R-Fácil. Análise de Variância. Universidade Federal de Goiás Escola de Veterinária e Zootecnia
|
|
- Ângela César
- 5 Há anos
- Visualizações:
Transcrição
1 Universidade Federal de Goiás Escola de Veterinária e Zootecnia R-Fácil Análise de Variância Apostila destinada a usuários do R, com demonstrações de uso de funções em exemplos da área de Ciências Agrárias. Goiânia Março de 2014
2 Apresentação Atualmente encontram-se grande número de apostilas e livros abordando o uso do software R (R Core Team, 2014) para análises estatísticas. No entanto, são raros os materiais didáticos aplicados à área de ciências agrárias. Visando estimular o aprendizado com linguagem mais simples e aplicada, com exemplos práticos voltados, principalmente, as áreas de ciências agrárias e biológicas, o presente material foi desenvolvido para auxiliar a utilização do R na realização de análise de variância para tratamentos qualitativos. O público alvo são alunos de graduação, pós-graduação, professores e pesquisadores. O objetivo desta apostila não é aprofundar em aspectos teóricos, mas apenas apresentar um tutorial de análise de dados utilizando pacotes e funções de forma bastante prática. A apostila R-fácil: Análise de Variância faz parte de uma séria de quatro apostilas que contemplam parte do conteúdo do site Deve-se destacar que este material utiliza-se de funções de uso mais prático para a demonstração das análises e por isso o título R-fácil, com intuito de descomplicar um pouco a utilização do software. No texto as discussões estão na fonte Times 12 e as análises realizadas no R em fonte Inconsolata em negrito, sendo a programação em azul e os resultados em preto. Boa leitura e não deixe de conferir os demais materiais da séria R-fácil (download em O autor
3 Índice página Delineamento inteiramente ao acaso 1 Delineamento de blocos ao acaso 4 Delineamento em quadrado latino 7 Esquema fatorial 13 Fatorial duplo em delineamento inteiramente ao acaso 13 Fatorial duplo em delineamento de blocos ao acaso 18 Esquema de parcelas subdivididas (splitplot) 21 Parcelas subdivididas em delineamento inteiramente ao acaso 21 Parcelas subdivididas em delineamento de blocos ao acaso 25 Análise de covariância 29 Contrastes de médias 31 Referências 36
4 Delineamento inteiramente ao acaso A análise de variância em delineamento inteiramente ao acaso é realizada quando os tratamentos são distribuídos de forma totalmente (inteiramente) casualizada as unidades experimentais. Neste caso não é feito nenhum tipo de controle de uma fonte de variação sistemática no experimento. Para realizar análise de variância em delineamento inteiramente ao acaso vamos requerer o pacote "easyanova", que deve ser previamente instalado. require(easyanova) No próprio pacote existem dados disponíveis para exemplo. Vamos carregar o exemplo chamado data1, que são dados obtidos de Kaps e Lamberson (2009). data(data1) Para ver a forma de tabulação dos dados observamos no próprio exemplo fazemos: data1 Diet Gain 1 d d d d d d d d d d d d d d d
5 No caso do delineamento inteiramente ao acaso a primeira coluna deve conter os códigos de tratamentos e as demais as variáveis respostas (neste exemplo temos somente uma variável resposta). Vamos usar a função ea1( )" do pacote easyanova e gravar o resultado em um objeto chamado "resultado". Na função o argumento "design" define o delineamento (1 = inteiramente ao acaso). resultado=ea1(data1, design=1) Para visualizar o resultado fazemos: resultado $`Analysis of variance` df type I SS mean square F value p>f treatments Residuals $Means treatment mean standard.error tukey snk duncan t scott_knott 1 d a a a a a 2 d b b b b b 3 d b b b b b $`Multiple comparison test` pair contrast p(tukey) p(snk) p(duncan) p(t) 1 d3 - d d3 - d d1 - d $`Residual analysis` values p.value Shapiro-Wilk test p.value Bartlett test coefficient of variation (%) first value most discrepant second value most discrepant third value most discrepant Ocorre diferença significativa entre tratamentos na análise de variância (p=0.0146). Assim, pode-se avaliar a diferença entre tratamentos aos pares através dos testes de médias. Pelos testes verifica-se que as dietas d1 e d2 são estatisticamente iguais e inferiores a d3. 2
6 Neste caso todos os testes auxiliam a conclusão de forma equivalente. Mas nem sempre este fato ocorre, sendo que o teste de Tukey é mais rigoroso no sentido da não diferença (valores de probabilidade maiores) e o teste t da diferença (valores de probabilidades menores). E esta diferença entre os dois testes se acentua com o aumento do número de tratamentos. Recomendo utilizar o teste de Tukey quando o número de tratamentos for inferior a cinco e o teste de ScottKnott quando igual ou superior a cinco. A função também retorna uma resumida análise de resíduos. No teste de normalidade (shapiro.test) e de homogeneidade de variâncias (bartlett.test) observa-se (p-value>0,05) que os resíduos podem ser considerados aproximadamente normais e com variâncias homogêneas (homocedasticidade). O coeficiente de variação foi de 5,94%. E ainda, a função apresenta as três observações mais discrepantes do conjunto de dados. No caso a 7, 12 e 11 na seqüência dos dados. Para julgar se os dados apontados como mais discrepantes são realmente fora da normalidade a função gera um gráfico dos resíduos padronizados versus a seqüência dos dados. Observe no gráfico gerado neste exemplo (Figura 1) que nenhum dado fica fora dos limites de +/-2,5 escores Z (+/-2,5 desvios padrões). Os valores 7, 12 e 11 são os que mais se aproximam destes limites. Dados fora do limite de dois desvios padrões já podem ser considerados suspeitos, principalmente em amostras pequenas. Figura 1. Gráfico dos resíduos padronizados versus a seqüência dos dados. 3
7 Delineamento em blocos ao acaso A análise de variância em delineamento de blocos ao acaso é realizada quando os tratamentos são distribuídos de forma totalmente (inteiramente) casualizada dentro de grupos homogêneos quanto a uma variável que atua no experimento de forma sistemática. Nestes casos os grupos são freqüentemente denominados de blocos. Um bloco deve ser homogêneo para a variável cujo efeito deseja-se controlar, mas pode ocorrer heterogeneidade entre blocos. Para realizar análise de variância em blocos ao acaso vamos requerer o pacote "easyanova", que deve ser previamente instalado. require(easyanova) No próprio pacote existem dados disponíveis para exemplo. Vamos carregar o exemplo chamado data2, que são dados obtidos de Kaps e Lamberson (2009). data(data2) Para ver a forma de tabulação dos dados observamos no próprio exemplo fazendo: data2 Treatments Blocks Gain 1 t1 b t1 b t1 b t1 b t2 b t2 b t2 b t2 b t3 b t3 b t3 b t3 b
8 No caso do delineamento de blocos ao acaso a primeira coluna deve conter os códigos de tratamentos, a segunda os códigos dos blocos e as demais as variáveis respostas (somente uma variável resposta neste exemplo). Temos o ganho diário em grama de bovinos em experimento para avaliar três tratamentos. Os grupos (blocos) foram compostos por grupos de peso de bovinos, sendo cada grupo um bloco. Note que todos os tratamentos foram aplicados em cada bloco. Vamos usar a função ea1( )" do pacote easyanova e gravar o resultado em um objeto chamado "resultado". Na função o argumento "design" define o delineamento (2 = blocos ao acaso). resultado=ea1(data2, design=2) Para visualizar o resultado fazemos: resultado $`Analysis of variance` df type III SS mean square F value p>f treatments blocks Residuals $`Adjusted means` treatment adjusted.mean standard.error tukey snk duncan t scott_knott 1 t a a a a a 2 t ab ab ab ab a 3 t b b b b b $`Multiple comparison test` pair contrast p(tukey) p(snk) p(duncan) p(t) 1 t1 - t t1 - t t2 - t $`Residual analysis` values p.value Shapiro-Wilk test p.value Bartlett test coefficient of variation (%) first value most discrepant second value most discrepant third value most discrepant Ocorre diferença significativa entre tratamentos na análise de variância (p=0.0465). Assim, pode-se avaliar a diferença entre tratamentos aos pares através dos testes de médias. 5
