Mini curso-prof-peternelli

Curso R - Prof. Luiz A. Peternelli - CBMP, 2011
1
Programa R: Aplicações no
Melhoramento de Plantas
Prof. Luiz Alexandre Peternelli
2011
Departamento de Estatística – UFV
Pesquisador do PMGCA – UFV

Objetivo do mini curso
• O objetivo deste curso não é tão somente
ensinar um software ou rever conceitos de
estatística e seus métodos, mas
proporcionar um ponto de partida para
pessoas que desejam começar a utilizar o
R e suas ferramentas estatísticas

Curso R - Prof. Luiz A. Peternelli - CBMP, 2011 3
Conteúdo
• Instalação
• entrada de dados; funções básicas; operações
com matrizes
• análises descritivas
• testes de hipóteses
• delineamentos experimentais
• esquemas experimentais
• análise de regressão
• dicas de organização dos comandos e de
elaboração dos relatórios de análise

Material de consulta
• Internet
• Inúmeros livros (veja
www.amazon.com)
– Estatística básica, gráficos,
análises específicas etc
• Conhecendo o R: uma visão
estatística
Peternelli e Pupin, 2011.
disponível na Editora UFV
(www.editoraufv.com.br)

Editores para o R
• No caso do Windows
– Descrição detalhada em:
www.sciviews.org/_rgui/projects/Editors.html
– Word: uma opção. CUIDADO!
– Script do R e notepad. Bons e simples!
– Tinn-R (www.sciviews.org/Tinn-R/)
• Colorido e interativo.
• Problema: versões do Windows.
– RWindEdt (pacote do R) - ??? (RStudio)

Instalação
• Programa disponível em:
www.r-project.org
Etapas:
• Baixar programa
• Atualizar pacotes
• Baixar pacotes de interesse e usar suas
funções, ou criá-las, conforme interesse
específico.

Informações Básicas do Programa
R
• Entrando com dados
– comandosR - entrando com dados

Comandos R
#Entrando com dados
#scan(), edit(), read.table() e data().
x<-3
x<-c(1,2,3)
y<-edit(x)
x<-scan()
x<-read.table(argumentos) #veremos oportunamente
#Uso da função scan()
teste<-scan() #usado para entrada de dados
#Uso da função edit()
teste<-c(10,20,30,40,50)
teste
teste2<-edit(teste)
teste2

R
• Operações com matrizes
– comandosR – operações com matrizes

Comandos R
#Operações com vetores e matrizes
coluna1<-c(2,1,0)
coluna2<-c(1,3,1)
coluna3<-c(1,1,2)
A<-cbind(coluna1,coluna2,coluna3)
#obtendo a transposta de A
t(A)
#cálculos interessantes
t(A)%*%A #A’A
#Produto de vetores
coluna1%*%coluna1
#cuidado!
coluna1*coluna1
#Inversa de uma matriz não singular
quadrada:
solve(A) #inversa da matriz A
solve(A)%*%A #verificação
round(solve(A)%*%A,5)
solve(t(A)%*%A)
#determinante da matriz A
det(A)
#dando nomes às linhas e colunas
dimnames(A)<-
list(c("linha1","linha2","linha3"
),c("col1","col2","col3"))
row.names(A)<-c("l1","l2","l3")
#criando matriz de outra forma
B<-matrix(1:12,nrow=3,ncol=4)
B<-
matrix(1:12,nrow=3,ncol=4,byrow=F
)
B<-
matrix(1:12,nrow=3,ncol=4,byrow=T
)
#selecionando partes de uma matriz
B[1,3]; B[c(1,2),3];B[c(1,3),c(2,4)]
#Para outras funções associadas a
matrizes, veja
??matrix

R
• Outras funções básicas
– comandosR – funções básicas (tabelas a
seguir)

Algumas funções
Ação Comando
Fazer com que o R ignore o que será digitado* #
Sair do programa q()
Salva o trabalho realizado save.image()
Lista todos os objetos da área de trabalho atual ls()
Remove o objeto x rm(x)
Remove os objetos x e y rm(x,y)
Dado ausente NA
Verdadeiro se existir dados ausentes is.na
Mostra todos os pacotes instalados** library()
Carregar (por exemplo) o pacote nlme library(nlme)

Mais funções
Ação de ajuda Comando
Obter ajuda sobre o comandoX help(comandoX)
Iniciar ajuda no browser padrão
instalado
help.start()
Obter ajuda sobre (p.ex.) o
pacote mva
help(package=mva)
Procurar por multivariate em
todos os pacotes instalados
help.search(“multivariate”)
Comando que procura objetos
(p.ex.) pelo nome modelo
apropos(“modelo”)
Mostrar exemplos do
“comandoX”
example(comandoX)
Listar as funções e operações
contidas no pacote base do R
ls(“package:base”)

