Análise Conjunta Parte II: Maíra - Ana Cláudia
Paulo Henrique Sales Guimarães
2023-10-27
Variável - Magnésio
Análise descritiva
library(readxl)
dados<-read_excel("nutrientes.xlsx", sheet=1, col_names=TRUE)
dados## # A tibble: 30 × 4
## MANEJO `PITAIA VARIEDADES` BLOCO Mg
## <chr> <chr> <chr> <dbl>
## 1 HIDROPONIA GOLDEN I 0.132
## 2 HIDROPONIA GOLDEN II 0.139
## 3 HIDROPONIA GOLDEN III 0.246
## 4 HIDROPONIA DARK_STAR I 0.552
## 5 HIDROPONIA DARK_STAR II 0.566
## 6 HIDROPONIA DARK_STAR III 0.316
## 7 HIDROPONIA AMARELA I 0.413
## 8 HIDROPONIA AMARELA II 0.216
## 9 HIDROPONIA AMARELA III 0.182
## 10 HIDROPONIA VERMELHA I 0.118
## # ℹ 20 more rowsattach(dados)
magnesio<-Mg
bloco<-as.factor(BLOCO)
manejo<-as.factor(MANEJO)
variedades<-as.factor(`PITAIA VARIEDADES`)
dados<-data.frame(variedades,bloco,manejo,magnesio)
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.3 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.4.3 ✔ tibble 3.2.1
## ✔ lubridate 1.9.2 ✔ tidyr 1.3.0
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorsconvencional<- dados %>% filter(manejo == "CONVENCIONAL")
hidro<- dados %>% filter(manejo == "HIDROPONIA")
car::Boxplot(convencional$magnesio ~ convencional$variedades, xlab = "Variedades (Convencional)", ylab = "Magnésio")
car::Boxplot(hidro$magnesio ~ hidro$variedades, xlab = "Variedades (Hidroponia)", ylab = "Magnésio")
# Gráfico de interação
interaction.plot(variedades,
manejo,magnesio,
col=c("red","blue"),
las=1,
ylab="Magnésio",xlab = "Variedades")
- Análise de variâncias individuais
# Análise de variância para convencional
library(ExpDes.pt)
dbc(convencional$variedades,convencional$bloco,convencional$magnesio)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.024401 0.0061003 0.56610 0.69462
## Bloco 2 0.002391 0.0011955 0.11094 0.89634
## Residuo 8 0.086208 0.0107760
## Total 14 0.113000
## ------------------------------------------------------------------------
## CV = 120.28 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.6551064
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.3277702
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## De acordo com o teste F, as medias nao podem ser consideradas diferentes.
## Niveis Medias
## 1 AMARELA 0.08433333
## 2 BRANCA 0.14745556
## 3 DARK_STAR 0.10704444
## 4 GOLDEN 0.06592222
## 5 VERMELHA 0.02676667
## ------------------------------------------------------------------------Todas as médias das variedades são iguais.
# Análise variância para hidroponia
library(ExpDes.pt)
dbc(hidro$variedades,hidro$bloco,hidro$magnesio)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.159709 0.039927 2.71746 0.10675
## Bloco 2 0.000509 0.000254 0.01732 0.98287
## Residuo 8 0.117543 0.014693
## Total 14 0.277761
## ------------------------------------------------------------------------
## CV = 42.53 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.6430655
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.2686131
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## De acordo com o teste F, as medias nao podem ser consideradas diferentes.
## Niveis Medias
## 1 AMARELA 0.2703556
## 2 BRANCA 0.2310556
## 3 DARK_STAR 0.4781111
## 4 GOLDEN 0.1724000
## 5 VERMELHA 0.2731111
## ------------------------------------------------------------------------Neste caso também verificamos que o valor p para tratamentos é maior que 0,05, daí concluímos que todas as médias de tratametos são iguais estatisticamente ao nível de 5% de significância.
Análise conjunta
modelo1=with(dados[manejo=="CONVENCIONAL",],aov(magnesio ~ variedades + bloco))
# anova(modelo1)
modelo2=with(dados[manejo=="HIDROPONIA",],aov(magnesio ~ variedades + bloco))
# anova(modelo2)
QMResiduo1<- anova(modelo1)$`Mean Sq`[3]
QMResiduo2<- anova(modelo2)$`Mean Sq`[3]
QMResiduo<- c(QMResiduo1, QMResiduo2)
max(QMResiduo)/min(QMResiduo)## [1] 1.363481# Valor menor que 7De acordo com Pimentel Gomes (2009), os ensaios em diversos locais podem ser agrupados em uma única análise desde que o quociente entre o maior e o menor quadrado médio do resíduo (QMRes) seja inferior a 7, caso contrário, pode-se considerar subgrupos de locais homogêneos, com quadrados médios residuais que satisfaçam o quociente, a fim de se construir tantas análises conjuntas quantos subgrupos criados
Referência: PIMENTEL GOMES, F. Curso de estatística experimental. 15 ed. Piracicaba: FEALQ, 2009. 451p.
summary(aov(magnesio ~ manejo +manejo:bloco + variedades +
manejo:variedades, data=dados))## Df Sum Sq Mean Sq F value Pr(>F)
## manejo 1 0.29612 0.29612 23.253 0.000188 ***
## variedades 4 0.10327 0.02582 2.027 0.138864
## manejo:bloco 4 0.00290 0.00072 0.057 0.993360
## manejo:variedades 4 0.08084 0.02021 1.587 0.225889
## Residuals 16 0.20375 0.01273
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1library(agricolae)##
## Attaching package: 'agricolae'## The following objects are masked from 'package:ExpDes.pt':
##
## lastC, order.group, tapply.stat# Manejo convencional
tukey.l1<-HSD.test(dados$magnesio[dados$manejo=="CONVENCIONAL"],
dados$variedades[dados$manejo=="CONVENCIONAL"],
16, 0.01273)
tukey.l1$groups## dados$magnesio[dados$manejo == "CONVENCIONAL"] groups
## BRANCA 0.14745556 a
## DARK_STAR 0.10704444 a
## AMARELA 0.08433333 a
## GOLDEN 0.06592222 a
## VERMELHA 0.02676667 a# Local hidroponia
tukey.l2<-HSD.test(dados$magnesio[dados$manejo=="HIDROPONIA"],
dados$variedades[dados$manejo=="HIDROPONIA"],
16, 0.01273)
tukey.l2$groups## dados$magnesio[dados$manejo == "HIDROPONIA"] groups
## DARK_STAR 0.4781111 a
## VERMELHA 0.2731111 ab
## AMARELA 0.2703556 ab
## BRANCA 0.2310556 ab
## GOLDEN 0.1724000 b# par(mfrow=c(1,2))
bar.group(tukey.l1$groups, ylim=c(0,0.185),
main="Convencional", xlab="Variedades",
ylab="Magnésio",las=1)
bar.group(tukey.l2$groups, ylim=c(0,0.57),
main="Hidroponia", xlab="Variedades",
ylab="Magnésio",las=1)
library(knitr)
media=tapply(magnesio, list(variedades,manejo),mean)
tabela=data.frame("CONVENCIONAL"=media[,1],
" "=c("a","a","a","a","a"),
"HIDROPONIA"=media[,2],
" "=c("ab","ab","a","b","ab"))
kable(tabela, align = "c", col.names = c("Convencional"," ","Hidroponia"," "))| Convencional | Hidroponia | |||
|---|---|---|---|---|
| AMARELA | 0.0843333 | a | 0.2703556 | ab |
| BRANCA | 0.1474556 | a | 0.2310556 | ab |
| DARK_STAR | 0.1070444 | a | 0.4781111 | a |
