Costa, S.C.

1
Universidade Estadual de Londrina
Departamento de Estatstica
Delineamento Inteiramente
Casualizado
Silvano Cesar da Costa
Londrina - Paran

a
Costa, S.C. 2
Delineamento Inteiramente Casualizado
Suponha que haja a tratamentos ou diferentes nveis de um unico fator que
se queira comparar. A resposta observada de cada dos a tratamentos e uma
variavel aleatoria. Os dados seriam da forma:
Tratamentos Observa coes Totais Medias
1 y
11
y
12
y
1n
y
1
y
1
2 y
21
y
22
y
2n
y
2
y
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a y
i1
y
i2
y
in
y
i
y
i
y

em que y
ij
representa a j-esima observa cao do i-esimo tratamento;
y
i
=
n

j=1
y
ij
y
i
=
n

j=1
y
ij
n
e y

=
y

an
=
a

i=1
n

j=1
y
ij
an
.
Costa, S.C. 3
Por levar em consideracao apenas os princpios da repeticao e da casuali-
zacao, sao considerados os mais simples delineamentos experimentais.
Sao instalados em situacao de homogeneidade, por isso, sao muito usados em
laboratorios, casas de vegeta cao, etc.
O modelo estatstico para o delineamento inteiramente casualizado e:
y
ij
= +
i
+
ij
,
_
i = 1, 2, . . . , a
j = 1, 2, . . . , n
(1)
O objetivo e testar hipoteses apropriadas sobre os efeitos dos tratamentos e
estima-los. A analise de variancia para testar essas hipoteses so e valida se
forem satisfeitas as seguintes condicoes:
1) aditividade: os efeitos devem se somar (nao ha interacao);
2) independencia: os erros (
ij
) devem ser independentes;
3) normalidade: os erros (
ij
) devem possuir uma distribuicao normal;
4) homocedasticidade ou homogeneidade de variancias: os erros (
ij
)
devem possuir uma variancia comum
2
;
Costa, S.C. 4
Para a vericacao da normalidade dos erros, em geral, utilizam-se os
testes de normalidade, tais como Lilliefors, o
2
e Shapiro-Wilks, alem da
analise de resduos, construindo o graco qqplot.
O comando do R, bem como o resultado do teste para os resduos dos dados
do exemplo e:
> shapiro.test(anava.av$res)
Shapiro-Wilk normality test
data: anava.av$res
W = 0.9705, p-value = 0.6787
> require(nortest)
> lillie.test(anava.av$res)
Lilliefors (Kolmogorov-Smirnov) normality test
data: anava.av$res
D = 0.1205, p-value = 0.4896
mostrando que os resduos tem uma distribuicao normal.
Costa, S.C. 5
A homogeneidade das variancias pode ser vericada atraves de testes e
pela analise dos resduos:
a) F maximo ou teste de Hartley: e dado por
F
max
=
s
2
max
s
2
min
.
Esse valor calculado e comparado com o valor tabelado (Tabela de Har-
tley)
b) teste de Bartlett, que e dado por:
B =
M
C
Costa, S.C. 6
em que:
M =
a

i=1
(n
i
1) ln (s
2
p
)
a

i=1
(n
i
1) ln s
2
i
C = 1 +
1
3(a 1)
_

_
a

i=1
1
n
i
1

1
a

i=1
(n
i
1)
_

_
ainda,
s
2
p
=
a

i=1
(n
i
1)s
2
i
a

i=1
(n
i
1)
Costa, S.C. 7
Muitos pesquisadores preferem trabalhar com logaritmos na base 10, logo,
faz-se uma mudan ca de base, dada por:
ln (s
2
p
) =
log
10
(s
2
p
)
log
10
(e)
= 2, 302585 log
10
(s
2
p
)
e a formula para o teste de Bartlett ca:
B =
M
C
=
2, 3026
_
a