Mais funções
Função Significado
log(x) Log de base e de x
exp(x) Antilog de x (e^x)
log(x,n) Log de base n de x
log10(x) Log de base 10 de x
sqrt(x) Raiz quadrada de x
choose(n,x) n!/(x!(n-x)!)
cos(x), sin(x), tan(x)
Funções trigonométricas de x em
radianos
acos(x), asin(x), atan(x)
Funções trig. inversas de x em
radianos
abs(x) Valor absoluto de x

Análises Descritivas
• Medidas de posição (OBS)
– Média (mean())
– Mediana: (median())
• n ímpar → Xmd = X(n + 1)/2 do rol
• n par → Xmd = ½(Xn/2 + Xn/2 +1) do rol
– Moda: (table())
• Xmo : é o valor mais frequente num conjunto de
dados
– Máximo (max())
– Mínimo (min())
n
x
x
n
i
i∑=
= 1

Cont...
Q1 Q3
– Quantis (quartis, decis, percentis) (quantile())

• Medidas de dispersão
– Amplitude total → AT = max(X) – min(X)
– Variância (var())
– Desvio padrão →
– Erro padrão da média →
– Coeficiente de variação →
2
s
1
)(
1
2
2
−
−
=
∑=
n
xx
s
n
i
i
1−n
SQDx
=
n
s
100×
x
s
Usando o R 1
Usando o R 2

Comandos R
#medidas descritivas - comandos
simples
x<-sample(1:10,10,r=T) #entrando com
um conjunto de dados qualquer.
Nossa amostra.
n<-length(x) #obtendo o tamanho da
amostra
mean(x) #média
median(x) #mediana
table(x) #dica para obter a moda (ou
modas)
max(x) #máximo
min(x) #mínimo
quantile(x,c(.25,.5,.75)) #três
quantis diferentes
#OBS: ver o que sai da função
summary(x)
max(x)-min(x) #amplitude total
var(x) #variância
sqrt(var(x)) #ou sd(x). Desvio
padrão
sd(x)/sqrt(n) #erro padrão da média
sd(x)/mean(x)*100 #coeficiente de
variação

Comandos R
#medidas descritivas - criando função
meu.estat.descr<-function(conj.de.dados,quantis=c(.25,.5,.75))
{
x<-conj.de.dados
n<-length(x)
mx<-mean(x)
medx<-median(x)
maxx<-max(x)
minx<-min(x)
#qx<-quantile(x,c(.25,.5,.75))
qx<-quantile(x,quantis)
vx<-var(x)
epmx<-sd(x)/sqrt(n)
return(list(media=mx,mediana=medx,maximo=maxx,minimo=minx
,quantis=qx,var.de.x=vx,erro.padrao=epmx))
}
#testando
teste<-sample(1:10,10,r=T)
meu.estat.descr(teste)
meu.estat.descr(teste,c(.05,.95))
j<-meu.estat.descr(teste,c(.05,.95))
j$media

• Análises gráficas
– Importância
– Gráficos mais comuns:
• Histograma
• Boxplot
• Diagrama de dispersão
Usando o R

Comandos R
#comandos para graficos
x<-1:20
y<-x**3
plot(x,y) #plota os pares (x,y).
plot(x,y,type="l")
plot(x,y,type="b")
plot(x,y,type="o")
plot(x,y,type="s")
plot(x,y,type="c")
plot(x,y,type="h")
par(mfrow=c(3,2))
#adicionando mais dados aos gráficos
plot(x,y)
points(rev(x),y)#adicionando pontos
lines(x,8000-y)
#adicionando linhas
#mudando o padrão de pontos
plot(x,y)
points(rev(x),y,pch=3) #adiciona
cruzes
points(x,8000-y,pch="$") #símbolo
cifrão
plot(x,y)
plot(x,y,pch="@")
plot(x,y,pch=1:3)
plot(0:20,0:20,pch=0:20)
#mudando as linhas
plot(x,y)
lines(x,y,lwd=4) #linha
grossa
lines(rev(x),y,lty=2) #linha
tracejada

Comandos R
#definindo os intervalos dos eixos
plot(c(0,20),c(-
8000,8000),type='n')
lines(x,y) #lembre-se:
x<-1:20; y<-x**3
lines(x,-y)
#adicionando segmentos de reta
plot(c(0,20),c(0,30),type='n')#gráfi
co em branco
segments(5,3,15,20) #um
segmento de reta
lines(c(12,15,7,20),
c(3,10,8,15), #duas
pequenas linhas
col="red", #vermelhas
lty=3) #pontilhadas
abline(30,-2,lty=2,col=4)#linha
tracejada azul
#adicionando texto
plot(x,y,xlab="Eixo X
aqui",ylab="Eixo Y aqui")
title("Título aqui n (e repare a
acentuação!!!)")
text(6,4000,"Texto em qualquer
lugar")
#gráficos múltiplos
x<-1:20
y<-x**3
par(mfrow=c(2,2))
#arranjamento “2 por 2”
plot(x,y)
plot(rev(x),y)
plot(x,2*y)
plot(x,log(y))

