#===============================================================================
#. Título: Análise de variância - ANOVA
#. Curso : DEX076 - Metodologia e Estatística Experimental - Agronomia
# Autor : José Cláudio Faria
# Data  : 2026-03-18 16:19:46
#===============================================================================
# Objetivos
#===============================================================================
# - Exemplificar, através do R, análises e determinações numéricas do curso
#   de MEE, referentes a análise de variância básica sob os delineamentos:
#   DIC, DBC e DQL
#===============================================================================

#. Pacotes necessários
# - TukeyC
# - gplots
#install.packages('TukeyC')
#install.packages('gplots')

#. Delineamento inteiramente ao acaso - DIC
#.. Dados
# Gerar data.frame com os dados
dic <- data.frame(tra=gl(4, 6,
                         labels=LETTERS[1:4]),
                  r=1:6,
                  pro=c(58, 49, 51, 56, 50, 48,
                        60, 55, 66, 61, 54, 61,
                        59, 47, 44, 49, 62, 60,
                        45, 33, 34, 48, 42, 44))

## Leitura via web
#dic <- read.table('https://lec.pro.br/download/R/dados/dic_bal.txt',
#                  head=TRUE,
#                  dec=',')


## Se tiver o arquivo na máquina
#dic <- read.table('./dados/dic_bal.txt',
#                 head=TRUE,
#                 dec=',')

dic
str(dic)

#. Análise gráfica
# Carregando o pacote gplots
library(gplots)

# Efeito dos tratamentos
plotmeans(pro ~ tra,
          main='Tratamentos',
          data=dic,
          mean.labels=TRUE,
          digits=2,
          connect=FALSE,
          ylab='',
          xlab='',
          pch=' ',
          ylim=c(30, 70),
          ci.label=T)

# Verificando os intervalos de confiança p/ média do gráfico 'plotmeans'
t.test(dic$pro[1:6])$conf.int[1:2]    # A
t.test(dic$pro[7:12])$conf.int[1:2]   # B
t.test(dic$pro[13:18])$conf.int[1:2]  # C
t.test(dic$pro[19:24])$conf.int[1:2]  # D

#.. Verificação da adequação dos dados para análise sob DIC
is.factor(dic$tra)
#dic$tra <- factor(dic$tra)
#is.factor(dic$tra)

is.numeric(dic$pro)

#.. ANOVA
av_dic <- aov(pro ~ tra,
              data=dic)

summary(av_dic)

# Probabilidade associada ao quantil '10.7'
pf(q=10.7,
   df1=3,
   df2=20,
   lower.tail=FALSE)

1 - pf(q=10.7,
       df1=3,
       df2=20)

integrate(df,
          lower=10.7,
          upper=Inf,
          df1=3,
          df2=20)$value

# Carregando o pacote TukeyC
library(TukeyC)
cv(av_dic)  # Coef. de variação (cv: é uma função do pacote TukeyC)

#. Delineamento em blocos casualizados - DBC
#.. Dados
# Gerar data.frame com os dados
dbc <- data.frame(tra=gl(5, 4,
                         labels=LETTERS[1:5]),
                  blo=paste('B', 1:4,
                            sep=''),
                  pro=c(142.36, 144.78, 145.19, 138.88,
                        139.28, 137.77, 144.44, 130.61,
                        140.73, 134.06, 136.07, 144.11,
                        150.88, 135.83, 136.97, 136.36,
                        153.49, 165.02, 151.75, 150.22),
                  stringsAsFactors=TRUE)

## Leitura via web
#dbc <- read.table('https://lec.pro.br/download/R/dados/dbc.txt',
#                  head=TRUE)


## Se tiver o arquivo na máquina
#dbc <- read.table('./dados/dbc.txt',
#                 head=TRUE)

dbc
str(dbc)