i=1
(n
i
1) log (s
2
p
)
a

i=1
(n
i
1) log s
2
i
_
1 +
1
3(a 1)
_

_
a

i=1
1
n
i
1

1
a

i=1
(n
i
1)
_

_
em que B
2
a1;
.
Costa, S.C. 8
Obs.: Para experimentos desbalanceados, usar o teste de Bartlett.
Para fazer o teste de Bartlett no R, usa-se o seguinte comando:
> bartlett.test(Quilos~Trat)
Bartlett test of homogeneity of variances
data: Quilos by Trat
Bartletts K-squared = 5.2207, df = 3, p-value = 0.1563
Como o p-valor e 0, 1563, nao se rejeita a hipotese de homogeneidade de
variancias.
Estudos indicam que o teste de Bartlett e muito sensvel `a falta de nor-
malidade e nao deve ser aplicado quando houver d uvida sobre a suposic ao
de normalidade.
Neste caso, deve-se utilizar o teste de Levene. Para aplicar o teste de
Levene usando o R, basta o comando:
> require(car)
> levene.test(Quilos, Trat)
Costa, S.C. 9
Analise do modelo de efeitos xos
Quando se instala um experimento no delineamento inteiramente casualizado,
o objetivo e, em geral, vericar se existe diferenca signicativa entre pelo
menos duas medias de tratamentos. As hipoteses testadas sao:
H
0
:
1
=
2
= =
a
H
1
:
i
=
j
Pelo menos duas medias de tratamentos diferem entre si
Uma forma equivalente de escrever as hipoteses anteriores e em termos dos
efeitos dos tratamentos
i
, que e:
H
0
:
1
=
2
= =
a
H
1
:
i
= 0 Pelo menos um dos tratamentos difere dos demais
Costa, S.C. 10
Considere a estimacao dos parametros do modelo (1), usando o metodo de
mnimos quadrados. A funcao de mnimos quadrados e:
a

i=1
n

j=1

2
ij
. .
L
=
a

i=1
n

j=1
[y
ij

i
]
2
.
Derivando-se L em relacao aos parametros ( e
i
) tem-se:
L

= 2
a

i=1
n

j=1
[y
ij

i
] (1) = 0
L

i
= 2
n

j=1
[y
ij

i
] (1) = 0
e igualando-se os resultados a zero e aplicando os somatorios, obtem-se o
Costa, S.C. 11
chamado sistema de equacoes normais:
_

_
a

i=1
n

j=1
y
ij
= an + n
1
+ n
2
+ + n
a
n

j=1
y
1j
= n + n
1
n

j=1
y
2j
= n + n
2
.
.
.
.
.
.
n

j=1
y
aj
= n + n
a
Costa, S.C. 12
que pode ser resumido como:
_

_
a

i=1
n

j=1
y
ij
= an + n
a

i=1

i
n

j=1
y
ij
= n + n
i
cujo sistema so tem solu cao, se impusermos a restricao
a

i=1

i
= 0.
Os estimadores de mnimos quadrados para e
i
, sao dados por:
= y
..
; (2)

i
= y
i.
y
..
i = 1, 2, . . . , a; (3)
A reducao na variabilidade, atraves do modelo ajustado, e sempre a soma das
estimativas dos parametros, cada multiplicada pelos termos do lado direito
da equacao normal que corresponde ao parametro. Assim, a reducao devido
ao ajuste do modelo (1) e:
Costa, S.C. 13
R(, ) = y

+
1
y
1
+
2
y
2
+ +
a
y
a
= y

+
a

i=1

i
y
i
(4)
Substituindo-se as estimativas obtidas pelas equacoes 2 e 3, na equacao 4 e,
apos manipula cao algebrica, tem-se:
R(, ) = y