| GOLDEN | 0.0659222 | a | 0.1724000 | b |
| VERMELHA | 0.0267667 | a | 0.2731111 | ab |
Variável - Silício
Análise descritiva
rm(list=ls())
library(readxl)
dados<-read_excel("nutrientes.xlsx", sheet=2, col_names=TRUE)
dados## # A tibble: 30 × 4
## MANEJO VARIEDADES BLOCO Si
## <chr> <chr> <chr> <dbl>
## 1 HIDROPONIA GOLDEN I 0.0776
## 2 HIDROPONIA GOLDEN II 0.0832
## 3 HIDROPONIA GOLDEN III 0.0869
## 4 HIDROPONIA DARK_STAR I 0.0766
## 5 HIDROPONIA DARK_STAR II 0.0496
## 6 HIDROPONIA DARK_STAR III 0.0810
## 7 HIDROPONIA AMARELA I 0.167
## 8 HIDROPONIA AMARELA II 0.120
## 9 HIDROPONIA AMARELA III 0.154
## 10 HIDROPONIA VERMELHA I 0.0581
## # ℹ 20 more rowsattach(dados)## The following objects are masked from dados (pos = 16):
##
## BLOCO, MANEJOsilicio<-Si
bloco<-as.factor(BLOCO)
manejo<-as.factor(MANEJO)
variedades<-as.factor(VARIEDADES)
dados<-data.frame(variedades,bloco,manejo,silicio)
library(tidyverse)
convencional<- dados %>% filter(manejo == "CONVENCIONAL")
hidro<- dados %>% filter(manejo == "HIDROPONIA")
car::Boxplot(convencional$silicio ~ convencional$variedades, xlab = "Variedades (Convencional)", ylab = "Silício")
car::Boxplot(hidro$silicio ~ hidro$variedades, xlab = "Variedades (Hidroponia)", ylab = "Silício")
# Gráfico de interação
interaction.plot(variedades,
manejo,silicio,
col=c("red","blue"),
las=1,
ylab="Silício",xlab = "Variedades")
- Análise de variâncias individuais
# Análise de variância para convencional
library(ExpDes.pt)
dbc(convencional$variedades,convencional$bloco,convencional$silicio)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.0039552 0.00098880 17.0234 0.000559
## Bloco 2 0.0002586 0.00012928 2.2256 0.170412
## Residuo 8 0.0004647 0.00005808
## Total 14 0.0046784
## ------------------------------------------------------------------------
## CV = 15.52 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.2358249
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.09001529
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a VERMELHA 0.0814
## b AMARELA 0.04238889
## b GOLDEN 0.04225556
## b DARK_STAR 0.04188889
## b BRANCA 0.03764444
## ------------------------------------------------------------------------# Análise variância para hidroponia
library(ExpDes.pt)
dbc(hidro$variedades,hidro$bloco,hidro$silicio)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.0157523 0.0039381 23.0036 0.000192
## Bloco 2 0.0006470 0.0003235 1.8898 0.212733
## Residuo 8 0.0013695 0.0001712
## Total 14 0.0177689
## ------------------------------------------------------------------------
## CV = 15.52 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.9990406
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.4216485
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a AMARELA 0.1468333
## b GOLDEN 0.0826
## b DARK_STAR 0.06905556
## b VERMELHA 0.0673
## b BRANCA 0.05573333
## ------------------------------------------------------------------------Análise conjunta
modelo1=with(dados[manejo=="CONVENCIONAL",],aov(silicio ~ variedades + bloco))
# anova(modelo1)
modelo2=with(dados[manejo=="HIDROPONIA",],aov(silicio ~ variedades + bloco))
# anova(modelo2)
QMResiduo1<- anova(modelo1)$`Mean Sq`[3]
QMResiduo2<- anova(modelo2)$`Mean Sq`[3]
QMResiduo<- c(QMResiduo1, QMResiduo2)
max(QMResiduo)/min(QMResiduo)## [1] 2.947302# Valor menor que 7summary(aov(silicio ~ manejo +manejo:bloco + variedades +
manejo:variedades, data=dados))## Df Sum Sq Mean Sq F value Pr(>F)
## manejo 1 0.009287 0.009287 81.010 1.16e-07 ***
## variedades 4 0.008294 0.002073 18.087 8.74e-06 ***
## manejo:bloco 4 0.000906 0.000226 1.975 0.147
## manejo:variedades 4 0.011414 0.002853 24.890 1.07e-06 ***
## Residuals 16 0.001834 0.000115
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1library(agricolae)
# Manejo convencional
tukey.l1<-HSD.test(dados$silicio[dados$manejo=="CONVENCIONAL"],
dados$variedades[dados$manejo=="CONVENCIONAL"],
16, 0.000115)
tukey.l1$groups## dados$silicio[dados$manejo == "CONVENCIONAL"] groups
## VERMELHA 0.08140000 a
## AMARELA 0.04238889 b
## GOLDEN 0.04225556 b
## DARK_STAR 0.04188889 b
## BRANCA 0.03764444 b# Local hidroponia
tukey.l2<-HSD.test(dados$silicio[dados$manejo=="HIDROPONIA"],
dados$variedades[dados$manejo=="HIDROPONIA"],
16, 0.000115)
tukey.l2$groups## dados$silicio[dados$manejo == "HIDROPONIA"] groups
## AMARELA 0.14683333 a
## GOLDEN 0.08260000 b
## DARK_STAR 0.06905556 bc
## VERMELHA 0.06730000 bc
## BRANCA 0.05573333 c# par(mfrow=c(1,2))
bar.group(tukey.l1$groups, ylim=c(0,0.11),
main="Convencional", xlab="Variedades",
ylab="Silício",las=1)
bar.group(tukey.l2$groups, ylim=c(0,0.18),
main="Hidroponia", xlab="Variedades",
ylab="Silício",las=1)
library(knitr)
media=tapply(silicio, list(variedades,manejo),mean)
tabela=data.frame("CONVENCIONAL"=media[,1],
" "=c("b","b","b","b","a"),
"HIDROPONIA"=media[,2],
" "=c("a","c","bc","b","bc"))
kable(tabela, align = "c", col.names = c("Convencional"," ","Hidroponia"," "))| Convencional | Hidroponia | |||
|---|---|---|---|---|
| AMARELA | 0.0423889 | b | 0.1468333 | a |
| BRANCA | 0.0376444 | b | 0.0557333 | c |
| DARK_STAR | 0.0418889 | b | 0.0690556 | bc |
| GOLDEN | 0.0422556 | b | 0.0826000 | b |
| VERMELHA | 0.0814000 | a | 0.0673000 | bc |
Variável - Fósforo
Análise descritiva
rm(list=ls())
library(readxl)
dados<-read_excel("nutrientes.xlsx", sheet=3, col_names=TRUE)
dados## # A tibble: 30 × 4
## MANEJO VARIEDADES BLOCO P
## <chr> <chr> <chr> <dbl>
## 1 HIDROPONIA GOLDEN I 0.513
## 2 HIDROPONIA GOLDEN II 0.519
## 3 HIDROPONIA GOLDEN III 0.573
## 4 HIDROPONIA DARK_STAR I 0.274
## 5 HIDROPONIA DARK_STAR II 0.282
## 6 HIDROPONIA DARK_STAR III 0.272
## 7 HIDROPONIA AMARELA I 0.289
## 8 HIDROPONIA AMARELA II 0.260
## 9 HIDROPONIA AMARELA III 0.542
## 10 HIDROPONIA VERMELHA I 0.330
## # ℹ 20 more rowsattach(dados)## The following objects are masked from dados (pos = 3):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 17):
##
## BLOCO, MANEJOfosforo<-P
bloco<-as.factor(BLOCO)
manejo<-as.factor(MANEJO)
variedades<-as.factor(VARIEDADES)
dados<-data.frame(variedades,bloco,manejo,fosforo)
library(tidyverse)
convencional<- dados %>% filter(manejo == "CONVENCIONAL")
hidro<- dados %>% filter(manejo == "HIDROPONIA")
car::Boxplot(convencional$fosforo ~ convencional$variedades, xlab = "Variedades (Convencional)", ylab = "Fósforo")
