INSTITUTO FEDERAL DE EDUCAO, CINCIA E

TECNOLOGIA GOIANO

PROGRAMA R:
PORTIFLIO

Rio Verde
06/ 04/2016
 2

INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA

GOIANO

PROGRAMA R:
PORTIFLIO

Disciplina: Mtodos Computacionais II

Professor: Adriano Carvalho Costa
Acadmica: Bertie
Breenda Lorrana V. Lima
Caio
Clever
Roger

Rio Verde
06/04/201
SUMRIO

1. RESUMO.......................................................................................................................3
2. INSTALAO...............................................................................................................4
3. COMANDOS BSICOS DO R.....................................................................................6
3.1. Aritmtica bsica.........................................................................................................6
3.2. Objetos.....................................................................................................................7
3.2.1. Objetos criados.................................................................................................8
3.2.2. Deletando objetos.............................................................................................9
3.2.3. Caractersticas dos objetos...............................................................................9
3.3. Vetores...................................................................................................................10
3.4. Sequncias.............................................................................................................11
3.4.1. Comando seq( )..............................................................................................11
3.4.2. Comando rep( )..............................................................................................12
3.5. Listas......................................................................................................................12
4. MATRIZES..................................................................................................................13
4.1. Criao de Matrizes...................................................................................................13
4.2. Extrair valores da Matriz.......................................................................................16
5. GRFICOS..................................................................................................................17
5.1. Edies de Grfico................................................................................................18
5.2. Grfico em barras..................................................................................................20
5.3. Grfico de setores..................................................................................................21
6. ANLISE DE VARINCIA.......................................................................................22
6.1. Delineamento Inteiramente Casualizado DIC....................................................22
6.1.1. Teste de Comparao Mltipla Scott Knott................................................24
6.2. Delineamento em Blocos Casualizados DBC....................................................25
6.3. Boxplot..................................................................................................................26
7. REGRESSO..............................................................................................................27
7.1. Regresso Linear...................................................................................................27
7.2. Regresso Quadrtica............................................................................................32
7.3. Regrasso de Grau N.............................................................................................33
7.4. Escolha Do Modelo...............................................................................................34
8. FATORIAL...................................................................................................................34
9. REFERNCIAS...........................................................................................................38
 3

1. RESUMO

R uma linguagem para computao estatstica e para grficos. Trata-se de um

conjunto integrado de comandos de software para manipulao de dados, clculo e
visualizao grfica. um projeto disponvel como Software Livre da Free Software
Foundation na forma de cdigo fonte, ou seja, um projeto com o objetivo de criar um
sistema computacional totalmente livre, que qualquer pessoa tem o direito de usar,
modificar e redistribuir, o programa, seu cdigo fonte, desde que garantindo para todos os
mesmos direitos.
A plataforma R fornece uma ampla variedade de tcnicas estatsticas, como
exemplo: modelagem linear e no linear, classificao e agrupamento. Oferece grficos
com qualidade para publicao, por poderem ser produzidos incluindo smbolos
matemticos e frmulas quando necessrio. Disponibiliza opes para manipulao,
armazenamento e ferramentas para anlise de dados, alm de facilidades grficas de dados
visualizadas na tela ou impressas. Possui um conjunto de operadores para clculos sobre
quadros de dados, principalmente matrizes e uma linguagem de programao bem
desenvolvida de forma simples. Alm de ser disponvel para muitas plataformas incluindo
Unix, Linux, Macintosh e Windows.
 4

2. INSTALAO

Por se tratar de um software livre, o programa R pode ser baixado e utilizado por
qualquer um sem nenhum custo, apenas necessrio acesso internet. O download do
programa pode ser encontrado em http://cran.r-project.org/, que levar o usurio a seguinte
pgina.

A partir desta pgina o usurio, levando em considerao o sistema operacional de

seu computador ou notebook, escolhe uma verso para o programa R. Neste exemplo
utilizaremos o Windows como sistema operacional, logo se escolher a opo Download R
for Windows. Em seguida a opo install R for the first time deve ser selecionada.
 5

Na prxima pgina preciso optar pela opo Download R 3.2.4 for Windows para
que se inicie o download do programa em seu computador.

