo para a escala das mdias (opcional) lmin <# defina o limite mnimo para a escala lmax <# defina o limite mximo para a escala barplot(m,ylim=c(lmin,lmax)) ## Grfico Box_Plot por TRatamento #### plot(Y~FTR) ## Carregue a rotina para testes de heterocedasticidade ## Carregue a rotina para diagnsticos e faa os diagnsticos, elimine observaes, se for o caso. ## Carregue a rotina para o tipo de heterocedasticidade e defina a transformao( se for o caso). ## Carregue a rotina para testes de normalidade ## Carregue a rotina para testes de comparaes mltiplas (se for o caso). ## Carregue a rotina para contrastes (se for o caso).

Exemplo(DIC_ex2): Um experimento para avaliar o efeito da dose de um vermfugo (ml) no controle de um parasito, utilizou-se um DIC com 5 tratamentos e 6 repeties. Os resultados so apresentados a seguir. Disponveis em A_DIC_ex2.txt. Dose 0,0 0,5 1,0 1,5 2,0 1 2370,0 1282,0 562,0 173,0 193,0 2 1687,0 1527,0 321,0 127,0 71,0 Repeties 3 4 2592,0 2283,0 871,0 1025,0 636,0 317,0 132,0 150,0 82,0 62,0 5 2910,0 825,0 485,0 129,0 96,0 6 3020,0 920,0 842,0 227,0 44,0

Fazer a anlise de varincia completa, usar contrastes apropriados e concluir. Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 59 Atividade (DIC_at1). Um experimento para avaliar o efeito da substituio do milho por soja na rao, no ganho de peso dos animais, utilizou-se um DIC com 5 tratamentos (dois padres sem milho e soja e trs nveis de substituio) e 6 repeties. Os resultados so apresentados a seguir. Disponveis em A_DIC_at.txt.
P. Subst. M+Sup1 M+Sup2 Sub. 5% Sub. 10% Sub. 15% 1 57,37 51,72 148,41 490,95 296,42 2 20,27 38,20 91,21 407,46 342,43 Repeties 3 4 13,97 17,16 29,71 45,06 154,89 90,20 518,16 476,19 204,91 246,20 5 28,53 38,81 130,80 580,36 205,36 6 10,64 66,70 208,90 598,14 224,98

Fazer a anlise de varincia completa, usar contrastes apropriados e concluir. .

13.2 Delineamento em Blocos Casualizados DBC (two-way)

Experimento com dois fatores sem interao. Um fator Tratamentos com t nveis, b repeties e tb unidades experimentais (ou parcelas). As parcelas no so homogneas, mas podem ser agrupadas em b grupos de t parcelas homogneas (cada grupo constitui um bloco). Os tratamentos so atribudos de forma aleatria dentro de cada bloco. Observe que este tipo de delineamento tem 2 fatores, Tratamentos (Fator em estudo) e Blocos (Fator para controle da homogeneidade das parcelas - chamado de Controle Local). Pela forma de casualizao considera-se apenas os efeitos principais dos fatores Modelo: yij = m +bj + ti + eij , onde yij = valor observado na unidade experimental que recebeu o tratamento i, bloco j; m= efeito geral da mdia; bj = efeito do bloco j; ti = efeito do tratamento i; eij = erro aleatrio (resduo). O quadro da anlise de varincia : F.V. Blocos Tratamentos Resduo Total G.L. b-1 t-1 (b-1)(t-1) pb-1 S.Q. SQ(Bl.) SQ(Tr.) SQ(Res.) SQ(Tot.) Q.M. QM(Bl.) QM(Tr.) QM(Res.) F QM(Bl.) / QM(Res.) QM(Tr.) / QM(Res.) p-value p1 p2

F.V. - Fontes de Variao, ou seja, as partes da Variao Total; G.L. - nmero de graus de liberdade associados F.V.; S.Q. - Soma de quadrados; Q.M. - Quadrado mdio