car::Boxplot(hidro$fosforo ~ hidro$variedades, xlab = "Variedades (Hidroponia)", ylab = "Fósforo")
# Gráfico de interação
interaction.plot(variedades,
manejo,fosforo,
col=c("red","blue"),
las=1,
ylab="Fósforo",xlab = "Variedades")
- Análise de variâncias individuais
# Análise de variância para convencional
library(ExpDes.pt)
dbc(convencional$variedades,convencional$bloco,convencional$fosforo)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.0193845 0.0048461 37.930 0.000030
## Bloco 2 0.0009443 0.0004722 3.696 0.072989
## Residuo 8 0.0010221 0.0001278
## Total 14 0.0213509
## ------------------------------------------------------------------------
## CV = 5.68 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.9605079
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.2855862
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a BRANCA 0.2646111
## b GOLDEN 0.2007778
## b AMARELA 0.1961444
## bc VERMELHA 0.1705556
## c DARK_STAR 0.1624444
## ------------------------------------------------------------------------# Análise variância para hidroponia
library(ExpDes.pt)
dbc(hidro$variedades,hidro$bloco,hidro$fosforo)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.132141 0.033035 6.1119 0.014832
## Bloco 2 0.014742 0.007371 1.3637 0.309305
## Residuo 8 0.043241 0.005405
## Total 14 0.190124
## ------------------------------------------------------------------------
## CV = 20.41 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.3208968
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.1182668
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a GOLDEN 0.5348667
## ab AMARELA 0.3634222
## ab VERMELHA 0.3454111
## b BRANCA 0.2815
## b DARK_STAR 0.2758444
## ------------------------------------------------------------------------Análise conjunta
modelo1=with(dados[manejo=="CONVENCIONAL",],aov(fosforo ~ variedades + bloco))
# anova(modelo1)
modelo2=with(dados[manejo=="HIDROPONIA",],aov(fosforo ~ variedades + bloco))
# anova(modelo2)
QMResiduo1<- anova(modelo1)$`Mean Sq`[3]
QMResiduo2<- anova(modelo2)$`Mean Sq`[3]
QMResiduo<- c(QMResiduo1, QMResiduo2)
max(QMResiduo)/min(QMResiduo)## [1] 42.30539# Valor maior que 7. Análises individuais. Variável - Silício
Análise descritiva
rm(list=ls())
library(readxl)
dados<-read_excel("nutrientes.xlsx", sheet=2, col_names=TRUE)
dados## # A tibble: 30 × 4
## MANEJO VARIEDADES BLOCO Si
## <chr> <chr> <chr> <dbl>
## 1 HIDROPONIA GOLDEN I 0.0776
## 2 HIDROPONIA GOLDEN II 0.0832
## 3 HIDROPONIA GOLDEN III 0.0869
## 4 HIDROPONIA DARK_STAR I 0.0766
## 5 HIDROPONIA DARK_STAR II 0.0496
## 6 HIDROPONIA DARK_STAR III 0.0810
## 7 HIDROPONIA AMARELA I 0.167
## 8 HIDROPONIA AMARELA II 0.120
## 9 HIDROPONIA AMARELA III 0.154
## 10 HIDROPONIA VERMELHA I 0.0581
## # ℹ 20 more rowsattach(dados)## The following objects are masked from dados (pos = 3):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 4):
##
## BLOCO, MANEJO, Si, VARIEDADES## The following objects are masked from dados (pos = 18):
##
## BLOCO, MANEJOsilicio<-Si
bloco<-as.factor(BLOCO)
manejo<-as.factor(MANEJO)
variedades<-as.factor(VARIEDADES)
dados<-data.frame(variedades,bloco,manejo,silicio)
library(tidyverse)
convencional<- dados %>% filter(manejo == "CONVENCIONAL")
hidro<- dados %>% filter(manejo == "HIDROPONIA")
car::Boxplot(convencional$silicio ~ convencional$variedades, xlab = "Variedades (Convencional)", ylab = "Silício")
car::Boxplot(hidro$silicio ~ hidro$variedades, xlab = "Variedades (Hidroponia)", ylab = "Silício")
# Gráfico de interação
interaction.plot(variedades,
manejo,silicio,
col=c("red","blue"),
las=1,
ylab="Silício",xlab = "Variedades")
- Análise de variâncias individuais
# Análise de variância para convencional
library(ExpDes.pt)
dbc(convencional$variedades,convencional$bloco,convencional$silicio)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.0039552 0.00098880 17.0234 0.000559
## Bloco 2 0.0002586 0.00012928 2.2256 0.170412
## Residuo 8 0.0004647 0.00005808
## Total 14 0.0046784
## ------------------------------------------------------------------------
## CV = 15.52 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.2358249
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.09001529
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a VERMELHA 0.0814
## b AMARELA 0.04238889
## b GOLDEN 0.04225556
## b DARK_STAR 0.04188889
## b BRANCA 0.03764444
## ------------------------------------------------------------------------# Análise variância para hidroponia
library(ExpDes.pt)
dbc(hidro$variedades,hidro$bloco,hidro$silicio)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.0157523 0.0039381 23.0036 0.000192
## Bloco 2 0.0006470 0.0003235 1.8898 0.212733
## Residuo 8 0.0013695 0.0001712
## Total 14 0.0177689
## ------------------------------------------------------------------------
## CV = 15.52 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.9990406
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.4216485
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a AMARELA 0.1468333
## b GOLDEN 0.0826
## b DARK_STAR 0.06905556
## b VERMELHA 0.0673
## b BRANCA 0.05573333
## ------------------------------------------------------------------------Análise conjunta
modelo1=with(dados[manejo=="CONVENCIONAL",],aov(silicio ~ variedades + bloco))
# anova(modelo1)
modelo2=with(dados[manejo=="HIDROPONIA",],aov(silicio ~ variedades + bloco))
# anova(modelo2)
QMResiduo1<- anova(modelo1)$`Mean Sq`[3]
QMResiduo2<- anova(modelo2)$`Mean Sq`[3]
QMResiduo<- c(QMResiduo1, QMResiduo2)
max(QMResiduo)/min(QMResiduo)## [1] 2.947302# Valor menor que 7summary(aov(silicio ~ manejo +manejo:bloco + variedades +
manejo:variedades, data=dados))## Df Sum Sq Mean Sq F value Pr(>F)
## manejo 1 0.009287 0.009287 81.010 1.16e-07 ***
## variedades 4 0.008294 0.002073 18.087 8.74e-06 ***
## manejo:bloco 4 0.000906 0.000226 1.975 0.147
## manejo:variedades 4 0.011414 0.002853 24.890 1.07e-06 ***
## Residuals 16 0.001834 0.000115
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1library(agricolae)
# Manejo convencional
tukey.l1<-HSD.test(dados$silicio[dados$manejo=="CONVENCIONAL"],
dados$variedades[dados$manejo=="CONVENCIONAL"],
16, 0.000115)
tukey.l1$groups## dados$silicio[dados$manejo == "CONVENCIONAL"] groups