Aps o trmino desta tarefa deve se iniciar a instalao do programa utilizando o

Assistente de instalao de R for Windows 3.2.4 Revised anteriormente baixado. Assim
que cada parte do processo de instalao estiver concluda, o programa R estar pronto
para a utilizao.

Essa janela inicial conhecida como R console ou prompt do R, nesta tela que
sero inseridos os comandos do software.
 6

3. COMANDOS BSICOS DO R

3.1. Aritmtica bsica

Uma das funes mais bsicas do software, permitindo o usurio utilizar o R para
trabalhar como uma calculadora. Para trabalhar com essas funes bsicas inserem-se as
operaes normalmente como em uma calculadora, na qual as funes de adio,
subtrao, diviso e multiplicao so reconhecidas pelos caracteres +, -, / e *
respectivamente. Assim que a operao for inserida, pode ser utilizada a tecla ENTER ou a
tecla F5 para que o programe realize aquela operao.

Assim como em outras linguagens de programao possvel inserir comentrios

(informaes/dados que no so considerados durante a execuo de um comando) durante
os processos para facilitar o entendimento de tal operao. Para inseri-los necessrio
utilizao do # a partir do local onde um processo termina e o comentrio se inicia.
Para limpar a janela do R Console, EDITAR > LIMPAR CONSOLE ou apenas
utilizar o atalho Ctrl+L.
 7

Outros comandos aritmticos tambm podem ser utilizados. Segue suas utilizaes
abaixo com os seus respectivos comentrios.

Como o programa R foi criado nos moldes do sistema ingls, para a insero de
nmeros decimais necessrio adotar o ponto . ao invs da vrgula ,. Caso contrrio
ocasionar um erro no processo.

3.2. Objetos

Quando necessrio que algum dado seja salvo durante as mais variadas rotinas de
processamento do programa, ou at mesmo antes que essas rotinas sejam efetuadas, se faz
necessrio a criao de objetos. Para que esse objeto seja criado preciso utilizar o
comando de atribuio, indicado pelo sinal de igual =, ou pelos sinais de maior que/
menor que e pelo sinal de igual (<- ou ->).
 8

Como visto, para visualizar o valor que est salvo em determinado objeto
necessrio inserir seu nome novamente, mas o comando print(nome do objeto) tambm
pode realizar a mesma operao. Caso sejam inseridos vrios valores sucessivamente em
determinado objeto, apenas o ltimo ser reservado.
Devido ao R ser um programa case-sensitive, a diferenciao entre caixa baixa e
caixa alta (letras minsculas e maisculas) entendido pelo programa, ou seja, possvel
criar um objeto chamado dados e outro chamado Dados sendo eles sejam
independentes entre si. Caso essa afirmao no fosse verdadeira, ao criar o segundo
objeto, o valor do primeiro seria sobreposto e perdido.
Outra vantagem dos objetos a possibilidade de que o resultado de uma operao
possa ser armazenado nele, e que operaes tambm possam ser efetuadas com a utilizao
dos objetos.

Vrios comandos podem ser processados de uma vez com a utilizao do ponto e
vrgula ; para separa-los, assim apenas uma linha efetuado diversas rotinas de
processamentos diferentes sem a necessidade de inseri-los um de cada vez.

3.2.1. Objetos criados

Para visualizar todos os objetos que j foram criados usado a funo ls(), assim
fica mais fcil controlar tudo que j foi inserido no programa. Caso seja necessrio salvar
todos esses objetos, pode-se criar outro objeto para armazen-los.
 9

3.2.2. Deletando objetos

Assim como possvel visualizar todos os objetos criados, tambm possvel excluir eles
utilizando a funo rm(objeto a serem removido). Para se excluir mais de um objeto
utilizando esta funo, basta separ-los por vrgula , e caso seja necessrio que todos os
objetos j criados sejam deletados utiliza-se rm(list=ls()).

