Universidade Estadual do Oeste do Paraná – Unioeste

Centro: Engenharias e Ciências Exatas Curso: Engenharia de Pesca

Disciplina: Estatística Pesqueira II Prof.: Dr. Pitágoras Augusto Piana
Data ______________
Aula 08 - Ao final desta aula vocês devem conseguir realizar e interpretar uma análises de variância
no R:
- Anova unifatorial (Oneway Anova)
- Anova de efeitos principais (Main effects Anova)
- Anova fatorial (Factorial Anova)

PRÁTICA DE ANÁLISES DE VARIÂNCIA NO R

Análise de variância unifatorial (One-way ANOVA)

1) Um experimento em DIC foi realizado para verificar se 3 linhagens de tilápias apresentam

taxas de crescimento (TC – g/dia) distintas. Seis réplicas de cada linhagem foram criadas sob as
mesmas condições durante um mês e obteve-se o seguinte resultado:

TCi, j Linhagens ( j )

Réplicas ( i ) Gift Chitralada Bouqué

1 2,53 2,23 2,23

2 2,48 2,42 2,05

3 2,19 2,18 1,68

4 2,17 2,58 1,63

5 1,93 2,25 1,99

6 2,23 2,55 1,73

Comandos para digitar no script

help(“aov”)
# Variável resposta: TC
(TC <- c(2.53, 2.48, 2.19, 2.17, 1.93, 2.23, # Gift
2.23, 2.42, 2.18, 2.58, 2.25, 2.55, # Chit
2.23, 2.05, 1.68, 1.63, 1.99, 1.73)) # Bouq
length(TC) # número de observações
# Fator: Linhagem
(Linhagem <- c("Gift","Chit","Bouq")) # Variáveis categóricas entre aspas
(Tratamento <- rep(c("Gift","Chit","Bouq"), each=6)) # Fatores entre aspas
length(Tratamento)
Modelo1 <- aov(TC~Tratamento) # Anova oneway: TC em função de Tratamento
summary(Modelo1) # Tabela ANOVA, ver teste F e p_valor

1 de 6
 Resultados no console:
> # Variável resposta: TC
> (TC <- c(2.53, 2.48, 2.19, 2.17, 1.93, 2.23, # Gift
+ 2.23, 2.42, 2.18, 2.58, 2.25, 2.55, # Chit
+ 2.23, 2.05, 1.68, 1.63, 1.99, 1.73)) # Bouq
[1] 2.53 2.48 2.19 2.17 1.93 2.23 2.23 2.42 2.18 2.58 2.25 2.55 2.23 2.05 1.68 1.63 1.99 1.73
> length(TC) # número de observações
[1] 18
> # Fator: Linhagem
> (Linhagem <- c("Gift","Chit","Bouq")) # Variáveis categóricas entre aspas
[1] "Gift" "Chit" "Bouq"
> (Tratamentos <- rep(c("Gift","Chit","Bouq"), each=6)) # Fatores entre aspas
[1] "Gift" "Gift" "Gift" "Gift" "Gift" "Gift" "Chit" "Chit" "Chit" "Chit" "Chit" "Chit" "Bouq"
"Bouq"
[15] "Bouq" "Bouq" "Bouq" "Bouq"
> length(Tratamentos)
[1] 18
> Modelo1 <- aov(TC~Tratamentos) # Anova oneway: TC em função de Tratamento
> summary(Modelo1) # Tabela ANOVA, ver teste F e p_valor
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 0.7667 0.3834 8.439 0.0035 **
Residuals 15 0.6814 0.0454
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Comentários
- Começamos usando a função concatenar c(…) para criar o vetor numérico para a taxa de
crescimento (TC).
- Usamos a função length(…) para checar se o número de elementos estava correto.
- Usamos a função c(…) para criar o vetor categórico com as Linhagem.
- Usamos a função rep(…) com o argumento each (cada) para repetir cada linhagem 6 vezes,
ou seja, o número de réplicas e criar os Tratamentos.
- Usamos a função aov(…) para realizar a análise de variância, neste caso: TC~Tratamentos,
o qual lê-se como TC “em função” dos Tratamentos.
- No resultado temos Df = 2 e 15, F = 8.439, p-value = 0.0035 **, que são os graus de
liberdade (degree of fredom), a estatística teste F e o valor de p, respectivamente. Estas
informações devem ser reportadas no texto científico da seguinte forma: … as médias foram
estatisticamente diferentes (F(2, 15) = 8.439, p = 0.0035);
- Como o valor de p foi menor que 5%, rejeita-se H0 e assume a hipótese alternativa: A
linhagem afeta a TC.