O valor p-value obtido supondo que a estatstica F tem uma distribuio F central com t-1 e (b-1)(t-1) graus de liberdade para Tratamentos e b-1 e (b-1)(t-1) graus de liberdade para blocos. Essas pressuposies so vlidas se os erros forem iid - independentes e identicamente distribudos, com distribuio normal N(0,2). Ressalta-se que o teste para blocos informa se existe variao entre os blocos, mas no tem interesse prtico nas concluses do experimento. As pressuposies da anlise da varincia so as mesmas do Delineamento Inteiramente Casualizado DIC, exceto a homogeneidade das varincias que para o DBC no precisam ser testadas. Um script para a anlise de Varincia completa para um Delineamento em Blocos Casualizados DBC, apresentado a seguir:

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 60 Script Anlise da Varincia - DBC

################################################################### ##### Script para Anlise da Variancia DBC #### ##### Sem ou com Parcelas Perdidas #### ################################################################### ## Entrada de dados ### ##Entre com as variveis (TR - Tratamentos, BL - Blocos e Y - Varivel Resposta) ## Defina o modelo ### FTR <- as.factor(TR) FBL <- as.factor(BL) mod <- aov(Y~FBL+FTR) summary(mod) summary.lm(mod) ## Carregue a rotina para diagnsticos e faa os diagnsticos. Se for o caso, # elimine os valores extremos que passaro a ser parcelas perdidas ## Carregue a rotina para Testes de Normalidade. ######### Caso de Blocos Casualizados Sem Parcelas Perdidas ## Mdias dos Tratamentos m <- tapply(Y,FTR,mean); m ## Grfico das mdias # Defina um limite mximo para as mdias # Defina um limite mnimo e mximo para a escala das mdias (opcional) lmin <# defina o limite mnimo para a escala lmax <# defina o limite mximo para a escala barplot(m,ylim=c(lmin,lmax)) ## Grfico Box_Plot por TRatamento #### plot(Y~FTR) ## Carregue a rotina para comparaes mltiplas (se for o caso). ## Carregue a rotina para contrastes (se for o caso). ######## Caso de Blocos Casualizados Com Parcelas Perdidas ######## ####### Duas Opes Possveis: ## Opco1 - Estimar as Parcelas Perdidas e trabalhar como "Sem # Parcelas Perdidas" ## Opco2 - Trabalhar com mdias ajustadas ###################################################################### ##### Opco1 - Estimar as Parcelas Perdidas e trabalhar como "Sem Parcelas Perdidas" #### ## Estimar as Parcelas Perdidas ypc<-predict(mod,newdata=df);ypc # df - nome do data-frame ## Substituir a(s) parcelas perdidas pela(s) estimada(s) e reinicia a anlise ###################################################################### ##### Opco2 - Trabalhar com mdias ajustadas #### ### Mdias dos Tratamentos - ajustadas #install.packages("epicalc") #require(epicalc) #########

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 61

modma <- glm(Y~FBL+FTR,data=df,family=gaussian) # df - nome do data frame mda<-adjust(adjust=FBL, by=list(FTR),modma); mda ma<-mda[,2];ma ### Comparaes mltiplas das mdias ajustadas # Teste de Tukey TukeyHSD(mod,"FTR") ### # sem # Contrastes para mdias ajustadas Usar as estimativas das observaes perdidas e usar o procedimento parcelas perdidas (aproximado). Usar novas variveis - definindo os contrastes de interesse.

Para ilustrar considere o exemplo a seguir: Exemplo(DBC_ex1): Em um Delineamento em Blocos Casualizados com cinco tratamentos (efeitos fixos) e quatro blocos Os resultados so apresentados a seguir. Disponveis em A_DBC_ex1.txt. Trat. 1 2 3 4 5 1 122,36 125,28 120,73 150,88 153,49 Bloco 2 3 144,78 145,19 137,77 144,44 134,06 136,07 155,83 156,97 165,02 171,75 4 158,88 150,61 144,11 176,36 175,22

a) Fazer a Anlise da Varincia, verificando as pressuposies dos testes. b) Comparar as mdias pelo teste de Newman-Keuls. c) Concluir. No Delineamento em Blocos Casualizados DBC, se houverem parcelas perdidas, a(s) mdia(s) do(s) tratamento(s) onde foram(foi) perdida(s) parcela(s) no representa verdadeiramente as mdias dos tratamentos, por isso, neste caso a parcela deve ser estimada ou deve-se trabalhas com mdias ajustadas. Para ilustrar considere o exemplo a seguir: Exemplo(DBC_ex2): Em um Delineamento em Blocos Casualizados com cinco tratamentos (efeitos fixos) e quatro blocos, a observao da parcela referente ao tratamento3 e bloco 3 foi perdida. Os resultados so apresentados a seguir. Disponveis em A_DBC_ex2.txt.
Trat. 1 2 3 4 5 Blocos 1 2 3 4