3.2.3. Caractersticas dos objetos

Alm de sua nomenclatura e dados, os objetos possuem uma atribuio, que

caracterstica do tipo de dado que foi inserido nele e tambm possuem um comprimento,
que derivado da quantidade de dados de determinada atribuio inseridas. As atribuies
de um objeto podem ser: Caractere (palavras/caracteres), numrico, complexo ou lgico
(verdadeiro ou falso).
Para se verificar o tipo de dado de um objeto se utiliza a funo mode(objeto), e o
seu comprimento obtido pela funo length(objeto).
 10

Para que um objeto possua um comprimento maior do que 1 necessrio que se

crie um vetor de dados para aquele objeto.
Outro comando para se verificar o tipo de dado de um objeto o is.tipo(objeto), no
qual tipo dever ser substitudo pelo dado que est a ser analisado (numeric, character,
complex ou logical), que retorna ou usurio se aquele objeto armazena ou no aquele tipo
de dado, ou seja, ele retorna uma varivel lgica (verdadeiro ou falso).

3.3. Vetores

Um vetor um objeto que possui mais de um elemento atribudo a ele, portanto

possui um comprimento maior do que 1. Para se criar um vetor segue o mesmo princpio
da criao de um objeto, aps a nomeao do objeto segue a atribuio dos valores por
meio do comando de conjunto c(valor1,valor2,...,valorN), tendo como sada um vetor com
um comprimento N.

Como observado no exemplo acima, ao solicitar o programa para mostrar o valor

do vetor1, todos os seus cinco dados aparecem confirmando o seu comprimento de cinco
dados.
Assim como um objeto, o vetor pode ser utilizado para compor um novo vetor,
basta inseri-lo dentro do comando conjunto juntamente com os outros dados. Para acessar
um dado em uma posio especfica de um vetor preciso colocar o nome do vetor seguido
da posio desejada entre colchetes [ ]. Lembrando que dados do tipo character devem
ser inseridos entre aspas duplas ( ) para que o programa reconhea esses dados.
 11

3.4. Sequncias

Para facilitar a insero de dados em um vetor que seguem uma sequncia numrica
tanto decrescente quanto crescente utiliza-se dois pontos : entre o nmero inicial e o
nmero final. Assim no h a necessidade de inserir dado por dado, economizando tempo
na insero de dados.

3.4.1. Comando seq( )

Outra maneira de se obter uma sequncia em um vetor com a utilizao do

comando seq(numero1,numero2,numero3 ), no qual o numero1 representa o incio da
sequncia, o numero2 representa o fim da sequncia e o numero3 representa o incremento
(caso positivo) ou o decremento (caso negativo) que o numero1 sofrer at chegar ao
numero2. Para o obteno de uma sequncia negativa preciso que o numero3 seja
negativo, caso contrrio ocasionar em erro no programa.
 12

3.4.2. Comando rep( )

O comando rep(numero1,numero2) tambm utilizado para obteno de um vetor

com uma sequncia especfica, na qual o numero1 representa o nmero ou sequncia que
ser repetida numero2 vezes, caso o numero2 seja uma sequncia do mesmo tamanho que o
vetor numero1, cada componente do vetor numero1[x] ser repetida numero2[x] vezes.

Dentro do comando rep() pode ser utilizado a funo each=numero2 para que todos
os nmeros presentes na primeira parte sejam repetidos numero2 vezes.

3.5. Listas

As listras so utilizadas para armazenar objetos ou vetores de diferentes tipos, ou

at mesmo outras listas, permite ao usurio ordenar diferentes dados que se referem a um
mesmo assunto em um mesmo local.
 13

Aps um objeto ser inserido em uma lista, necessrio acrescentar o nome da lista,
o smbolo de cifro $ antes de seu nome para visualiza-lo, e caso for um vetor possvel
obter um elemento especfico com a utilizao dos colchetes [] com o seu respectivo
ndice.

4. MATRIZES
4.1. Criao de Matrizes

Um dos comandos utilizados para a criao de uma matriz matrix( ), os elementos

a serem inseridos so os vetores e suas dimenses respectivamente, no exemplo abaixo x
indica a quantidade de valores inseridos e ncol=2 as colunas que sero distribudos esses
nmeros.