## VERMELHA 0.08140000 a
## AMARELA 0.04238889 b
## GOLDEN 0.04225556 b
## DARK_STAR 0.04188889 b
## BRANCA 0.03764444 b# Local hidroponia
tukey.l2<-HSD.test(dados$silicio[dados$manejo=="HIDROPONIA"],
dados$variedades[dados$manejo=="HIDROPONIA"],
16, 0.000115)
tukey.l2$groups## dados$silicio[dados$manejo == "HIDROPONIA"] groups
## AMARELA 0.14683333 a
## GOLDEN 0.08260000 b
## DARK_STAR 0.06905556 bc
## VERMELHA 0.06730000 bc
## BRANCA 0.05573333 c# par(mfrow=c(1,2))
bar.group(tukey.l1$groups, ylim=c(0,0.11),
main="Convencional", xlab="Variedades",
ylab="Silício",las=1)
bar.group(tukey.l2$groups, ylim=c(0,0.18),
main="Hidroponia", xlab="Variedades",
ylab="Silício",las=1)
library(knitr)
media=tapply(silicio, list(variedades,manejo),mean)
tabela=data.frame("CONVENCIONAL"=media[,1],
" "=c("b","b","b","b","a"),
"HIDROPONIA"=media[,2],
" "=c("a","c","bc","b","bc"))
kable(tabela, align = "c", col.names = c("Convencional"," ","Hidroponia"," "))| Convencional | Hidroponia | |||
|---|---|---|---|---|
| AMARELA | 0.0423889 | b | 0.1468333 | a |
| BRANCA | 0.0376444 | b | 0.0557333 | c |
| DARK_STAR | 0.0418889 | b | 0.0690556 | bc |
| GOLDEN | 0.0422556 | b | 0.0826000 | b |
| VERMELHA | 0.0814000 | a | 0.0673000 | bc |
Variável - Enxofre
Análise descritiva
rm(list=ls())
library(readxl)
dados<-read_excel("nutrientes.xlsx", sheet=4, col_names=TRUE)
dados## # A tibble: 30 × 4
## MANEJO VARIEDADES BLOCO S
## <chr> <chr> <chr> <dbl>
## 1 HIDROPONIA GOLDEN I 0.0977
## 2 HIDROPONIA GOLDEN II 0.0892
## 3 HIDROPONIA GOLDEN III 0.103
## 4 HIDROPONIA DARK_STAR I 0.115
## 5 HIDROPONIA DARK_STAR II 0.110
## 6 HIDROPONIA DARK_STAR III 0.100
## 7 HIDROPONIA AMARELA I 0.113
## 8 HIDROPONIA AMARELA II 0.0930
## 9 HIDROPONIA AMARELA III 0.0959
## 10 HIDROPONIA VERMELHA I 0.121
## # ℹ 20 more rowsattach(dados)## The following objects are masked from dados (pos = 3):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 4):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 5):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 19):
##
## BLOCO, MANEJOenxofre<-S
bloco<-as.factor(BLOCO)
manejo<-as.factor(MANEJO)
variedades<-as.factor(VARIEDADES)
dados<-data.frame(variedades,bloco,manejo,enxofre)
library(tidyverse)
convencional<- dados %>% filter(manejo == "CONVENCIONAL")
hidro<- dados %>% filter(manejo == "HIDROPONIA")
car::Boxplot(convencional$enxofre ~ convencional$variedades, xlab = "Variedades (Convencional)", ylab = "Enxofre")
car::Boxplot(hidro$enxofre ~ hidro$variedades, xlab = "Variedades (Hidroponia)", ylab = "Enxofre")
# Gráfico de interação
interaction.plot(variedades,
manejo,enxofre,
col=c("red","blue"),
las=1,
ylab="Enxofre",xlab = "Variedades")
- Análise de variâncias individuais
# Análise de variância para convencional
library(ExpDes.pt)
dbc(convencional$variedades,convencional$bloco,convencional$enxofre)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.0112473 0.0028118 107.74 0.000001
## Bloco 2 0.0000856 0.0000428 1.64 0.253021
## Residuo 8 0.0002088 0.0000261
## Total 14 0.0115417
## ------------------------------------------------------------------------
## CV = 4.65 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.4259947
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.147763
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a BRANCA 0.1442222
## a AMARELA 0.1322889
## b VERMELHA 0.1162444
## c GOLDEN 0.07827778
## c DARK_STAR 0.07781111
## ------------------------------------------------------------------------# Análise variância para hidroponia
library(ExpDes.pt)
dbc(hidro$variedades,hidro$bloco,hidro$enxofre)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.0098125 0.00245313 6.5692 0.01207
## Bloco 2 0.0003964 0.00019822 0.5308 0.60748
## Residuo 8 0.0029874 0.00037343
## Total 14 0.0131964
## ------------------------------------------------------------------------
## CV = 16.08 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.8073055
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.1347056
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a BRANCA 0.1664
## ab VERMELHA 0.1284333
## b DARK_STAR 0.1084889
## b AMARELA 0.1007667
## b GOLDEN 0.09666667
## ------------------------------------------------------------------------Análise conjunta
modelo1=with(dados[manejo=="CONVENCIONAL",],aov(enxofre ~ variedades + bloco))
# anova(modelo1)
modelo2=with(dados[manejo=="HIDROPONIA",],aov(enxofre ~ variedades + bloco))
# anova(modelo2)
QMResiduo1<- anova(modelo1)$`Mean Sq`[3]
QMResiduo2<- anova(modelo2)$`Mean Sq`[3]
QMResiduo<- c(QMResiduo1, QMResiduo2)
max(QMResiduo)/min(QMResiduo)## [1] 14.30829# Valor maior que 7. Análises individuais.Variável - Cloro
Análise descritiva
rm(list=ls())
library(readxl)
dados<-read_excel("nutrientes.xlsx", sheet=5, col_names=TRUE)
dados## # A tibble: 30 × 4
## MANEJO VARIEDADES BLOCO Cl
## <chr> <chr> <chr> <dbl>
## 1 HIDROPONIA GOLDEN I 0.189
## 2 HIDROPONIA GOLDEN II 0.202
## 3 HIDROPONIA GOLDEN III 0.229
## 4 HIDROPONIA DARK_STAR I 0.184
## 5 HIDROPONIA DARK_STAR II 0.194
## 6 HIDROPONIA DARK_STAR III 0.191
## 7 HIDROPONIA AMARELA I 0.244
## 8 HIDROPONIA AMARELA II 0.191
## 9 HIDROPONIA AMARELA III 0.202
## 10 HIDROPONIA VERMELHA I 0.148
## # ℹ 20 more rowsattach(dados)## The following objects are masked from dados (pos = 3):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 4):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 5):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 6):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 20):
##
## BLOCO, MANEJOcloro<-Cl
bloco<-as.factor(BLOCO)
manejo<-as.factor(MANEJO)
variedades<-as.factor(VARIEDADES)
dados<-data.frame(variedades,bloco,manejo,cloro)
library(tidyverse)
convencional<- dados %>% filter(manejo == "CONVENCIONAL")
hidro<- dados %>% filter(manejo == "HIDROPONIA")
car::Boxplot(convencional$cloro ~ convencional$variedades, xlab = "Variedades (Convencional)", ylab = "Cloro")
car::Boxplot(hidro$cloro ~ hidro$variedades, xlab = "Variedades (Hidroponia)", ylab = "Cloro")
# Gráfico de interação
interaction.plot(variedades,
manejo,cloro,
col=c("red","blue"),
las=1,
ylab="Cloro",xlab = "Variedades")
- Análise de variâncias individuais
# Análise de variância para convencional
library(ExpDes.pt)
dbc(convencional$variedades,convencional$bloco,convencional$cloro)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.0155713 0.0038928 31.749 0.00006