59,7 56,2 81,1 48,2 54,4

60,7 58,7 80,9 51,0 56,6

70,2 62,8
,

59,2 65,1

81,3 74,8 98,3 67,9 74,6

a) Fazer a Anlise da Varincia (DBC), verificando as pressuposies dos testes. b) Comparar as mdias pelo teste de Tukey. c) Concluir.

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 62

13.3 Delineamento em Quadrado Latino (DQL):

Experimento com 3 fatores sem interao. Um fator (tratamentos) com t nveis, t2 parcelas que apresentam falta de homogeneidade em 2 sentidos, digamos linhas e colunas. Os tratamentos so atribudos s parcelas de forma sistemtica tal que cada linha e cada coluna tenham todos os tratamentos (ortogonalidade). Ver o esquema a seguir, para o caso particular de t=4. C1 L1 L2 L3 L4 T1 T2 T3 T4 C2 T2 T3 T4 T1 C3 T3 T4 T1 T2 C4 T4 T1 T2 T3

Casualiza-se ento as linhas e colunas. Observe que este tipo de delineamento tem 3 fatores: Tratamentos e 2 Controles Locais (Linhas e Colunas). Da mesma forma do DBC, pela forma de casualizao, considera-se apenas os efeitos principais. Modelo: yijk = m +li + cj + tk(ij) + eijk , onde yijk = valor observado na unidade experimental que recebeu o tratamento k (na linha i e coluna j); m= efeito da mdia geral; li = efeito do linha i; cj = efeito do coluna j; tk(ij) = efeito do tratamento k aplicado na linha i e coluna j; eijk = erro aleatrio (resduo). A anlise de varincia esquematizada como: F.V. G.L. S.Q. Q.M. Linhas p-1 SQ(Lin.) QM(Lin.) Colunas p-1 SQ(Col.) QM(Col.) Tratamentos p-1 SQ(Tr.) QM(Tr.) Resduo (p-1)(p-2) SQ(Res.) QM(Res.) Total p2-1 SQ(Tot.) F QM(Lin.) / QM(Res.) QM(Col.)/ QM(Res.) QM(Tr.) / QM(Res.) p-value p1 p2 p3

O valor p-value para tratamentos obtido supondo que a estatstica F tem uma distribuio F central com p-1 e (p-1)(p-1) graus de liberdade. Essa pressuposio vlida se os erros forem iid - independentes e identicamente distribudos, com distribuio normal N(0,2). As pressuposies da anlise da varincia so as mesmas do Delineamento em Bolocos Casualizados DBC. Um script para a anlise de Varincia completa para um Delineamento em Quadrado Latino - DQL, apresentado a seguir:

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 63 Script Anlise da Varincia - DQL

################################################################### ##### Script para Anlise da Variancia DQL #### ##### Sem ou com Parcelas Perdidas #### ################################################################### ## Entrada de dados ### ##Entre com as variveis (TR - Tratamentos, CL1 - Controle Local 1, CL2 - Controle Local 2 e Y - Varivel Resposta) ### DEFINA O MODELO ### FTR <- as.factor(TR) FCL1 <- as.factor(CL1) FCL2 <- as.factor(CL2) mod <- aov(Y~FCL1 + FCL2 + FTR) summary(mod) summary.lm(mod) ## Carregue a rotina para diagnsticos e faa os diagnsticos. Se for o caso, # elimine os valores extremos que passaro a ser parcelas perdidas ## Carregue a rotina para Testes de Normalidade. ######### Caso de Quadado Latino Sem Parcelas Perdidas #########

