Академический Документы
Профессиональный Документы
Культура Документы
LAVRAS - MG
2013
Orientador
Dr. Renato Ribeiro de Lima
LAVRAS - MG
2013
UFLA
UFLA
LAVRAS - MG
2013
AGRACECIMENTOS
Aos meus pais, por toda a confiana que depositaram em mim e
cada palavra de incentivo, sem os quais eu no teria conseguido concluir
esta etapa to importante.
A minha irm, Liliane, que fez do seu exemplo uma fonte
inspiradora, pelo constante apoio e por estar sempre ao meu lado, nas horas
mais difceis.
Ao meu irmo, Rogrio, que mesmo a distncia, sempre torceu pelo
meu sucesso. Aos demais familiares que me incentivaram.
Aos professores da Universidade Federal de So Joo del-Rei
(UFSJ), por suas contribuies e ensinamentos durante toda a graduao
em Matemtica.
Ao professor Dr.
em
Estatstica
Experimentao
Agropecuria,
pela
RESUMO
Um dos princpios bsicos da experimentao a aleatorizao,
tendo como finalidade gerar uma distribuio de amostragem para os erros
experimentais, cujo comportamento assinttico aproxima-se de distribuies
normais no-correlacionadas.
fatores estudados.
ABSTRACT
One of the essential principles of the experimentation is the
randomization which contributes towards the presuppositions which the
errors should be both equally and identically distributed, are met.
Nevertheless, not always the randomization practice is enough to counteract
the effects of correlation among the neighboring plots and for that
reason, experiments are found of which mistakes present a definite spatial
dependence structure. A way to bypass that trouble is to utilize a spatial
approach in which it is possible to estimate and model the spatial correlation
among the mistakes. So, the objective of this work was to report how
to implement and carry out the variance analysis with spatially correlated
errors in which the error covariance matrix, modeled through a geostatistical
modeling, was utilized as a weighting factor of the sums of squares of
the variance analysis. With the purpose of evaluating the efficiency of
the geostatistical approach, experiments established under the completely
randomized designs and in randomized blocks with different numbers of
plots. The data were obtained by simulation following spherical and
exponential covariance models with different settings of spatial dependence.
The results obtained showed that even in experiments presenting spatially
correlated errors, it is possible to continue to take advantage of the variance
analysis as a tool to compare the different sources of variability. Nevertheless
for that to occur, it is necessary for the error correlation matrix to be
regarded as a weighting factor of the sums of the squares. Besides, the
spatial error correlation modeling proved more efficient, since it produced
greater values to the F statistic, if compared with the values obtained by
the model which supposed spatial error independence. With this, one can
conclude that the use of geostatistic tools in the analysis of experiments
was more effective to detect differences among the means of the investigated
factors.
Semivariogram.
Covariance.
Analysis
LISTA DE ILUSTRAES
Figura 1
Figura 2
Figura 3
. . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Figura 4
Figura 5
Grfico 1
Grfico 2
Grfico 3
Grfico 4
. . . . . . . . . . . . . . . . . 29
Grfico 5
. . . . . . . . . . . . . . . . . . 29
Grfico 6
Grfico 7
Grfico 8
LISTA DE TABELAS
Tabela 1
Tabela 2
Tabela 3
Tabela 4
Tabela 5
Tabela 6
Tabela 7
Tabela 8
Tabela 9
96
SUMRIO
1
2
2.1
2.1.1
2.1.2
2.1.3
2.1.4
2.2
2.2.1
2.2.2
2.2.3
2.2.4
3
3.1
3.2
3.3
3.4
4
4.1
4.2
4.2.1
4.2.2
4.2.3
4.2.4
4.3
4.3.1
4.3.2
4.3.3
4.4
4.5
5
INTRODUO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
REFERENCIAL TERICO. . . . . . . . . . . . . . . . . . . . . . . . 15
Geoestatstica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Estacionariedade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Estimao do semivariograma . . . . . . . . . . . . . . . . . . . . . . 21
Modelos tericos de semivariograma . . . . . . . . . . . . . . . . 25
Modelos espaciais lineares. . . . . . . . . . . . . . . . . . . . . . . . . . 30
Estatstica Experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
A anlise de varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Delineamento inteiramente casualizado (DIC) . . . . . . . 36
Delineamento em blocos casualizados (DBC) . . . . . . . . 40
Abordagem espacial na experimentao . . . . . . . . . . . . . 44
MATERIAIS E MTODOS . . . . . . . . . . . . . . . . . . . . . . . . 49
Simulao de dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Estimao de parmetros . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Modelagem geoestatstica do erro. . . . . . . . . . . . . . . . . . . 56
O teste F da anlise de varincia . . . . . . . . . . . . . . . . . . . 60
RESULTADOS E DISCUSSES. . . . . . . . . . . . . . . . . . . . 63
Estimao de parmetros considerando = V 2 . . . . . . 63
Delineamento inteiramente casualizado (DIC) . . . . . . . 65
Estimao de parmetros via modelos particionados . . 65
Anlise de varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Esperanas dos quadrados mdios . . . . . . . . . . . . . . . . . . 71
Aplicabilidade do teste F . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Delineamento em blocos casualizados (DBC) . . . . . . . . 78
Anlise de varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Esperanas dos quadrados mdios . . . . . . . . . . . . . . . . . . 82
Aplicabilidade do teste F . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Anlise dos dados simulados. . . . . . . . . . . . . . . . . . . . . . . . 88
Exemplo de aplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
CONCLUSES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
REFERNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
ANEXOS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
13
INTRODUO
A execuo do planejamento clssico de um experimento baseia-
14
espacial, afirmando que a considerao da informao espacial pode tornarse um fator decisivo sobre as concluses de um experimento.
Com isso, o presente trabalho foi realizado com o principal objetivo
de desenvolver um material didtico, descrevendo, detalhadamente, como
implementar e executar a anlise de varincia com erros espacialmente
correlacionados, na qual a matriz de covarincia dos erros foi modelada
por meio de uma abordagem geoestatstica, em experimentos instalados
sob os delineamentos inteiramente casualizados e em blocos casualizados.
Nesse processo de desenvolvimento, foram ainda determinadas as esperanas
dos quadrados mdios, alm de verificar a aplicabilidade do teste F para
comparar a igualdade entre as mdias dos fatores em estudo.
O semivariograma foi utilizado como principal ferramenta para
detectar e descrever a estrutura de variabilidade espacial, de modo que
os modelos tericos ajustados ao mesmo foram utilizados para compor a
matriz de covarincia dos erros. Em sntese, a modelagem geoestatstica
do erro busca uma estimativa para a funo geral de covarincia, a qual
pondera, alm da soluo para o sistema de equaes normais (S.E.N), as
somas de quadrados da anlise de varincia.
Quanto estimao de parmetros, foram utilizadas as teorias
de quadrados mnimos generalizados e de mxima verossimilhana para
a obteno de estimadores para os parmetros do modelo, levando em
considerao a dependncia espacial dos erros.
Com o objetivo de verificar a relao entre a eficincia da anlise
espacial e as configuraes de dependncia geoestatstica, foram geradas
diferentes combinaes de valores dos parmetros do semivariograma,
seguindo modelos de semivarincia esfrico e exponencial.
Por fim, foi realizada uma comparao entre a anlise clssica,
cujos erros so considerados independentes e a anlise espacial, em que a
modelagem da correlao entre os erros foi feita por meio da Geoestatstica.