+
a

i=1

i
y
i
= y

+
a

i=1
( y
i.
y
..
) y
i
R(, ) =
a

i=1
y
2
i.
n
(5)
O n umero de graus de liberdade associado com uma reducao na soma de
quadrados e sempre igual ao n umero de equacoes normais linearmente inde-
pendentes, que neste caso e a. A variabilidade restante nao levada em conta
Costa, S.C. 14
pelo modelo e a chamada soma de quadrados de resduos, dada por:
SQRes =
a

i=1
n

j=1
y
2
ij
R(, ) (6)
Substituindo-se a equacao 5 em 6, obtem-se:
SQRes =
a

i=1
n

j=1
y
2
ij

a

i=1
y
2
i.
n
com an a = a(n 1) graus de liberdade.
Para encontrar a soma de quadrados resultante dos efeitos de tratamentos,
considera-se o modelo restrito `a hipotese nula, ou seja,
i
= 0, para todo i.
Logo, o modelo reduzido e y
ij
= +
ij
. Ha uma unica equacao normal para
este modelo:
an = y

,
cujo estimador de e = y

.
Costa, S.C. 15
A reducao na soma de quadrados que resulta de ajustar somente e:
R() = ( y

)(y

) =
y
2

an
,
com 1 grau de liberdade. Esse resultado e conhecido como correcao. A
soma de quadrados devido `a
i
, dado que ja esteja no modelo, e a diferenca
entre R(, ) e R(), que e:
R( | ) = R(, ) R()
R( | ) = SQTrat =
a

i=1
y
2
i.
n

y
2

an
,
com a 1 graus de liberdade.
Costa, S.C. 16
Observe que se for adicionado e subtrado R() na equacao 6, tem-se:
SQRes =
a

i=1
n

j=1
y
2
ij
R(, ) + R() R()
=
a

i=1
n

j=1
y
2
ij
R() R(, ) + R()
=
_
_
a

i=1
n

j=1
y
2
ij
R()
_
_

_
R(, ) R()
_
=
_
_
a

i=1
n

j=1
y
2
ij

y
2

an
_
_
. .

_
a

i=1
y
2
i.
n

y
2

an
_
. .
SQRes = SQTotal + SQTrat
Costa, S.C. 17
Fazendo-se a usual suposicao de normalidade, a estatstica apropriada para
H
0
:
i
= 0 e
F
cal
=
R( | )/(a 1)
SQRes/a(n 1)
=
QMTrat
QMRes
.
Se F
cal
> F
;(a1),a(n1)
, rejeita-se H
0
.
Para vericarmos se a hipotese nula (H
0
) e aceita ou nao, completa-se o
seguinte Quadro da Analise de Variancia:
Tabela 1: Quadro da Analise de Variancia.
CV S.Q. g.l. Q.M. F
calc
F
tab
Tratamentos SQTrat a - 1
SQTrat
a1
QMTrat
QMRes
F
;a1,a(n1)
Resduo SQRes a(n-1)
SQRes
a(n1)
Total SQTotal an - 1
Costa, S.C. 18
em que as somas de quadrados, obtidas a partir da equacao (1), sao dadas
por:
SQTotal =
a

i=1
n

j=1
y
2
ij
C C =
_
_
a

i=1
n

j=1
y
ij
_
_
2
an
SQTrat =
1
n
a

i=1
y
2
i
C SQRes = SQTotal SQtrat
Como os dados apresentam homogeneidade de variancias e tem distribuicao
que nao difere da normal, ja vericados anteriormente, pode-se aplicar a
metodologia discutida aos dados apresentados no exemplo, cujas somas de
quadrados sao:
Costa, S.C. 19
SQTotal =
a