# Mdias dos Tratamentos m <- tapply(Y,FTR,mean); m # Grfico das mdias de tratamentos # Defina um limite mnimo e mximo e mnimo para a escala das mdias (opcional) lmin <# defina o limite mnimo para a escala lmax <# defina o limite mximo para a escala barplot(m,ylim=c(lmin,lmax)) # Grfico Box_Plot por TRatamento #### plot(Y~as.factor(TR)) ## Carregue a rotina para comparaes mltiplas (se for o caso). ## Carregue a rotina para contrastes (se for o caso). ######### Caso de Quadrado Latino Com Parcelas Perdidas ########## ####### Duas Opes Possveis: ## Opco1 - Estimar as Parcelas Perdidas e trabalhar como "Sem #Parcelas Perdidas" ## Opco2 - Trabalhar com mdias ajustadas ###################################################################### ##### Opco1 - Estimar as Parcelas Perdidas e trabalhar como "Sem Parcelas Perdidas" #### ## Estimar as parcelas perdidas ypc<-predict(mod,newdata=df);ypc # df - nome do data-frame ## substituir a(s) observaes perdidas pela(s) estimada(s) e reinicia a anlise spp)

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 64

###################################################################### ##### Opco2 - Trabalhar com mdias ajustadas #### ### Mdias dos Tratamentos - ajustadas #install.packages("epicalc") #require(epicalc) modma <- glm(Y~FCL1+FCL2+FTR,data=df,family=gaussian) # df - nome do data frame mda<-adjust(adjust=c(FCL1,FCL2), by=list(FTR),modma); mda ma<-mda[,2];ma ## Comparaes mltiplas para as mdias ajustadas: # Teste de Tukey TukeyHSD(mod,"FTR") ### # sem # Contrastes para mdias ajustadas Usar as estimativas das observaes perdidas e usar o procedimento parcelas perdidas (aproximado). Usar novas variveis - definindo os contrastes de interesse.

Para ilustrar considere o exemplo a seguir: Exemplo(DQL_ex): Em um Delineamento em Quadrado Latino 5x5, tratamentos com efeitos fixos obteve-se os resultados so apresentados a seguir. Disponveis em A_DQL_ex.txt. Colunas 1 2 3 4 1 432(4) 518(1) 458(2) 583(3) 2 624(3) 478(5) 524(1) 550(2) 3 489(5) 384(2) 556(3) 297(4) 4 494(2) 500(4) 313(5) 486(1) 5 515(1) 660(3) 438(4) 394(5) a) Fazer a Anlise da Varincia, verificando as pressuposies dos testes. b) Comparar as mdias dos tratamentos pelo teste de Newman Keuls. c) Concluir. Linhas 5 331(5) 400(4) 420(1) 501(3) 318(2)

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 65 EXPERIMENTOS FATORIAS

Experimentos Fatoriais so experimentos em que os Tratamentos so combinaes de nveis de dois ou mais fatores. Dois Fatores A e B podem ser de efeitos cruzados ou aninhados. Cruzados: quando os nveis de um fator so os mesmos dentro de cada nvel do outro. Exemplo: Trs variedades de milho (Fator A) e quatro densidades de semeadura (Fator B). As mesmas densidades foram usadas para as trs variedades, resultando 12 tratamentos (3x4). Veja o esquema apresentado a seguir: Variedade V1 V2 V3 Densidade 10 X X X 15 X X X 20 X X X 25 X X X

Se esses tratamentos, com 3 repeties (totalizando 36 parcelas), foram delineados em um DIC, tem-se: Delineamento de Experimento: DIC - Delineamento Inteiramente Casualizado Delineamento de Tratamentos: fatorial cruzado 3x4. O Esquema de anlise da varincia fica: Fontes de Variao GL Tratamentos 11 A - Var. 2 B - Dens. 3 AxB -Var.xDens. 6 Resduo 24 Total 35

- Efeito principal do Fator A - Efeito principal do Fator B - Efeito da interao AxB

No R, a interao AxB indicada por A:B, ainda mais, A*B = A+B+A:B Aninhados: quando os nveis de um fator no so os mesmos dentro de cada nvel do outro. Exemplo: Trs variedades de milho e quatro densidades de semeadura. As densidades no foram as mesmas para cada variedade de milho. Veja o exemplo: Variedade V1 V2 V3 Densidade 20 25 X X X X X X

10 X

15 X X

30 X X

55

Se esses tratamentos, com 3 repeties (totalizando 36 parcelas), foram delineados em um DIC, tem-se: Delineamento de Experimento: DIC (Delineamento Inteiramente Delineamento de Tratamentos Fatorial com fatores aninhados.