Nessa comparao avaliou-se o valor da estatstica do teste F da anlise de
varincia clssica e espacial, de modo que a anlise que produziu maiores
valores para essa estatstica foi considerada a mais eficiente.
15
REFERENCIAL TERICO
O referencial terico dividido em dois temas centrais, os quais
2.1
Geoestatstica
A necessidade do desenvolvimento e da utilizao de ferramentas
16
A sua diferena
17
2.1.1
Estacionariedade
A distribuio espacial de n valores amostrados de uma varivel
18
estacionaridade.
Segundo Guimares (2004), um processo estacionrio se o
desenvolvimento do mesmo, no tempo ou no espao, ocorrer de forma
homognea, com pequenas oscilaes aleatrias contnuas em torno de
um valor mdio.
(2.1)
[ ()] = = constante x;
em que representa o k -simo momento da varivel ().
Vale ressaltar que uma varivel dita estacionria de ordem k
tambm estacionria para ordens inferiores a k, ou seja, estacionria de
ordem 1, 2, . . . , 1.
Na anlise geoestatstica necessita-se, como restrio mxima, que
a hiptese de estacionaridade de 2 ordem seja atendida. Segundo Journel
(1989), uma varivel () pode ser considerada estacionria de 2 ordem se
(i) a esperana de () existe e no depende da posio x, ou seja:
[ ()] = = constante;
(2.2)
(2.3)
19
(2.4)
(2.5)
Sendo
20
() = (0) ().
(2.7)
Grfico 1
() =
()
(0) ()
()
=
=1
.
(0)
(0)
(0)
(2.8)
21
se a hiptese
2.1.2
Estimao do semivariograma
Conforme afirma Journel (1987), a anlise variogrfica uma arte,
o estimador clssico de
22
()
1
[ ( ) ( + ) ]2 ,
^ () =
2 ()
(2.9)
=1
em que
^ () o estimador de semivarincia;
() representa o nmero de pares de valores medidos separados por uma
distncia h;
( ) e ( + ) so realizaes da varivel aleatria Y, nas coordenadas
e + , de tal modo que esses pontos esto separados por uma
distncia h.
Entretanto, esse estimador apresenta como desvantagem o fato
de ser influenciado por observaes atpicas (outliers), o que pode ser
justificado pelo termo ao quadrado que aparece no somatrio. Sendo assim,
se os dados apresentam outliers, outros estimadores de semivarincia devem
ser considerados para descrever a variabilidade espacial.
Um semivariograma tpico com caractersticas ideais, cuja varivel
atende estacionariedade de segunda ordem, pode ser ilustrado conforme o
Grfico 2.
23
Grfico 2
Deste ponto em
pepita
( 2 ):
representa
24
variabilidade regionalizada que pode ser explicada por um modelo com uma
certa estrutura de dependncia espacial.
possvel avaliar e quantificar a dependncia espacial de uma
varivel.
dependncia. Essa medida representa nada mais do que a razo entre o valor
do efeito pepita e do patamar do semivariograma. Segundo Cambardella et
al. (1994), pode-se classificar uma varivel regionalizada, com relao ao
seu grau de dependncia espacial, da seguinte forma:
(i) varivel com forte dependncia espacial: se o efeito pepita for menor ou
igual a 25% do patamar, ou seja, 2 /( 2 + 2 ) 0, 25;
(ii) varivel com moderada dependncia espacial:
se o efeito pepita
25
2.1.3
( ) 0,
(2.10)
=1 =1
26
, = 0;
[ ( 0)
( )3 ]
1
3
() =
2 + 2
, 0 < < ;
2
2
2 + 2
, ;
(2.11)
Modelo exponencial:
() =
0
[
2 + 2 1 exp
)] , = 0;
, = 0;
(2.12)
Modelo gaussiano:
0
, = 0;
( )2
() =
3
2 + 2 1 exp
, =
0.
(2.13)
Os
27
Grfico 3
0
2
, = 0;
, = 0;
(2.14)
28
, = 0;
, = 0.
(2.15)
29
Grfico 4
Grfico 5
Modelo
puro
efeito
pepita
30
2.1.4
(2.16)
em que
() um componente determinstico, uma tendncia associada a um
valor mdio constante, de tal forma que [ () ] = ()
[ ( ), ( ) ] = 0, , ;
() uma varivel aleatria com dependncia espacial.
neste
31
semivariograma, [ () ] = 2 e, se = , [ ( ), ( ) ] = 0,
, .
As variveis () e () so definidas de tal modo que
[ (), () ] = 0, ou seja, () e () so espacialmente independentes.
Com isso, para qualquer posio espacial , , tem-se que a mdia e
a covarincia da varivel aleatria () so dadas por
[ () ] = ();
[ ( ), ( ) ] = 2 + 2 , se = ;
(2.17)
[ ( ), ( ) ] = [ ( ), ( ) ], se = .
De modo geral, supondo-se distribuio gaussiana, a distribuio
do vetor de erros aleatrios dada por (0, I 2 ), em que 0 corresponde
a um vetor de zeros e I representa uma matriz identidade de ordem n,
sendo n o nmero de valores amostrados da varivel Y. Da mesma forma, a
distribuio do vetor , referente componente espacialmente estruturada,
dada por (0, F2 ), sendo F uma matriz quadrada de ordem n, cujo
ij -simo elemento contm os valores da funo ( ), a qual corresponde
aos modelos de covarincia utilizados para descrever a variabilidade espacial
da varivel () nas posies espaciais e , de modo que =
a distncia euclidiana entre e .
Com isso, possvel concluir que o vetor , constitudo por ( )
em todas as posies espaciais amostradas, segue distribuio
gaussiana, de modo que (, I 2 + F2 ). No desenvolvimento deste
texto, comumente, (I 2 + F2 ) ser representado por . Para facilitar a
visualizao e a interpretao dessa matriz de covarincias, observe que:
[ (1 ), (1 ) ] [ (1 ), (2 ) ] [ (1 ), ( ) ]
[ (2 ), (1 ) ] [ (2 ), (2 ) ] [ (2 ), ( ) ]
=
..
..
..
..
.
.
.
.
[ ( ), (1 ) ] [ ( ), (2 ) ] [ ( ), ( ) ]
32
2 + 2
( 12 )
=
..
( 1 )
( 12 ) ( 1 )
2 + 2
..
.
( 2 )
( 2 )
.
..
..
.
.
2
2
+
( )
12
F=
..
( )
1
2
( 12 )
2
..
.
( 2 )
2
..
( 1 )
2
( 2 )
.
2
..
(2.18)
33
[ 0 | ] = 2 2 v (I 2 + F2 )1 2 v.
(2.19)
em que v representa o vetor transposto de v, sendo que este, por sua vez,
um vetor cujo i -simo elemento dado por ( 0 ), = 1, . . . , , com
0 = 0 .
De maneira geral, dado um vetor com mdia zero, a esperana
do vetor [ | ] dada por
[ | ] = 2 V (I 2 + F2 )1 ( ),
(2.20)
( 12 )
V=
..
( 1 )
( 12 ) ( 1 )
1
..
.
( 2 )
( 2 )
.
..
..
.
.