i=1
n

j=1
y
2
ij

y
2

an
= 19, 58
2
+ 21, 07
2
+ . . . + 24, 06
2

(622, 26)
2
4 6
SQTotal = 647,1012
SQTrat =
a

i=1
y
2
i.
n

y
2

an
=
1
6
_
135, 85
2
+ 142, 99
2
+ 206, 39
2
+ 137, 03
2

(622, 26)
2
4 6
SQTrat = 578,9231
SQRes = SQTotal SQTRat
= 647, 1012 578, 9231
SQRes = 68,1781
Costa, S.C. 20
e substituindo-se esses resultados no quadro da analise de variancia, dado na
Tabela 2, obtem-se:
Tabela 2: Analise de variancia para os dados do Exemplo 2.
C.V. gl S.Q. Q.M. F
calc
F
tab
Pr(> F)
Tratamentos 3 593,8163167 197,9387722 56,03 3,098 6,4953602e-10
Resduo 20 70,6513333 3,5325667
Como F
cal
> F
tab
, rejeita-se H
0
, ou seja, pelo menos uma media de trata-
mento difere das demais.
Para obter esses resultados da analise de variancia, utilizando-se do R, basta
digitar o comando:
> anava.av = aov(Quilos~Trat)
> anova(anava.av)
> qf(0.95,3,20)
Costa, S.C. 21
Teste de Comparacoes M ultiplas
Na analise realizada, rejeitou-se a hipotese de que as medias dos tratamentos
(suplementos) fossem iguais. Claro que, nessa situacao, seria logico pergun-
tar quais as medias que diferem entre si. Sera que a media de producao sem
suplemento e diferente da media da producao usando mandioca como suple-
mento? Sera que a media de producao com araruta e diferente de batata
doce? E assim por diante.
Para responder a estas perguntas o pesquisador precisa de um metodo que
forneca a diferenca mnima signicativa entre duas medias. Ha diversos tes-
tes de compara coes m ultiplas para calcular a diferenca mnima signicativa,
entre eles. De acordo com Conagin et.al, a aplicacao dos testes, no caso de
tratamentos qualitativos, pode ser realizada da seguinte forma:
Contrastes ortogonais: teste t, teste F e teste de Schee;
Medias duas a duas: teste de Tukey, teste de Duncan, teste de Bonferroni
e teste de Newman-Keuls;
Comparacao entre o controle e as demais medias: teste de Dunnett.
Costa, S.C. 22
Para os testes de compara coes de medias duas a duas, pode-se citar, ainda,
o teste de Scott-Knott.
Ja para o estudo de tratamentos quantitativos, deve-se aplicar a analise de
regressao.
Teste t

E talvez o menos usado devido `as suas exigencias que sao:

a) Os contrastes devem ser estabelecidos antes do conhecimento dos re-
sultados, isto e, deve ser uma hipotese de pesquisa;
b) Os contrastes devem ser ortogonais;
c) o n umero de contrastes ortogonais deve ser igual ao n umero de graus de
liberdade de tratamentos.
Costa, S.C. 23
A equacao do teste e dada por:
t
calc
=

Y
i
0

V (

Y
i
)
em que:

Y
i
e a estimativa de um contraste;

V (

Y
i
) e a estimativa da variancia da estimativa de um contraste.
Para vericar a signicancia, ou nao, do contraste, consulta-se a tabela t com
n

= n umero de graus de liberdade do resduo, a um nvel de probabilidade.

Se t
calc
t
tab
, rejeita-se H
0
, ou seja, admite-se que

Y
i
= 0.
Se t
calc
< t
tab
, aceita-se H
0
.
Considere os dados do exemplo e que as hipoteses de pesquisa foram elabo-
radas antes da realiza cao do experimento e sao:
Costa, S.C. 24
Y
1
= 3
1
(
2
+
3
+
4
)
Y
2
= 2
3
(
2
+
4
)
Y
3
=
2

4
Uma estimativa para qualquer desses contrastes e obtida substituindo-se as
medias por suas estimativas, dadas por: y
i
.
Costa, S.C. 25
Seja

Y
1
= 3 y
1
( y
2
+ y
3
+ y
4
)
a estimativa do contraste Y
1
, tomada em modulo. Portanto a variancia do
contraste, admitindo-se que as medias dos tratamentos sao independentes, e
dada por:
V (

Y
1
) = 9V ( y
1
) + V ( y
2
) + V ( y
3
) + V ( y
4
)
mas, V ( y
i
) =

2
i
n
i
e, admitindo-se que os dados sao balanceados, tem-se:
V (

Y
1
) = 9

2
1
n
1
+

2
2
n
2
+

2
3
n
3
+

2
4
n
4
Se a homogeneidade de variancias e aceita, tem-se que
2
1
=
2
2
=
2
3
=
2
4
e, portanto,
2
1
=
2
2
=
2
3
=
2
4
= QMRes. Assim, como os dados sao
balanceados com 6 repeticoes, a estimativa da variancia da estimativa do
contraste ca:

V (

Y
1
) = 12
QMRes
n
Costa, S.C. 26
De forma geral, e dado por:

V (

Y
i
) =

i
c
2
i
n
i
QMRes.
Como o QMRes = 3, 5325667 e ha 6 repeticoes por tratamento, o teste t
para o contraste Y
1
ca:
t
calc
=

Y
i
0

V (

Y
i
)
=
13, 143333 0

12
3, 5325667
6
t
calc
= 5, 033579
o valor tabelado e t
tab
= t
20,0,05
= 1, 72. Logo, o contraste Y
1
e signicativo.
Fica ao aluno a tarefa de realizar os calculos para os demais contrastes.
Costa, S.C. 27
Os comandos para realizar os testes para todos os contrastes usando o R e:
> require(gregmisc)
(C = rbind(" 3t1 vs (t2+t3+t4) " = c(3, -1, -1, -1),
" 2t3 vs (t2 + t4) " = c(0, -1, 2, -1),
" t2 vs t4 " = c(0, 1, 0, -1)))
fit.contrast(anava.av, "Trat", C, conf=0.95 )
qt(.95, 20)
cujos resultados sao:
& Estimate & Std. Error & t value & Pr(>|t|) & lower CI & upper CI
Trat 3t1 vs (t2+t3+t4) & -13.14 & 2.61 & -5.03 & 0.00 & -18.59 & -7.70
Trat 2t3 vs (t2 + t4) & 22.13 & 1.85 & 11.98 & 0.00 & 18.28 & 25.98
Trat t2 vs t4 & 0.99 & 1.07 & 0.93 & 0.36 & -1.23 & 3.22
Costa, S.C. 28
Teste de Duncan
Para aplicar o teste de Duncan para tratamentos com mesmo n umero de
repeticoes, as medias dos a tratamentos sao ordenadas de forma crescente.
O teste de Duncan e dado por:
R
p
= D

QMRes
r
(7)
em que:
QMRes e o quadrado medio do resduo da analise de variancia;
r e o n umero de repeticoes dos tratamentos;
D e uma constante e seu valor e tabelado em fun cao do n umero de
medias abrangidas pelo teste e do n umero de graus de liberdade do
resduo.
As diferencas observadas entre as medias sao testadas, iniciando-se com a
maior versus a menor, que serao comparadas com a diferenca mnima signi-
cativa R
p
. A seguir, a diferenca entre a menor e a segunda maior media
e calculada e comparada com a diferenca mnima signicativa R
a1
. Estas
Costa, S.C. 29
comparacoes sao realizadas ate que todas as medias tenham sido compara-
das com a maior media. Finalmente, a diferenca da segunda maior media e
a menor e calculada e comparada com o valor de R
a1
. O processo continua
ate que as diferencas entre todos os possveis pares de medias tenham sido
consideradas. Se uma diferenca observada e maior que a diferenca mnima
signicativa correspondente, entao conclui-se que o par de medias em questao
e signicativamente diferente.
Exemplo: Considere os dados do exemplo cuja analise e apresentada na
Tabela 2. Construindo-se a tabela das medias ordenadas em ordem crescente,
tem-se:
Medias (kg)
Sem Suplemento (SS) 22,64 y
1
Batata Doce (BD) 22,84 y
2
Mandioca (MA) 23,29 y
3
Araruta (AR) 34,398 y
4
Os valores tabelados D, ao nvel de 5% de signicancia, levam em consi-
deracao o n umero de medias abrangidas pelo teste, logo, tem-se que consi-
Costa, S.C. 30
derar:
D(2, 20) = 2, 95 D(3, 20) = 3, 10 D(4, 20) = 3, 18
e as diferencas mnimas signicativas, considerando-se 2, 3 e 4 medias, sao
dadas por:
R
2
= 2, 95

