AULA 9 - (ÚLTIMA AULA) Parcelas subsubdivididas

Nessa aula, iremos abordar o assunto sobre experimentos com parcelas subsubdivididas.

O experimento foi retirado do Livro: BANZATTO David Ariovaldo; KRONKA Sérgio do Nascimento. Experimentação agrícola. 4ed. Jaboticabal: Funep, 2006. 237p.

O exemplo está na página 154 desse livro, do qual retrata um experimento sobre a cultura da beterraba, avaliando Datas de Plantio, Aplicação de Inseticida e Época de Colheita.

Sisvar

• Aula 9 - Parte 1: Experimento em Parcela Subsubdividida - Flávia.pdf
• Arquivo (.dbf): Experimento parcela subsubdivididas.DB

Vale ressaltar que o caderno amarelo do Prof. Daniel, iremos usar bastante agora. Abaixo segue o link:

• Caderno Amarelo - Link

Aula 08 - Análise de experimentos com parcela subdividida

Quando trabalhamos com mais de um erro no modelo experimental, as análise passam a ficar mais complicadas. Um exemplo, é a análise com parcelas subdivididas, do qual será base de assunto para essa aula.

Segue abaixo as rotinas:

AULA: aula 08

SISVAR: arquivo-dbf

R: arquivo-r, arquivo-txt

Aula 07 - Continuação de Análise fatorial

Na continuação sobre o assunto sobre análise fatorial, iremos trabalhar nessa aula, um experimento com três fatores com interação significativa.

Abaixo segue o material:

AULA 07: (Link)

SISVAR: EfPTrigo.dbf

PROGRAMA R: analise.r, EfPTrigo.csv, EfPTrigo.xls.

Aula 06 - Análise Fatorial

Uma parte interessante na análise de experimentos, é quando trabalhamos com mais de um fator, pois além de tiramos mais  informações sobre o que se está estudando, verificamos a relação existente entre esses fatores, o experimento se torna mais real, pois todas as variáveis na natureza se interrelacionam. Assim, se faz necessário o estudo da análise fatorial.

Segue em anexo o material.

AULA 06: aula06.pdf

SISVAR: ex1.dbf, vinho.dbf

PROGRAMA R: anava.r, ex1.txt, vinho.txt

Aula 5 - Avaliação do andamento do Curso R e Sisvar

Nesta aula 5, iremos testar a nossa aprendizagem com o assunto das últimas quatro aulas. Assim, na aula, será repassado um experimento para ser analisado.

Bons estudos!!!

Análise de Resíduo

Uma abordagem muito importante antes de qualquer decisão após a análise de variância, é verificar se o resíduo do modelo escolhido, atende as pressuposições impostas por Fisher. Nessa aula abordaremos, esse tema, com recursos gráficos e aplicação de testes para a verificação dessas pressuposições.

Apresentação: link
Rotina R: link

Aula 04 - Regressão na Análise de Variância

Nesta aula iremos abordar a regressão na análise de variância. Para o estudo no R, iremos precisar do pacote já utilizado em aulas anteriores ExpDes.pt ou Exp.Des. Abaixo segue os anexos.

Aula 04: link

Aula 3 - Continuação sobre teste de médias

Na aula de hoje, iremos continuar o assunto sobre teste de médias, sendo que abordaremos, o teste Scheffé, contrastes, e o teste Dunnett.

Links: Aula 3 (clique) e dados da aula (clique).

Bons estudos!!!!!

Aula 2 - Delineamentos Experimentais e Teste de Médias

Na aula 1, muitas informações foram passadas, tanto com relação aos conhecimentos estatísticos, como ao uso dos softwares. Assim, para um maior detalhe sobre os delineamentos experimentais, iremos complementar esse aula, falando sobre os outros dois delineamentos não vistos, DBC e DQL. É bom lembrar que para o uso do R, iremos precisar dos seguintes pacotes para serem instalados:

• ExpDes;
• ExpDes.pt;
• multicomp;
• agricolae; 

Para lembrar !