34
2.2
Estatstica Experimental
A Estatstica Experimental uma cincia que tem como objetivo
35
2.2.1
A anlise de varincia
Uma das ferramentas para a anlise e a interpretao de dados,
Estas
36
teste
surge
pela
Os delineamentos
2.2.2
37
38
(2.21)
em que
a observao do i -simo tratamento na j -sima repetio, com =
1, 2, . . . , e = 1, 2, . . . , ;
uma constante inerente a cada observao que, sob restrio de que
= 0, a mdia geral;
=1
(2.22)
39
as mdias so
0 : 1 = 2 = . . . =
(2.23)
1 : = , para algum = ,
ou, equivalentemente,
0 : 1 = . . . = = 0
(2.24)
1 : = 0, para algum .
=1
=1 =1
FV
GL
SQ
Tratamento
(t-1)
SQTrat
Resduo
t(r -1)
SQRes
Total
(tr -1)
SQT
QM
QMTrat =
t1
QMRes =
t(r1)
40
em que
1 2 2
,
=1
=1 =1
=1 =1
1 2
= .
=1
[ ] = 2 +
[ ] = 2 .
(2.25)
=1
2.2.3
41
(2.26)
em que
a observao do i -simo tratamento do j -simo bloco, com =
1, 2, . . . , e = 1, 2, . . . , ;
uma constante inerente a cada observao que, sob restrio de que
= 0 e
= 0, a mdia geral;
=1
=1
42
(2.27)
1 : = , para algum = ,
em que = + representa a mdia do i -simo tratamento.
Ou,
equivalentemente,
0 : 1 = . . . = = 0
1 : = 0, para algum .
Entretanto,
(2.28)
em um
(2.29)
43
Tabela 2
FV
GL
SQ
QM
Blocos
(r -1)
SQB
Tratamento
(t-1)
SQTrat
Resduo
(t-1)(r -1)
SQRes
Total
(tr -1)
SQT
QMB =
r1
QMTrat =
t1
QMRes =
t(r1)
em que:
1 2 2
,
=
1 2
2
=
,
=1
=1 =1
=1 =1
=1
=1
=1
1 2 1 2 2
+
= ,
2
.
2
[ ] = +
.
1
2
=1
(2.30)
44
2.2.4
Na
45
46
47
48
Alm disso, o
49
MATERIAIS E MTODOS
3.1
Simulao de dados
Para o desenvolvimento deste trabalho, os dados analisados foram
(ii )
50
Tabela 3
Parmetro
Valor fixo
10
1
7
2
10
3
5
Parmetro
Valor fixo
Tabela 4
6
10
12
7
13
6
7
9
14
6
8
5
9
10
10
6
11
7
15
9
10
1
6
2
4,5
3
9
4
6,5
5
8
6
6,5
Parmetro
Valor fixo
10
Parmetro
Valor fixo
12
5,5
Tabela 6
5
8
Parmetro
Valor fixo
Tabela 5
4
5
1
4
13
7
2
6
3
8
14
6
4
9,5
15
4
5
5
1
12
6
7
2
8
7
6
3
6
8
10
4
9
9
8,5
5
9
6
10
10
4
7
5
11
9
8
7,5
Parmetro
Valor fixo
10
1
5,5
2
7
3
5,5
4
9,5
5
4
6
6
1
12
2
8
3
9,5
4
10
5
6
51
Experimento (i)
efeito pepita patamar alcance
0,10
2,5
3
0,10
2,5
6
0,10
2,5
9
0,75
2,5
3
0,75
2,5
6
0,75
2,5
9
Experimento (ii)
efeito pepita patamar alcance
0,10
2,5
2
0,10
2,5
4
0,10
2,5
6
0,75
2,5
2
0,75
2,5
4
0,75
2,5
6
52
Figura 1
Figura 2
53
Figura 3
54
Figura 4
3.2
Estimao de parmetros
Um modelo linear, de forma geral, pode ser representado por:
= X + ,
(3.1)
em que
o vetor de observaes de ordem n 1;
X a matriz de incidncia dos paramtros do modelo de ordem n , em
que p o nmero de parmetros presentes no modelo;
o vetor de paramtros do modelo de ordem 1;
o vetor de erros aleatrios de ordem n 1, sendo que, frequentemente,
assume-se que (0 , I 2 ).
Neste trabalho, os estimadores dos parmetros do modelo
considerando-se erros espacialmente dependentes foram obtidos pelos
mtodos de quadrados mnimos generalizados e mxima verossimilhana.
Entretanto, para a obteno das somas de quadrados da anlise de
varincia, por meio da reduo de modelos, foi necessrio obter estimadores
dos parmetros de acordo com os modelos particionados.
Segundo Searle (1987), convenientemente, um modelo linear pode
55
(3.2)
11
12
21
22
31
32
1 1 0 0
1 1 0 0
1 0 1 0
1 0 1 0
1 0 0 1
1
+
1 0 0 1
11
12
21
;
22
31
32
11
12
21
22
31
32
1 0 0
11
12
1 0 0
1
0 1 0
21
2 +
22
0 1 0
3
0 0 1
31
0 0 1
32
(3.3)
56
11
12
21
22
31
32
1 1 0 0 1 0
1 1 0 0 0 1
1 0 1 0 1 0
1 0 1 0 0 1
1 0 0 1 1 0
1 0 0 1 0 1
11
12
21
;
22
31
32
11
12
21
22
31
32
3.3
1 0 0
1 0
0 1
1 0 0
1
0 1 0
1 0
2 +
0 1
0 1 0
3
1 0
0 0 1
0 0 1
0 1
11
[
] 12
1
21
+
2
22
31
32
57
ii.
No entanto, se o
58
( 1 , 2 ) ( 1 , )
(2 )
( 2 , )
( 2 , 1 )
=
.
.
..
..
..
..
.
.
( , 1 ) ( , ) ( )
(1 )
( 12 )
=
..
( 1 )
( 12 ) ( 1 )
2
..
.
( 2 )
( 2 )
;
..
..
.
.
()
, em que
(0)
59
V 2
( 12 )
=
..
( 1 )
( 12 ) ( 1 )
1
..
.
( 2 )
( 2 )
2;
..
..
.
.
() =
2 + 2
1
, = 0;
( )
( )3 ]
1 1, 5
+ 0, 5
, 0 < < ;
(3.4)
, .
Modelo exponencial:
() =
1
, = 0;
[
(
)]
2
3
exp
, =
0.
2 + 2
(3.5)
(3.6)
60
No processo iterativo desse algoritmo, a partir do vetor 0 , obtmse uma nova estimativa para o vetor de erros, de modo que ^* =
X0 . No intuito de encontrar uma maior eficincia dos resultados, um novo
semivariograma deve ser construdo, com base na varivel aleatria ^* . A
esse semivariograma, novamente, ajusta-se um modelo terico e obtm-se
novas estimativas para os seus parmetros. Com essas estimativas possvel
construir novamente a matriz de covarincia dos erros , a qual utilizada
para obter um novo vetor de parmetos 0 . Pontes (2002) assumiu como
critrio de estabilizao a convergncia dos valores mdios dos erros padro
dos valores preditos.