3, 408907
6
= 2, 22 kg
R
3
= 3, 10

3, 408907
6
= 2, 34 kg
R
4
= 3, 18

3, 408907
6
= 2, 40 kg
Costa, S.C. 31
Procedendo-se a comparacao da diferenca entre as medias com os valores de
R
p
, tem-se:
4 vs 1 : 34, 398 22, 64 = 11, 758 kg > 2, 40 kg
4 vs 2 : 34, 398 22, 84 = 11, 558 kg > 2, 34 kg
4 vs 3 : 34, 398 23, 29 = 11, 108 kg > 2, 22 kg
3 vs 1 : 23, 29 22, 64 = 0, 65 kg < 2, 34 kg
3 vs 2 : 23, 29 22, 84 = 0, 45 kg < 2, 22 kg
2 vs 1 : 22, 84 22, 64 = 0, 20 kg < 2, 22 kg
Do quadro, nota-se que so ha diferenca signicativa para as medias confron-
tadas com a Araruta, nao havendo diferenca entre as demais.
Caso o n umero de repeticao dos tratamentos seja diferente, basta trocar r
na Equacao 7 pela media harmonica r
h
dos r
i
, dada por:
r
h
=
a
a

i=1
1
r
i
Costa, S.C. 32
O teste de Duncan e menos rigoroso que o teste de Tukey e pode detectar
diferencas nao discriminadas pelo teste de Tukey, devendo ser empregado em
experimentos de boa precisao.
No R para realizar o teste de Duncan, e preciso instalar o pacote laercio e os
seguintes comandos:
> require(laercio)
> LDuncan(anava.av,"Trat")
Outra opcao possvel no R e com o pacote agricolae:
> library(agricolae)
> df = df.residual(anava)
> MSerror = deviance(anava)
> Fc = anova(anava)[1,4]
> Duncan = waller.test(Quilos, Trat, df, MSerror,
Fc, group=TRUE, main="Ganhos de Pesos")
Costa, S.C. 33
Teste de Dunnett
Em muitos experimentos, um dos tratamentos e o chamado controle (ou
testemunha) e o pesquisador esta interessado em comparar cada uma das
a 1 medias de tratamentos com esse controle. Logo, ha somente a 1
comparacoes a serem feitas. Um procedimento para fazer estas comparacoes
foi apresentado por Dunnett em 1964.
Suponha que o tratamento a seja o controle. Entao, quer-se testar as hipoteses:
H
0
:
i
=
a
H
1
:
i
=
a
para i = 1, 2, . . . , a 1. O teste de Dunnett e uma modicacao do usual
teste t. Para cada hipotese, calcula-se as diferencas observadas nas medias
amostrais
y
i.
y
a.
i = 1, 2, . . . , a 1
Costa, S.C. 34
A hipotese nula H
0
:
i
=
a
e rejeitada se
| y
i.
y
a.
| > d

QMRes
_
1
r
i
+
1
r
a
_
em que:
QMRes e o quadrado medio do resduo da analise de variancia;
r
i
e o n umero de repeticoes dos tratamentos;
r
a
e o n umero de repeticoes da testemunha;
d e uma constante e seu valor e tabelado em funcao do n umero de
tratamento (a 1) e do n umero de graus de liberdade do resduo.
Costa, S.C. 35
Exemplo: Considere os dados do exemplo, cuja analise e apresentada na
Tabela 2. Se o objetivo do pesquisador fosse comparar os tratamentos com a
testemunha (neste caso Sem Complemento), aplicar-se-ia o teste de Dunnett:
D = d

(a 1; gl)

QMRes
_
1
r
i
+
1
r
a
_
D = 2, 54

3, 5325667
_
1
6
+
1
6
_
D = 2, 707576 kg
em que d

(a 1; gl) e o valor tabelado, sendo a 1 = 4 1 = 3 tratamentos

e gl = 20 graus de liberdade do resduo, ao nvel de 5% de signicancia.
| y
i.
y
a.
|
Medias (kg)
Mandioca (23, 29) Batata Doce (22, 84) Araruta (34, 398)
Sem Suplemento (22, 64) 1, 19
ns
0, 196667
ns
11, 756667