2 de 6
 2) Abaixo estão os dados de conversão alimentar (CA) e ganho de peso (GDP1) de carpas
submetidas a 4 tratamentos, com 4 réplicas cada:

Tratamentos

Resposta Réplica A S AS Controle

1 1,37 1,30 1,33 1,35

2 1,40 1,32 1,35 1,36

CA
3 1,39 1,34 1,32 1,34

4 1,41 1,33 1,31 1,37

1 325 270 260 280

2 333 300 290 290

GDP1
3 339 304 280 300

4 345 260 300 305

Digitar no script

Trat <- rep(c("A","S","AS","Controle"),each=4)

CA <- c(1.37,1.40,1.39,1.41,1.30,1.32,1.34,1.33,1.33,1.35,1.32,1.31,1.35,1.36,1.34,1.37)
Modelo2 <- aov(CA~Trat)
summary(Modelo2)

Conclusão: Os tratamentos ___________________a CA (F(___,___) = _______, p = ________)

Digitar no script

GDP1 <- c(________________________________________________________________)

Modelo3 <- aov(_____~______)
summary(____________)

Conclusão: Os tratamentos _________________o GDP1 (F(___,___) = _______, p = ________)

3 de 6
 Análise de variância de efeitos principais (Main effects ANOVA)

3) Abaixo estão os dados de alongamento de couros (Along) de tilápia frente a 4 tratamentos

obtidos de concentrações distintas de agentes de curtição. Como a capacidade de alongamento
do couro é dependente da idade do peixe, foram criados 4 blocos para controlar esse efeito.

Alongi, j Curtimentos ( j )

Blocos ( i ) C1 C2 C3 C4

Jovens 105 109 123 113

Adultos 1 108 111 127 114
Adultos 2 110 110 128 109
Velhos 111 113 130 110

Digitar no script

Along <- c(______________________________________________________________)

Blocos <- rep(c(__________________________________________), _______________)
Curtimentos <- rep(c(_________________________________________), ____________)
Modelo4 <- aov(__________~_________________________)
summary(_______________)

Conclusão:
- Os curtimentos __________________o alongamento (F(___,___) = _______, p = ________)
- Os blocos __________________o alongamento (F(___,___) = _______, p = ________)

4 de 6
 4) Abaixo estão os dados de variáveis ambientais (condutividade elétrica (CE), sólidos totais
dissolvidos (STD), pH e temperatura da água (T_ag) obtidas de amostragens realizadas em três
locais de influência de um reservatório: Montante (Mon), Reservatório (Res) e Jusante (Jus), em
3 anos. Verifique se as variáveis ambientais foram distintas entre os locais e anos. OBS.: neste
estudo observacional deve ser empregada a ANOVA de efeitos principais.

Ano 2000 2000 2000 2001 2001 2001 2002 2002 2002

Local Mon Res Jus Mon Res Jus Mon Res Jus

CE 78.50 90.40 84.60 50.00 30.00 40.00 76.20 76.00 68.20

STD 51.03 58.76 54.99 32.50 19.50 26.00 49.53 49.40 44.33
pH 6.90 7.26 7.03 6.21 5.84 5.88 5.98 6.20 6.25
T_ag 24.3 25.3 26.2 22.5 24.9 23.3 14.9 14.5 14.2

Digitar no script

Ano <- rep(c(__________________________________________), _______________)

Local <- rep(c(__________________________________________), _______________)
CE <- c(________________________________________________________________)
STD <- c(________________________________________________________________)
pH <- c(________________________________________________________________)
T_ag <- c(________________________________________________________________)
Modelo5 <- aov(__________~_________________________)
summary(_______________)
Modelo6 <- aov(__________~_________________________)
summary(_______________)
Modelo7 <- aov(__________~_________________________)
summary(_______________)
Modelo8 <- aov(__________~_________________________)
summary(_______________)

Conclusões:
- Os anos __________________a CE (F(___,___) = _______, p = ________)
- Os locais __________________a CE (F(___,___) = _______, p = ________)
- Os anos __________________a STD (F(___,___) = _______, p = ________)
- Os locais __________________a STD (F(___,___) = _______, p = ________)
- Os anos __________________a pH (F(___,___) = _______, p = ________)
- Os locais __________________a pH (F(___,___) = _______, p = ________)
- Os anos __________________a T_ag (F(___,___) = _______, p = ________)
- Os locais __________________a T_ag (F(___,___) = _______, p = ________)
5 de 6
 Análise de variância fatorial (Factorial ANOVA)

5) Um pesquisador deseja investigar o efeito de combinações de proteína bruta (PB) e energia

digestível (ED) na ração de crescimento de peixes. Para avaliar qual a combinação é a mais
eficiente, desenvolveu um experimento com dois níveis de PB (PB: 25 e 35 %) e três níveis de ED
(2500, 3000 e 3500 kcal), formando seis combinações tomadas uma de cada fator. Usando 3
réplicas (k) para cada tratamento, obteve os resultados de ganho de peso diário (GDP2):

GDP 2i, j,k EDj (kcal)

PBi (%) 2500 3000 3500

25 (2.75, 3.02, 2.96) (3.09, 3.30, 3.45) (3.05, 2.97, 2.86)

35 (3.15, 3.42, 3.21) (2.80, 2.60, 2.76) (2.94, 3.06, 3.09)

Digitar no script

PB <- rep(c(__________________________________________), _______________)

ED <- rep(c(__________________________________________), _______________)
GDP2 <- c(_______________________________________________________________)
Modelo9 <- aov(__________~_________________________)
summary(_______________)

Conclusões:
- As PB __________________a GPD2 (F(___,___) = _______, p = ________)
- As ED __________________a GDP2 (F(___,___) = _______, p = ________)
- O efeito interativo PB*ED _______________a GDP2 (F(___,___) = _______, p = ________)
- Deve ser interpretado _______________________________________.

6 de 6