Comandos R
#personalizando o gráfico
x<-1:10
#criando x
y<-c(2,5,9,6,7,8,4,1,3,10)
#criando y
x;y
plot(x,y) #plota x e y
plot(x, y, #plota x e y
xlab="Eixo x",#nomeia o eixo x
ylab="Eixo y",#nomeia o eixo y
main="Personalizando um
gráfico",#título
xlim=c(0,10), #limites eixo x
ylim=c(0,10), #limites eixo y
col="red", #cor dos pontos
pch=22, #formato dos pontos
bg="blue", #cor de preenchimento
tcl=0.4, #tamanho de traços dos
eixos
las=1, #orientação do texto em
y
cex=1.5, #tamanho do ponto
bty="l") #altera as
bordas
#histogramas
x<-
c(2,2,2,2,2,3,3,3,4,4,5,5,6
) #vetor qualquer
hist(x)
table(x)
hist(x, #histograma
de x
right=T, #intervalos
fechados à direita
include.lowest=F, #não
soma extremos do vetor
breaks=c(1,2,3,4,5,6))
#int. das classes

Comandos R
x<-rchisq(1000,10); hist(x)
hist(x, #histograma de x
main="HistogramanQui-quadrado",#título
xlab="Valores", #texto do eixo das abscissas
ylab="Prob", #texto do eixo das ordenadas
br=c(c(0,5),c(5,15),5*3:7), #int das classes
xlim=c(0,30), #limites do eixo de x
ylim=c(0,0.1), #limites do eixo y
col="lightblue", #cor das colunas
border="white", #cor das bordas das colunas
prob=T, #mostrar probabilidades.
right=T, #int fechados à direita
adj=0, #alinhamento dos textos
col.axis="red") #cor do texto nos eixos
dados<-c(25,27,18,16,21,22,21,20,18,23,27,21,19,20,21,16)
hist(dados, #histograma de dados
nc=6, #número de classes igual a 6
right=F, #int fechado à esquerda
main="Histograma", #título do histograma
xlab="tempo (em minutos)",#texto do eixo x
ylab="frequencia", #texto do eixo y
col=2) #usa a cor cinza nas barras

Comandos R
#gráfico de barras
barplot(table(c(
"a","a","a","a","a","b","b","b","c","c","v","v")))
dados<-c("a"=4,"b"=7)
barplot(dados)
barplot(table(c(
"a","a","a","a","a","b","b","b","c","c","v","v")),
hor=T)#disposição horizontal das categorias
#boxplot
x<-rnorm(100,10)
y<-rchisq(100,10)
boxplot(x,y)
#gráfico de setores: veja ?pie
demo(graphics)

Testes de Hipóteses
• Entendendo os princípios básicos usando
simulação
• Ideia geral
Usando o R

Ideia geral
• regra decisória que nos permite rejeitar ou
não rejeitar uma hipótese estatística com
base nos resultados de uma amostra
• Parâmetro, estimador, estimativa
• Hipótese estatística:
– É uma suposição quanto ao valor de um
parâmetro populacional, ou uma afirmação
quanto à natureza da população
• H0 e Ha

Ideia geral – cont...
• Erros nas conclusões obtidas
Por causa das flutuações amostrais, ao testar certa
hipótese e tomar uma decisão, pode-se tomar a decisão
errada.
Dois tipos de erro:
Erro Tipo I: Rejeitar a hipótese nula quando na
realidade ela é verdadeira.
Erro Tipo II: Não rejeitar a hipótese nula quando na
realidade ela é falsa.

Ideia geral – cont...
• P(erro tipo I) = α
• P(erro tipo II) = β
• Em geral podemos controlar apenas o
erro tipo I, definindo o valor α (nível de
significância do teste)

Passo 1.Passo 1. Definir uma hipótese H0 a ser testada e
uma hipótese alternativa HA;
Passo 2.Passo 2. Usar a teoria estatística e as informações
disponíveis para decidir qual estatística
(estimador) será usada para testar a
hipótese H0. Definir a distribuição
amostral dessa estatística.
Passos usuais para a Construção
de um Teste de Hipóteses

Passos para a Construção de um
Teste de Hipóteses
Passo 3.Passo 3. Fixar a probabilidade α de cometer o erro tipo
I e usar este valor para construir a região
crítica (regra de decisão);
Passo 4.Passo 4. Usar as observações da amostra para calcular
o valor da estatística de teste;
Passo 5.Passo 5. Se o valor da estatística calculado com os
dados da amostra não pertencer à região
crítica, não rejeite H0 ; caso contrário, rejeite
H0.