Neste trabalho, esse processo foi repetido at que as estimativas
dos parmetros do semivariograma se estabilizassem e, cosequentemente,
ocorresse a estabilizao de todo o processo, sendo considerada uma
tolerncia de 104 . Os parmetros encontrados na ltima iterao foram,
ento, utilizados para calcular a matriz de covarincia dos erros (), a qual
assumiu um papel fundamental na obteno das somas de quadrados da
anlise de varincia.
importante ressaltar que, durante o processo de modelagem
da variabilidade espacial do erros, todas as anlises geoestatsticas foram
realizadas com o auxlio do pacote geoR (RIBEIRO JNIOR; DIGGLE,
2001), implementado no software R (R DEVELOPMENT CORE TEAM,
2012).
3.4
61
Para isso, foi necessrio mostrar que a estatstica 0 deste teste vem de uma
distribuio F de Snedecor.
Segundo Mood, Graybill e Boes (1974), uma varivel aleatria
com distribuio F dada pela razo entre duas variveis aleatrias com
distribuio qui-quadrado (2 ), divididas por seus respectivos graus de
liberdade. Desse modo, considerando U uma varivel aleatria que segue
uma distribuio qui-quadrado com m graus de liberdade e V outra varivel
aleatria que tem distribuio qui-quadrado com n graus de liberdade, de
tal forma que U e V sejam independentes, possvel afirmar que a varivel
aleatria
=
/
/
(3.7)
2(, )
2
2() ,
2
(3.8)
62
0 =
(/ 2 )/
=
(, ; ),
(/ 2 )/
(3.9)
63
RESULTADOS E DISCUSSES
4.1
com
(0 , ),
(4.1)
1
1
(, ) = ( ) = (2) 2 | | 2 exp[ ( X) 1 ( X)], (4.2)
2
64
1
ln (, 2 ) = ln(2) ln(| V |) ln( 2 ) 2 ( X) V1 ( X),
2
2
2
2
tem-se que os estimadores de mxima verossimilhana para e 2 so dados
por
ln (, 2 )
= 2X V1 + 2X V1 X0 = 0,
0 = (X V1 X) X V1 .
(4.3)
ln (, 2 )
1
= 2 +
( X0 ) V1 ( X0 ) = 0,
2
2^
2(^
2 )2
^2 =
( X0 ) V1 ( X0 )
.
(4.4)
(4.5)
65
[] = [L ] = L [] = 0,
[] = [L ] = L []L = (L1 L)L VL 2 = L1 (LL )VL 2 ,
[] = I 2 .
Com isso, tem-se que (0, I 2 ) e, desse modo, o vetor de
parmetros pode ser estimado por
0 = (Z Z) Z ,
(4.6)
(4.7)
4.2
Devido s suas
66
(4.8)
.
com Z = [ Z1 .. Z2 ], de forma que Z1 = L X1 e Z2 = L X2 .
Os estimadores dos parmetros e foram obtidos a partir do
sistema de equaes normais (S.E.N) do modelo (4.5):
(Z Z)0 = Z ,
[
Z1
Z2
[
Z1 Z2
Z1 Z1 Z1 Z2
] [
Z2 Z1 Z2 Z2
{
0
0
0
[
=
[
=
Z1
Z2
Z1
Z2
]
,
]
,
Z1 Z1 0 + Z1 Z2 0 = Z1 ,
(I)
Z2 Z1 0
(II)
Z2 Z2 0
Z2 .
67
Z2 Z1 Z+
1 Z1 + Z2 Z1 Z1 Z2 = Z2 Z1 Z1 ;
+
0
Z2 Z1 0 + Z2 Z1 Z+
1 Z2 = Z2 Z1 Z1 .
(III)
Z2 Z1 0 + Z2 Z2 0 = Z2 ,
+
0
Z2 Z1 0 Z2 Z1 Z+
1 Z2 = Z2 Z1 Z1 ,
+
0
Z2 (I Z1 Z+
1 )Z2 = Z2 ( Z1 Z1 ) ;
0 = (Z2 RZ2 ) Z2 R,
com R = I Z1 (Z1 Z1 )1 Z1 .
Para encontrar um estimador para , basta substituir 0 na
equao (I),
0 = (Z1 Z1 )1 Z1 (Z1 Z1 )1 Z1 Z2 0 ;
0 = (Z1 Z1 )1 Z1 Q,
em que Q = I Z2 (Z2 RZ2 ) Z2 R.
Por fim, substituindo-se Z1 = L X1 , Z2 = L X2 , = L e
V1 = LL , encontra-se que os estimadores para e referentes ao modelo
particionado, cujos erros so espacialmente correlacionados, so dados por
0 = (X2 RV X2 ) X2 RV ,
(4.9)
0 = (X1 V1 X1 )1 X1 QV ,
(4.10)
68
QV = V1 V1 X2 (X2 RV X2 ) X2 RV .
4.2.2
Anlise de varincia
De acordo com o modelo transformado = Z + , de modo
69
= = V1 0 X1 V1 .
Na Tabela 8 apresentado o esquema desta anlise de varincia,
de forma que r (A) denota o posto de uma matriz A.
Tabela 8
FV
Tratamento
GL
(X) (X1 )
Resduo
(V1 ) (X)
V1 0 X V1
Total
(V1 ) (X1 )
V1 0 X1 V1
0 X V1
SQ
0 X1 V1
sendo P
V1 X(X V1 X) X V1
P1
X1 (X1 V1 X1 )1 X1 V1 .
Tabela 9
FV
Tratamento
Resduo
Total
GL
(X) (X1 )
1
(V
) (X)
(V1 ) (X1 )
(P
SQ
P1 )
(V1 P)
(V1 P1 )
70
(I)
(II)
= Z1 + ;
= Z1 + Z2 + ;
FV
Mdia
GL
(X1 )
SQ
()
Tratamento
(X) (X1 )
(|) = (, ) ()
Resduo
(I() ) (X)
(, )
Total
(I() )
71
Ao substituir Z1 = L X1 , Z2 = L X2 , = L e V1 = LL , as
somas de quadrados desta anlise de varincia so dadas por
= V1 V1 X1 (X1 V1 X1 )1 X1 V1 = RV ;
= RV X2 (X2 RV X2 ) X2 RV ;
= = [RV RV X2 (X2 RV X2 ) X2 RV ] ;
em que RV = V1 P1 = V1 V1 X1 (X1 V1 X1 )1 X1 V1 .
4.2.3
com
= 1, 2, . . . , e = 1, 2, . . . , .
(4.11)
1 2
1 2 2
2
e =
;
=
=1
=1 =1
=1
e =
.
1
( 1)
Considerando que [ ] = 0, [ ] = 2 , [ , ] =
[ ] = 0 para algum = e definindo
=
>
2( , ), =
>
2( , ) e
72
2( , ),
>
FV
Tratamento
erros
E[QM]
1
2
1
( + )
+
+
1
( 1)
Resduo
( 1)
(4.12)
73
2 ( (X))
[ ] =
=
= 2.
(X)
(V1 ) (X)
De maneira anloga, possvel encontrar a esperana da soma de
quadrados de tratamento, de forma que
74
[ ] = [ P ] [ P1 ],
em que P1 = V1 X1 (X1 V1 X1 )1 X1 V1 .
[ ] = 2 (X) + X V1 X 2 (P1 V) X P1 X;
[ ] = 2 ((X) 1) + X V1 X X P1 X;
(*)
(*) = ( X1 + X2 )V1 (X1 + X2 ) ( X1 + X2 )P1 (X1 + X2 );
(*)
2 X1 V1 X1
X2 V1 X2
(X1 V1 X1 )(X1 V1 X1 )1 X1 V1 X2
]
1
=
[ ];
(X) 1
(X) 1
[ ] = 2 +
1
X2 (V1 P1 )X2 .