A distribuio dos valores atravs das colunas, se for necessrio a mudana para a
distribuio em linha, utiliza-se o comando byrow=TRUE dentro do comando matriz.
 14

Para obter a dimenso da matriz inserida, deve-se expressar o comando

dim(matriz), sendo assim expresso o nmero de linhas e de colunas respectivamente.

Outro comando utilizado para receber informaes sobre a matriz inserida seria o
summary( ), que seleciona cada uma das colunas da matriz e considera como um vetor,
nessas informaes esto contidas informaes como
1) Min.: apresenta o menor valor da coluna (vetor);
2) 1st Qu.: o primeiro quartil da coluna;
3) Median: mediana;
4) Mean: mdia aritmtica;
5) 3rd Qu.: terceiro quartil;
6) Max.: valor mximo de coluna.

Um comando considerando todos os valores da matriz o summary(as.numeric( )).

 15

Com os comandos cbind( ) e rbind ( ) so utilizados para a adio de uma nova

coluna e uma nova linha respectivamente.

s=cbind(matriz,1:5)
s

r=rbind (s,1:4 )
r
 16

4.2. Extrair valores da Matriz

H o comando para extrair uma linha ou coluna inteira da matriz, como tambm
somente um valor.
Usando [ , ] o valor pode ser retirado da matriz identificando o nmero
da linha e da coluna, separados entre vrgula.

Para retirar uma linha, colocar o nmero desejado depois da vrgula.

Para retirar a coluna, colocar o nmero desejado antes da vrgula.

 17

Extrair uma linha ou coluna inteira tambm possvel indicando o nmero do

ndice das mesmas, representando por c(ndices) antes da vrgula do argumento para extrair
a linha de ndice solicitado, ou depois da vrgula para obter a coluna.

5. GRFICOS

Para se plotar grficos no R, primeiramente necessrio criar os conjuntos de

objetos que formam os respectivos pontos que sero plotados. Como se trata de um grfico
cartesiano em 2D, necessita-se de dois conjuntos de objetos, como ilustrado na figura
abaixo.

Depois de criado os conjuntos, basta colocar o comando plot(x,y) ou plot(y~x)

e pressionar F5 que o programa ir gerar o grfico. Vale ressaltar que o R relacionar o
primeiro nmero do conjunto x com o primeiro do conjunto y, formando assim um
ponto que ser plotado, e assim sucessivamente.
 18

A figura abaixo ilustra o grfico do exemplo acima.

5.1. Edies de Grfico

O grfico pode ser editado de vrias formas, segue abaixo algumas configuraes.
Para se nomear os eixos, faz-se da seguinte forma:

-> plot(x,y, xlab=Eixo X, ylab=Eixo Y);

Para se colocar ttulo ao grfico, basta colocar logo abaixo o comando:

-> title(Grfico XY);

Para se mudar os smbolos que formam o grfico:

-> plot(x,y, pch=12);

Obs.: o comando pch remete a vrios smbolos, sendo que comea do um e vai at o 25;
Para se colocar linhas ao invs de smbolos para formar o grfico:

-> plot(x,y, type=o);

Obs.: o comando type oferece vrios tipos de linhas, onde pode-se ir escolhendo com as
letras do alfabeto. Porm nem todas as letras tero linhas, apenas algumas, como as letras
l,o,s,c,h.
 19

Pode-se fazer mais de um grfico em uma mesma janela, digitando os seguintes

comandos:
-> par(mfrow=c(i,j));
Obs.: Note que o programa R entender a distribuio dos grficos na janela como se fosse
uma matriz. Assim o usurio escolhe o formato.
Abaixo segue imagens de exemplos do que foi dito acima.

Grfico feito com smbolo.

Gr
fico feito com linha.
 20

Vrios grficos em uma janela.

5.2. Grfico em barras

Para se plotar grfico de barras, basta colocar o comando:

-> barplot(x,y);
 21

Gr
fico em Barra.

Pode-se alterar a densidade, a angulao e a cor das linhas que preenchem o

grfico, usando o comando: barplot(x,y, density=a, angle=30, col=blue). O valor a, do
ngulo (0 a 360), e da cor determinado pelo usurio.