## Bloco 2 0.0000790 0.0000395 0.322 0.73343
## Residuo 8 0.0009809 0.0001226
## Total 14 0.0166312
## ------------------------------------------------------------------------
## CV = 5.77 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.8854287
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.7799678
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a AMARELA 0.2297889
## ab GOLDEN 0.2138444
## b DARK_STAR 0.1945556
## b VERMELHA 0.1866667
## c BRANCA 0.1349889
## ------------------------------------------------------------------------Todas as médias das variedades são iguais.
# Análise variância para hidroponia
library(ExpDes.pt)
dbc(hidro$variedades,hidro$bloco,hidro$cloro)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.0067247 0.00168117 4.8464 0.02790
## Bloco 2 0.0005602 0.00028011 0.8075 0.47926
## Residuo 8 0.0027751 0.00034689
## Total 14 0.0100600
## ------------------------------------------------------------------------
## CV = 9.98 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.4660438
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.1968094
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a AMARELA 0.2121333
## a GOLDEN 0.2068556
## a DARK_STAR 0.1896444
## a VERMELHA 0.1628778
## a BRANCA 0.1619556
## ------------------------------------------------------------------------Análise conjunta
modelo1=with(dados[manejo=="CONVENCIONAL",],aov(cloro ~ variedades + bloco))
# anova(modelo1)
modelo2=with(dados[manejo=="HIDROPONIA",],aov(cloro ~ variedades + bloco))
# anova(modelo2)
QMResiduo1<- anova(modelo1)$`Mean Sq`[3]
QMResiduo2<- anova(modelo2)$`Mean Sq`[3]
QMResiduo<- c(QMResiduo1, QMResiduo2)
max(QMResiduo)/min(QMResiduo)## [1] 2.829185# Valor menor que 7. Análise conjunta. summary(aov(cloro ~ manejo + manejo:bloco + variedades +
manejo:variedades, data=dados))## Df Sum Sq Mean Sq F value Pr(>F)
## manejo 1 0.000209 0.000209 0.889 0.3597
## variedades 4 0.019988 0.004997 21.286 3.03e-06 ***
## manejo:bloco 4 0.000639 0.000160 0.681 0.6153
## manejo:variedades 4 0.002308 0.000577 2.458 0.0876 .
## Residuals 16 0.003756 0.000235
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1library(agricolae)
# Manejo convencional
tukey.l1<-HSD.test(dados$cloro[dados$manejo=="CONVENCIONAL"],
dados$variedades[dados$manejo=="CONVENCIONAL"],
16, 0.000235)
tukey.l1$groups## dados$cloro[dados$manejo == "CONVENCIONAL"] groups
## AMARELA 0.2297889 a
## GOLDEN 0.2138444 ab
## DARK_STAR 0.1945556 ab
## VERMELHA 0.1866667 b
## BRANCA 0.1349889 c# Local hidroponia
tukey.l2<-HSD.test(dados$cloro[dados$manejo=="HIDROPONIA"],
dados$variedades[dados$manejo=="HIDROPONIA"],
16, 0.000235)
tukey.l2$groups## dados$cloro[dados$manejo == "HIDROPONIA"] groups
## AMARELA 0.2121333 a
## GOLDEN 0.2068556 a
## DARK_STAR 0.1896444 ab
## VERMELHA 0.1628778 b
## BRANCA 0.1619556 b# par(mfrow=c(1,2))
bar.group(tukey.l1$groups, ylim=c(0,0.28),
main="Convencional", xlab="Variedades",
ylab="Cloro",las=1)
bar.group(tukey.l2$groups, ylim=c(0,0.25),
main="Hidroponia", xlab="Variedades",
ylab="Cloro",las=1)
library(knitr)
media=tapply(cloro, list(variedades,manejo),mean)
tabela=data.frame("CONVENCIONAL"=media[,1],
" "=c("a","c","ab","ab","b"),
"HIDROPONIA"=media[,2],
" "=c("a","b","ab","a","b"))
kable(tabela, align = "c", col.names = c("Convencional"," ","Hidroponia"," "))| Convencional | Hidroponia | |||
|---|---|---|---|---|
| AMARELA | 0.2297889 | a | 0.2121333 | a |
| BRANCA | 0.1349889 | c | 0.1619556 | b |
| DARK_STAR | 0.1945556 | ab | 0.1896444 | ab |
| GOLDEN | 0.2138444 | ab | 0.2068556 | a |
| VERMELHA | 0.1866667 | b | 0.1628778 | b |
Variável - Potássio
Análise descritiva
rm(list=ls())
library(readxl)
dados<-read_excel("nutrientes.xlsx", sheet=6, col_names=TRUE)
dados## # A tibble: 30 × 4
## MANEJO VARIEDADES BLOCO K
## <chr> <chr> <chr> <dbl>
## 1 HIDROPONIA GOLDEN I 4.93
## 2 HIDROPONIA GOLDEN II 5.03
## 3 HIDROPONIA GOLDEN III 5.53
## 4 HIDROPONIA DARK_STAR I 5.08
## 5 HIDROPONIA DARK_STAR II 4.99
## 6 HIDROPONIA DARK_STAR III 4.98
## 7 HIDROPONIA AMARELA I 4.68
## 8 HIDROPONIA AMARELA II 4.10
## 9 HIDROPONIA AMARELA III 5.15
## 10 HIDROPONIA VERMELHA I 3.80
## # ℹ 20 more rowsattach(dados)## The following objects are masked from dados (pos = 3):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 4):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 5):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 6):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 7):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 21):
##
## BLOCO, MANEJOpotassio<-P
bloco<-as.factor(BLOCO)
manejo<-as.factor(MANEJO)
variedades<-as.factor(VARIEDADES)
dados<-data.frame(variedades,bloco,manejo,potassio)
library(tidyverse)
convencional<- dados %>% filter(manejo == "CONVENCIONAL")
hidro<- dados %>% filter(manejo == "HIDROPONIA")
car::Boxplot(convencional$potassio ~ convencional$variedades, xlab = "Variedades (Convencional)", ylab = "Potássio")
car::Boxplot(hidro$potassio ~ hidro$variedades, xlab = "Variedades (Hidroponia)", ylab = "Potássio")
# Gráfico de interação
interaction.plot(variedades,
manejo,potassio,
col=c("red","blue"),
las=1,
ylab="Potássio",xlab = "Variedades")
- Análise de variâncias individuais
# Análise de variância para convencional
library(ExpDes.pt)
dbc(convencional$variedades,convencional$bloco,convencional$potassio)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.0193845 0.0048461 37.930 0.000030
## Bloco 2 0.0009443 0.0004722 3.696 0.072989
## Residuo 8 0.0010221 0.0001278
## Total 14 0.0213509
## ------------------------------------------------------------------------
## CV = 5.68 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.9605079
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.2855862
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a BRANCA 0.2646111
## b GOLDEN 0.2007778
## b AMARELA 0.1961444
## bc VERMELHA 0.1705556
## c DARK_STAR 0.1624444
## ------------------------------------------------------------------------# Análise variância para hidroponia
library(ExpDes.pt)
dbc(hidro$variedades,hidro$bloco,hidro$potassio)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.132141 0.033035 6.1119 0.014832
## Bloco 2 0.014742 0.007371 1.3637 0.309305
## Residuo 8 0.043241 0.005405
## Total 14 0.190124
## ------------------------------------------------------------------------
## CV = 20.41 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.3208968
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.1182668
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a GOLDEN 0.5348667
## ab AMARELA 0.3634222
## ab VERMELHA 0.3454111
## b BRANCA 0.2815
## b DARK_STAR 0.2758444
## ------------------------------------------------------------------------Análise conjunta
modelo1=with(dados[manejo=="CONVENCIONAL",],aov(potassio ~ variedades + bloco))
# anova(modelo1)
modelo2=with(dados[manejo=="HIDROPONIA",],aov(potassio ~ variedades + bloco))
# anova(modelo2)
QMResiduo1<- anova(modelo1)$`Mean Sq`[3]
QMResiduo2<- anova(modelo2)$`Mean Sq`[3]
QMResiduo<- c(QMResiduo1, QMResiduo2)
max(QMResiduo)/min(QMResiduo)## [1] 42.30539# Valor maior que 7. Análises individuais. Variável - Cálcio
Análise descritiva
rm(list=ls())
library(readxl)
dados<-read_excel("nutrientes.xlsx", sheet=7, col_names=TRUE)