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 66 O Esquema de anlise da varincia fica: Fontes de Variao Tratamentos A - Var. B d. A Resduo Total GL 11 2 9 24 35

- Efeito principal do Fator A - Efeito de B aninhado em A

No R, a interao B d. A indicada por B%in%A, ainda mais, B/A=A+ B%in%A Exemplos: 1. Exemplo (FatCruz). Para estudar 3 espcies de capim (Fator A A1, A2 e A3) com as mesmas alturas de corte (Fator B - B1=0,30 e B2=0,50) foi realizado um experimento em um DIC com 4 repeties. Os resultados so apresentados a seguir. Disponveis em A_FatCruz.txt.
A 1 1 2 2 3 3 B 1 2 1 2 1 2 Repeties 2 3 26,0 25,0 24,6 26,7 26,3 25,1 21,1 19,0 19,4 18,8 21,4 22,8

1 26,2 24,8 25,7 19,6 20,0 19,8

4 25,4 25,2 26,4 18,6 19,2 21,3

Fazer a anlise de varincia completa, com resultados e concluses. Um Script para a Anlise da Varincia para Fatorial com Fatores Cruzados apresentado a seguir:
###################################### ## FATORIAL - FATORES CRUZADOS #### ###################################### ## Entre com os dados - Tratamentos - TR, Controles Locais - CL1, CL2 ... Fatores - A, B ... ## Difina os Controle Locais, Tratamento e os Fatores como fatores FCL1 <- as.factor(CL1) # ... FTR <- as.factor(TR) FA <- as.factor(A) FB <- as.factor(B) .... ## Imprima os fatores FTR; FA; FB; Y ###################################################################### ### ## Diagnsticos - usando o modelo Geral (sem considerar o Delineamento de Tratamentos) ######################################################################

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 67

mod <- aov(Y ~ FTR) anova(mod) # Colocar os Controles locais, se for o caso

##CARREGUE A ROTINA PARA DIAGNSTICOS ##CARREGUE A ROTINA PARA HETEROCEDASTICIDADE (se for o caso) ##CARREGUE A ROTINA PARA TIPO DE HETEROCEDASTICIDADE - (se for o caso) ##CARREGUE A ROTINA PARA NORMALIDADE DOS ERROS ###################################################### # Analise - considerando o delineamento de tratamentos ###################################################### ## Definir o Modelo modc <- aov(Y~FA+FB+FB:FA) # Colocar Contr. Locais, se for o caso # ou modc <- aov(Y~FA*FB) anova(modc) ## Medias dos efeitos principais e da interao model.tables(modc,type="means") ## Grfico da interao interaction.plot(FA,FB,Y,fixed=T,fun=mean,main="Desd.Interacao", xlab="Fator A", ylab="Fator B", type="b", lty=1:length(levels(FB)), pch=1:length(levels(FB)), col=1:length(levels(FB))) ##### SE A INTERAO NAO FOR SIGNIFICATIVA ## Comparaes mltiplas (Tukey) para os efeitos principais #install.packages("agricolae") #require(agricolae) HSD.test(modc,"FA",group=T) HSD.test(modc,"FB",group=T) ##### SE A INTERAO FOR SIGNIFICATIVA ## Desdobramento da interao FA:FB # Desdobramento da interao FA d. FB modab <- aov(Y~FA/FB) # Colocar os Controles locais, se for o caso effects(modab) ### defina a lista (sequencias do Ax em FAx:FBy) summary(modab,split=list("FA:FB"=list(A1=1,A2=2,A3=3))) # Desdobramento da interao FB d. FA modab <- aov(Y~FB/FA) # Colocar os Controles locais, se for o caso effects(modab) ### defina a lista (sequencias do Bx em FBx:FAy) summary(modab,split=list("FB:FA"=list(B1=c(1,3),B2=c(2,4)))) ## Comparaes mltiplas (Tukey) - dentro de cada Fator cmTK <- TukeyHSD(modc,"FA:FB") cmTK cmTAB <- with(modc, pairwise.t.test(Y,FA:FB), p.adj="Tukey") cmTAB