Grfico de barras editado.

5.3. Grfico de setores

Para se plotar grfico de setores, cria-se objetos apropriados com dados nomeando
cada posio do vetor, depois plota-se com o comando: pie(vetor).
 22

Grfico em setores simples.

Pode-se fazer algumas edies no grfico em pizza, como a colocao de

porcentagens de cada dado e legenda de acordo com cores. Segue abaixo alguns comandos.
Arredonda a porcentagem para 2 dgitos significativos;
porc<-round(materiais*100/sum(materiais),2)
Colocao das porcentagens;
rotulos<-paste("(",porc,"%)",sep="")
Colocao da legenda e das cores.

pie(materiais, main="Preo de Materiais",labels=rotulos, col=rainbow(7));

legend(1,1,names(materiais),col = rainbow(7),pch=rep(20,6))

Dentro da opo rainbow deve ser colocado o nmero de variveis do seu vetor,
para assim cada parte do setor sair em uma cor diferente.
No ltimo comando para se colocar legenda, na opo pch, os nmeros dentro do
rep indicam o tipo de smbolo que vem representando na legenda.
 23

Grfico em setores editado.

6. ANLISE DE VARINCIA

usada para comparar dois ou mais tratamentos, avalia se as amostras diferem

significativamente com relao alguma varivel. Utilizamos o procedimento ANOVA.
Utiliza-se os comandos:
modelo=aov(trat1.~trat2.) => faz anlise de varincia DIC
anova(modelo) => exibe a tabela de resultados

modelobloco=aov(trat1~trat2+as.factor(bloco)) => anlise de varincia DBC

anova(modelobloco) => exibe a tabela de resultados

6.1. Delineamento Inteiramente Casualizado DIC

uma anlise estatstica simples e flexvel que utiliza os princpios da repetio

e casualizao. Os experimentos vinculados a esse tipo de delineamento so
denominados experimentos inteiramente ao acaso. Infelizmente, exige homogeneidade
total das condies das amostras.

Segue-se o Modelo DIC:

 24

Fonte: Anlise de experimentos utilizando o programa computacional R Portiflio; Apostila,

Adriano Carvalho Costa; pg.08.

Exemplo 01:
Vetores
Fck=c(50.34,51.91,52.12,50.97,55.63,58.37,57.26,50.06,46.70,47.40,46.70,47.70)
ensaio=c("U","U","U","U","E","E","E","E","C","C","C","C")
Analisando a varincia

modelo=aov(Fck~ensaio)
anova(modelo)
 25

Resultado:
O primeiro passo verificar se na tabela emitida Analysis of Variance Table
o efeito Pr (>F) na ltima coluna e linha ensaio, menor que 0.05. Neste caso
sim, pois Pr(>F) 0.001778. Sendo a afirmao anterior verdadeira, ou seja, o efeito
do ensaio significativo sobre o Fck, o prximo passo fazer o teste de comparao
mltipla ScottKnott, o qual preciso para conhecer se os tratamentos diferem entre
si.

6.1.1. Teste de Comparao Mltipla Scott Knott

Teste realizado para verificar quais tratamentos diferem.

necessrio o pacote Scott Knott.

Instalando pacote
->install.packages(ScottKnott)

Abrindo pacote (biblioteca)

->library(ScottKnott)

Exemplo 01 continuao:
Quais tratamentos diferem?
library (ScottKnott)
sk=SK(x=ensaio,y=Fck,model="Fck~ensaio",which="ensaio", sig.level=0.05)

summary(sk)
 26

Resultado:
Observando a tabela acima conclui-se que os tratamentos diferem (a,b,c), sendo
que no ensaio E apresentou o maior Fck seguido do U e C.

6.2. Delineamento em Blocos Casualizados DBC

a anlise mais utilizada, destacando em trs princpios: repetio,

casualizao e controle local. Deve ter em mente que sempre que no houver
homogeneidade das condies experimentais preciso recorrer ao controle local,
estabelece assim blocos subambientes homogneos.
Segue-se o modelo DBC:

.
Fonte: Anlise de experimentos utilizando o programa computacional R Portiflio; Apostila,
Adriano Carvalho Costa; pg.09.