Para instalar um pacote no R, basta usar os seguintes comandos:

> # Caso queira instalar o pacote ExpDes.pt

> install.packages("ExpDes.pt")

Com esse comando nós apenas instalamos no R, agora para usarmos o pacote escolhido, precisamos carregá-lo. Assim, usaremos os seguintes comandos:

> # Caso queira instalar o pacote ExpDes.pt

> library(ExpDes.pt)

> # Ou também pode usar esse comando:

> require(ExpDes.pt)

Outra forma é usar o RStudio, para mais detalhes, acesse a aula de instalação do R e RStudio (clique aqui) apresentada na aula 1.

Na aula 2, iremos apresentar os testes de comparações múltiplas, também conhecido como teste de médias. Os testes apresentados são: teste Tukey, SNK, t de Student, t de Bonferroni, Skott-Knott, Scheffé e Contrastes.

Para o R os pacotes que precisam ser instalados são:

• agricolae;
• ScottKnott;
• ExpDes;
• ExpDes.pt; 

Os pacotes que já foram instalados no R, não precisam mais de instalação.

Segue o link das aula 2, e os dados:

1. Aula 2: link
2. Dados da aula 2: link

Bons estudos!!

Aula 1 - Introdução ao R e Sisvar - Delineamentos Experimentais

Nesta primeira aula, iremos inicialmente abordar sobre os programas que será trabalhado nesse curso. Para a instalação do R e RStudio segue abaixo uma apresentação e os links para a instalação.

• COMO INSTALAR O R e RSTUDIO: R-RStudio (clique aqui)
• BAIXAR O R: link (Win 32/64 bits), link (Linux), link (Mac)
• BAIXAR O RSTUDIO: link (Win XP/Win 7/8), link (Linux 32bits), link (Linux 64bits),                                                  link (Mac)
• APOSTILA DE INTRODUÇÃO AO AMBIENTE R: link

Para instalar o SISVAR, segue abaixo o link de instalação bem como o manual de como usá-lo.

• BAIXAR O SISVAR: link
• MANUAL DO SISVAR: link
• MANUAL ENSINANDO O SISVAR E SAS: link

Para criarmos os arquivos de dados para rodar no SISVAR, iremos utilizar o BrOffice, software gratuito similar ao Microsoft Office. Dentro do BrOffice, há um programa chamado BrOffice Calc que irá criar os arquivos com extensão <arquivo>.dbf, do qual o Sisvar consegue ler. Abaxo segue o link para instalar.

• BAIXAR O BROFFICE 3.0: link

Após a instalação dos programas R e SISVAR, vamos ao objetivo do curso. Em nossa primeira aula, iremos abordar sobre os três tipos de delineamentos: DIC, DBC e DQL. Não iremos entrar em detalhes sobre a teoria, e sim, aplicá-la por meio de softwares. O curso será bem aplicado, trabalhando a teoria com base em exemplos de experimentos. A análise do experimento será abordada, de quatro formas: analítica, rotina R, no Sisvar e macro em SAS, lembrando que só entraremos em detalhes sobre o R e Sisvar, ficando a cargo do leitor entender a análise nas outras formas. Abaixo segue o link.

• AULA 1 - link
• DADOS PARA AULA 1 - link (Já está atualizado!!!!)

Bom Estudo!!!!

Simular dados de um experimento em DIC

Nessa apresentação, faremos uma abordagem rápida sobre simulação de dados, e mostraremos uma aplicação simples de um Experimento em DIC. Para a simulação de um experimento em DIC mais refinado, basta acessar o arquivo a rotina em R abaixo.

Abaixo segue a apresentação, e a rotina em R. Bons estudos!!!!

Apresentação: simdados-print
Rotina R: simdados

Pacote "tcltk"

Chega de problemas para os usuários do R, o programador poderá adicionar a parte gráfica em seus algoritmos e facilitar a vida para o usuário. Veja exemplo abaixo.