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 68 2. Exemplo (FatAninh). Para estudar 3 espcies animais (Fator A A1, A2 e A3) e duas raas de cada espcie (Fator B) foi realizado um experimento em um DBC com 4 Blocos. Os resultados so apresentados a seguir. Disponveis em A_FatAninh.txt.
A 1 1 1 1 2 2 2 2 3 3 3 3 Bl 1 2 3 4 1 2 3 4 1 2 3 4 B 1 51,8 51,6 50,6 51,0 2 50,4 50,2 52,3 50,8 1 2 1 2

51,3 51,9 50,7 52,0

45,2 46,7 44,6 44,2 46,4 45,0 44,4 44,8 45,4 47,0 48,4 46,9

Fazer a anlise de varincia completa, com resultados e concluses. Um Script para a Anlise da Varincia para Fatorial com Fatores Aninhados apresentado a seguir:
####################################### #### FATORIAL - FATORES ANINHADOS ##### ####################################### ## Entre com os dados - Tratamentos - TR, Controles Locais - CL1, CL2 ... Fatores - A, B ... ## Difina "Como Fatores" os Controle Locais, Tratamento e os Fatores FCL1 <- as.factor(CL1) # ... FTR <- as.factor(TR) FA <- as.factor(A) FB <- as.factor(B) # ... ## Imprima os fatores FTR; FA; FB; Y ###################################################################### ### ## Diagnsticos - usando o modelo Geral (sem considerar o Delineamento de Tratamentos) ###################################################################### mod <- aov(Y ~ FTR) anova(mod) # Colocar os Controles locais, se for o caso

##CARREGUE A ROTINA PARA DIAGNSTICOS ##CARREGUE A ROTINA PARA HETEROCEDASTICIDADE - (se for o caso) ##CARREGUE A ROTINA PARA TIPO DE HETEROCEDASTICIDADE - (se for o caso) ##CARREGUE A ROTINA PARA NORMALIDADE DOS ERROS

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 69

###################################################### # Analise - considerando o delineamento de tratamentos ###################################################### ## Definir o Modelo modc <- aov(Y~FA + FB%in%FA) # Colocar Cont. Locais, se for o caso anova(modc) ## Medias dos efeitos principais e dos efeitos aninhados model.tables(modc,type="means") ##### SE O EFEITO PRINCIPAL FOR SIGNIFICATIVO ## Comparaes mltiplas (Tukey) para o efeito principaL require(agricolae) HSD.test(modc,"FA",group=T) ##### SE O EFEITO ANINHADO FOR SIGNIFICATIVO # Desdobramento da interao FB d. FA modab <- aov(Y~FA/FB) # Incluir os controles Locais, se for o caso effects(modab) ### defina a lista (sequencias do Ax em FAx:FBy) summary(modab,split=list("FA:FB"=list(A1=1,A2=2,A3=3))) ## Comparaes mltiplas (Tukey) - dentro de cada Fator cmTK <- TukeyHSD(modc, "FA:FB") cmTK

3. Exemplo(FatCruzAninh): Em um experimento para testar 4 tratamentos, dispunha-se apenas de trs animais fistulados, utilizou-se 4 quadrados-latinos 3x3. Os resultados so apresentados a seguir. Disponveis em A_FatCruzAninh.txt.
QL AN 1 PR 1 2 3 1 2 3 1 2 3 PR 1 2 3 1 2 3 1 2 3 TR 1 2 3 2 3 1 3 1 2 TR 1 2 3 2 3 1 3 1 2 Y 17.200 14.800 12.600 19.200 17.400 18.400 12.600 14.800 11.200 Y 12.000 10.400 8.200 12.000 10.600 12.400 9.000 12.400 9.200 QL AN 1 PR 1 2 3 1 2 3 1 2 3 PR 1 2 3 1 2 3 1 2 3 TR 1 3 2 2 1 3 3 2 1 TR 1 3 2 2 1 3 3 2 1 Y 16.000 12.200 11.200 12.800 15.200 9.800 11.000 11.600 12.400 Y 10.400 8.600 8.400 8.400 10.800 6.600 7.800 8.400 9.200