9 Observando o teste de ScottKnott pode-se concluir que os tratamentos t1 e t2 foram estatisticamente iguais e, ambos estatisticamente diferentes do t3. Observando o valor de probabilidade referente aos blocos (faixas de peso) pode-se concluir que ocorre diferença significativa (p=0.0097). Certamente a decisão de blocar o efeito de peso neste experimento foi muito importante para a qualidade do mesmo. No teste de normalidade (shapiro.test) e de homogeneidade de variâncias (bartlett.test) observa-se (p-value>0,05) que os resíduos podem ser considerados aproximadamente normais e com variâncias homogêneas (homocedasticidade). O coeficiente de variação foi de 3,05%. Para julgar se os dados apontados como mais discrepantes são realmente fora da normalidade a função gera um gráfico dos resíduos padronizados versus a seqüência dos dados. Observe no gráfico gerado neste exemplo (Figura 2) que nenhuma observação fica fora do limite de +/-2,5 escores Z (+/-2,5 desvios padrões), não sendo detectado problema com outliers. Figura 2. Gráfico dos resíduos padronizados versus a seqüência dos dados. 6
10 Caso alguma observação seja descartada, deve-se inserir NA no local do dado e a análise refeita da mesma forma como anteriormente ilustrado. A função ea1( ) faz os ajustes recomendados no caso de um ou mais dados faltantes (desbalanceamento experimental). Delineamento em quadrado latino A análise de variância em delineamento de quadrado latino é realizada quando os tratamentos são distribuídos de forma a ser controlada duas fontes de variação sistemática em um experimento. O número de tratamentos deve ser igual ao número de categorias de cada fonte de variação controlada no experimento. Por exemplo, em um experimento onde se deseja testar o efeito de quatro tratamentos. Podem-se avaliar estes quatro tratamentos em quatro animais (o efeito de animal é uma das fontes de variação sistemática) em quatro períodos (o efeito de período é uma segunda fonte de variação sistemática a ser controlada no experimento). Para realizar análise de variância em quadrado latino vamos requerer o pacote "easyanova", que deve ser previamente instalado. require(easyanova) No próprio pacote existem dados disponíveis para exemplo. Vamos carregar o exemplo chamado data3, que são dados obtidos de Kaps e Lamberson (2009). data(data3) Para ver a forma de tabulação dos dados observamos no próprio exemplo fazendo: data3 treatment period steer response 1 B p1 a D p1 a C p1 a A p1 a C p2 a
11 6 A p2 a D p2 a B p2 a D p3 a B p3 a A p3 a C p3 a A p4 a C p4 a B p4 a D p4 a4 9.9 No caso do delineamento em quadrado latino a primeira coluna deve conter os códigos de tratamentos, a segunda e a terceira o código das duas variáveis controladas no experimento (linhas e colunas) sem importar a ordem destas. E as demais colunas as variáveis respostas (somente uma variável resposta neste caso). No exemplo temos o desempenho de bovinos em experimento para avaliar quatro tratamentos. Foi controlado o efeito de período e de animal (quatro períodos e quatro animais). Note que todos os tratamentos foram aplicados em cada período e em cada animal. Vamos usar a função ea1( )" do pacote easyanova e gravar o resultado em um objeto chamado "resultado". Na função o argumento "design" define o delineamento (3 = quadrado latino). resultado=ea1(data3, design=3) Para visualizar o resultado fazemos: resultado $`Analysis of variance` df type III SS mean square F value p>f treatments <0.001 rows columns Residuals $`Adjusted means` treatment adjusted.mean standard.error tukey snk duncan t scott_knott 1 A a a a a a 2 B a a a a a 3 C a a a a a 4 D b b b b b 8
12 $`Multiple comparison test` pair contrast p(tukey) p(snk) p(duncan) p(t) 1 A - B A - C A - D B - C B - D C - D $`Residual analysis` values p.value Shapiro-Wilk test p.value Bartlett test coefficient of variation (%) first value most discrepant second value most discrepant third value most discrepant Ocorre diferença muito significativa entre tratamentos (p<0,001) com posterior avaliação da comparação aos pares de tratamentos pelos testes de médias. Também se observa aproximação da normalidade (p>0,05 no teste de Shapiro-Wilk) e homogeneidade de variâncias (p>0,05 no teste de Bartlett). Nenhum dado deve ser a priori considerado outlier, pois estão dentro da faixa de +/- 2.5 escores z (Figura 3). Figura 3. Gráfico dos resíduos padronizados versus a seqüência dos dados. 9
13 Em quadrados latinos pequenos, com quatro ou menos tratamentos, recomenda-se uma duplicação ou triplicação do quadrado, para atingir uma amostra mais confiável para análise. Este é o caso do exemplo a seguir, também obtido de Kaps e Lamberson (2009). data(data4) data4 diet square steer period response 1 B D C A C A D B D B A C A C B D C A D B B D C A A C B D D B A C
14 No caso de duplicação do delineamento em quadrado latino a primeira coluna deve conter os códigos de tratamentos, a segunda os códigos das repetições do quadrado e a terceira e quarta os códigos das duas variáveis controladas no experimento (linhas e colunas) sem importar a ordem destas. E as demais colunas as variáveis respostas (temos somente uma variável resposta neste caso). No exemplo temos o desempenho de bovinos em experimento para avaliar quatro tratamentos. Foi controlado o efeito de período e de animal (quatro períodos e quatro animais). O quadrado foi repetido (foram realizados dois quadrados utilizando 8 animais e 8 períodos). Vamos usar a função ea1( )" do pacote easyanova e gravar o resultado em um objeto chamado "resultado". Na função o argumento "design" define o delineamento (3 = quadrado latino). resultado=ea1(data4, design=4) Para visualizar o resultado fazemos: resultado $`Analysis of variance` df type I SS mean square F value p>f treatments <0.001 squares rows columns Residuals $`Adjusted means` treatment adjusted.mean standard.error tukey snk duncan t scott_knott 1 A a a a a a 2 B a a a a a 3 C a a a a a 4 D b b b b b $`Multiple comparison test` pair contrast p(tukey) p(snk) p(duncan) p(t) 1 A - B A - C A - D B - C B - D C - D $`Residual analysis` values p.value Shapiro-Wilk test p.value Bartlett test coefficient of variation (%)
15 first value most discrepant second value most discrepant third value most discrepant Os resultados foram semelhantes ao primeiro exemplo de quadrado latino. Porém, nota-se uma menor aproximação da normalidade (p= no teste de Shapiro-Wilk) quando comparado ao exemplo anterior (p=0.6961). Este resultado é devido a dois possíveis outliers, referentes aos dados das posições 30 e 11 (Figura 4). Assim, pode-se avaliar a retirada de um ou ambos os dados. Caso alguma observação seja descartada, deve-se inserir NA no local do dado e a análise refeita da mesma forma como anteriormente ilustrado. A função ea1( ) faz os ajustes recomendados no caso de um ou mais dados faltantes (desbalanceamento experimental). Figura 4. Gráfico dos resíduos padronizados versus a seqüência dos dados. 12
16 Esquema fatorial Fatorial não é um delineamento, é um esquema experimental onde são combinados os níveis de dois ou mais fatores. Assim, um experimento em esquema fatorial pode ser delineado de forma inteiramente ao acaso, em blocos ao acaso, quadrados latinos e outros delineamentos. A seguir serão apresentados exemplos de esquemas fatoriais no delineamento inteiramente ao acaso e de blocos ao acaso. Fatorial duplo em delineamento inteiramente ao acaso Para realizarmos a análise de variância de um esquema fatorial no R, de forma bastante prática, utilizaremos a função ea2( ) do pacote easyanova. Primeiro vamos carregar o pacote que deve estar previamente instalado. require(easyanova) Também utilizaremos exemplo disponível no pacote easyanova. Para carregar o exemplo faremos: data(data5) O nome do conjunto de dados é data5. Os dados se referem a a inclusão ou não de duas vitaminas na alimentação de suínos, visando aumentar o ganho de peso dos mesmos (dados de Kaps e Lamberson, 2009). Abaixo podemos verificar os dados. data5 Vitamin_1 Vitamin_2 Gains
17 Reparem nos dados que as duas primeiras colunas devem ser referentes aos códigos dos fatores e as demais referentes aos valores numéricos das variáveis respostas. Para analisar os dados e gravar o resultado em um objeto chamado resultado fazemos: resultado=ea2(data5, design=1) O argumento design=1 define que será realizado análise em esquema fatorial duplo inteiramente ao acaso. Para observar o resultado fazemos: resultado $`Analysis of variance` df type III SS mean square F value p>f factor_ factor_ factor_1:factor_ Residuals $`Adjusted means (factor 1)` factor_1 adjusted.mean standard.error tukey snk duncan t scott_knott a a a a a b b b b b $`Adjusted means (factor 2)` factor_2 adjusted.mean standard.error tukey snk duncan t scott_knott a a a a a b b b b b $`Adjusted means (factor 1 in levels of factor 2)` $`Adjusted means (factor 1 in levels of factor 2)`$`factor_1 in 0` treatment adjusted.mean standard.error tukey snk duncan t scott_knott a a a a a a a a a a 14