(X) 1
75
Tabela 12 Esperana dos quadrados mdios de um DIC considerando erros
espacialmente correlacionados.
FV
Tratamento
E[QM]
1
2 +
X2 (V1 P1 )X2
(X) 1
Resduo
4.2.4
Aplicabilidade do teste F
O teste F da anlise de varincia surge pela considerao da
Porm, a
= [ 2 1 2 1 X(X 2 1 X)+ X 2 1 ] ;
76
= [1 1 X(X 1 X)+ X 1 ].
2
Desse modo, definindo A = 1 1 X(X 1 X)+ X 1 ,
preciso mostrar que A idempotente:
AA = [1 1 X(X 1 X)+ X 1 ][1 1 X(X 1 X)+ X 1 ],
AA = [1 1 X(X 1 X)+ X 1 ][I X(X 1 X)+ X 1 ],
AA = [1 1 X(X 1 X)+ X 1 ] = A.
77
1 1
(X X(X 1 X)+ X 1 X X 1 X1 (X1 1 X1 )1 X1 1 X),
2
1 1
X ( 1 X1 (X1 1 X1 )1 X1 1 )X,
2
1 1
1 1
X (V P1 )X =
X2 (V P1 )X2 .
2
2
2 2
(X, ) e A e B so
78
4.3
1
X2 (V1 P1 )X2 .
2 2
Anlise de varincia
O modelo de um experimento instalado sob um delineamento
79
(4.13)
(4.14)
em que = L , Z1 = L X1 , Z2 = L X2 , Z3 = L X3 e = L . Conforme
demonstrado na seo (4.1), (0, I 2 ).
A partir dessa partio possvel obter as somas de quadrados
da anlise de varincia por meio da abordagem de modelos reduzidos.
Conforme afirma Searle (1987), o modelo (4.14) apresenta as seguintes
redues:
(I)
= Z1 + ;
(II)
= Z1 + Z2 + ;
(III)
= Z1 + Z2 + Z3 + .
0 = 0 = (Z Z) Z ;
0
80
.
.
em que Z = [ Z1 .. Z2 .. Z3 ].
Com base nesses estimadores, visando anlise de varincia de
um delineamento em blocos casualizados, possvel encontrar as seguintes
somas de quadrados:
() = ^
= 0 Z1 = Z1 (Z1 Z1 )1 Z1 ;
0 Z ;
(, ) = ^
= 0 Z1 +
2
FV
Mdia
GL
(X1 )
SQ
()
Tratamento
(X2 ) (X1 )
(|)
Bloco
(X) (X2 )
(|, )
Resduo
(I() ) (X)
(, , )
Total
(I() )
81
FV
Tratamento
GL
(X2 ) (X1 )
SQ
Bloco
(X) (X2 )
(P P1 P2 )
Resduo
(V1 ) (X)
(V1 P)
Total
(V1 ) (X1 )
(V1 P1 )
82
4.3.2
com
= 1, 2, . . . , e = 1, 2, . . . , .
(4.15)
1 2 2
,
=1
=1 =1
1 2
2
e
=1
=1
=1
2
1 2 1 2
+ ;
, =
e =
.
1
1
( 1)( 1)
dependncia espacial
83
[ , ] = 0 = .
Desse modo, as esperanas dos quadrados mdios apresentados so
dadas conforme a Tabela 15.
Tabela 15
FV
Tratamento
Blocos
2 +
2 +
E[QM]
1
2
2( , )
( 1)
1
2
+
2( , )
1
Resduo
>
1
( 1)
>
2( , )
>
FV
Tratamento
Blocos
Resduo
2 +
2 +
2 +
E[QM]
1
1
2 +
( + )
( 1)
2 +
1
1
( + )
( 1)
1
1
( ) +
( 1)
( 1)( 1)
84
FV
Tratamento
Blocos
E[QM]
2 +
( X2 P2 X2
2 +
+ X3 P2 X3 + 2 X2 P2 X3 )
(X2 ) 1
Resduo
em que G = RV P2 = RV RV X2 (X2 RV X2 ) X2 RV .
4.3.3
Aplicabilidade do teste F
Para garantir a validade do teste F, utilizado para comparar a
85
em que R = 1 1 X1 (X1 1 X1 ) X1 1 .
Definindo D = R X2 (X2 R X2 ) X2 R , necessrio mostrar que
D idempotente. Observe que
R R = 1 21 X1 (X1 1 X1 )1 X1 1 + 1 X1 (X1 1 X1 )1 X1 1 ;
R R = 1 1 X1 (X1 1 X1 ) X1 1 = R .
Desse modo
DD = R X2 (X2 R X2 ) X2 R R X2 (X2 R X2 ) X2 R ;
DD = R X2 (X2 R X2 )+ X2 R X2 (X2 R X2 )+ X2 R ;
DD = R X2 (X2 R X2 )+ X2 R = D.
Com isso, / 2 tem distribuio 2 no central, com
parmetro de no centralidade = X P2 X/2 2 e graus liberdade dado
por
(D) = (P2 ) = ([I() X1 (X1 1 X1 )1 X1 1 ]X2 (X2 R X2 )+ X2 R );
(D) = (X1 (X1 1 X1 )1 X1 1 X2 (X2 R X2 )+ X2 R ) +
+ (X2 (X2 R X2 )+ X2 R );
(D) = (X2 R X2 (X2 R X2 )+ ) = (X2 R X2 ) = (X2 ) 1.
A prxima etapa mostrar que / 2 tem distribuio
qui-quadrado 2 . Para isso, definindo
D = R X2 (X2 R X2 )+ X2 R ,
86
1
X (RV P2 )X.
2 2
87
88
(/ 2 )/(X) (X2 )
=
(3 , 2 ; ) ,
(/ 2 )/ (X)
de forma que
=
4.4
1 = (X2 ) 1,
2 = (X),
3 = (X) (X2 ),
1
1
X P2 X e = 2 X (RV P2 )X .