#############################################################
require(tcltk)
mydialog <- function(){
 
  xvar <- tclVar("")
  yvar <- tclVar("")
  zvar <- tclVar("")
 
  tt <- tktoplevel()
  tkwm.title(tt,"Meu programa")
  x.entry <- tkentry(tt, textvariable=xvar)
  y.entry <- tkentry(tt, textvariable=yvar)
  z.entry <- tkentry(tt, textvariable=zvar)
 
  reset <- function() {
    tclvalue(xvar)<-""
    tclvalue(yvar)<-""
    tclvalue(zvar)<-""
  }
 
  reset.but <- tkbutton(tt, text="Apagar", command=reset)
 
  submit <- function() {
    x <- as.numeric(tclvalue(xvar))
    y <- as.numeric(tclvalue(yvar))
    z <- as.numeric(tclvalue(zvar))
    tkmessageBox(message=paste("x + y + z = ", x+y+z, ""))
  }
  submit.but <- tkbutton(tt, text="Somar", command=submit)
 
  quit.but <- tkbutton(tt, text = "Fechar sessão!",
                       command = function() {
                         q(save = "Não")
                         tkdestroy(tt)
                       }
  )
 
  tkgrid(tklabel(tt,text="Coloque suas variáveis.."),columnspan=3, pady = 10)
  tkgrid(tklabel(tt,text="variável x"), x.entry, pady= 10, padx= 10)
  tkgrid(tklabel(tt,text="variável y"), y.entry, pady= 10, padx= 10)
  tkgrid(tklabel(tt,text="variável z"), z.entry, pady= 10, padx= 10)
  tkgrid(submit.but, reset.but, quit.but, pady= 10, padx= 10)
 
}

mydialog()

##############################################################
Fonte: R-bloggers

Como obter resultados da anava da função AOV() ou lm()

Uma situação muito comum no R, é quando precisamos chamar resultados da análise de variância da função aov() ou lm() do R. Um exemplo claro, quando estamos fazendo um teste de comparação múltipla após a ANAVA, e estamos necessitando do quadrado médio do resíduo, como chamá-lo, a partir das funções aov() ou lm()? Veremos abaixo.

####################################

Funções

####################################

> #ANAVA:
> anava <-lm(PROD~TRAT+BLOCO,data=dados)
> anava <-anova(anava);anava
 

Analysis of Variance Table

Response: PROD
          Df Sum Sq Mean Sq F value   Pr(>F)   
TRAT       3 4.3820 1.46068  8.4706 0.001572 **
BLOCO      5 2.7590 0.55179  3.1999 0.036559 * 
Residuals 15 2.5866 0.17244                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

> names(anava)
[1] "Df"      "Sum Sq"  "Mean Sq" "F value" "Pr(>F)" 

A partir daqui, o objeto anava está pronto como uma lista. Dessa forma podemos obter os resultadosda análise de variância da seguinte forma: 

• Grau de liberdade:

   > anava$"Df"[1:3]
  [1]  3  5 15

• Soma de quadrado: 

  > anava$"Sum Sq"[1:3]
  [1] 4.382033 2.758950 2.586617  
  

• Quadrado médio: 

  > anava$"Mean Sq"[1:3]
  [1] 1.4606778 0.5517900 0.1724411
    

Caso queira só acessar o quadrado médio do resíduo:

> anava$"Mean Sq"[3]
[1] 0.1724411

Até a próxima!!! 

Exercícios resolvidos de Modelos Lineares Generalizados - GLM

A introdução sobre GLM é sobre a família exponencial e as funções de ligações. Sobre esses dois assuntos, temos uma lista de exercícios resolvidos.

link: Exercícios - GLM

Curso R - Apostilas disponíveis

Pessoal do curso R, duas apostilas interessantes sobre o R estarão disponíveis abaixo:

link: Estatística Computacional - Daniel Furtado Ferreira
link: Recursos Computacionais - Daniel Furtado Ferreira