Exemplo 02:
Vetores

Fc28=c(56.6,50.4,61.6,61.7,74.4,72.9,62.1,
+ 62,60.2,59.9,82.3,84.6,72.61,80,76.69,81.21,74.14,84.71)
metodos=c("E","E","E","E","E","E","R",
 27

+ "R","R","R","R","R","B","B","B","B","B","B")

Verificando o tamanho dos vetores

length(Fc28)
[1] 18
length(metodos)
[1] 18

Vetor Bloco (a/c)

bloco=c(1,1,2,2,3,3,1,1,2,2,3,3,1,1,2,2,3,3)

Anlise de Varincia - Bloco

modeloblo=aov(Fc28~metodos+as.factor(bloco))
anova(modeloblo)

Resultado:
O primeiro passo verificar se na tabela emitida Analysis of Variance Table
o efeito Pr (>F) na ltima coluna e linha as.factor (bloco), menor que 0.05. Neste
caso sim, pois Pr(>F) 0.001981.
Isto significa que o efeito do bloco (relao gua/cimento) foi significativo
sobre a resistncia a compreenso (Fc28).

6.3. Boxplot

Conhecido como diagrama de caixa, um recurso do R que possibilita a

representao grfica da disperso e da distribuio dos dados. Serve para avaliar valores
 28

extremamente altos ou baixos outliers. estruturado: Valor Mnimo, Primeiro Quartil,

Segundo Quartil (Mediana), o Terceiro Quartil e Valor Mximo.

Exemplo 01 continuao:
Visualizar a disperso dos dados
boxplot(Fck~ensaio)

Resultado:
No ensaio de E os valores divergem com mais intensidade em torno da mediana, ou
seja, o valor mnimo, em especial, est consideravelmente longe do valor da mediana, em
comparao com os demais ensaios. Por outro lado, no C os valores esto mais prximos
da mediana.

7. REGRESSO

O principal objetivo da anlise de regresso verificar se existe uma relao, e

quantificar essa relao, entre duas variveis quantitativas, tentando formular uma relao
direta entre uma ou mais variveis independentes (fatores quantitativos). O melhor modelo
a ser seguido depender especialmente da distribuio dos dados. Geralmente so usados
modelos linear, quadrtico e cbico. A seguir ser apresentado como gerar alguns modelos
utilizando o software R.
 29

7.1. Regresso Linear

Quando os dados se agrupam seguindo a forma de uma reta, provavelmente existe

uma relao de linearidade entre as variveis envolvidas.

Exemplo:
Um engenheiro civil coleta dados em um laboratrio estudando a dilatao de um
pilar de concreto segundo a temperatura ambiente no local onde est o pilar. Veja os dados
(fictcios):

T (C) 18 16 25 22 20 21 23 19 17

Dilatao 5 3 10 8 6 7 9 6 5
Linear
(mm)

Posso realizar um estudo de regresso nestes dados? Qual modelo usar? Como
montar a equao que relaciona a temperatura com a dilatao neste estudo? A temperatura
realmente exerce influncia na dilatao do pilar? Eu posso quantificar essa relao? Essas
so as perguntas que podemos nos fazer ao depararmos com os dados que foram
apresentados acima. Suas respostas podem ser encontradas fazendo-se uma anlise de
regresso.

Exemplo 1:
Primeiro vamos entrar com os dados da tabela no R, criando 2 objetos: um que conter
os valores de temperatura e outro para a dilatao.
temp=c(18,16,25,22,20,21,23,19,17)
dilat=c(5,3,10,8,6,7,9,6,5)
O estudo de regresso pode ser feito, inicialmente com a definio do modelo. Para
isso vamos visualizar os pontos plotados em um diagrama de disperso:
 30

plot(temp,dilat) #a varivel independente deve vir primeiro

9
dilat

7
5
3

16 18 20 22 24

temp

O diagrama sugere uma tendncia linear dos dados. Ento vamos montar um
modelo de regresso linear simples (simples, pois existe apenas uma varivel independente
temp relacionada a variao da varivel dependente dilat).