2
2
2
Anlise dos dados simulados
No intuito de avaliar a eficincia da anlise de varincia que
89
Configurao
(0,10;
(0,10;
(0,10;
(0,75;
(0,75;
(0,75;
2,5;
2,5;
2,5;
2,5;
2,5;
2,5;
3)
6)
9)
3)
6)
9)
Modelo esfrico
Modelo exponencial
Aumento
Iguais
Mdia
Aumento
Iguais
Mdia
86,0
93,6
90,4
56,4
82,4
64,2
0,6
0,0
0,2
2,2
0,8
1,6
31,50
88,48
96,41
7,75
22,81
21,08
78,6
84,6
86,0
49,0
52,0
45,2
8,0
6,2
4,4
22,4
19,0
21,2
39,77
56,68
62,94
9,44
9,94
7,39
Configurao
(0,10;
(0,10;
(0,10;
(0,75;
(0,75;
(0,75;
2,5;
2,5;
2,5;
2,5;
2,5;
2,5;
2)
4)
6)
2)
4)
6)
Modelo esfrico
Modelo exponencial
Aumento
Iguais
Mdia
Aumento
Iguais
Mdia
32,6
71,0
72,4
22,8
46,8
47,4
30,8
7,6
8,0
43,6
22,0
22,4
4,83
49,84
65,43
14,15
15,28
19,35
48.0
55.6
61.6
36.8
39.2
36.2
24,2
17,4
16,0
33,6
33,2
37,2
17,83
36,35
34,65
5,49
9,44
8,13
90
91
Tabela 20
Configurao
(0,10;
(0,10;
(0,10;
(0,75;
(0,75;
(0,75;
2,5;
2,5;
2,5;
2,5;
2,5;
2,5;
3)
6)
9)
3)
6)
9)
Modelo esfrico
Modelo exponencial
Aumento
Iguais
Mdia
Aumento
Iguais
Mdia
41,8
74,4
69,2
19,6
41,8
26,2
0,2
0,6
0,2
0,4
4,4
10,2
1,81
33,89
29,44
-8,67
0,50
-7,54
40,6
52,6
55,2
16,6
16,6
11,6
32,6
28,2
25,4
48,8
49,0
59,0
7,09
12,86
14,09
-1,18
-2,18
-1,92
Configurao
(0,10;
(0,10;
(0,10;
(0,75;
(0,75;
(0,75;
2,5;
2,5;
2,5;
2,5;
2,5;
2,5;
3)
6)
9)
3)
6)
9)
Modelo esfrico
Modelo exponencial
Aumento
Iguais
Mdia
Aumento
Iguais
Mdia
51,0
75,0
73,4
28,8
38,6
26,2
0,2
0,6
0,2
5,4
4,4
10,2
6,04
52,02
30,12
-5,15
-0,44
-4,9
41,8
49,4
47,0
15,2
11,8
8,0
32,6
28,2
25,2
48,4
49,0
59,0
6,54
10,54
11,94
-2,15
-3,25
-2,76
92
Configurao
(0,10;
(0,10;
(0,10;
(0,75;
(0,75;
(0,75;
2,5;
2,5;
2,5;
2,5;
2,5;
2,5;
2)
4)
6)
2)
4)
6)
Modelo esfrico
Modelo exponencial
Aumento
Iguais
Mdia
Aumento
Iguais
Mdia
28,2
52,4
51,2
21,8
33,2
26,6
60,6
33,4
36,6
64,4
50,8
58,2
6,90
25,99
23,13
4,50
10,60
6,75
29,6
37,0
37,2
19,4
16,6
19,4
57,2
48,0
49,6
63,8
67,6
66,0
5,18
7,38
8,63
2,00
0,73
1,84
93
valor de efeito pepita 0,1 a abordagem espacial foi mais eficiente do que se
considerando o valor de efeito pepita 0,75.
Na Tabela 23 possvel observar que a estatstica 0 , utilizada para
comparar as mdias dos blocos, em mdia, diminuiu quando a informao
espacial dos erros foi considerada. Um dos motivos que podem justificar esse
fato que a modelagem da dependncia espacial dos erros tenha conseguido
explicar os efeitos referentes aos blocos e, desse modo, a variabilidade
explicada por esse fator deixou de ser significaiva, resultando em valores
para 0 menores quando se considerou a estrutura de dependncia espacial.
Por fim, pode-se verificar, ainda, que, na maioria das configuraes,
a maior parte das simulaes resulou nos mesmos valores para 0
comparando-se as abordagens espacial e clssica.
Tabela 23
Configurao
(0,10;
(0,10;
(0,10;
(0,75;
(0,75;
(0,75;
4.5
2,5;
2,5;
2,5;
2,5;
2,5;
2,5;
2)
4)
6)
2)
4)
6)
Modelo esfrico
Modelo exponencial
Aumento
Iguais
Mdia
Aumento
Iguais
Mdia
3,6
18,0
14,2
2,4
8,2
7,4
60,6
33,4
36,6
64,4
50,8
58,2
-3,99
-3,26
-5,72
-5,54
-6,25
-5,46
8,2
8,4
7,2
5,0
2,6
3,6
57,2
48,0
49,6
63,8
67,6
66,0
-5,39
-6,41
-6,11
-5,42
-5,90
-5,62
Exemplo de aplicao
Nesta seo, o intuito foi ilustrar a aplicao da anlise espacial de
94
no ANEXO A.
Toda a anlise desse experimento foi implementada no software
R (R DEVELOPMENT CORE TEAM, 2012), de modo que as rotinas
utilizadas nesse tipo de anlise podem ser vistas no ANEXO C.
A seguir sero descritos os passos bsicos necessrios para a
construo da anlise de varincia, considerando-se dependncia espacial
dos erros.
1 passo: Deteco da variabilidade espacial
O primeiro passo da anlise espacial de um experimento verificar
se existe variabilidade espacial dos erros. Na Figura 5 observa-se o grid
desse experimento, no qual so especificados os blocos que o compem. Os
pontos identificados nesse grfico referem-se aos erros otidos a partir de uma
anlise clssica. Esses erros foram divididos em quatro grupos, de acordo
com o quartil a que pertencem, conforme apresentado na Figura 5.
Figura 5
95
Na seo citada, no
Grfico 6
96
Parmetros
2
2
1
1,1062
0,4647
22,1173
2
1,8008
0,1406
22,5271
Iteraes
3
4
1,9458
1,9606
0,1073
0,1056
22,2722 22,2354
5
1,9616
0,1055
22,2327
6
1,9616
0,1055
22,2327
97
Grfico 7
98
Tabela 25
FV
Tratamento
GL
25
SQ
114,294
QM
4,572
0
1,728
p-valor
0,0367
Blocos
6,207
2,069
0,782
0,5076
Resduo
75
198,412
2,645
Total
103
318,913
FV
Tratamento
GL
25
SQ
30,508
QM
1,2203
0
0,6428
p-valor
0,8924
Blocos
20,674
6,891
3,630
0,017
Resduo
75
142,372
1,8983
Total
103
193,554
99
(4.16)
^ = 2 V 1 ( 0 ),
(4.17)
^
0 = 0 .
(4.18)
100
Grfico 8
101
102
CONCLUSES
Na anlise de experimentos, mesmo que os erros apresentem-se
103
104
REFERNCIAS
BANZATTO, D. A.; KRONKA, S. N. Experimentao agrcola. 4. ed.
Jaboticabal: FUNEP, 2006. 237 p.
BARBIN, D. Componentes de varincia: teoria e aplicaes. 2 ed.
Piracicaba: FEALQ, 1998. 120 p.
BURROUG, P.; Principles of geographical information systems for
land resources assessment. Oxford: Clarendon, 1987. 193 p.
CAMBARDELLA, C. A. et al. Field scale variability of soil properties in
central Iowa soils. Soil Science Society of America Journal, Madison,
v. 58, n. 5, p. 1501-1511, 1994.
CAMPOS, J. F. Eficincia da anlise estatstica espacial na
classificao de famlias do feijoeiro: estudo via simulao. 2011. 62
p. Dissertao (Mestrado em Estatstica Aplicada a Biometria)
Universidade Federal de Viosa, Viosa, MG, 2011.
CRESSIE, N. Statistics for spatial data. 2nd ed. New York: J. Wiley,
1993. 900 p.
COCHRAN, W. G. Some consequences when the assumptions for the
analysis of the variance are not satisfied. Biometrics, Raleigh, v. 3, n.
1, p. 3-22, 1947.
DIGGLE, P. J.; RIBEIRO JNIOR, P. J. Model-based geostatistics.
New York: Springer, 2007. 230 p.