Esquemas baseados na Ha
Valor
crítico
α/2α/2
Valor
crítico
Valor
hipotético
R.C. R.C.
Ha : θ ≠ θ0
Ha : θ > θ0
Ha : θ < θ0
α
R.C.
Valor
crítico
Valor
hipotético
α
Valor
crítico
R.C.
Valor
hipotético

Usando o p-valor
• O procedimento para o teste seria:
– Formular H0 e Ha (e definir α, se for de interesse);
– Especificar a estatística do teste;
– Determinar o valor da estatística do teste e o p-value
correspondente baseado na amostra; e
– Comparar p-value com α
• Se p-value α rejeição de H0;
• Se p-value > α não-rejeição de H0.
• Obs.: Ou permita que o julgamento seja particularizado.
≤ ⇒
⇒

Teste t
Hipóteses
HA: µ > µ0
H0: µ = µ0 vs HA: µ < µ0
HA: µ ≠ µ0
Estatística de Teste:
n
s
X
tcalc
µ−
=
Regra decisória: Se |tcalc| > ttab → rejeitamos H0
n ≤ 30
~ t (n – 1 g.l.)

Exemplo:Exemplo: Foi afirmado que o crescimento de certa
planta, num certo período, é de 140 cm (ou mais). Um
pesquisador deseja testar a credibilidade da declaração.
Para isso mediu a capacidade de uma amostra aleatória de
20 dessas plantas, durante aquele período declarado. Os
resultados em cm, são os seguintes: (use α = 5%)
137,4 140,0 138,8 139,1 144,4 139,2
141,8 137,3 133,5 138,2 141,1 139,7
136,7 136,3 135,6 138,0 140,9 140,6 136,7
134,1
138,47=X
H0: µ = 140 n = 20 α = 0,05
Ha: µ < 140 s2= 7,0706 s = 2,66
ASSIM:

Conclusão:
Rejeita-se H0, ou seja, há evidências de que a
declaração é falsa, ao nível de significância de
5%.
Estatística
do teste:
57,2
20
66,2
14047,138
−=
−
=
−
=
n
s
X
tcalc
µ
Esquema
ttab = -1,729 µ = 140 ≡ t = 0
α
Valor
crítico
R.C.
Valor
hipotético
Usando o R

Comandos R
?t.test
#t.test(x, y = NULL,
# alternative = c("two.sided", "less", "greater"),
# mu = 0, paired = FALSE, var.equal = FALSE,
# conf.level = 0.95, ...)
x<-scan(dec=",")
137,4 140,0 138,8 139,1 144,4 139,2
141,8 137,3 133,5 138,2 141,1 139,7
136,7 136,3 135,6 138,0 140,9 140,6 136,7 134,1
t.test(x,alternative="less",mu=140)
qt(.05,19)
?pt
pt(2.5734,19)
pt(-2.5734,19)
1-pt(2.5734,19)
qt(.05,19)
saida.t<-t.test(x,alternative="less",mu=140)
mode(saida.t)
names(saida.t)

Outros testes
• Depende dos dados e/ou interesse do
pesquisador
– Teste F
– Teste de Qui-quadrado
– Teste de Kolmogorov-Smirnov
– Teste de Shapiro-Wilks
• Veja “??test”
Usando o R

Comandos R
#Kolmogorov-Smirnov
pesos<-scan()
46.88 47.17 64.46 67.84 85.76 65.41 60.10
75.84 61.21 61.65 63.87 53.95 63.66 69.06
76.41 75.56 69.04 35.18 66.42 58.78 73.02
51.69 90.88 53.01 64.31 61.91 79.42 57.78
62.73 60.63 63.29 46.53 84.64 61.76 85.08
59.66 54.89 94.18 59.89 68.56 75.66 72.06
62.00 43.43 73.38 73.31 66.37 73.72 66.15
67.79
hist(pesos)
ks.test(pesos, #amostra a ser testada
"pchisq", #”p” e depois nome da distribuição
49) #graus de liberdade da amostra
curve(dchisq(x,49),30,100,add=T)
hist(pesos,prob=T)
curve(dchisq(x,49),30,100,add=T)
mean(pesos)
sd(pesos)
ks.test(pesos,"pnorm",65,12)
curve(dnorm(x,65,12),30,100,add=T,col="blue")
########################
#Shapiro-Wilks
shapiro.test(pesos)

O MODELO ESTATÍSTICO
• Y = f( X1, X2, ..., Xp) = f(X, e)
• Utilizando a notação matricial
• Pode-se usar representação algébrica
Variável de interesse Variáveis que
explicam variação
em Y
Variáveis
explicativas
efetivamente
usadas
resto
ε+Xθ=Y

Exemplo
• Usando representação algébrica
• Ver esse exemplo para i = 1 a 3 e j = 1 a 2
ijiij e+t+m=y

Desenvolvimento e restrições do
modelo
• Pressuposições básicas
– Aditividade dos efeitos
– Normalidade dos erros
– Independência dos erros
– Homogeneidade de variâncias dos
tratamentos