Montando o modelo:

Da sada acima podemos tirar duas informaes: o valor do intercepto (valor onde a
reta de regresso intercepta o eixo da dilatao) e o valor que representa um coeficiente de
relao entre a dilatao e a temperatura, ou seja, quanto a dilatao ir variar para cada
variao unitria da temperatura. Esses valores so comumente chamados de b e a
respectivamente.
Logo podemos concluir que o modelo matemtico/estatstico desta regresso :
f ( x )=ax +b

Dilat=0.7323Temp8.1710
 31

Podemos realizar anlise de varincia:

Percebe-se que o efeito da temperatura foi significativo (Pr > 0.05).

Os dados acima fornecem diversas informaes, em especial percebe-se que foram

significativos o intercepto e o efeito da temperatura, pois Pr < 5%.
Caso o intercepto no seja significativo possvel retira-lo com o seguinte
comando:
modelo1G=lm(dilat~temp-1) #O -1 retira o efeito do intercepto
 32

Percebe-se que o intercepto foi retirado. Sendo assim deve-se considerar nova
anlise e nova expresso sem o intercepto.

Plotando a funo (ajustada):

plot(temp,dilat)
curve(0.7323*x-8.1710,16,25,add=T,col=2)
1) curve comando para plotar curvas/retas.
2) 0,100 x variado de 0 a 100.
3) add=T acrescenta a curva no grfico anterior.
4) col=2 a curva ser representada pela cor 2 (vermelha).
9
dilat

7
5
3

16 18 20 22 24

temp
 33

7.2. Regresso Quadrtica

Exemplo 2:

fert=c(10,20,30,40,50,60,70,80,90,100)
prod=c(42,61,81,94,98,96,83,79,59,43)
plot(fert,prod)
80 100
prod

60
40

20 40 60 80 100

fert

A distribuio dos dados sugere uma expresso quadrtica. Ento:

modelo2G=lm(prod~fert+I(fert^2)) #modelo de regresso quadrtica
anova(modelo2G)

Percebe-se que o modelo quadrtico se ajusta melhor na distribuio de dados do

que o modelo linear pois o Pr=5.126e-07 *** , enquanto o do modelo linear no foi
significativo, se ambos fossem significativos deveria ser escolhido o modelo de maior
grau.
 34

modelo2G

Logo a funo quadrtica ser:

2
f ( x )=a x +bx +c

0.02716Fert+2.95720Fert+15.51667
Plotando a funo quadrtica (curva ajustada):
plot(fert,prod)
curve(15.51667+2.95720*x-0.02716*x*x,0,100,add=T,col=2)
80 100
prod

60
40

20 40 60 80 100

fert

7.3. Regrasso de Grau N

Os outros modelos de regresso polinomial podem ser obtidos de maneira anloga. Por
exemplo, na regresso cbica poderamos escrever:
lm(y~x+I(x^2)+I(x^3))
E na de quarto grau:
lm(y~x+I(x^2)+I(x^3)+I(x^4))
E assim sucessivamente.
 35

7.4. Escolha Do Modelo

O que aconteceria tentssemos montar a expresso do Exemplo 1 considerando
um polinmio de grau 3 ou grau 2? Perceberamos pela anlise de varincia se tais
modelos se adaptariam na distribuio de dados. Caso os 3 modelos se ajustassem, seria
escolhido o modelo de maior grau para representa-la. Observe:

modelo3G=lm(dilat~temp+I(temp^2)+I(temp^3))
anova(modelo3G)

Como os efeitos de I(temp^2) e I(temp^3) no foram significativos, temos

que o melhor modelo para representar a distribuio de dados seria o linear, isto leva a crer
que possvel descobrir o melhor modelo sem realizar a anlise de disperso, basta
executar um modelo de maior grau e realizar a anlise de varincia, sendo assim o modelo
de maior grau e significativo ser escolhido.