#.. Análise gráfica
#win.graph(w=5, h=6)
par(mfrow=c(2, 1),
    mar=c(3, 4, 2, 1))
#bringToTop(s=T)

library(gplots)
#... Efeito dos blocos
# Observar decréscimo da produção no sentido 1-4
# Os blocos estão controlando alguma fonte de variação reconecida!
plotmeans(pro ~ blo,
          main='Blocos',
          data=dbc,
          mean.labels=TRUE,
          digits=2,
          connect=FALSE,
          ylab='',
          xlab='',
          pch=' ')

#... Efeito dos tratamentos
plotmeans(pro ~ tra,
          main='Tratamentos',
          data=dbc,
          col='red',
          mean.labels=TRUE,
          digits=2,
          connect=FALSE,
          ylab='Produção, gr (fruto)',
          xlab='',
          pch=' ')

#.. Verificação da adequação dos dados para análise sob DBC
is.factor(dbc$tra)
is.factor(dbc$blo)
is.numeric(dbc$pro)

#.. ANOVA
av_dbc <- aov(pro ~ blo + tra,
              data=dbc)
summary(av_dbc)

## Carregando o pacote TukeyC
#library(TukeyC)
cv(av_dbc) # Coef. de variação


#. Delineamento em quadrado latino - DQL
#.. Dados
# Gerar data.frame com os dados
dql <- data.frame(tra=gl(5, 5,
                         labels=LETTERS[1:5]),
                  lin=1:5,
                  col=c(2, 3, 5, 4, 1,
                        3, 4, 2, 1, 5,
                        4, 1, 3, 5, 2,
                        1, 5, 4, 2, 3,
                        5, 2, 1, 3, 4),
                  pro=c(518, 524, 420, 486, 515,
                        458, 550, 384, 494, 318,
                        583, 724, 556, 501, 660,
                        432, 400, 297, 500, 438,
                        331, 478, 489, 313, 394))
## Leitura via web
#dql <- read.table('https://lec.pro.br/download/R/dados/dql.txt',
#                  head=TRUE)


## Se tiver o arquivo na máquina
#dql <- read.table('./dados/dql.txt',
#                 head=TRUE)

dql
str(dql)

#.. Análise gráfica
#win.graph(w=5, h=6)
par(mfrow=c(3, 1),
    mar=c(3, 4, 2, 1))
#bringToTop(s=T)

library(gplots)
#... Efeito do fator "lin"
plotmeans(pro ~ lin,
          main='Linhas',
          data=dql,
          mean.labels=TRUE,
          digits=2,
          connect=FALSE,
          ylab='',
          xlab='',
          pch=' ')

#... Efeito do fator "col"
plotmeans(pro ~ col,
          main='Colunas',
          data=dql,
          mean.labels=TRUE,
          digits=2,
          connect=FALSE,
          ylab='',
          xlab='',
          pch=' ')

#... Efeito do fator "tra"
plotmeans(pro ~ tra,
          main='Tratamentos',
          data=dql,
          col='red',
          mean.labels=TRUE,
          digits=2,
          connect=FALSE,
          ylab='Produção, kg/ue',
          xlab='',
          pch=' ')

#.. Verificação da adequação dos dados para análise sob DQL
is.factor(dql$tra)  # OK

is.factor(dql$lin)  # ATENÇÃO, NÃO OK -> NECESSÁRIO TRANSFORMAR
is.factor(dql$col)  # ATENÇÃO, NÃO OK -> NECESSÁRIO TRANSFORMAR

#... Transformando ambos as fontes de variação (lin e col) para fator
dql$lin <- factor(dql$lin)
dql$col <- as.factor(dql$col)

is.factor(dql$lin)  # OK
is.factor(dql$col)  # OK
is.numeric(dql$pro) # OK

#... ANOVA
av_dql <- aov(pro ~ lin + col + tra,
              data=dql)
summary(av_dql)

# Carregando o pacote TukeyC
#library(TukeyC)
cv(av_dql) # Coef. de variação