DELINEAMENTO
INTEIRAMENTE CASUALIZADO
DIC

Modelo
• é o valor observado para a variável em estudo
referente ao i-ésimo tratamento na j-ésima
repetição
• é a constante inerente ao modelo
• é o efeito do tratamento i no valor observado
• é o erro associado à observação
jiiji etmy ++=
Jj
Ii
,,2,1
,,2,1
…
…
=
=
jiy

Construção de estimadores
• Montar quadro da ANOVA
FV g.l. SQ QM F
Tratamento I – 1 SQTrat
Resíduo IJ – I SQRes
Total IJ – 1 SQTotal
IJ
y
ySQTotal
ji
ji
ji
ji
2
2








−=
∑
∑ ∑
∑ 







−=
i
ji
ji
i
IJ
y
T
J
SQTrat
2
21

• QMTrat =
• QMRes =
• F = QMTrat/QMres
FV
Fixo
EQM
Aleat
Trat
Res
Total
1−I
SQTrat
( )1
Re
−JI
sSQ
tJΦ+2
σ 22
tJσσ +
2
σ2
σ
I
2
i
i 1
t
t
I 1
=
∑
Φ =
−
2
t
QMTrat QM Res
ˆ
J
−
σ =

DIC – Modelo fixo
• Hipóteses testadas
• Regra decisória
– se Fcalculado ≥ Ftabelado → rejeita-se H0
– Ou avalia o “p-valor”
mm...mm:H I210 ====
0a Hnão:H

Exemplo DIC 1
• GOMES (1984):
experimento de
competição de 4
cultivares de cana-de-
açúcar (A, B, C e D),
utilizando o DIC com 6
repetições
246321357279Totais
446061486
426254505
484961364
344466513
334755402
455960541
DCBARepetição
Cultivares
Usando o R

Comandos R
Arquivo: comandosR/comandosR DIC exemplo1.r
A<-scan()
54 40 51 36 50 48
B<-scan()
60 55 66 61 54 61
C<-scan()
59 47 44 49 62 60
D<-scan()
45 33 34 48 42 44
totais<-c(sum(A),sum(B),sum(C),sum(D))
dados<-data.frame(repet=rep(1:6,4)
,cult=sort(rep(c("A","B","C","D"),6))
,y=c(A,B,C,D))

( ) ( )
62,200038,6030062301
24
1203
62301
64
444054
444054
2
2
222
2
2
=−=−=
=
+++
−+++=








−=
∑
∑ xIJ
y
ySQTotal
ji
ji
ji
ji
…
…
( )
12,117438,603005,61474
24
1203
246279
6
11 2
22
2
2
=−=
−++=








−= ∑
∑
…
i
ji
ji
i
IJ
y
T
J
SQTrat
Re 2000,62 1174,12 826,50SQ s SQTotal SQTrat= − = − =

Comandos R
> attach(dados)
> SQy<-sum(y^2)
> Sy<-sum(y)
> SQTTrat<-sum(totais^2)/6
> #obtendo as somas de quadrados
> SQTotal<-SQy-Sy^2/(4*6)
> SQTotal
[1] 2000.625
> SQTrat<-SQTTrat-Sy^2/(4*6)
> SQTrat
[1] 1174.125
> SQRes<-SQTotal-SQTrat
> SQRes
[1] 826.5
> detach(dados)

32,41
20
50,826
Re
Re
Re
37,391
3
12,1174
===
===
sGL
sSQ
sQM
GLTrat
SQTrat
QMTrat
47,9
32,41
37,391
Re
===
sQM
QMTrat
Fcalc
( ) 10,320,3%5 == FFtab
%82,12100
125,50
32,41
100
ˆ
Re
(%).. === ••
m
sQM
VC
2000,6223Total
41,32826,5020Res
9,47 *391,371174,123Trat
FQMSQGLFV

Comandos R
> QMTrat<-SQTrat/(4-1)
> QMTrat [1] 391.375
> QMRes<-SQRes/(4*(6-1))
> QMRes
[1] 41.325
> Fcalc<-QMTrat/QMRes
> Fcalc
[1] 9.470659
> Ftab<-qf(0.95,3,20)
> Ftab
[1] 3.098391
> CV<-sqrt(QMRes)/mean(dados$y)*100
> CV
[1] 12.82484
> #Fazendo o quadro da ANOVA diretamente:
> anova(aov(y~cult,data=dados))
> #obtendo o pvalor
> 1-pf(Fcalc,3,20)
[1] 0.0004232293

Exemplo DIC 2
Total Média
A 25 26 20 23 21 115 23
B 31 25 28 27 24 135 27
C 22 26 28 25 29 130 26
D 22 28 27 23 20 120 24
Um pesquisador avaliou a altura de colmos (média
do sulco, em dm) de quatro famílias de cana de
açúcar organizados segundo o DIC, obtendo os
seguintes dados numa escala apropriada
Realizar a ANOVA para testar a hipótese de igualdade
dos efeitos de tratamentos
Usando o R