Verica-se que apenas a Araruta difere signicativamente da testemunha

(Sem Suplemento).
Costa, S.C. 36
No R para realizar o teste de Dunnett, e preciso instalar o pacote multcomp
e os seguintes comandos:
> require(multcomp)
> tdunnett = glht(anava.av, linfct = mcp(Trat = "Dunnett"))
> summary(tdunnett)
> confint(tdunnett, level = 0.95)
Teste de Tukey
Para obter o valor da diferenca mnima signicativa (d.m.s.), basta calcular:
= q

QMRes
r
(8)
em que:
QMRes e o quadrado medio do resduo da analise de variancia;
r e o n umero de repeticoes dos tratamentos;
q e a amplitude total estudentizada e seu valor tabelado em funcao do
n umero de tratamento (a) e do n umero de graus de liberdade do resduo.
Costa, S.C. 37
Para o exemplo em questao, tem-se que:
QMRes = 3, 408907; q = q
4;20
= 3, 958293 e r = 6
cujos valores podem ser obtidos do R atraves dos comandos:
> s2 = anova(anava.av)$Mean[2]
> qtt = qtukey(.95, 4, 20)
logo, substituindo-se os valores na Equacao 8, a diferenca mnima signicativa
sera, ao nvel de 5%:
= 3, 96

3, 408907
6
= 2, 98 kg.
No R para se determinar o valor do Tukey, basta o seguinte comando:
> Delta = qtukey(.95, 4, 20)*sqrt(s2/6);
> Delta
Costa, S.C. 38
Construindo-se a tabela das medias ordenadas em ordem decrescente, tem-se:
Medias (kg)
Araruta (AR) 34,398 a
Mandioca (MA) 23,29 b
Batata Doce (BD) 22,84 b
Sem Suplemento (SS) 22,64 b
em que letras iguais indicam medias semelhantes.
Para obter o resultado do teste de Tukey usando o R, basta o seguinte co-
mando:
> anava.tukey = TukeyHSD(anava.av, ordered=T)
> anava.tukey
Os valores das diferen cas (di ) entre as medias de pares de tratamentos,
sendo t
1
= Sem Suplementacao, t
2
= Mandioca, t
3
= Araruta e t
4
= Batata
Doce, sao:
Costa, S.C. 39
Tukey multiple comparisons of means
95% family-wise confidence level
factor levels have been ordered
Fit: aov(formula = Quilos ~ Trat)
$Trat
diff lwr upr p adj
t4-t1 0.1966667 -2.786929 3.180262 0.9976951
t2-t1 1.1900000 -1.793595 4.173595 0.6839503
t3-t1 11.7566667 8.773071 14.740262 0.0000000
t2-t4 0.9933333 -1.990262 3.976929 0.7882850
t3-t4 11.5600000 8.576405 14.543595 0.0000000
t3-t2 10.5666667 7.583071 13.550262 0.0000000
Observe que os pares que apresentam diferencas signicativas sao aqueles cu-
jos limites inferiores (lwr) e superiores (upr) tem o mesmo sinal. Portanto,
conclu-se que o suplemento alimentar Araruta, melhora a producao signi-
cativamente, nao havendo diferenca entre as medias dos demais tratamentos.
Uma visualizacao mais rapida das diferencas entre os pares de medias e obtida
atraves da Figura 1:
Costa, S.C. 40
0 5 10 15
t3t2
t3t4
t2t4
t3t1
t2t1
t4t1
95% familywise confidence level
Differences in mean levels of Trat
Figura 1: Diferencas nas medias dos tratamentos
Costa, S.C. 41
Tal graco e obtido usando o R, com o seguinte comando:
plot(anava.tukey, las=1, main=" ")
Caso as medias confrontadas nao possuam o mesmo n umero de repeticoes,
aplica-se o teste de forma aproximada, da seguinte forma:

= q

1
2

V (

Y )

V (

Y ) =
_
1
r
i
+
1
r
k
_
QMres
em que r
i
e r
k
indicam o n umero de repeticoes das medias que estao sendo
comparadas.