18 $`Adjusted means (factor 1 in levels of factor 2)`$`factor_1 in 5` treatment adjusted.mean standard.error tukey snk duncan t scott_knott a a a a a b b b b b $`Adjusted means (factor 2 in levels of factor 1)` $`Adjusted means (factor 2 in levels of factor 1)`$`factor_2 in 0` treatment adjusted.mean standard.error tukey snk duncan t scott_knott a a a a a a a a a a $`Adjusted means (factor 2 in levels of factor 1)`$`factor_2 in 4` treatment adjusted.mean standard.error tukey snk duncan t scott_knott a a a a a b b b b b $`Residual analysis` values p.value Shapiro-Wilk test p.value Bartlett test (factor_1) p.value Bartlett test (factor_2) p.value Bartlett test (treatments) coefficient of variation (%) first value most discrepant second value most discrepant third value most discrepant Na análise de variância a fonte de variação referente ao fator 1 se refere a primeira coluna de dados e a do fator 2 a segunda coluna dos dados. Ambas as vitaminas tiveram seus efeitos significativos (p<0,05). Porém a interação foi não significativa na análise de variância (p>0,05). Observando a análise de resíduos, nota-se ausência de normalidade (p<0,05 no teste de Shapiro-Wilk) e de homogeneidade de variâncias (p<0,05 no teste de Bartlett) para o fator 1 e para os tratamentos (interação). No gráfico de resíduos (Figura 5) percebe-se que a observação 13 é um provável outlier. A observação 18, apesar de não estar fora dos limites de 2.5 desvios padrões também é suspeita, pois destoa bastante dos demais resíduos. 15
19 Figura 5. Gráfico dos resíduos padronizados versus a seqüência dos dados. Também podemos observar os resíduos em outros tipos de gráficos fazendo: ea2(data5, design=1, plot=1) ea2(data5, design=1, plot=3) No primeiro caso o argumento plot=1 define um gráfico tipo caixa (Figura 6) onde são identificados dois possíveis outliers, provavelmente as observações 13 e 18. E no gráfico com o argumento plot=3 observamos um gráfico dos resíduos padronizados versus os resíduos teóricos considerando distribuição normal (Figura 7). Neste último observamos as observações 13 e 18 muito fora do esperado considerando normalidade. Assim, pode-se considerar a possibilidade de retirada destes valores e, com esta operação, é provável que os dados se aproximem da normalidade, ocorra diminuição do coeficiente de variação e alteração de outros resultados. Neste caso a análise pela função ea2( ) faz os ajustes necessários devido ao desbalanceamento do experimento. Caso a retirada dos dados não seja considerada adequada, os dados poderão ser submetidos a alguma forma de transformação. Ou então, pode-se optar por utilizar um teste não paramétrico. 16
20 Figura 6. Gráfico de caixa (Box plot) dos resíduos padronizados Figura 7. Gráfico dos resíduos padronizados versus os resíduos teóricos considerando distribuição normal 17
21 Fatorial duplo em delineamento de blocos ao acaso Semelhante ao procedimento do delineamento inteiramente ao acaso, utilizaremos a função ea2( ) do pacote easyanova. Primeiro vamos carregar o pacote e o exemplo que esta disponível no pacote. require(easyanova) data(data6) Para observar os dados: data6 factor1 factor2 block yield Este exemplo foi obtido de Pimentel Gomes e Garcia (2002) e se refere a um fatorial duplo (2 x 2) para avaliar a presença e ausência de dois tipos de adubos na produção de uma cultivar. Neste experimento foi blocado o efeito de solo. Para a digitação dos dados para utilizar a função ea2( ) a primeira e segunda coluna devem ser reservadas aos códigos dos 18
22 fatores, a terceira coluna para os códigos de blocos e as demais para as variáveis respostas (valores numéricos das variáveis respostas). Para analisar os dados e gravar o resultado em um objeto chamado resultado fazemos: resultado=ea2(data6, design=2) O argumento design=2 define que será realizado análise em esquema fatorial duplo em blocos ao acaso. Para observar o resultado fazemos: resultado $`Analysis of variance` df type III SS mean square F value p>f factor_ <0.001 factor_ blocks factor_1:factor_ Residuals $`Adjusted means (factor 1)` factor_1 adjusted.mean standard.error tukey snk duncan t scott_knott a a a a a b b b b b $`Adjusted means (factor 2)` factor_2 adjusted.mean standard.error tukey snk duncan t scott_knott a a a a a a a a a a $`Adjusted means (factor 1 in levels of factor 2)` $`Adjusted means (factor 1 in levels of factor 2)`$`factor_1 in 0` treatment adjusted.mean standard.error tukey snk duncan t scott_knott a a a a a b b b b b $`Adjusted means (factor 1 in levels of factor 2)`$`factor_1 in 1` treatment adjusted.mean standard.error tukey snk duncan t scott_knott a a a a a a a a a a $`Adjusted means (factor 2 in levels of factor 1)` $`Adjusted means (factor 2 in levels of factor 1)`$`factor_2 in 0` treatment adjusted.mean standard.error tukey snk duncan t scott_knott a a a a a b b b b b $`Adjusted means (factor 2 in levels of factor 1)`$`factor_2 in 1` treatment adjusted.mean standard.error tukey snk duncan t scott_knott a a a a a a a a a a 19
23 $`Residual analysis` values p.value Shapiro-Wilk test p.value Bartlett test (factor_1) p.value Bartlett test (factor_2) p.value Bartlett test (treatments) coefficient of variation (%) first value most discrepant second value most discrepant third value most discrepant Neste experimento ocorre interação significativa, ou seja, o efeito de um dos adubos é alterado significativamente dependendo do efeito do outro adubo. Este fato pode ser observado no desdobramento da interação. Na análise de resíduos verificam-se resíduos com aproximação da normalidade (p>0,05 do teste de Shapiro-Wilk) e homogeneidade de variâncias (p>0,05 nos testes de Bartlett). No entanto, a observação 1 é um possível outlier, como pode ser verificado na Figura 8. Figura 8. Gráfico dos resíduos padronizados versus a seqüência dos dados. 20
24 Esquema de parcelas subdivididas (splitplot) O esquema de parcelas subdivididas é um esquema experimental e não um delineamento. Podemos fazer um experimento em esquema de parcelas subdivididas em vários delineamentos, sendo mais comuns os delineamentos inteiramente ao acaso, blocos ao acaso e quadrado latino. O esquema de parcelas subdivididas é obtido quando um experimento possui um fator A, onde seus níveis compõem o que chamamos de parcelas. E um fator B, com seus níveis casualizados dentro de cada parcela, criando o que chamamos de subparcelas. Quando uma parcela ou unidade experimental é avaliada repetida vezes no tempo, também teremos um esquema de parcelas subdivididas, chamada comumente de parcelas subdivididas no tempo. Neste caso o efeito de um fator A é denominado parcela e o efeito do tempo será o fator B denominado subparcela. A análise de um esquema de parcelas subdivididas, em termos práticos, traz os mesmos desdobramentos (informações) que uma análise de um fatorial duplo. Mas aqui, neste material, não iremos fazer desenvolvimento teórico quanto aos métodos matemáticos e particularidades teóricas dos procedimentos estatísticos. A seguir será demonstrado como utilizar funções do R para obter uma análise bastante completa em esquema de parcelas subdivididas em delineamento inteiramente ao acaso e em blocos ao acaso. Esquema de parcelas subdivididas em delineamento inteiramente ao acaso Aqui também utilizaremos o pacote easyanova com a função ea2( ) que em caso de dados faltantes (desbalanceamento) faz os ajustes necessários. Abaixo carregaremos o pacote e exemplo denominado data7 contido no pacote. require(easyanova) data(data7) 21
25 Para visualizar os dados: data7 treatment rep week gain 1 t1 1 w t1 1 w t1 1 w t1 1 w t1 2 w t1 2 w t1 2 w t1 2 w t1 3 w t1 3 w t1 3 w t1 3 w t1 4 w t1 4 w t1 4 w t1 4 w t1 5 w t1 5 w t1 5 w t1 5 w t1 6 w t1 6 w t1 6 w t1 6 w t1 7 w t1 7 w t1 7 w t1 7 w t1 8 w t1 8 w t1 8 w t1 8 w t2 1 w t2 1 w t2 1 w t2 1 w t2 2 w t2 2 w t2 2 w t2 2 w t2 3 w t2 3 w t2 3 w t2 3 w t2 4 w t2 4 w t2 4 w t2 4 w t2 5 w t2 5 w t2 5 w t2 5 w t2 6 w t2 6 w t2 6 w