Comandos R
#anova DIC - referente a arquivo na
pasta de dados
trat<-scan()
#copiar e colar os valores da coluna
trat diretamente no console do R
y<-scan()
#copiar e colar os valores da coluna
y diretamente no console do R
dados<-cbind(trat,y)
#para evitar erros futuros
rm(y); rm(trat)
#ver outras formas de entrar com
dados
d1<-read.table("curso R slides/dados
curso R/DIC 1.txt",h=T)
d2<-read.csv("curso R slides/dados
curso R/DIC 1.csv")
#cuidado!
aov(y~trat,dados)
saida<-aov(y~factor(trat),dados)
is.data.frame(dados)
dados<-data.frame(dados)
#ou dados<-as.data.frame(dados)
saida<-aov(y~factor(trat),dados)
saida
summary (saida)
anova(saida)
#Não significativo ... para por
aqui. Voltar para os slides
#model.tables(saida,"means")

PROCEDIMENTOS PARA
COMPARAÇÃO DE MÉDIAS
• Ou testes para comparação de médias, ou
testes de comparações múltiplas
– DMS, Bonferroni, Scheffé, Tukey, Duncan,
Dunnett
• Complemento ao teste F
• detectar diferenças entre tratamentos
• Situações ou uso específico para cada
teste

Contrastes
• Funções do tipo
• Onde
• Exemplo:Y = 2x1 – x2 – x3
• Se X ≡ média → contraste de média
nn xaxaxaxfY +++== …2211)(
∑=
=
n
i
ia
1
0
∑=
−=−===
4
1
321 1,1,2,0
i
i aaaa

• para um contraste de médias em sua
forma geral
• Podemos obter a estimativa
nnmcmcmcmcY ++++= …332211 ∑=
=
n
i
ic
1
0
nnmcmcmcY ˆˆˆˆ
2211 +++= …

• Para aplicar testes precisamos conhecer o
estimador da variância do estimador do
contraste
nnmcmcmcY ˆˆˆˆ
2211 +++= …
)ˆ(ˆ)ˆ(ˆ)ˆ(ˆ)ˆ(ˆ 2
2
2
21
2
1 nn mVcmVcmVcYV +++= …
r
s
c
r
s
ccccYV
n
i
in
2
1
2
2
22
3
2
2
2
1 )()ˆ(ˆ ∑=
=++++= …
Se “médias” independentes.
Se variâncias “iguais”, e mesmo no repetições:

Teste da Diferença Mínima
Significativa (DMS)
• A DMS ao nível α de significância para
comparar mi com mj é:
• DMS =
• Concluir que mi ≠ mj se > DMS
)
11
(Re,2/
ji
v
nn
sQMt +α
ji mm ˆˆ −

Generalizando
• ao nível α de probabilidade, concluir que
se
Número de g.l. resíduo
Número de trat
Número de repetições do trat i
∑ ≠ 0ii mc ∑∑ =
>
I
i i
i
vii
n
c
sQMtmc
1
2
,2/ Reˆ α

Teste de Bonferroni
• bom quando se quer fazer um pequeno
número de comparações
• mantém o nível de significância conjunto
igual ou menor que α, quando aplicado a
um grupo de contrastes de interesse
• Se p contrastes estão sendo comparados:
– para cada contraste → usar α′ = α/p.

• se quisermos fazer p comparações,
concluiremos que a q-ésima comparação
• se
0≠∑ iiq mc
∑∑ =
>
I
i i
iq
vpiiq
n
c
sQMtmc
1
2
),2/( Reˆ α

Teste de Scheffé
• Pode testar todo e qualquer contraste de
médias, mesmo quando sugerido pelos
dados
• muito utilizado para testar contrastes que
envolvem grupos de médias
• Não exige a ortogonalidade e nem que os
contrastes sejam estabelecidos a “priori”
• exige apenas que, na ANOVA, o teste F
para tratamentos seja significativo

O teste
• Estatística do teste
• Regra decisória:
Se contraste é significativo ao nível α
)ˆ(ˆ)1( YVFIS −=
SY ≥ˆ

Teste de Tukey
• Testa todo e qualquer contraste entre 2 médias
• Não permite comparar grupos de médias
• Estatística do teste:
• Se contraste é significativo ao nível α∆≥Yˆ
)ˆ(ˆ
2
1
YVq=∆
Tabela de Tukey

Teste de Duncan
• fornece resultados mais discriminados que
os do teste de Tukey
• de aplicação mais trabalhosa
• exige que as médias sejam colocadas em
ordem decrescente
• Teste é exato quando todos os
tratamentos possuírem o mesmo número
de repetições

O teste
• Estatística do teste
• Se → contraste não significativo
• Se → médias diferem → repetir
procedimento para abrangência i - 1
iDY <ˆ
iDY ≥ˆ
Tabela de Duncan
)ˆ(ˆ
2
1
YVZD ii =