dados## # A tibble: 30 × 4
## MANEJO VARIEDADES BLOCO Ca
## <chr> <chr> <chr> <dbl>
## 1 HIDROPONIA GOLDEN I 0.743
## 2 HIDROPONIA GOLDEN II 0.777
## 3 HIDROPONIA GOLDEN III 0.791
## 4 HIDROPONIA DARK_STAR I 0.995
## 5 HIDROPONIA DARK_STAR II 0.958
## 6 HIDROPONIA DARK_STAR III 0.929
## 7 HIDROPONIA AMARELA I 0.610
## 8 HIDROPONIA AMARELA II 0.626
## 9 HIDROPONIA AMARELA III 0.802
## 10 HIDROPONIA VERMELHA I 0.862
## # ℹ 20 more rowsattach(dados)## The following objects are masked from dados (pos = 3):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 4):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 5):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 6):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 7):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 8):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 22):
##
## BLOCO, MANEJOcalcio<-Ca
bloco<-as.factor(BLOCO)
manejo<-as.factor(MANEJO)
variedades<-as.factor(VARIEDADES)
dados<-data.frame(variedades,bloco,manejo,calcio)
library(tidyverse)
convencional<- dados %>% filter(manejo == "CONVENCIONAL")
hidro<- dados %>% filter(manejo == "HIDROPONIA")
car::Boxplot(convencional$calcio ~ convencional$variedades, xlab = "Variedades (Convencional)", ylab = "Cálcio")
car::Boxplot(hidro$calcio ~ hidro$variedades, xlab = "Variedades (Hidroponia)", ylab = "Cálcio")
# Gráfico de interação
interaction.plot(variedades,
manejo,calcio,
col=c("red","blue"),
las=1,
ylab="Cálcio",xlab = "Variedades")
- Análise de variâncias individuais
# Análise de variância para convencional
library(ExpDes.pt)
dbc(convencional$variedades,convencional$bloco,convencional$calcio)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.48963 0.122408 26.4745 0.00011
## Bloco 2 0.00196 0.000980 0.2119 0.81345
## Residuo 8 0.03699 0.004624
## Total 14 0.52858
## ------------------------------------------------------------------------
## CV = 8.39 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.304856
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.1900786
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a BRANCA 1.044233
## ab VERMELHA 0.9352556
## b DARK_STAR 0.7917667
## b GOLDEN 0.7722
## c AMARELA 0.5085111
## ------------------------------------------------------------------------# Análise variância para hidroponia
library(ExpDes.pt)
dbc(hidro$variedades,hidro$bloco,hidro$calcio)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.143503 0.035876 8.6957 0.0052
## Bloco 2 0.008604 0.004302 1.0427 0.3959
## Residuo 8 0.033006 0.004126
## Total 14 0.185112
## ------------------------------------------------------------------------
## CV = 7.74 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.4554369
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.5254186
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a DARK_STAR 0.9607111
## ab VERMELHA 0.8960778
## abc BRANCA 0.8407333
## bc GOLDEN 0.7701778
## c AMARELA 0.6793667
## ------------------------------------------------------------------------Análise conjunta
modelo1=with(dados[manejo=="CONVENCIONAL",],aov(calcio ~ variedades + bloco))
# anova(modelo1)
modelo2=with(dados[manejo=="HIDROPONIA",],aov(calcio ~ variedades + bloco))
# anova(modelo2)
QMResiduo1<- anova(modelo1)$`Mean Sq`[3]
QMResiduo2<- anova(modelo2)$`Mean Sq`[3]
QMResiduo<- c(QMResiduo1, QMResiduo2)
max(QMResiduo)/min(QMResiduo)## [1] 1.120686# Valor menor que 7. Análise conjunta. summary(aov(calcio ~ manejo + manejo:bloco + variedades +
manejo:variedades, data=dados))## Df Sum Sq Mean Sq F value Pr(>F)
## manejo 1 0.0027 0.00271 0.620 0.442480
## variedades 4 0.4848 0.12120 27.706 5.13e-07 ***
## manejo:bloco 4 0.0106 0.00264 0.604 0.665578
## manejo:variedades 4 0.1483 0.03708 8.476 0.000719 ***
## Residuals 16 0.0700 0.00437
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1library(agricolae)
# Manejo convencional
tukey.l1<-HSD.test(dados$calcio[dados$manejo=="CONVENCIONAL"],
dados$variedades[dados$manejo=="CONVENCIONAL"],
16, 0.00437)
tukey.l1$groups## dados$calcio[dados$manejo == "CONVENCIONAL"] groups
## BRANCA 1.0442333 a
## VERMELHA 0.9352556 ab
## DARK_STAR 0.7917667 b
## GOLDEN 0.7722000 b
## AMARELA 0.5085111 c# Local hidroponia
tukey.l2<-HSD.test(dados$calcio[dados$manejo=="HIDROPONIA"],
dados$variedades[dados$manejo=="HIDROPONIA"],
16, 0.00437)
tukey.l2$groups## dados$calcio[dados$manejo == "HIDROPONIA"] groups
## DARK_STAR 0.9607111 a
## VERMELHA 0.8960778 ab
## BRANCA 0.8407333 abc
## GOLDEN 0.7701778 bc
## AMARELA 0.6793667 c# par(mfrow=c(1,2))
bar.group(tukey.l1$groups, ylim=c(0,1.2),
main="Convencional", xlab="Variedades",
ylab="Cálcio",las=1)
bar.group(tukey.l2$groups, ylim=c(0,1.12),
main="Hidroponia", xlab="Variedades",
ylab="Cálcio",las=1)
library(knitr)
media=tapply(calcio, list(variedades,manejo),mean)
tabela=data.frame("CONVENCIONAL"=media[,1],
" "=c("c","a","b","b","ab"),
"HIDROPONIA"=media[,2],
" "=c("c","abc","a","bc","ab"))
kable(tabela, align = "c", col.names = c("Convencional"," ","Hidroponia"," "))| Convencional | Hidroponia | |||
|---|---|---|---|---|
| AMARELA | 0.5085111 | c | 0.6793667 | c |
| BRANCA | 1.0442333 | a | 0.8407333 | abc |
| DARK_STAR | 0.7917667 | b | 0.9607111 | a |
| GOLDEN | 0.7722000 | b | 0.7701778 | bc |
| VERMELHA | 0.9352556 | ab | 0.8960778 | ab |
Variável - Ferro
Análise descritiva
rm(list=ls())
library(readxl)
dados<-read_excel("nutrientes.xlsx", sheet=9, col_names=TRUE)
dados## # A tibble: 30 × 4
## MANEJO VARIEDADES BLOCO Fe
## <chr> <chr> <chr> <dbl>
## 1 HIDROPONIA GOLDEN I 0.0138
## 2 HIDROPONIA GOLDEN II 0.0126
## 3 HIDROPONIA GOLDEN III 0.0156
## 4 HIDROPONIA DARK_STAR I 0.0129
## 5 HIDROPONIA DARK_STAR II 0.0116
## 6 HIDROPONIA DARK_STAR III 0.00963
## 7 HIDROPONIA AMARELA I 0.0166
## 8 HIDROPONIA AMARELA II 0.0171
## 9 HIDROPONIA AMARELA III 0.0452
## 10 HIDROPONIA VERMELHA I 0.00733
## # ℹ 20 more rowsattach(dados)## The following objects are masked from dados (pos = 3):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 4):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 5):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 6):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 7):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 8):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 9):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 23):
##
## BLOCO, MANEJOferro<-Fe
bloco<-as.factor(BLOCO)
manejo<-as.factor(MANEJO)
variedades<-as.factor(VARIEDADES)
dados<-data.frame(variedades,bloco,manejo,ferro)
library(tidyverse)
convencional<- dados %>% filter(manejo == "CONVENCIONAL")
hidro<- dados %>% filter(manejo == "HIDROPONIA")
car::Boxplot(convencional$ferro ~ convencional$variedades, xlab = "Variedades (Convencional)", ylab = "Ferro")
car::Boxplot(hidro$ferro ~ hidro$variedades, xlab = "Variedades (Hidroponia)", ylab = "Ferro")
# Gráfico de interação
interaction.plot(variedades,
manejo,ferro,
col=c("red","blue"),
las=1,
ylab="Ferro",xlab = "Variedades")
- Análise de variâncias individuais
# Análise de variância para convencional
library(ExpDes.pt)
dbc(convencional$variedades,convencional$bloco,convencional$ferro)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 2.7394e-05 6.8484e-06 4.0682 0.04344