26 56 t2 6 w t2 7 w t2 7 w t2 7 w t2 7 w t2 8 w t2 8 w t2 8 w t2 8 w t2 9 w t2 9 w t2 9 w t2 9 w Neste exemplo, obtido de Kaps e Lamberson (2009) a primeira coluna refere-se aos códigos do fator designado como parcela. A segunda coluna aos códigos de repetição de cada parcela. A terceira coluna refere-se ao fator designado como subparcela (no caso as semanas de avaliação). As demais colunas referem-se às variáveis respostas (numéricas). No exemplo existe apenas uma variável resposta. Assim, temos um esquema de parcelas subdivididas no tempo, pois os animais são avaliados em quatro semanas, sendo portanto as semanas consideradas como subparcelas. Para analisar os dados e gravar o resultado em um objeto chamado resultado fazemos: resultado=ea2(data7, design=4) O argumento design=4 define que será realizada análise em esquema de parcelas subdivididas em delineamento inteiramente ao acaso. Para observar o resultado fazemos: resultado $`Marginal anova (Type III Sum of Squares)` numdf dendf F-value p-value plot split.plot <.0001 plot:split.plot $`Adjusted means (plot)` plot adjusted.mean standard.error tukey snk duncan t 1 t a a a a 2 t b b b b $`Adjusted means (split.plot)` split.plot adjusted.mean standard.error tukey snk duncan t 1 w a a a a 2 w ab b b b 23
27 3 w bc c c c 4 w c c c c $`Adjusted means (plot in levels of split.plot)` $`Adjusted means (plot in levels of split.plot)`$`plot in w10` plot.split.plot adjusted.means standard.error tukey snk duncan t 2 t2.w a a a a 1 t1.w b b b b $`Adjusted means (plot in levels of split.plot)`$`plot in w11` plot.split.plot adjusted.means standard.error tukey snk duncan t 4 t2.w a a a a 3 t1.w b b b b $`Adjusted means (plot in levels of split.plot)`$`plot in w12` plot.split.plot adjusted.means standard.error tukey snk duncan t 6 t2.w a a a a 5 t1.w b b b b $`Adjusted means (plot in levels of split.plot)`$`plot in w9` plot.split.plot adjusted.means standard.error tukey snk duncan t 8 t2.w a a a a 7 t1.w a a a a $`Adjusted means (split.plot in levels of plot)` $`Adjusted means (split.plot in levels of plot)`$`split.plot in t1` plot.split.plot adjusted.means standard.error tukey snk duncan t 5 t1.w a a a a 3 t1.w a a ab ab 1 t1.w a a b b 7 t1.w a a b b $`Adjusted means (split.plot in levels of plot)`$`split.plot in t2` plot.split.plot adjusted.means standard.error tukey snk duncan t 6 t2.w a a a a 4 t2.w ab b b b 2 t2.w bc c c c 8 t2.w c c c c $`Residual analysis` values p.value Shapiro-Wilk test p.value Bartlett test (plot) p.value Bartlett test (split.plot) p.value Bartlett test (plot*split.plot) AIC BIC first value most discrepant second value most discrepant third value most discrepant Neste experimento ocorre interação significativa, ou seja, o efeito dos tratamentos (fator da parcela) é alterado significativamente dependendo da semana de avaliação (subparcela). Este fato pode ser observado no desdobramento da interação, onde o tratamento dois é superior nas três primeiras semanas e equivalente ao tratamento um na quarta semana. Na análise de resíduos verificam-se resíduos com aproximação da normalidade (p>0,05 no teste de Shapiro-Wilk) e homogeneidade de variâncias para a subparcela 24
28 (split-plot) e a interação (plot*split-plot) (p>0,05 nos testes de Bartlett). O efeito principal de parcela (plot) não teve homogeneidade de variâncias no teste de Bartlett. No entanto, este efeito (parcela) não deve ser considerado importante na análise e sim, o efeito da interação que foi significativo. Também não deve ocorrer outliers neste conjunto de dados, pois nenhum resíduo fica fora dos limites de 2,5 desvios padrões (Figura 9). Figura 9. Gráfico dos resíduos padronizados versus a seqüência dos dados. Esquema de parcelas subdivididas em delineamento de blocos ao acaso Aqui também utilizaremos o pacote easyanova com a função ea2( ) que em caso de dados faltantes (desbalanceamento) faz os ajustes necessários. Abaixo carregaremos o pacote e exemplo denominado data8 contido no pacote. require(easyanova) data(data8) 25
29 Para visualizar os dados: data8 pasture block mineral milk 1 p4 1 m p4 1 m p1 1 m p1 1 m p2 1 m p2 1 m p3 1 m p3 1 m p2 2 m p2 2 m p1 2 m p1 2 m p4 2 m p4 2 m p3 2 m p3 2 m p1 3 m p1 3 m p2 3 m p2 3 m p4 3 m p4 3 m p3 3 m p3 3 m2 32 No exemplo, obtido de Kaps e Lamberson (2009), o efeito de parcela (primeira coluna) foi composto por quatro tipos de pastagem. O efeito de bloco composto por faixas de solo homogêneas para o plantio das pastagens (segunda coluna). A subparcela foi composta por efeito de suplementação mineral (terceira coluna). A quarta coluna refere-se a produção de leite (variável resposta numérica). Para analisar os dados e gravar o resultado em um objeto chamado resultado fazemos: resultado=ea2(data8, design=5) O argumento design=5 define que será realizada análise em esquema de parcelas subdivididas em delineamento de blocos ao acaso. Para observar o resultado fazemos: 26
30 resultado $`Marginal anova (Type III Sum of Squares)` numdf dendf F-value p-value plot split.plot block plot:split.plot $`Adjusted means (plot)` plot adjusted.mean standard.error tukey snk duncan t 1 p a a a a 2 p ab b b b 3 p ab b b b 4 p b b b b $`Adjusted means (split.plot)` split.plot adjusted.mean standard.error tukey snk duncan t 1 m a a a a 2 m a a a a $`Adjusted means (plot in levels of split.plot)` $`Adjusted means (plot in levels of split.plot)`$`plot in m1` plot.split.plot adjusted.mean standard.error tukey snk duncan t 4 p4.m a a a a 3 p3.m a b b b 2 p2.m a ab b b 1 p1.m a ab b b $`Adjusted means (plot in levels of split.plot)`$`plot in m2` plot.split.plot adjusted.mean standard.error tukey snk duncan t 8 p4.m a a a a 6 p2.m a a ab ab 5 p1.m a a b b 7 p3.m a a b b $`Adjusted means (split.plot in levels of plot)` $`Adjusted means (split.plot in levels of plot)`$`split.plot in p1` plot.split.plot adjusted.mean standard.error tukey snk duncan t 5 p1.m a a a a 1 p1.m a a a a $`Adjusted means (split.plot in levels of plot)`$`split.plot in p2` plot.split.plot adjusted.mean standard.error tukey snk duncan t 6 p2.m a a a a 2 p2.m a a a a $`Adjusted means (split.plot in levels of plot)`$`split.plot in p3` plot.split.plot adjusted.mean standard.error tukey snk duncan t 3 p3.m a a a a 7 p3.m a a a a $`Adjusted means (split.plot in levels of plot)`$`split.plot in p4` plot.split.plot adjusted.mean standard.error tukey snk duncan t 8 p4.m a a a a 4 p4.m a a a a $`Residual analysis` values p.value Shapiro-Wilk test p.value Bartlett test (plot) p.value Bartlett test (split.plot)
31 p.value Bartlett test (plot*split.plot) AIC BIC first value most discrepant second value most discrepant third value most discrepant Neste experimento não ocorre interação significativa. Observando o efeito dos fatores isolados tem-se efeito significativo (p<0,05) somente para parcela (tipo de pastagem). Na análise de resíduos verificam-se resíduos com aproximação da normalidade (p>0,05 no teste de Shapiro-Wilk) e homogeneidade de variâncias ( (p>0,05 nos testes de Bartlett). Também não deve ocorrer outliers neste conjunto de dados, pois nenhum resíduo fica fora dos limites de 2,5 desvios padrões (Figura 10). Figura 10. Gráfico dos resíduos padronizados versus a seqüência dos dados. 28
32 Análise de covariância Uma análise de covariância é uma análise onde o efeito de uma variável quantitativa que atua no experimento vai ser estimado, testado e utilizado para ajustar os dados do experimento. A seguir faremos um exemplo utilizando a função ea1( ) do pacote easyanova. Segue programação para carregar o pacote e os dados para exemplo. require(easyanova) data(data10) Para visualizar os dados: data10 Diets Initial_weight Repetitions Gain 1 A A A A A B B B B B C C C C C Estes dado, obtidos de Kaps e Lamberson (2009), representam o efeito de três dietas no ganho de peso diário de bezerros. O experimento foi instalado no delineamento inteiramente ao acaso. Ocorre que animais inicialmente mais pesados têm a tendência de ganhar mais peso. Se ocorrer diferença entre os grupos de cada tratamento, um ajuste através da análise de covariância é adequado. 29