Teste de Dunnett
• Comparar um tratamento padrão com os
demais tratamentos
• Estatística do teste:
• Se → contraste é significativo
)ˆ(' YVtd d=
Tabela de Dunnett
f(g.l. trat.; g.l. res.)
'ˆ dY ≥

70
Exemplos
• Exemplos diversos usando
– Função aov() e anova()
– Pacote “agricolae”
Usando o R

Comandos R
#Alterando os dados agora
dados2<-edit(dados) #acrescentando 6
a cada valor do trat 4
saida2<-aov(y~factor(trat),dados2)
summary (saida2)
anova(saida2)
res<-resid(saida2)
sum(res)
sum(res*res)
#PARA REALIZAR AS ANÁLISES A MÃO
#Os totais de tratamentos podem ser
obtidos por
tapply(dados2$y,dados2$trat,sum)
#ou
rowsum(dados2$y,dados2$trat)
#ou
rowsum(dados2,dados2$trat)
#As médias de tratamentos podem ser
obtidas por
tapply(dados2$y,dados2$trat,mean)
#ou dividindo os totais pelo número de
repetições
rowsum(dados2$y,dados2$trat)/5
#comparando as médias
TukeyHSD(saida2,"factor(trat)",ordered=T)
plot(TukeyHSD(saida2,"factor(trat)",order
ed=T))
library(agricolae)
args(HSD.test)
HSD.test(dados2$y,dados2$trat,16,8.25)
args(duncan.test)
duncan.test(dados2$y,dados2$trat,16,8.25)
args(bar.err)
comparacao<-
HSD.test(dados2$y,dados2$trat,16,8.25)
bar.err(comparacao)
bar.group(comparacao)

EXPERIMENTOS EM
BLOCOS CASUALIZADOS
DBC

modelo estatístico
• A variação total é dividida em:
Tratamentos + Blocos + Resíduo
• Obtem-se:
– G.l. de cada F.V.
– Somas de Quadrados
– Quadrados médios
– Valor F para a F.V. tratamentos
ijjiji ebtmY +++=

DBC – Modelo fixo
• Hipóteses testadas
• Regra decisória
– se Fcalculado ≥ Ftabelado → rejeita-se H0
– Ou avalia o “p-valor”
mm...mm:H I210 ====
0a Hnão:H
Usando o R
1 ; 2

Comandos R
#SE USAR O R DE DENTRO DA PASTA DE TRABALHO DO "PROJETO"
dir()
dados<-read.table("curso R slides/dados curso R/DBC 1.txt",h=T)
dados
saida<-aov(y~trat+rep,data=dados)
anova(saida)
saida<-aov(y~factor(trat)+factor(rep),data=dados)
anova(saida)
library(agricolae)
args(duncan.test)
#function (y, trt, DFerror, MSerror, alpha = 0.05, group = TRUE,
# main = NULL)
duncan.test(dados$y,dados$trat,9,0.00889)
HSD.test(dados$y,dados$trat,saida$df.residual,anova(saida)[3,3])
#fazendo automaticamente
glres<-saida$df.residual
qmres<-deviance(saida)/glres
duncan.test(dados$y,dados$trat,glres,qmres)

Esquemas Experimentais
• Experimentos Fatoriais

Conceituação
• Dois ou mais fatores são estudados
simultaneamente
• Cada Fator apresenta dois ou mais níveis
• É um tipo de esquema e não um
delineamento
– Ex.: podemos ter experimento fatorial no DIC
ou no DBC
• Os tratamentos são obtidos pelas
combinações dos níveis dos fatores

Aplicações
• Sejam dois fatores
– fator A com I níveis e o fator B com J níveis,
com k repetições
• instalado segundo o DIC
• Instalado segundo o DBC
( ) ijkijjiijk emY ++++= αββα
( ) ijk
e
kijjim
ijk
Y +++++= ωαββα

Quadros da ANOVA
• Fatorial no DIC
FV G.l. SQ QM F
A I – 1
B J – 1
AxB (I – 1)(J – 1)
(Trat) IJ – 1
Resíduo Por dif.
Total IJK – 1

Quadros da ANOVA
• Fatorial no DBC
FV G.l. SQ QM F
Bloco K – 1
A I – 1
B J – 1
AxB (I – 1)(J – 1)
(Trat) IJ – 1
Resíduo (IJ – 1)(K – 1)
Total IJK – 1