8. FATORIAL

Para analisar experimentos no qual envolve mais de um fator que interfere na

varivel resposta utiliza-se uma tcnica que determina se os dois fatores possui iterao
entre si.
Aps inserir os dados no R realiza-se uma analise de varincia com a inteno de
verificar se a iterao significativa, caso seja realiza o desdobramento dos dados. Mas
para isso necessrio a instalao de um pacote chamado ExpDes.
 36

Seque abaixo os comandos necessrios;

Baixa e instala o pacote ExpDes:
install.packages("ExpDes.pt")
library(ExpDes.pt)
Busca os dados no computador, mas para isso preciso clicar no console ir em
arquivos, mudar dir. e em seguida escolher a pasta que o arquivo de interesse se encontra.
Dentro das aspas coloca-se o nome do arquivo e o formato, o h=T remete ao programa
dizendo que a primeira representa as variveis, no sendo necessrio o programa criar.
dados=read.table("fatorial.txt",h=T)
dados
Esses comandos determinam quais variveis esto presentes nos dados importados.
attach(dados)
names(dados)
Para verificar se os fatores possui iterao entre si utiliza a anlise de varincia.
Primeiro coloca-se a varivel dependente e aps o ~ as independentes como est no
exemplo abaixo. Para ser considerado significativo necessrio que o p-value seja menor
ou igual que 0.05.
modelo=aov(resistencia~cura+diametro+cura*diametro)
anova(modelo)
Caso os fatores seja significativo o comando abaixo executado. O nmero depois
do fat indica quantos fatores sero analisados. Aps o ponto coloca dic para
delineamento inteiramente casualizado e dbc para delineamento em blocos casualizados.
Dentro do primeiro parntese coloca-se as variveis analisadas, no segundo inserido
TRUE se o fator em questo for qualitativo e FALSE se for quantitativo e no ltimo
coloca-se os fatores.
fat2.dic(cura,diametro,resistencia,
quali = c(TRUE, TRUE,TRUE), mcomp = "turkey",
fac.names = c("cura", "diametro"))
Esse comando plota o grfico das iteraes entre fatores.
interation.plot(resistencia,cura,diametro,)
 37

Caso tenha efeito de bloco muda-se a anlise de varincia que alm dos que j
foram supracitados coloca-se o comando para anlise do bloco. Observe o exemplo.
modelo=aov(abatimento~cone+adensamento+cone*adensamento+as.factor(umidadear))
Na anlise que determina se os fatores interagem entre si, precisa-se inserir o bloco
no parntese das variveis. Observe o exemplo.
fat2.dbc(adensamento,cone,umidadear,abatimento,
quali = c(TRUE, TRUE), mcomp = "turkey",
fac.names = c("adensamento", "cone"))

Seque abaixo o cdigo para fatorial sem bloco;

dados=read.table("fatorial.txt",h=T)
dados
attach(dados)
names(dados)
modelo=aov(resistencia~cura+diametro+cura*diametro)
anova(modelo)
library(ExpDes.pt)
fat2.dic(cura,diametro,resistencia,
quali = c(TRUE, TRUE,TRUE), mcomp = "turkey",
fac.names = c("cura", "diametro"))
interation.plot(resistencia,cura,diametro,)

Seque abaixo o cdigo para fatorial com bloco;

dados=read.table("fatorialex.txt",h=T)
dados
attach(dados)
names(dados)
dados
 38

modelo=aov(abatimento~cone+adensamento+cone*adensamento+as.factor(umidadear))
anova(modelo)
library(ExpDes.pt)
fat2.dbc(adensamento,cone,umidadear,abatimento,
quali = c(TRUE, TRUE), mcomp = "turkey",
fac.names = c("adensamento", "cone"))
 39

9. REFERNCIAS

COSTA, Adriano Carvalho. Anlise de experimentos utilizando o programa

computacional R Portflio. Disponvel em:
<https://academico.ifgoiano.edu.br/cefetweb-uploads/MATERIAIS_AULAS/25174-
Apostila_Adriano.pdf > Acesso em 6 de Abril de 2016.

Amaral, Marcelo Rubens Santos. Apostila do Curso de Extenso: Software

Estatstico Livre R. Disponvel em:
<http://www.ime.uerj.br/~mrubens/slae/Texto_SLAE2.pdf> Acessado em 6 de
Abril de 2016.