DUARTE, J. B. Sobre o emprego e a anlise estatstica do
delineamento em blocos aumentados no melhoramento gentico
vegetal. 2000. 293 p. Tese (Doutorado em Agronomia) - Escola Superior
de Agricultura Luiz de Queiroz, Piracicaba, 2000.
DUARTE, J. B.; VENCOVSKY, R. Spatial statistical analysis and
selection of genotypes in plant breeding. Pesquisa Agropecuria
Brasileira, Braslia, v. 40, n. 2, p. 107-114, fev. 2005.
105
106
107
108
Tabela 27
Obs
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
CoordY
7569842
7569822
7569867
7569867
7569891
7569871
7569917
7569917
7569844
7569830
7569867
7569869
7569893
7569879
7569917
7569919
7569841
7569820
7569867
7569871
7569889
7569868
7569917
7569921
7569842
7569833
7569867
7569870
7569891
7569882
7569917
7569920
7569844
7569829
7569867
7569867
7569892
7569878
trat
1
1
1
1
2
2
2
2
3
3
3
3
4
4
4
4
5
5
5
5
6
6
6
6
7
7
7
7
8
8
8
8
9
9
9
9
10
10
bloco
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
y
2,72965762
3,85774578
4,88034591
3,32146498
2,61821296
2,12708780
3,73484167
2,98415509
2,06788330
1,84389411
-0,06236613
5,45928759
2,63575713
0,99627626
2,88394902
3,02898110
2,27472516
1,82149956
1,08235752
6,28655463
4,88439380
0,76569249
2,20142496
2,79772211
2,44809917
1,68835769
3,82280712
5,91716355
3,72192438
2,73725198
2,52002699
1,74483556
1,57146954
3,77942758
3,15777696
2,88581649
1,62297704
0,58095273
109
Tabela 27,
Obs
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
continua
CoordX
524934,1
524964,9
524829,9
524892,8
524940,2
524987,7
524839,4
524904,2
524936,6
524984,8
524810,3
524884,6
524930,2
524980,4
524819,5
524895,1
524926,4
524977,4
524827,3
524867,9
524955,4
524972,7
524836,9
524876,6
524951,6
524969,9
524815,1
524899,6
524927,7
524970,5
524824,5
524888,6
524924,0
524967,4
524805,3
524878,7
524935,2
524992,7
524814,5
524888,3
524931,5
CoordY
7569917
7569917
7569842
7569819
7569867
7569870
7569890
7569867
7569917
7569920
7569844
7569824
7569868
7569868
7569892
7569872
7569917
7569918
7569842
7569835
7569867
7569867
7569890
7569883
7569917
7569917
7569843
7569869
7569868
7569867
7569892
7569821
7569918
7569917
7569844
7569828
7569867
7569871
7569893
7569876
7569917
trat
10
10
11
11
11
11
12
12
12
12
13
13
13
13
14
14
14
14
15
15
15
15
16
16
16
16
17
17
17
17
18
18
18
18
19
19
19
19
20
20
20
bloco
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
y
3,93060176
2,76032432
1,23415962
1,27569133
0,64414488
4,90664105
4,9624938
2,49568381
2,69825241
2,25309339
0,61759147
1,69706664
4,24812604
2,30390779
1,06595803
1,73003741
3,6466667
4,03946483
1,66912363
1,89804673
1,68328249
2,4872148
4,42154672
0,74670515
1,32730755
3,56429478
3,00862428
2,44022547
3,52500662
2,3721857
2,92101937
2,25920415
3,0215446
3,16494288
1,26152386
3,76978953
2,45535037
6,07665732
0,30127024
1,8400352
5,09727619
110
Tabela 27,
Obs
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
concluso.
CoordX
524989,7
524820,1
524882,7
524950,4
524977,7
524829,5
524893,0
524946,6
524974,9
524832,4
524872,6
524947,8
524965,5
524841,9
524881,6
524944,1
524962,4
524817,6
524880,5
524925,2
524982,7
524826,9
524890,7
524921,4
524979,8
CoordY
7569921
7569843
7569825
7569867
7569868
7569891
7569873
7569917
7569918
7569841
7569832
7569867
7569867
7569890
7569880
7569917
7569917
7569843
7569826
7569868
7569869
7569892
7569875
7569918
7569919
trat
20
21
21
21
21
22
22
22
22
23
23
23
23
24
24
24
24
25
25
25
25
26
26
26
26
bloco
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
y
2,43358911
2,32981675
3,08488474
0,52179681
1,41315988
2,98262907
1,42669735
3,22036924
4,43438716
2,92981601
1,15087931
-0,16823921
2,01154347
5,84492159
2,86438622
2,64892336
1,72124409
1,73945554
3,41730436
2,95138179
4,94352491
3,17731669
3,47098189
4,0546775
2,74822518
111
Tendncia
3,851434
3,322108
3,939470
4,793174
2,029570
1,500244
2,117606
2,971310
2,390178
1,860852
2,478214
3,331919
3,130319
2,600992
3,218355
4,072059
2,033903
1,504577
2,121939
2,975644
1,916927
1,387600
2,004963
2,858667
3,511136
2,981810
3,599173
4,452877
2,509134
1,979808
2,597170
3,450874
3,107599
2,578273
3,195635
4,049340
2,391470
1,862144
Espacial
-1,02313432
0,49108276
0,94800931
-1,5329293
0,62446574
0,44862356
1,6349501
0,13752829
-0,50672006
0,08842287
-2,37065891
2,03649166
-0,75861946
-1,30603002
-0,34433149
-1,06778066
0,30016479
0,29827039
-0,91859302
3,1492322
2,88727431
-0,41369422
0,17497715
-0,16748087
-1,06739323
-1,12420233
-0,18442768
1,7074542
1,25556754
0,54917986
-0,05069612
-1,56699817
-1,36284209
1,12186184
-0,11874319
-1,17663266
-0,72348715
-1,167149
Resduos
-0,098641825
0,044555399
-0,007133396
0,061219822
-0,035822537
0,178220616
-0,017714424
-0,124683655
0,184425232
-0,105380751
-0,169921581
0,0908771
0,264058005
-0,29868617
0,009925691
0,024702474
-0,059342562
0,018652377
-0,120988623
0,161678808
0,08019294
-0,208213703
0,021485031
0,106535732
0,004355952
-0,169250285
0,408062122
-0,243167789
-0,042776914
0,20826451
-0,026446882
-0,139040714
-0,173287345
0,079292912
0,080884948
0,013109485
-0,045005627
-0,114041947
112
Tabela 28
continua
Obs
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
Tendncia
2,479506
3,333211
1,557801
1,028475
1,645837
2,499541
2,492006
1,962680
2,580042
3,433746
1,999684
1,470358
2,087720
2,941424
2,508662
1,979335
2,596698
3,450402
2,987332
2,458006
3,075369
3,929073
2,111305
1,581979
2,199341
3,053046
3,018049
2,488723
3,106085
3,959789
2,517736
1,988409
2,605772
3,459476
2,394062
1,864736
2,482099
3,335803
2,485123
1,955797
2,573160
Espacial
1,40486493
-0,68570299
-0,30670474
0,22887606
-0,88160306
2,28841498
2,49348139
0,39282336
0,27708709
-1,22234207
-1,27269018
0,36060141
1,84013088
-0,56053609
-1,28430003
-0,2176819
1,05064825
0,39836371
-1,16970026
-0,62505981
-1,4575344
-1,45981861
2,20406228
-0,63562107
-0,84011821
0,38586037
-0,24855358
-0,04287814
0,5731527
-1,50832458
0,21865528
0,30412924
0,52671814
-0,25418474
-1,0150329
1,74517908
0,08945643
2,66701814
-1,9391421
-0,14659151
2,28314805
Resduos
0,046230782
0,112816793
-0,016936348
0,018340694
-0,120089007
0,11868466
-0,022993299
0,140180872
-0,158876625
0,041689052
-0,109402129
-0,133892412
0,320275142
-0,076980601
-0,158403477
-0,031616089
-0,000679322
0,190698888
-0,148508595
0,065100191
0,065448172
0,017960232
0,106179431
-0,199652653
-0,031915485
0,125388707
0,239129136
-0,005618972
-0,154231029
-0,079279135
0,184628516
-0,033334523
-0,110945346
-0,040348647
-0,117505628
0,159874206
-0,116204676
0,073836098
-0,244711041
0,030829463
0,240968522
113
Tabela 28,
concluso.