Exemplo – Exp. Fatorial
dados<-read.table("curso R
slides/dados curso
R/fatorial.txt",h=T)
Af<-factor(dados$A)
Bf<-factor(dados$B)
#agora solicitando a ANOVA
saida<-aov(y~Af+Bf+Af:Bf,data=dados)
#ou simplesmente: saida<-
aov(y~Af*Bf,data=dados)
#pedindo o quadro informativo da
ANOVA
summary(saida)
interaction.plot(Bf,Af,dados$y)
#interaction.plot(Af,Bf,dados$y)
#dados2<-edit(dados)
Usando o R
#no DBC
blocof<-factor(dados$rep)
#agora solicitando a ANOVA
saida<-
aov(y~blocof+Af+Bf+Af:Bf,data=dados
)
#ou simplesmente: saida<-
aov(y~blocof+Af*Bf,data=dados)
#quadro informativo da ANOVA
summary(saida); anova(saida)
interaction.plot(Bf,Af,dados$y)
model.tables(saida) # efeitos
model.tables(saida,"means")
dados.A1<-dados[which(dados$A==1),]
dados.A2<-dados[which(dados$A==2),]
#totais.A<-
rowsum(dados.A1$y,dados.A1$B)
HSD.test(dados.A1$y,dados.A1$B,7,1.92)
HSD.test(dados.A2$y,dados.A2$B,7,1.92)

Outros experimentos
• Parcela subdividida
– O termo “parcelas subdivididas”, assim como
o “fatorial”, refere-se à maneira como os
tratamentos são organizados e atribuídos às
unidades experimentais.
– Definimos, aqui, os fatores primários e
secundários, ou seja, parcelas e subparcelas
respectivamente.

Exemplo
1818201717161714151613144
2119182019171112151316173
2021211919181212171616152
1916202219211615141512121
B3B2B1B3B2B1Bloco
A2A1
• Entrar com os comandos

Comandos R
> #cria o fator das parcelas
> A<-gl(2,24,label=paste("A",1:2,sep=""))
> #fator das subparcelas
> B<-
rep(gl(3,8,label=paste("B",1:3,sep="")
),2)
> #blocos
> bl<-
rep(gl(4,2,label=paste("bl",1:4,sep=""
)),6)
> #variável resposta
> dados<-c(12,12,15,16,17,16,14,13,
15,14,16,17,13,15,16,15,
15,16,12,12,12,11,14,17,
21,19,18,19,17,19,16,17,
22,20,19,21,20,18,17,20,
16,19,21,20,19,21,18,18)
> #juntando tudo num data.frame
> tabela<-
data.frame(A=A,B=B,bloco=bl,dados=dado
s)
> #fazendo a anova
> #fazendo a anova
> saida<-aov(
dados~bloco+A+B+A*B+Error(bloco/A),tabe
la)
> summary(saida)
> model.tables(saida,"means")
36Resíduo
2A x B
2B
3Resíduo(a)
1A
3Bloco
GLFV
Usando o R

Blocos incompletos
• Blocos Aumentados de Federer
• Blocos Incompletos Balanceados
• Blocos Incompletos não Balanceados
• Veja possibilidades no pacote agricolae:
help(package=“agricolae”)

Esquema ilustrativo - Blocos Aumentados
A C
Bloco 1 Bloco 2
B A C A B
B A C5 4 36 1 2
A C B11 9 1210 7 8
Blocos 1 e 2
aumentados
+ 12 trat

Blocos Aumentados
#Criando o delineamento (design.dau())
library(agricolae)
# 3 tratamentos and 2 blocos
T1<-c("A","B","C") ; T2<-letters[1:12]
dau <-design.dau(T1,T2, r=2)
# livro de campo: dau by(dau,dau[2],function(x)
paste(x[,1],"-",as.character(x[,3])))
# escrevendo no HD:
# write.table(dau,"dau.txt", row.names=FALSE, sep="t")
# file.show("dau.txt")
# Delineamento aumentado no DIC:
trt<-c(T1,T2); r<-c(4,4,4,1,1,1,1,1,1,1,1,1,1,1,1)
livro <- design.crd(trt,r)
Usando o R

Gerando e analisando dados
> #Exemplo DBA
> #Gerar y = rnorm(18,30,2)
> args(DAU.test):
function (block, trt, y, method = c("lsd", "tukey"))
> cbind(dau,y)
> DAU.test(dau$block,dau$trt,y, "lsd")
> saida<- DAU.test(dau$block,dau$trt,y, "lsd")
> saida
Usando o R Ex: Usando o R

Comparando Pacotes
• Comparando o agricolae com o ExpDes
Usando o R

Modelos mistos
• Para a análise de modelos mistos, o R apresenta uma
biblioteca muito versátil e extremamente poderosa
chamada nlme – nonlinear mixed effects model, que
permite a avaliação de modelos mistos lineares e
nãolineares.
• Para acessá-la basta entrar com o seguinte comando:
– > library(nlme)
• Uma vez carregada essa biblioteca, digite
help(package=nlme) para maiores informações e
exemplo de aplicação.
• Veja, por exemplo:
– > ?lme

Mini curso-prof-peternelli

Mais conteúdo relacionado

Mais procurados (20)

Destaque (20)

Semelhante a Mini curso-prof-peternelli (20)

Último (10)

Mini curso-prof-peternelli