## Bloco 2 3.8560e-06 1.9282e-06 1.1454 0.36522
## Residuo 8 1.3467e-05 1.6834e-06
## Total 14 4.4717e-05
## ------------------------------------------------------------------------
## CV = 20.77 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.1741452
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.04864472
## ATENCAO: a 5% de significancia, as variancias nao podem ser consideradas homogeneas!
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a VERMELHA 0.008444444
## ab AMARELA 0.006566667
## ab GOLDEN 0.006088889
## ab BRANCA 0.0059
## b DARK_STAR 0.004233333
## ------------------------------------------------------------------------# Análise variância para hidroponia
library(ExpDes.pt)
dbc(hidro$variedades,hidro$bloco,hidro$ferro)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 0.00057588 1.4397e-04 2.6048 0.11610
## Bloco 2 0.00011500 5.7501e-05 1.0404 0.39664
## Residuo 8 0.00044216 5.5270e-05
## Total 14 0.00113305
## ------------------------------------------------------------------------
## CV = 52.05 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.1075283
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.0244251
## ATENCAO: a 5% de significancia, as variancias nao podem ser consideradas homogeneas!
## ------------------------------------------------------------------------
##
## De acordo com o teste F, as medias nao podem ser consideradas diferentes.
## Niveis Medias
## 1 AMARELA 0.026300000
## 2 BRANCA 0.009988889
## 3 DARK_STAR 0.011377778
## 4 GOLDEN 0.014011111
## 5 VERMELHA 0.009744444
## ------------------------------------------------------------------------Análise conjunta
modelo1=with(dados[manejo=="CONVENCIONAL",],aov(ferro ~ variedades + bloco))
# anova(modelo1)
modelo2=with(dados[manejo=="HIDROPONIA",],aov(ferro ~ variedades + bloco))
# anova(modelo2)
QMResiduo1<- anova(modelo1)$`Mean Sq`[3]
QMResiduo2<- anova(modelo2)$`Mean Sq`[3]
QMResiduo<- c(QMResiduo1, QMResiduo2)
max(QMResiduo)/min(QMResiduo)## [1] 32.83239Valor maior que 7. Análises individuais.
Variável - Cobre
Análise descritiva
rm(list=ls())
library(readxl)
dados<-read_excel("nutrientes.xlsx", sheet=10, col_names=TRUE)
dados## # A tibble: 30 × 4
## MANEJO VARIEDADES BLOCO Cu
## <chr> <chr> <chr> <dbl>
## 1 HIDROPONIA GOLDEN I 0.000867
## 2 HIDROPONIA GOLDEN II 0.000833
## 3 HIDROPONIA GOLDEN III 0.000833
## 4 HIDROPONIA DARK_STAR I 0.000867
## 5 HIDROPONIA DARK_STAR II 0.000867
## 6 HIDROPONIA DARK_STAR III 0.000967
## 7 HIDROPONIA AMARELA I 0.000767
## 8 HIDROPONIA AMARELA II 0.000767
## 9 HIDROPONIA AMARELA III 0.000833
## 10 HIDROPONIA VERMELHA I 0.000933
## # ℹ 20 more rowsattach(dados)## The following objects are masked from dados (pos = 3):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 4):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 5):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 6):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 7):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 8):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 9):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 10):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 24):
##
## BLOCO, MANEJOcobre<-Cu
bloco<-as.factor(BLOCO)
manejo<-as.factor(MANEJO)
variedades<-as.factor(VARIEDADES)
dados<-data.frame(variedades,bloco,manejo,cobre)
library(tidyverse)
convencional<- dados %>% filter(manejo == "CONVENCIONAL")
hidro<- dados %>% filter(manejo == "HIDROPONIA")
car::Boxplot(convencional$cobre ~ convencional$variedades, xlab = "Variedades (Convencional)", ylab = "Cobre")
car::Boxplot(hidro$cobre ~ hidro$variedades, xlab = "Variedades (Hidroponia)", ylab = "Cobre")
# Gráfico de interação
interaction.plot(variedades,
manejo,cobre,
col=c("red","blue"),
las=1,
ylab="Cobre",xlab = "Variedades")
- Análise de variâncias individuais
# Análise de variância para convencional
library(ExpDes.pt)
dbc(convencional$variedades,convencional$bloco,convencional$cobre)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 1.1495e-07 2.8737e-08 9.0865 0.00453
## Bloco 2 2.1890e-09 1.0947e-09 0.3461 0.71751
## Residuo 8 2.5300e-08 3.1626e-09
## Total 14 1.4244e-07
## ------------------------------------------------------------------------
## CV = 6.89 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.8271247
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.123952
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a VERMELHA 0.0009555556
## ab DARK_STAR 0.0008444444
## ab BRANCA 0.0008333333
## b AMARELA 0.0007444444
## b GOLDEN 0.0007037037
## ------------------------------------------------------------------------# Análise variância para hidroponia
library(ExpDes.pt)
dbc(hidro$variedades,hidro$bloco,hidro$cobre)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 2.3748e-07 5.937e-08 17.9106 0.00047
## Bloco 2 5.3330e-09 2.667e-09 0.8045 0.48046
## Residuo 8 2.6519e-08 3.315e-09
## Total 14 2.6933e-07
## ------------------------------------------------------------------------
## CV = 6.21 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.510841
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.379389
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a BRANCA 0.001155556
## b VERMELHA 0.0009444444
## b DARK_STAR 9e-04
## b GOLDEN 0.0008444444
## b AMARELA 0.0007888889
## ------------------------------------------------------------------------Análise conjunta
modelo1=with(dados[manejo=="CONVENCIONAL",],aov(cobre ~ variedades + bloco))
# anova(modelo1)
modelo2=with(dados[manejo=="HIDROPONIA",],aov(cobre ~ variedades + bloco))
# anova(modelo2)
QMResiduo1<- anova(modelo1)$`Mean Sq`[3]
QMResiduo2<- anova(modelo2)$`Mean Sq`[3]
QMResiduo<- c(QMResiduo1, QMResiduo2)
max(QMResiduo)/min(QMResiduo)## [1] 1.048146# Valor menor que 7. Análise conjunta. summary(aov(cobre ~ manejo + manejo:bloco + variedades +
manejo:variedades, data=dados))## Df Sum Sq Mean Sq F value Pr(>F)
## manejo 1 9.136e-08 9.136e-08 28.210 7.02e-05 ***
## variedades 4 2.506e-07 6.264e-08 19.341 5.68e-06 ***
## manejo:bloco 4 7.520e-09 1.880e-09 0.581 0.68097
## manejo:variedades 4 1.019e-07 2.547e-08 7.863 0.00105 **
## Residuals 16 5.182e-08 3.240e-09
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1library(agricolae)
# Manejo convencional
tukey.l1<-HSD.test(dados$cobre[dados$manejo=="CONVENCIONAL"],
dados$variedades[dados$manejo=="CONVENCIONAL"],
16, 3.240e-09)
tukey.l1$groups## dados$cobre[dados$manejo == "CONVENCIONAL"] groups
## VERMELHA 0.0009555556 a
## DARK_STAR 0.0008444444 ab
## BRANCA 0.0008333333 ab
## AMARELA 0.0007444444 b
## GOLDEN 0.0007037037 b# Local hidroponia
tukey.l2<-HSD.test(dados$cobre[dados$manejo=="HIDROPONIA"],
dados$variedades[dados$manejo=="HIDROPONIA"],
16, 3.240e-09)
tukey.l2$groups## dados$cobre[dados$manejo == "HIDROPONIA"] groups