QL

AN 1

QL

AN 1

Fazer a anlise de varincia completa, com resultados e concluses. Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 70 ESTATSTICA EXPERIMENTAL APLICADA Tarefa 1 1. Apresentam-se os valores de 20 observaes de uma v.a. Y com distribuio normal com mdia m e varincia 2.
42,5 42,0 39,0 43,0 42,0 40,0 45,0 38,0 40,8 39,0 41,2 39,9 43,0 40,1 40,0 41,0 37,1 44,0 41,0 42,0

a) Testar a hiptese H0: =40 vs H1: > 40 (=0,05). b) Testar a hiptese H0: 2 = 9 vs H1: 2 9 (=0,05). c) Apresentar os resultados e Concluir.

2. Apresentam-se os pesos observados para animais que receberam dois tipos de raes.
21,5 21,0 22,0 20,0 21,4 22,8 Rao1 22,0 21,5 23,0 19,5 21,8 21,2 23,0 21,5 21,0 22,5 22,1 22,1 19,0 21,0 18,0 19,0 19,8 20,5 Rao2 17,0 21,0 18,5 18,5 20,2 22,0 19,0 17,0 18,0 19,0

a) Testar a hiptese da homogeneidade de varincias (=0,10). b) Testar a hiptese das mdias das raes serem iguais (=0,10). c) Apresentar os resultados e Concluir. 3. Avaliou-se a espessura do fil de 10 peixes em 2 posies (inicial final do lombo PI e PF). Os valores observados foram:
Posio PI PF Animais 1 2 3 4 5 6 7 8 9 10 1,23 1,23 1,25 1,23 1,26 1,21 1,24 1,25 1,22 1,25 1,27 1,25 1,26 1,22 1,28 1,23 1,23 1,26 1,23 1,26

Considerando-se que os dados tm distribuio normal com mdias I e F, para as posies inicial e final, respectivamente, e varincia constante 2. a) Testar a hiptese das mdias serem iguais (=0,05). b) Apresentar os resultados e Concluir. 4. Um produtor afirma que 70% dos animais de uma propriedade esto infectados com um determinado fungo, um sanitarista consultado afirma que a infestao menor que 70%. Em uma pesquisa realizada, 300 animais foram avaliados, dos quais 195 estavam infestados. Testar a veracidade da hiptese do produtor (=0,10) e concluir. 5. Em um experimento para testar se a ocorrncia de uma determinada doena depende da espcie animal, foram testadas 3 espcies. As freqncias observadas foram: Presena de doena Espcie Sim No E1 25 90 E2 180 230 E3 4 8 a) Analisar os resultados (=0,05) b) Apresentar os resultados e Concluir.

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 71 ESTATSTICA EXPERIMENTAL APLICADA Tarefa 2 1. Fazer um programa SAS para, a partir dos dados a seguir:
X 2,0 2,0 2,0 2,2 2,2 Y 13,3 13,5 13,4 12,5 12,7 X 2,2 2,4 2,4 2,4 2,6 Y 12,7 11,9 12,0 11,9 11,9 X 2,6 2,6 2,8 2,8 2,8 Y 11,7 11,8 11,7 11,3 11,5 X 3,0 3,0 3,0 3,2 3,2 Y 11,3 11,2 11,2 11,0 10,9

a) Representar graficamente Y=f(X). b) Fazer a anlise de regresso linear, verificando as pressuposies. c) Apresentar os resultados e concluir.

2. Fazer um programa SAS para, a partir dos dados a seguir:

X 1,0 1,0 1,0 1,8 1,8 Y 13,3 12,8 12,3 11,8 11,3 X 1,8 2,6 2,6 2,6 3,4 Y 10,8 12,3 9,5 10,0 8,8 X 3,4 3,4 4,2 4,2 4,2 Y 9,3 9,1 9,5 9,8 9,3 X 5,0 5,0 5,0 5,8 5,8 Y 10,8 11,3 11,8 13,3 13,4 X 5,8 9,0 Y 13,8 16,0

d) Representar graficamente Y=f(X). e) Fazer a anlise de regresso polinomial, verificando as pressuposies. f) Apresentar os resultados da anlise e discutir.

