###-------------------------------------------------------------------------#### ################ Análise Experimental utilizando Software R ################### ###-------------------------------------------------------------------------#### ################################## DBA ######################################### #Delineamento Blocos ao acaso ## Os dados foram retirados do livro Estatística aplicada à pesquisa agrícola ##do autor Francisco Zimmermann, pg.: 76. ##São referentes ao ensaio regional de feijão preto ##Tratamentos: ## 1) 12 cultivares de feijão preto ###--------- Análise do Experimento ----------### # limpando os dados armazenados rm(list=ls()) #Extraindo os dados da planilha excel require(RODBC) xlscon <- odbcConnectExcel("exemplo dba.xls") dados <- sqlFetch(xlscon, "dados") odbcClose(xlscon) head(dados) #explorando os dados summary(dados) dados$bloco<-as.factor(dados$bloco) dados$trat<-as.factor(dados$trat) summary(dados) summary(dados$resp) require(fBasics) basicStats(dados$resp, ci = 0.95) histPlot(as.timeSeries(dados$resp)) densityPlot(as.timeSeries(dados$resp)) qqnormPlot(as.timeSeries(dados$resp)) par(mfrow = c(1,2)) plot.design(dados,xlab="fatores", ylab="medias dos genótipos",) attach(dados) search() dados.m <-tapply(resp, trat, mean) dados.m dados.v <-tapply(resp, trat, var) dados.v boxplot(resp~trat) points(dados.m, pch="x", col=2, cex=1.5) #Executando a analise de variância dados.av<-aov(resp~bloco+trat) summary(dados.av) #ANOVA não considerando os blocos - blocos não significativos dados.avSB<-aov(resp~trat) summary(dados.avSB) ##Extraindo CV require(agricolae) cv.model(dados.av) #Verificando os residuos par(mfrow=c(2,2)) plot(dados.av) ###Homocedaciade bartlett.test(dados.av$res~trat) ###normalidade shapiro.test(dados.av$res) #Teste Tukey dados.anova<-anova(dados.av) dados.anova names(dados.anova) tuk<-HSD.test(resp,trat,dados.anova$Df[3],dados.anova$Mean[3],alpha=0.05) bar.group(tuk,border="blue",col="green",ylim=c(0,3000),main="Meu grafico",xlab="tratamento",y="Produtividade media") #teste Scott-Knott require(ScottKnott) dados.SK<- SK(trat,resp, model='resp ~ trat + bloco', which='trat',error='Within',sig.level=0.05) summary(dados.SK) #Comparando resultados com o Tukey tuk