33 A ordem das colunas no conjunto de dados para análise com a função ea1( ) deve ser: 1) tratamento; 2) covariável (no caso o peso inicial); 3) ganho de peso (variável resposta). A coluna referente às repetições (terceira coluna) deve ser retirada antes de proceder à análise, como programado a seguir. datacov=data10[,-3] resultado=ea1(datacov, design=5) Para visualizar o resultado. resultado $`Analysis of variance` df type I SS mean square F value p>f covariate <0.001 treatments Residuals $`Adjusted means` treatment adjusted.mean standard.error tukey snk 1 A a a 2 C ab b 3 B b b duncan t scott_knott 1 a a a 2 b b b 3 b b b $`Multiple comparison test` pair contrast p(tukey) p(snk) p(duncan) p(t) 1 A - C A - B C - B $`Residual analysis` values p.value Shapiro-Wilk test p.value Bartlett test coefficient of variation (%) first value most discrepant second value most discrepant third value most discrepant Ocorre efeito significativo para tratamentos e para a covariável. Sem problemas quanto à normalidade e homogeneidade de variâncias. A seguir se procede a análise sem considerar a covariável (peso inicial). Assim, temos um delineamento inteiramente ao acaso (função ea1( ) design=1). Repare que não ocorre 30
34 diferença entre as médias dos tratamentos e aumenta o coeficiente de variação, demonstrando a importância da análise de covariância neste exemplo. resultado=ea1(datacov[,-2], design=1) resultado $`Analysis of variance` df type I SS mean square F value p>f treatments Residuals $Means treatment mean standard.error tukey snk duncan t scott_knott 1 A a a a a a 2 B a a a a a 3 C a a a a a $`Multiple comparison test` pair contrast p(tukey) p(snk) p(duncan) p(t) 1 A - B A - C B - C $`Residual analysis` values p.value Shapiro-Wilk test p.value Bartlett test coefficient of variation (%) first value most discrepant second value most discrepant third value most discrepant Contrastes de médias O objetivo deste tópico não é demonstrar contrastes entre pares de médias ou os chamados testes de comparações múltiplas. Os mesmos são demonstrados nos tópicos anteriores em cada exemplo apresentado segundo o tipo de esquema experimental e delineamento estatístico. Neste tópico demonstraremos como proceder para comparar grupos de médias. Primeiro vamos demonstrar como fazer contrastes de grupos de médias utilizando a função ec( ) do pacote easyanova. Carregando exemplo de Kaps e Lamberson (2009) contido no pacote easyanova. require(easyanova) 31
35 data(data1) Para visualizar os dados: data1 Diet Gain 1 d d d d d d d d d d d d d d d3 300 Realizando a analise de variância: resultado=ea1(data1, design=1) Observando o resultado: resultado $`Analysis of variance` df type I SS mean square F value p>f treatments Residuals $Means treatment mean standard.error tukey snk duncan t scott_knott 1 d a a a a a 2 d b b b b b 3 d b b b b b 32
36 $`Multiple comparison test` pair contrast p(tukey) p(snk) p(duncan) p(t) 1 d3 - d d3 - d d1 - d $`Residual analysis` values p.value Shapiro-Wilk test p.value Bartlett test coefficient of variation (%) first value most discrepant second value most discrepant third value most discrepant Desdobrando em contrastes ortogonais. Primeiro contraste, fazendo d3 versus demais, ocorrendo diferença significativa. mg1=312 mg2=c(278,280) sdg1= sdg2=c(7.7028,7.7028) df=12 ec(mg1,mg2,sdg1,sdg2,df) grupos contrast standard.error tcal p.value 1 group.1 vs group Segundo contraste, fazendo d1 versus d2, sem ocorrência de diferença significativa. mg1=280 mg2=278 sdg1= sdg2= df=12 ec(mg1,mg2,sdg1,sdg2,df) grupos contrast standard.error tcal p.value 1 group.1 vs group
37 ortogonais. Ou então fazendo via funções do R base, primeiro criando uma matriz de contrastes c=matrix(c(-1,-1,2,1,-1,0),ncol=2) c=t(c) c [,1] [,2] [,3] [1,] [2,] Invertendo (inversa generalizada) a matriz de contrastes ortogonais. c1=ginv(c) c1 [,1] [,2] [1,] e-01 [2,] e-01 [3,] e-17 Modelo com os contrastes e o resultado. contrasts(data1$diet)=c1 m=lm(gain~diet, data=data1) summary(m) Call: lm(formula = Gain ~ Diet, data = data1) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) <2e-16 *** Diet ** Diet Signif. codes: 0 *** ** 0.01 *
38 Residual standard error: on 12 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 2 and 12 DF, p-value:
39 Referências KAPS, M. and LAMBERSON, W. R. Biostatistics for Animal Science: an introductory text. 2nd Edition. CABI Publishing, Wallingford, Oxfordshire, UK, p. SAMPAIO, I. B. M. Estatistica aplicada a experimentacao animal. 3nd Edition. Belo Horizonte: Editora FEPMVZ, Fundacao de Ensino e Pesquisa em Medicina Veterinaria e Zootecnia, p. R-Fácil (2014) URL R Core Team (2014). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL 36
Função R para analisar experimentos em DBC com Fatorial Duplo e um Tratamento Adicional, em uma só Rodada
Função R para analisar experimentos em DBC com Fatorial Duplo e um Tratamento Adicional, em uma só Rodada Pórtya Piscitelli Cavalcanti 1 2 Eric Batista Ferreira 1 Denismar Alves Nogueira 1 1 Introdução
Leia maisBIE5782. Unidade 7: INTRODUÇÃO AOS MODELOS LINEARES
BIE5782 Unidade 7: INTRODUÇÃO AOS MODELOS LINEARES ROTEIRO 1.Motivação 2. Método dos mínimos quadrados 3. Ajuste no R: função lm 4. Resultado no R: objeto lm 5. Premissas, interpretação e diagnóstico 6.
Leia maisModificação do teste de Tukey para uso sob heterocedasticidade e desbalanceamento
Modificação do teste de Tukey para uso sob heterocedasticidade e desbalanceamento Paulo César de Resende Andrade 1 Lucas Luciano Barbosa 1 Regiane Teixeira Farias 1 Ana Luisa de Castro Pereira Martins
Leia maisUNIVERSIDADE ESTADUAL PAULISTA PLANO DE ENSINO DA DISCIPLINA
Situação: Data Aprovação: 09/04/14 00:00 Data Desativação: Nº Créditos : 8 Carga Horária Total: Carga Horária Teórica: Carga Horária Prática: Carga Horária Teórica/Prátical: Carga Horária Seminário: Carga
Leia maisUNIVERSIDADE DE SÃO PAULO
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA "LUIZ DE QUEIROZ" DEPARTAMENTO DE CIÊNCIAS EXATAS RELATÓRIO DE ATIVIDADE PRÁTICA Relatório da aula prática nº 2, da disciplina LCE602 - Estatística
Leia maisConcurso Público para provimento de cargo efetivo de Docentes
Questão 01 Os dados, a seguir, são referentes às notas de cinco alunos de uma turma para as provas P 1 e P 2. P 1 = {2, 3, 4, 5, 6} P 2 = {2, 2, 4, 5, 7} Analisando os resultados, é possível afirmar que:
Leia maisTeste modificado de Tukey: avaliação do poder e eficiência
Teste modificado de Tukey: avaliação do poder e eficiência Paulo César de Resende Andrade 1 Alailson França Antunis 1 Douglas Mendes Cruz 1 Jéssica Rodrigues Andrade 1 Valdeane Figueiredo Martins 1 1 Introdução
Leia maisProcedimento de comparações múltiplas baseado na distribuição F e sua implementação no pacote Experimental Designs
Procedimento de comparações múltiplas baseado na distribuição F e sua implementação no pacote Experimental Designs Mariani Tabarim Vieira 1 2 Patrícia de Siqueira Ramos 3 Eric Batista Ferreira 4 1 Introdução
Leia maisRoteiro de Aula Delineamentos Fatoriais 05/06/2018
Roteiro de Aula Delineamentos Fatoriais 05/06/2018 Hipóteses: As seguintes hipóteses podem ser testadas nos experimentos fatoriais 2x2: Fator A: { [ ] Fator B: { [ ] Interação A x B: { ( ) [ ] [ ] ( )
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Introdução Regressão linear dados independentes séries temporais Regressão de quantis Regressão
Leia maisEXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br Caracterização o O delineamento inteiramente casualizado (DIC) é o mais simples de todos os delineamentos
Leia maisIntrodução Regressão linear Regressão de dados independentes Regressão não linear. Regressão. Susana Barbosa
Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2012-2013 Regressão linear x : variável explanatória y : variável resposta Gráfico primeiro! Gráfico primeiro! Gráfico primeiro! Modelo linear x
Leia maisPlanejamento de instalação de experimentos no campo
Planejamento de instalação de experimentos no campo Antonio Williams Moita Embrapa Hortaliças Goiânia, 28 de novembro de 2012 Experimentação Agrícola Histórico John Bennet Lawes - após prolongadas experimentações
Leia maisAvaliação do coeficiente de variação na experimentação com cana-de-açúcar. Introdução
Avaliação do coeficiente de variação na experimentação com cana-de-açúcar Introdução Rubens L. do Canto Braga Jr. 12 Jaime dos Santos Filho 3 Joel Augusto Muniz 3 Na experimentação agronômica, em geral,
Leia maisUNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.
UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO PROJETO DE EXTENSÃO Software R: Capacitação em análise estatística de dados utilizando um software livre. Fonte: https://www.r-project.org/ Módulo
Leia maisEXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br Introdução o Os ensaios em quadrados latinos levam em conta o controle local, aplicado em dois destinos:
Leia maisESTATÍSTICA EXPERIMENTAL. Delineamento experimental. Aula 04
ESTATÍSTICA EXPERIMENTAL Delineamento experimental. Aula 04 Conceito Delineamento experimental É o plano utilizado para realizar o experimento. Esse plano implica na maneira como os diferentes tratamentos
Leia maisEXPERIMENTAÇÃO AGRÍCOLA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO AGRÍCOLA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br CARACTERIZAÇÃO o Em alguns experimentos pode-se ter fatores que estão interferindo na variável resposta,
Leia maisUNIVERSIDADE DE SÃO PAULO
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA "LUIZ DE QUEIROZ" DEPARTAMENTO DE CIÊNCIAS EXATAS RELATÓRIO DE ATIVIDADE PRÁTICA Relatório da aula prática nº 1, da disciplina LCE602 - Estatística
Leia maisTransformação de dados como alternativa a análise variância. univariada
Transformação de dados como alternativa a análise variância 1 Introdução univariada 1 Katia Alves Campos 1 Crysttian Arantes Paixão 2 Augusto Ramalho Morais 3 Normalmente nos experimentos, realizados em
Leia maisTeste F-parcial 1 / 16
Teste F-parcial Ingredientes A hipótese nula, H 0, define o modelo restrito. A hipótese alternativa, H a : H 0 é falsa, define o modelo irrestrito. SQR r : soma de quadrado dos resíduos associada à estimação
Leia maisEXPERIMENTOS EM PARCELAS SUBDIVIDIDAS
EXPERIMENTOS EM PARCELAS SUBDIVIDIDAS Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha Universidade Estadual de Londrina Departamento de Estatística 29 de julho de 2017 Parcelas Subdivididas Tal
Leia maisTeste F-parcial 1 / 16
Teste F-parcial A hipótese nula, H 0, define o modelo restrito. Ingredientes SQR r : soma de quadrado dos resíduos sob H 0. R 2 r: coeficiente de determinação sob H 0. g: número de restrições a serem testadas
Leia maisEXPERIMENTAÇÃO AGRÍCOLA
EXPERIMENTAÇÃO AGRÍCOLA DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) Eng. Agrônomo: Francisco Bruno Ferreira de Sousa Bruno.uno2011@hotmail.com/ fbfsagro@gmail.com Contato: (99) 99199460 Objetivos: Estudar
Leia maisDelineamento em quadrado latino (DQL)
Delineamento em quadrado latino (DQL) Universidade Estadual de Santa Cruz Ivan Bezerra Allaman INTRODUÇÃO É utilizado quando se tem duas condições experimentais (física ou biológica) heterogêneas o suficiente
Leia maisEnsaios Fatoriais. Universidade Estadual de Santa Cruz. Ivan Bezerra Allaman
Ensaios Fatoriais Universidade Estadual de Santa Cruz Ivan Bezerra Allaman INTRODUÇÃO As estruturas fatorias são utilizadas quando se tem interesse em avaliar a relação entre dois ou mais fatores no estudo.
Leia maisUNIVERSIDADE ESTADUAL PAULISTA CAMPUS DE BOTUCATU FACULDADE DE CIÊNCIAS AGRONÔMICAS PROGRAMA DE PÓS-GRADUAÇÃO EM AGRONOMIA AGRICULTURA
PROGRAMA DE PÓS-GRADUAÇÃO EM AGRONOMIA AGRICULTURA PLANO DE ENSINO IDENTIFICAÇÃO DA DISCIPLINA DISCIPLINA: Análise de Experimentos em Fitotecnia CURSO: Mestrado (X) Doutorado (X) DEPARTAMENTO RESPONSÁVEL:
Leia maisTEAZ Técnicas Experimentais Aplicadas à Zootecnia PLANO DE ENSINO
TEAZ Técnicas Experimentais Aplicadas à Zootecnia PLANO DE ENSINO II EMENTA Principais delineamentos experimentais usados em pesquisas zootécnicas. Condução de pesquisas e análises estatísticas mais utilizadas.
Leia maisEstatística Descritiva e Inferencial CE081. Prof. Dr. Jomar Camarinha
Estatística Descritiva e Inferencial CE081 Prof. Dr. Jomar Camarinha CONTEÚDO Estatística Descritiva e Exploratória Teoria dos Conjuntos Análise Combinatória Noções de Probabilidade Noções de Amostragem
Leia maisCapacitação em R e RStudio PROJETO DE EXTENSÃO. Software R: capacitação em análise estatística de dados utilizando um software livre.
UFFS Universidade Federal da Fronteira Sul Campus Cerro Largo PROJETO DE EXTENSÃO Software R: capacitação em análise estatística de dados utilizando um software livre Fonte: https://www.r-project.org/
Leia maisPLANEJAMENTO DE EXPERIMENTOS
PLANEJAMENTO DE EXPERIMENTOS Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha Universidade Estadual de Londrina Departamento de Estatística 01 de julho de 2017 Planejamento de Experimentos A experimentação
Leia maisQuestão 1: Questão 2: Defina tratamentos, fator, nível, parcela, subparcela, coeficiente de variação e interação entre fatores.
MINISTÉRIO DA EDUCAÇÃO CENTRO DE CIÊNCIAS E TECNOLOGIA AGROALIMENTAR DISCIPLINA: ESTATÍSTICA EXPERIMENTAL LISTA DE EXERCÍCIOS 3 a AVALIAÇÃO PROFESSOR: ROBERTO QUEIROGA Questão 1: Faça um croqui (disposição
Leia maisAvaliação do conteúdo de potássio em grãos de soja em função dos níveis de água a potássio aplicados
Avaliação do conteúdo de potássio em grãos de soja em função dos níveis de água a potássio aplicados Walmes Marques Zeviani 1 Material e métodos O experimento foi instalado em casa de vegetação no Campus
Leia maisTópicos Extras 1ª parte. Testes Não Paramétricos, Análise Multivariada, Outras Técnicas
Tópicos Extras 1ª parte Testes Não Paramétricos, Análise Multivariada, Outras Técnicas 1 2 Técnicas de dependência 3 4 Situações Comparar 3 tipos de rede de computadores, C1, C2 e C3, em termos do tempo
Leia maisESTATÍSTICA EXPERIMENTAL
ESTATÍSTICA EXPERIMENTAL DQL Delineamento em Quadrado Latino Prof. Miguel Toledo del Pino, Dr. INTRODUÇÃO [1] Além dos princípios da casualização e repetição, é utilizado duas vezes o princípio de controle
Leia maisAnálise de Variância e outras análises. Airlane P. Alencar
Análise de Variância e outras análises 2018 Airlane P. Alencar Introdução: Análise de Variância Caso particular do modelo de regressão: As variáveis explicativas são em geral, de natureza qualitativa (chamadas
Leia maisExperimentos em Parcelas Subdivididas
Experimentos em Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha 08 de novembro de 2018 Londrina Tal como no caso de fatorial, o termo parcelas subdivididas não se refere a um tipo de delineamento
Leia mais3ª LISTA DE EXERCÍCIOS
MINISTERIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO PROFISSIONAL E TECNOLOGICA INSTITUTO FEDERAL DE EDUCAÇÃO CIÊNCIA E TECNOLOGIA GOIANO CAMPUS URUTAÍ Estatística Experimental Prof. Anderson Rodrigo da Silva
Leia maisAnálise de modelos lineares mistos com dois fatores longitudinais: um fator quantitativo e um qualitativo ordinal.
Anais do XII Encontro Mineiro de Estatística - MGEST 013. Uberlândia - 0 e 06 de setembro de 013. Revista Matemática e Estatística em Foco - ISSN:318-0 Análise de modelos lineares mistos com dois fatores
Leia maisComparação de métodos para tratamento de parcelas perdidas em delineamento em blocos casualizados via simulação Monte Carlo
Comparação de métodos para tratamento de parcelas perdidas em delineamento em blocos casualizados via simulação Monte Carlo Marcela Costa Rocha 1 Maria de Lourdes Lima Bragion 1 1 Introdução A perda de
Leia maisRELACÃO DO CRIME EM CIDADES PEQUENAS COM CUSTO, IDADE E ANOS DE ESTUDO DE ESTADOS DA AMERICA DO NORTE
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística RELACÃO DO CRIME EM CIDADES PEQUENAS COM CUSTO, IDADE E ANOS DE ESTUDO DE ESTADOS DA AMERICA DO NORTE CE225 - Modelos
Leia maisR-Fácil. Testes de Hipóteses. Universidade Federal de Goiás Escola de Veterinária e Zootecnia
Universidade Federal de Goiás Escola de Veterinária e Zootecnia R-Fácil Testes de Hipóteses Apostila destinada a usuários do R, com demonstrações de uso de funções em exemplos da área de Ciências Agrárias.