3. Fazer um programa SAS para, a partir dos dados a seguir:

Y 0,249 0,347 0,194 0,247 0,291 0,208 0,174 0,179 0,227 0,187 0,270 0,166 0,114 0,259 0,187 0,254 0,337 0,252 0,148 0,350 X1 12,510 18,120 10,670 14,240 14,950 16,750 8,830 11,510 12,130 10,110 15,670 9,760 7,040 16,340 9,250 13,430 15,490 13,000 7,910 14,300 X2 36,500 38,000 38,500 38,500 35,000 35,000 34,500 36,500 36,250 37,250 35,250 33,500 33,000 36,000 34,000 37,500 38,500 36,500 40,250 36,250 X3 27,000 24,500 20,500 22,500 22,000 26,500 22,000 19,500 18,500 25,500 21,000 19,000 27,000 37,000 26,000 32,500 28,000 28,500 35,000 36,000 X4 38,000 44,500 36,500 37,500 41,500 36,500 29,000 32,000 35,000 36,000 42,500 36,000 15,000 20,000 16,000 20,500 28,500 22,000 17,500 25,500

a) Fazer a anlise de regresso linear mltipla e selecionar o modelo usando os mtodos: BACKWARD. b) Representar os resultados da anlise e concluir.

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal

Alan R. Panosso e Euclides B. Malheiros 72 ESTATSTICA EXPERIMENTAL APLICADA Tarefa 3 1. Um experimento para testar 4 Raes foi instalado num Delin. Int. Cas. - DIC, com 5 tratamentos (efeitos fixos) e 5 repeties. A Rao1 tem Milho e as demais Soja nos nveis crescentes (20, 30, 40 e 50%, respectivamente). Os dados observados foram: Repeties TR 1 2 3 4 5 1 69,4 70,8 74,0 71,8 71,6 2 63,2 65,4 64,0 66,4 65,6 3 64,2 62,6 61,4 64,8 62,4 4 57,8 58,4 60,0 56,6 58,2 5 57,4 58,2 57,4 59,6 56,8 a) Testar as pressuposies para a Anlise da Varincia =0,05. b) Fazer a anlise da varincia. c) Desdobrar os graus de liberdade de Tratamentos por contrastes (contrastes apropriados). d) Apresentar a Tabela dos Resultados e Concluir. 2. Em um experimento para avaliar a Adubao da Pastagem no ganho de peso animal, utilizou-se um Delin. Int. Cas. - DIC. Foram estudados 5 Adubaes (com 0, 2, 5, 10 e 20Kg de N) . Os dados observados foram: Repeties TR 1 2 3 4 5 6 1 8,06 5,27 8,21 6,65 6,74 8,06 2 9,02 13,08 20,89 5,17 3,82 9,02 3 20,53 22,49 14,84 9,12 15,48 20,53 4 44,72 40,46 51,36 30,74 36,93 41,72 5 69,09 40,74 51,81 27,61 58,03 89,09 a) Testar as pressuposies para a Anlise da Varincia (=0,05). b) Fazer a anlise da varincia. c) Desdobrar os graus de liberdade de Tratamentos por contrastes (contrastes apropriados). d) Apresentar a Tabela dos Resultados e Concluir. 3. Em um experimento para avaliar Raes Animais utilizou-se um Delin. em Blocos Cas. - DBC. Foram estudados 6 Raes com 4 Blocos. Os dados observados foram: Bolos TR 1 2 3 4 1 34,60 47,10 37,30 44,35 2 64,85 48,35 37,45 20,70 3 40,35 33,90 59,10 49,35 4 38,10 54,45 48,00 53,70 5 60,15 63,45 48,65 64,00 6 56,95 80,65 90,85 84,95 a) Testar as pressuposies para a Anlise da Varincia =0,05. Fazer a anlise da varincia. (Em caso de observaes perdidas, estimar as parcelas). b) Comparar as mdias pelo teste de Tukey (=0,05). c) Apresentar a Tabela dos Resultados e Concluir.

Departamento de Cincias Exatas FCAV / UNESP campus de Jaboticabal