## BRANCA 0.0011555556 a
## VERMELHA 0.0009444444 b
## DARK_STAR 0.0009000000 bc
## GOLDEN 0.0008444444 bc
## AMARELA 0.0007888889 c# par(mfrow=c(1,2))
bar.group(tukey.l1$groups, ylim=c(0,0.0012),
main="Convencional", xlab="Variedades",
ylab="Cobre",las=1)
bar.group(tukey.l2$groups, ylim=c(0,0.0014),
main="Hidroponia", xlab="Variedades",
ylab="Cobre",las=1)
library(knitr)
media=tapply(cobre, list(variedades,manejo),mean)
tabela=data.frame("CONVENCIONAL"=media[,1],
" "=c("b","ab","ab","b","a"),
"HIDROPONIA"=media[,2],
" "=c("c","a","bc","bc","b"))
kable(tabela, align = "c", col.names = c("Convencional"," ","Hidroponia"," "))| Convencional | Hidroponia | |||
|---|---|---|---|---|
| AMARELA | 0.0007444 | b | 0.0007889 | c |
| BRANCA | 0.0008333 | ab | 0.0011556 | a |
| DARK_STAR | 0.0008444 | ab | 0.0009000 | bc |
| GOLDEN | 0.0007037 | b | 0.0008444 | bc |
| VERMELHA | 0.0009556 | a | 0.0009444 | b |
Variável - Zinco
Análise descritiva
rm(list=ls())
library(readxl)
dados<-read_excel("nutrientes.xlsx", sheet=11, col_names=TRUE)
dados## # A tibble: 30 × 4
## MANEJO VARIEDADES BLOCO Zn
## <chr> <chr> <chr> <dbl>
## 1 HIDROPONIA GOLDEN I 0.00233
## 2 HIDROPONIA GOLDEN II 0.0024
## 3 HIDROPONIA GOLDEN III 0.0023
## 4 HIDROPONIA DARK_STAR I 0.00217
## 5 HIDROPONIA DARK_STAR II 0.0022
## 6 HIDROPONIA DARK_STAR III 0.00203
## 7 HIDROPONIA AMARELA I 0.0019
## 8 HIDROPONIA AMARELA II 0.002
## 9 HIDROPONIA AMARELA III 0.0024
## 10 HIDROPONIA VERMELHA I 0.00307
## # ℹ 20 more rowsattach(dados)## The following objects are masked from dados (pos = 3):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 4):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 5):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 6):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 7):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 8):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 9):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 10):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 11):
##
## BLOCO, MANEJO, VARIEDADES## The following objects are masked from dados (pos = 25):
##
## BLOCO, MANEJOzinco<-Zn
bloco<-as.factor(BLOCO)
manejo<-as.factor(MANEJO)
variedades<-as.factor(VARIEDADES)
dados<-data.frame(variedades,bloco,manejo,zinco)
library(tidyverse)
convencional<- dados %>% filter(manejo == "CONVENCIONAL")
hidro<- dados %>% filter(manejo == "HIDROPONIA")
car::Boxplot(convencional$zinco ~ convencional$variedades, xlab = "Variedades (Convencional)", ylab = "Zinco")
car::Boxplot(hidro$zinco ~ hidro$variedades, xlab = "Variedades (Hidroponia)", ylab = "Zinco")
# Gráfico de interação
interaction.plot(variedades,
manejo,zinco,
col=c("red","blue"),
las=1,
ylab="Zinco",xlab = "Variedades")
- Análise de variâncias individuais
# Análise de variância para convencional
library(ExpDes.pt)
dbc(convencional$variedades,convencional$bloco,convencional$zinco)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 3.9169e-05 9.7923e-06 28.5861 0.00009
## Bloco 2 6.4200e-07 3.2090e-07 0.9367 0.43100
## Residuo 8 2.7400e-06 3.4260e-07
## Total 14 4.2552e-05
## ------------------------------------------------------------------------
## CV = 9.97 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.1361625
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.0604397
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a BRANCA 0.0081
## a VERMELHA 0.007233333
## b DARK_STAR 0.005466667
## bc GOLDEN 0.005
## c AMARELA 0.003566667
## ------------------------------------------------------------------------# Análise variância para hidroponia
library(ExpDes.pt)
dbc(hidro$variedades,hidro$bloco,hidro$zinco)## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 4 1.6686e-06 4.1715e-07 4.4757 0.03425
## Bloco 2 8.5480e-08 4.2740e-08 0.4586 0.64782
## Residuo 8 7.4563e-07 9.3200e-08
## Total 14 2.4997e-06
## ------------------------------------------------------------------------
## CV = 12.8 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## valor-p: 0.1771859
## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais.
## ------------------------------------------------------------------------
##
## ------------------------------------------------------------------------
## Teste de homogeneidade de variancia
## valor-p: 0.1184956
## De acordo com o teste de oneillmathews a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a VERMELHA 0.003022222
## ab GOLDEN 0.002344444
## ab BRANCA 0.002322222
## b DARK_STAR 0.002133333
## b AMARELA 0.0021
## ------------------------------------------------------------------------Análise conjunta
modelo1=with(dados[manejo=="CONVENCIONAL",],aov(zinco ~ variedades + bloco))
# anova(modelo1)
modelo2=with(dados[manejo=="HIDROPONIA",],aov(zinco ~ variedades + bloco))
# anova(modelo2)
QMResiduo1<- anova(modelo1)$`Mean Sq`[3]
QMResiduo2<- anova(modelo2)$`Mean Sq`[3]
QMResiduo<- c(QMResiduo1, QMResiduo2)
max(QMResiduo)/min(QMResiduo)## [1] 3.675343# Valor menor que 7. Análise conjunta. summary(aov(zinco ~ manejo + manejo:bloco + variedades +
manejo:variedades, data=dados))## Df Sum Sq Mean Sq F value Pr(>F)
## manejo 1 9.129e-05 9.129e-05 419.005 6.69e-13 ***
## variedades 4 2.498e-05 6.250e-06 28.668 4.05e-07 ***
## manejo:bloco 4 7.300e-07 1.800e-07 0.834 0.523
## manejo:variedades 4 1.585e-05 3.960e-06 18.190 8.43e-06 ***
## Residuals 16 3.490e-06 2.200e-07
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1library(agricolae)
# Manejo convencional
tukey.l1<-HSD.test(dados$zinco[dados$manejo=="CONVENCIONAL"],
dados$variedades[dados$manejo=="CONVENCIONAL"],
16, 2.200e-07 )
tukey.l1$groups## dados$zinco[dados$manejo == "CONVENCIONAL"] groups
## BRANCA 0.008100000 a
## VERMELHA 0.007233333 a
## DARK_STAR 0.005466667 b
## GOLDEN 0.005000000 b
## AMARELA 0.003566667 c# Local hidroponia
tukey.l2<-HSD.test(dados$zinco[dados$manejo=="HIDROPONIA"],
dados$variedades[dados$manejo=="HIDROPONIA"],
16, 2.200e-07)
tukey.l2$groups## dados$zinco[dados$manejo == "HIDROPONIA"] groups
## VERMELHA 0.003022222 a
## GOLDEN 0.002344444 a
## BRANCA 0.002322222 a
## DARK_STAR 0.002133333 a
## AMARELA 0.002100000 a# par(mfrow=c(1,2))
bar.group(tukey.l1$groups, ylim=c(0,0.0099),
main="Convencional", xlab="Variedades",
ylab="Zinco",las=1)
bar.group(tukey.l2$groups, ylim=c(0,0.0035),
main="Hidroponia", xlab="Variedades",
ylab="Zinco",las=1)
library(knitr)
media=tapply(zinco, list(variedades,manejo),mean)
tabela=data.frame("CONVENCIONAL"=media[,1],
" "=c("c","a","b","b","a"),
"HIDROPONIA"=media[,2],
" "=c("a","a","a","a","a"))
kable(tabela, align = "c", col.names = c("Convencional"," ","Hidroponia"," "))| Convencional | Hidroponia | |||
|---|---|---|---|---|
| AMARELA | 0.0035667 | c | 0.0021000 | a |
| BRANCA | 0.0081000 | a | 0.0023222 | a |
| DARK_STAR | 0.0054667 | b | 0.0021333 | a |
| GOLDEN | 0.0050000 | b | 0.0023444 | a |
| VERMELHA | 0.0072333 | a | 0.0030222 | a |