Leia maisDelineamento Inteiramente Casualizado (DIC) Delineamento Casualizado em Blocos (DBC) Delineamento em Quadrado Latino (DQL)
Principais delineamentos: Delineamento Inteiramente Casualizado (DIC) Delineamento Casualizado em Blocos (DBC) Delineamento em Quadrado Latino (DQL) Os delineamentos podem ser: Balanceados Não balanceados
Leia maisMINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE CAMPINA GRANDE CENTRO DE CIENCIAS E TECNOLOGIA AGROALIMENTAR UNIDADE V
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE CAMPINA GRANDE CENTRO DE CIENCIAS E TECNOLOGIA AGROALIMENTAR UNIDADE V DELINEAMENTO EM BLOCOS CASUALIZADOS (DBC) Profª Railene Hérica Carlos Rocha 1. Introdução
Leia maisEXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br CARACTERIZAÇÃO o Em alguns experimentos pode-se ter fatores que estão interferindo na variável resposta,
Leia maisTÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO
1 TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO Mario de Andrade Lira Junior lira.pro.br/wordpress os direitos autorais. ANÁLISE DA VARIÂNCIA Desdobramento da variância total em seus componentes
Leia maisDELINEAMENTO EM BLOCOS CASUALIZADOS COM REPETIÇÕES. Profª. Sheila Regina Oro
DELINEAMENTO EM BLOCOS CASUALIZADOS COM REPETIÇÕES Profª. Sheila Regina Oro Delineamento em Blocos Casualizados com Repetições (DBCr) Utilizado quando temos mais de uma repetição de cada tratamento dentro
Leia maisAnálise estatística do ganho de peso de suínos alojados em ambiente de alta temperatura
Análise estatística do ganho de peso de suínos alojados em ambiente de alta temperatura Wederson Leandro Ferreira 1 3 Naje Clécio Nunes da Silva 1 3 Augusto Ramalho de Morais 2 3 1 Introdução Segundo Wolp
Leia maisEXPERIMENTAÇÃO AGRÍCOLA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO AGRÍCOLA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br TESTE DE TUKEY O teste de Tukey também pode ser usado como um complemento do Teste F da análise de variância.
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos 1 6.4 Os Modelos fatoriais 2 k : o caso geral. O modelo estatístico para um plano 2 k inclui k ( k 2 ( k ) ) efeitos principais efeitos de interação de ordem 2 efeitos de interação
Leia maisRegression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
Leia maisPlanejamento Experimental
Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha 22 de setembro de 2018 Londrina Um pesquisador científico resolve problemas de interesse da sociedade de forma direta ou indireta, pela aplicação
Leia maisQual o delineamento e quantas observações devo considerar em meu projeto? Ivan Barbosa Machado Sampaio Professor Emérito Escola de Veterinária - UFMG
Qual o delineamento e quantas observações devo considerar em meu projeto? Ivan Barbosa Machado Sampaio Professor Emérito Escola de Veterinária - UFMG Após 45 dias sob mesmo manejo... Foram selecionados
Leia maisDELINEAMENTO EM BLOCOS AO ACASO
DELINEAMENTO EM BLOCOS AO ACASO Sempre que não houver condições experimentais homogêneas, devemos utilizar o principio do controle local, instalando Blocos, casualizando os tratamentos, igualmente repetidos.
Leia maisPRINCÍPIOS BÁSICOS DE EXPERIMENTAÇÃO. Profª. Sheila Regina Oro
PRINCÍPIOS BÁSICOS DE EXPERIMENTAÇÃO Livro: Curso de estatística experimental Autor: Frederico PIMENTEL-GOMES Capítulo: 2 Livro: Estatística experimental Autor: Sonia VIEIRA Capítulo: 1 Profª. Sheila Regina
Leia maisTécnicas Experimentais Aplicadas
Técnicas Experimentais Aplicadas em Ciência do Solo Mario de Andrade Lira Junior lira.pro.br/wordpress 7/4/010 1 Principais delineamentos Inteiramente casualizado Segundo mais comum Blocos completos Normalmente
Leia maisINTRODUÇÃO A MODELOS MISTOS
INTRODUÇÃO A MODELOS MISTOS Delineamento experimental ou desenho experimental, de uma forma bastante simples, é a forma em que os tratamentos (níveis de um fator ou combinações de níveis de fatores) são
Leia maisAula no SAS. Planejamento do Experimento - Delineamento inteiramente casualizado. Saídas
Aula no SAS Planejamento do Experimento - Delineamento inteiramente casualizado Saídas title "Antes da Casualização"; data plano; do parc=1 to 20;*DEVE SER MÚLTIPLO DO NÚMERO DE TRATAMENTOS; trat=int((parc-1)/5)+1;*tratamentos+1=5;
Leia maisAula Prática 02 Estatística Experimental DELINEAMENTO CASUALIZADO EM BLOCOS. *Planejamento do Experimento Delineamento Casualizado em Blocos (DBC);
Aula Prática 02 Estatística Experimental DELINEAMENTO CASUALIZADO EM BLOCOS *Planejamento do Experimento Delineamento Casualizado em Blocos (DBC); proc plan; factors blocos=3 ordered parcelas=9 ordered;
Leia maisAnexo II Resolução nº 133/2003-CEPE
1 Anexo II Resolução nº 133/2003-CEPE UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO PLANO DE ENSINO - PERÍODO LETIVO/ANO: 1/2017 Programa: Pós-Graduação em Biociências
Leia maisComparação dos modelos de Gompertz e Verhulst no ajuste de dados de uma variedade de feijão
Comparação dos modelos de Gompertz e Verhulst no ajuste de dados de uma variedade de feijão 1 Introdução Laís Mesquita Silva 1 Allan Alves Fernandes 2 Filipe Rizzo 3 Augusto Ramalho de Morais 4 O feijoeiro-comum
Leia maisCurso de Estatística Descritiva e Inferencial (Planejamento Experimental) Prof. Dr. Jomar Camarinha
Curso de Estatística Descritiva e Inferencial (Planejamento Experimental) Prof. Dr. Jomar Camarinha CONTEÚDO Estatística Descritiva e Exploratória Noções de Estimação de Parâmetros Intervalos de Confiança
Leia maisExperimentos em parcelas subdivididas e procedimentos para a aplicação dos testes de comparação de médias
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE CAMPINA GRANDE UNIDADE ACADÊMICA DE CIÊNCIAS AGRÁRIAS DISCIPLINA: ESTATÍSTICA EXPERIMENTAL Experimentos em parcelas subdivididas e procedimentos para a aplicação
Leia maisImportância daestatísticana Pesquisa Agronômica
Importância daestatísticana Pesquisa Agronômica Prof. Dr. Hugo Zeni Neto hzneto@uem.br Sumário Revista Acta Scientiarum Agronomy (http://periodicos.uem.br/ojs/index.php/actasciagron): Oqueestásendopublicadonosúltimos16anos?
Leia maisAnálise Conjunta de Experimentos
Análise Conjunta de Experimentos Na experimentação agrícola é frequênte á instalação de grupos de ensaios, todos com a mesma estrutura, porém em anos e/ou locais distintos, visando a obtenção de conclusões
Leia maisPrecificação de apartamentos para o bairro Água Verde em Curitiba
Precificação de apartamentos para o bairro Água Verde em Curitiba Chuck Norris Arnold Schwarzenegger 18 de julho de 2013 O preço de imóveis depende principalmente do seu tamanho e localização. A infraestrutura
Leia maisVerificando as pressuposições do modelo estatístico
Verificando as pressuposições do modelo estatístico Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 As pressuposições do modelo estatístico: 1) os efeitos do modelo estatístico devem ser
Leia maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 13 de setembro de 2018
CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 13 de setembro de 2018 Examplo usando gamlssnp(): dados de cérebros de animais O tamanho do cérebro (brain) e peso corporal (body) foram registrados
Leia maisExperimentos em Quadrado Latino. Estatística Experimental
Experimentos em Quadrado Latino Estatística Experimental Características gerais O Quadrado Latino é um delineamento apropriado para ambientes experimentais heterogêneos. Foi proposto com a finalidade de
Leia mais25 a 30 de novembro de 2013
nderson R nálise de Introdução à nderson R Programa de Pós-Graduação em Estatística e Experimentação gronômica ESLQ/USP 25 a 30 de novembro de 2013 nderson R nálise de 1 2 3 nálise de Parte 4 - Conteúdo
Leia maisEsquema de distribuição dos tratamentos: Fatorial; Parcelas subdivididas.