Obs
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
Tendncia
3,426864
2,582984
2,053658
2,671020
3,524725
2,779478
2,250151
2,867514
3,721218
2,050101
1,520775
2,138137
2,991842
2,845095
2,315769
2,933131
3,786836
2,627035
2,097709
2,715071
3,568776
3,207282
2,677956
3,295318
4,149022
Espacial
-0,96618802
-0,40841446
0,97872205
-2,17523172
-1,87780464
0,23298067
-0,60813684
0,20740201
0,61347591
0,68066527
-0,4031131
-2,03710806
-1,01729857
2,92301263
0,3078128
-0,18993259
-1,84224807
-0,75309951
1,32441261
0,26274309
1,20902003
0,02646902
0,54304301
0,69897947
-1,14686769
Resduos
-0,027086944
0,155247171
0,052504788
0,026008257
-0,233760216
-0,029829172
-0,215317241
0,145453432
0,099692981
0,199049927
0,033217739
-0,269268197
0,037000531
0,076814035
0,240804631
-0,094275207
-0,223343459
-0,134479849
-0,004817011
-0,02643243
0,16572929
-0,056433997
0,249983357
0,060380132
-0,253929493
114
ANEXO C - Rotinas em R
###################################################################
###### ANLISE DE UM DELINEAMENTO INTEIRAMENTE CASUALIZADO ######
###################################################################
### Pacotes utilizados ###
require(geoR)
require(fBasics)
require(RandomFields)
dados<-read.table("Exemplo.txt",sep=";", header=TRUE)
t=4
r=3
# nmero de tratamentos
# nmero de repeties
coords<-cbind(dados$CoordX, dados$CoordY)
######################################
##
exemplo do arquivo de entrada ##
## de dados de um DIC com t=4 e r=3 ##
##
##
## > dados
##
##
CoordX CoordY trat
y ##
## 1
0
0
1 16.92792 ##
## 2
1
0
1 17.66208 ##
## 3
2
0
1 17.57933 ##
## 4
0
1
2 19.58477 ##
## 5
1
1
2 22.44035 ##
## 6
2
1
2 22.65466 ##
## 7
0
2
3 16.94244 ##
## 8
1
2
3 17.68582 ##
## 9
2
2
3 17.00374 ##
## 10
0
3
4 18.49544 ##
## 11
1
3
4 18.46935 ##
## 12
2
3
4 19.94619 ##
######################################
115
# alcance
# contribuio
# ef. pepita
### Iteraes
repeat
{
###
116
117
glres<-rk(i.V-P)
gltrat<-rk(P-P1)
anova<-data.frame(FV = c("Tratamento","Residuo","Total"),
GL = c(gltrat,glres,glt), SQ=round(c(SQTrat,SQRes,SQT),3),
QM = c(as.character(round(c(QMTrat,QMRes),3))," "),
F = c(as.character(round(F.calc,2)), " ", " "),
Pvalue = c(as.character(pval), " ", " "))
anova
118
###################################################################
######
ANLISE DE UM DELINEAMENTO EM BLOCOS CASUALIZADOS
######
###################################################################
dados<-read.table("Exemplo.txt",sep=";", header=TRUE)
t=4
r=3
# nmero de tratamentos
# nmero de blocos
coords<-cbind(dados$CoordX, dados$CoordY)
############################################
##
exemplo do arquivo de entrada
##
##
de dados de um DBC com t=4 e r=3
##
##
##
##
CoordX CoordY trat bloco
y ##
## 1
0
0
1
1 24.47424 ##
## 2
1
0
1
2 19.82192 ##
## 3
2
0
1
3 20.56174 ##
## 4
0
1
2
1 25.91073 ##
## 5
1
1
2
2 22.77189 ##
## 6
2
1
2
3 23.97054 ##
## 7
0
2
3
1 26.25216 ##
## 8
1
2
3
2 25.88862 ##
## 9
2
2
3
3 26.42087 ##
## 10
0
3
4
1 29.91367 ##
## 11
1
3
4
2 26.52883 ##
## 12
2
3
4
3 26.53225 ##
############################################
119
120
121
pval<- 1-pf(F.calc,gltrat,glres)
pval2<- 1-pf(F.calc2,glbloco,glres)
anova<-data.frame(FV = c("Tratamento","Bloco","Residuo","Total"),
GL = c(gltrat,glbloco,glres,glt),
SQ=round(c(SQtrat,SQBloco,SQRes,SQT),3),
QM = c(as.character(round(c(QMTrat,QMBloco,QMRes),3))," "),
F = c(as.character(round(c(F.calc,F.calc2),3)), " ", " "),
Pvalue = c(as.character(round(c(pval,pval2),3)), " ", " "))
anova
122
###############################################################
##############
Simulao de dados
#####################
###############################################################
# nmero de simulaes
result<-data.frame(F.dep=rep(0,m),F.ind=rep(0,m),porc.F=rep(0,m),
phi=rep(0,m),sill=rep(0,m),nugget=rep(0,m))
t=15 # numero de tratamentos
r=8
# numero de repeties
v=15 # eixo y
u=8
# eixo x
model<-"sph"
eftrat<-c(7, 10, 5, 5, 8, 10, 9, 5, 10, 6, 7, 7, 6,
coords<- expand.grid(x= seq(0,(u-1),1),y=seq(0,(v-1),1))
6, 9)
X1<-matrix(c(rep(1,r*t)),ncol=1)
X2<-kron(diag(t),c(rep(1,r)))
X<-cbind(X1,X2)
for(k in 1:m)
{
dados<-data.frame(y=10, trat=rep(1:t, each=r))
for (i in 1:t)
dados$y[dados$trat==i]<dados$y[dados$trat==i] + eftrat[i]
## Gerando erros dependentes
dep<-GaussRF(coords,model=model, param=c(0,2.5,0,6))
dados$y<-dados$y + dep ## adicionando os erros aos efeitos fixos
Y<-c(dados$y)
theta<-ginv(t(X)%*%X)%*%t(X)%*%Y
erro<- data.frame(Y- X%*%theta)
### Anlise geoestatstica ###
geodados <- as.geodata(data.frame(coords,erro),coords.col = 1:2,
data.col = 3)
h_max<- summary(geodados)[[3]][[2]]
dist<-0.5*h_max+2
123
124
###