Esquema de distribuição dos tratamentos: Fatorial; Parcelas subdivididas. 1 Experimento em esquema de parcelas subdivididas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar Experimentos em
Leia maisMEDIÇÃO DA QUALIDADE DO VINHO BRANCO NORTE PORTUGUÊS
Universidade Federal do Paraná Departamento de Estatística MEDIÇÃO DA QUALIDADE DO VINHO BRANCO NORTE PORTUGUÊS CE225 - Modelos Lineares Generalizados Francielle Przibiciem de Mattos GRR20124686 Guilherme
Leia maisUNIVERSIDADE ESTADUAL PAULISTA CAMPUS DE BOTUCATU PROGRAMA DE PÓS-GRADUAÇÃO EM AGRONOMIA ENERGIA NA AGRICULTURA PLANO DE ENSINO
PROGRAMA DE PÓS-GRADUAÇÃO EM AGRONOMIA ENERGIA NA AGRICULTURA PLANO DE ENSINO DISCIPLINA: ANÁLISE DE EXPERIMENTOS EM FITOTECNIA ÁREA: DOMÍNIO ESPECÍFICO ( ) NÍVEL: MESTRADO ( X ) DOMÍNIO CONEXO (X ) DOUTORADO
Leia maisANOVA com modelos encaixados
ANOVA com modelos encaixados Motivação 1 Testar a significância de β j ( j = 0, 1,, p na presença das demais regressoras, usando o teste t, é trabalho, pois precisa de: ^β e ^Var (^β j = ^σ 2 j c ( j+1(
Leia maisEXPERIMENTAÇÃO AGRÍCOLA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO AGRÍCOLA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br UNIDADE EXPERIMENTAL OU PARCELA Unidade Experimental (ou Parcela) são os indivíduos (plantas ou animais)
Leia maisVariância pop. * conhecida Teste t Paramétrico Quantitativa Distribuição normal Wilcoxon (teste dos sinais, Wilcoxon p/ 1 amostra)
Testes de Tendência Central (média, mediana, proporção) Classificação Variável 1 Variável 2 Núm ero Gru pos Dependência Teste Z Paramétrico Quantitativa - 1 - Premissas Variância pop. * conhecida Teste
Leia maisPlanejamento de Experimentos Suposições do Modelo e Comparações Múltiplas
1 / 30 Planejamento de Experimentos Suposições do Modelo e Comparações Múltiplas Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 30 Exemplo típico: Resistência de uma nova fibra sintética
Leia maisCOMPARAÇÕES MÚLTIPLAS
ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ COMPARAÇÕES MÚLTIPLAS Josiane Rodrigues Lilian Emerick Fernandes 2009 INTRODUÇÃO Comparação entre médias de tratamentos ou dos níveis de um fator de tratamentos;
Leia maisTécnicas Experimentais Aplicadas à Zootecnia UNIDADE 1. NOÇÕES DE PLANEJAMENTO EXPERIMENTAL
Técnicas Experimentais Aplicadas à Zootecnia UNIDADE 1. NOÇÕES DE PLANEJAMENTO EXPERIMENTAL Experimentos (testes) são realizados por pesquisadores em todos os campos de investigação, usualmente para descobrir
Leia maisEXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br TESTE DE DUNCAN TESTE DE DUNCAN O teste de Duncan também pode ser usado como um complemento do Teste
Leia maisModelos de Análise de Variância
Modelos de Análise de Variância Delineamento Completamente Aleatorizado: k tratamentos, r réplicas (balanceado) yi iid ~ N ; i i Normalidade Variância constante ( homocedasticidade ) Independência Análise
Leia maisXIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de setembro a 01 de outubro de 2010
FUNÇÃO PARA ANALISAR EXPERIMENTOS EM FATORIAL DUPLO COM UM TRATAMENTO ADICIONAL, EM UMA SÓ RODADA PÓRTYA PISCITELLI CAVALCANTI; ERIC BATISTA FERREIRA, DENISMAR ALVES NOGUEIRA2 RESUMO Uma função denominada
Leia maisTrabalho de Modelos Lineares Generalizados
Universidade Federal do Paraná Trabalho de Modelos Lineares Generalizados Ananda Bordignon 1, Brendha Lima 2, Giovanna Lazzarin 3 12 de Novembro de 2018 1 GRR20149157 2 GRR20149163 3 GRR20149088 1 SUMÁRIO
Leia maisDelineamento e Análise Experimental Aula 7. Anderson Castro Soares de Oliveira
Aula 7 Castro Soares de Oliveira Experimentos Fatoriais Nos experimentos mais simples comparamos tratamentos de apenas um tipo ou fator. Em algumas situações existem vários fatores envolvidos em um experimento,
Leia maisAumento amostral via arquétipos na avaliação do potencial hídrico de espécies de eucalipto
Aumento amostral via arquétipos na avaliação do potencial hídrico de espécies de eucalipto Pórtya Piscitelli Cavalcanti 1 4 Carlos Tadeu dos Santos Dias 2 4 Patrícia Andressa de Ávila 3 4 José Leonardo
Leia maisANOVA - parte I Conceitos Básicos
ANOVA - parte I Conceitos Básicos Erica Castilho Rodrigues 9 de Agosto de 2011 Referências: Noções de Probabilidade e Estatística - Pedroso e Lima (Capítulo 11). Textos avulsos. Introdução 3 Introdução
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Testes de Comparações Múltiplas
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Testes de Comparações Múltiplas Professora Renata Alcarde Sermarini Piracicaba Agosto 2016 Renata Alcarde Sermarini Estatística
Leia maisPLANEJAMENTO E ANÁLISE ESTATÍSTICA DE EXPERIMENTOS AGRONÔMICOS
PLANEJAMENTO E ANÁLISE ESTATÍSTICA DE EXPERIMENTOS AGRONÔMICOS DÉCIO BARBIN PLANEJAMENTO E ANÁLISE ESTATÍSTICA DE EXPERIMENTOS AGRONÔMICOS EDITORA MECENAS LTDA. LONDRINA - PARANÁ - BRASIL 2013 Planejamento
Leia maisÉder David Borges da Silva Renato Gonçalves de Oliveira
Éder David Borges da Silva Renato Gonçalves de Oliveira Conteúdo abordado: Revisão de Estatística Experimental Princípios básicos de experimentação Delineamento inteiramente casualizado (DIC) Delineamento
Leia maisGabarito Lista 2 LES0773 Estatística III. Os resultados dessa regressão são apresentados na seguinte tabela:
Gabarito Lista 2 LES0773 Estatística III Exercício 1) Utilizando a ferramenta Análise de Dados e a sua função Regressão, foi realizada uma regressão levando em consideração os gastos com PD como variável
Leia maisDelineamento e Análise Experimental Aula 5
Aula 5 Castro Soares de Oliveira Delineamentos Experimentais Delineamento experimental ou desenhos experimentais é o plano utilizado para realizar o experimento. Esse plano implica na maneira como os diferentes
Leia maisMario de Andrade Lira Junior
Mario de Andrade Lira Junior http:\\lira.pro.br\wordpress 1 Item da avaliação 2010-1 Média avaliações semanais 2 Condução e análise do trabalho prático 2 Apresentação e artigo do trabalho prático 3 Prova
Leia maisXIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de setembro a 01 de outubro de 2010
PROPOSTA DE APLICAÇÃO DA ANÁLISE DE VARIÂNCIA COM MODELO AUTOREGRESSIVO PARA ANÁLISE DE VARIEDADES DE TRIGO (Triticum aestivum L.) DIOGO FRANCISCO ROSSONI¹, MARIELE VILELA BERNARDES PRADO², JAIR ROCHA
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS PNV 2452 TRATAMENTO E ANÁLISE DE DADOS 2015 MOTIVAÇÃO PARA A ANÁLISE DE DADOS Data Summary Number of Data Points = 30000 Min Data Value = 0.00262 Max Data Value = 982 Sample Mean
Leia maisPlanejamento da pesquisa científica: incerteza e estatística. Edilson Batista de Oliveira Embrapa Florestas
Planejamento da pesquisa científica: incerteza e estatística Edilson Batista de Oliveira Embrapa Florestas Pesquisa em laboratórios na Embrapa Anos 70 Anos 80 Anos 90 Século 21 Precisão em Laboratórios:
Leia maisLucas Santana da Cunha de outubro de 2018 Londrina
e Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 17 de outubro de 2018 Londrina 1 / 31 Obtenção de uma amostra Há basicamente duas formas de se obter dados para uma pesquisa
Leia maisCurso de MINITAB Universidade Federal de Ouro Preto. Planejamento de Experimentos (DOE)
Planejamento de Experimentos (DOE) - Introdução Um experimento é um procedimento no qual as alterações propositais são feitas nas variáveis de entrada de um processo ou sistema, de modo que se possa avaliar
Leia maisAula 14 Quadrado Latino 13/06/17
Aula 14 Quadrado Latino 13/06/17 Considere um experimento em quadrado latino com linhas e colunas e tratamentos, assim: Obtenção da Análise de Variância Soma de Quadrados: Constante: K = 1 ( x ( ) i,j,k=1
Leia maisUNIVERSIDADE ESTADUAL PAULISTA CAMPUS DE BOTUCATU FACULDADE DE CIÊNCIAS AGRONÔMICAS PROGRAMA DE PÓS-GRADUAÇÃO EM AGRONOMIA AGRICULTURA
PROGRAMA DE PÓS-GRADUAÇÃO EM AGRONOMIA AGRICULTURA PLANO DE ENSINO IDENTIFICAÇÃO DA DISCIPLINA DISCIPLINA: ESTATÍSTICA EXPERIMENTAL CURSO: Mestrado ( x ) Doutorado ( x ) DEPARTAMENTO RESPONSÁVEL: Produção
Leia mais