Escolar Documentos
Profissional Documentos
Cultura Documentos
2021-07-02
## [1] "D:/teste"
# Troque o nome do arquivo de dados (entre " .csv"):
dados <- read.csv2(
"primeira.csv",
header = T)
1
# (Para usar, exclua o "#" abaixo e modifique)
# require(dplyr)
# dados <- filter(dados, Profundidade==2)
2
## Warning: package 'agricolae' was built under R version 4.0.5
# Calculo dos Quartis
quartil1 <- quantile(RESP, 0.25)
quartil2 <- quantile(RESP, 0.5)
quartil3 <- quantile(RESP, 0.75)
# Resumo descritivo
resumo <- data.frame(Estatistica = c(
"Minimo",
"1 Quartil",
"Mediana",
"Media",
"3 Quartil",
"Maximo",
"Variancia",
"Desvio Padrao",
"Coeficiente de Variacao (%)",
"Assimetria",
"Curtose",
"Tamanho da Amostra" ),
Resultado = c(
min(RESP),
quartil1[[1]],
quartil2[[1]],
mean(RESP),
quartil3[[1]],
max(RESP),
var(RESP),
sd(RESP),
100*sd(RESP)/mean(RESP),
skewness(RESP),
kurtosis(RESP),
length(RESP)
),
stringsAsFactors = FALSE)
resumo
## Estatistica Resultado
## 1 Minimo 15,3000000
## 2 1 Quartil 18,3000000
## 3 Mediana 32,6500000
## 4 Media 31,4775000
## 5 3 Quartil 40,3750000
## 6 Maximo 58,9000000
## 7 Variancia 186,5756346
## 8 Desvio Padrao 13,6592692
## 9 Coeficiente de Variacao (%) 43,3937549
## 10 Assimetria 0,3778563
## 11 Curtose -1,2307336
## 12 Tamanho da Amostra 40,0000000
# Exportar o Resumo Descritivo para Excel:
# Obs: antes de rodar novamente, feche o arquivo.
write.csv2(resumo,
3
file = "DBC - Resumo Descritivo.csv")
# 3) BOXPLOT
# Boxplot geral, com a cruz representando a media.
# Altere as cores e legendas entre aspas " ".
require(graphics)
boxplot(RESP,
col="yellow",
outcol="blue",
ylab="Permeabilidade")
points(mean(RESP),col="red",pch=3)
new-1_files/figure-latex/unnamed-chunk-8-1.pdf
new-1_files/figure-latex/unnamed-chunk-8-2.pdf
new-1_files/figure-latex/unnamed-chunk-8-3.pdf
# 4) TESTE DE NORMALIDADE
##
4
## Attaching package: 'ExpDes'
## The following objects are masked from 'package:agricolae':
##
## lastC, order.group, tapply.stat
# Definicao de fatores:
TRAT <- as.factor(TRAT)
BLOCO <- as.factor(BLOCO)
RESP <- as.numeric(RESP)
# Graficos de residuos:
# Para ser normal, o histograma deve ter formato de sino no centro.
# Se o grafico Normal Q-Q se assemelhar a uma reta crescente,
# entao existe normalidade.
plotres(mod)
new-1_files/figure-latex/unnamed-chunk-10-1.pdf
# Testes:
# Se p-value > 0,05, os residuos possuem distribuicao normal.
shapiro.test(mod$res) # Shapiro-Wilk
##
## Shapiro-Wilk normality test
##
## data: mod$res
## W = 0,97517, p-value = 0,5157
ad.test(mod$res) # Anderson-Darling
##
## Anderson-Darling normality test
##
## data: mod$res
## A = 0,31381, p-value = 0,5325
# Os dados sao normais?
# Se SIM, rode o comando abaixo e pule para a etapa 5).
RESP.TR <- RESP
# Se NAO, faca a transformacao em 4.1).
5
plotres(modTR1)
new-1_files/figure-latex/unnamed-chunk-12-1.pdf
# Testes
shapiro.test(modTR1$res) # Shapiro-Wilk
##
## Shapiro-Wilk normality test
##
## data: modTR1$res
## W = 0,97007, p-value = 0,3616
ad.test(modTR1$res) # Anderson-Darling
##
## Anderson-Darling normality test
##
## data: modTR1$res
## A = 0,3407, p-value = 0,4789
# TR2. Logaritmica:
# Obs: precisa excluir valores = 0.
TR2 <- log(RESP)
modTR2 = aov(TR2 ~ TRAT + BLOCO)
# Grafico dos residuos
plotres(modTR2)
new-1_files/figure-latex/unnamed-chunk-12-2.pdf
# Testes
shapiro.test(modTR2$res) # Shapiro-Wilk
##
## Shapiro-Wilk normality test
##
## data: modTR2$res
## W = 0,97756, p-value = 0,5995
ad.test(modTR2$res) # Anderson-Darling
##
## Anderson-Darling normality test
##
## data: modTR2$res
## A = 0,27624, p-value = 0,6386
6
# TR3. Hiperbolica
TR3 <- 1/RESP
modTR3 = aov(TR3 ~ TRAT + BLOCO)
# Grafico dos residuos
plotres(modTR3)
new-1_files/figure-latex/unnamed-chunk-12-3.pdf
# Testes
shapiro.test(modTR3$res) # Shapiro-Wilk
##
## Shapiro-Wilk normality test
##
## data: modTR3$res
## W = 0,95881, p-value = 0,1525
ad.test(modTR3$res) # Anderson-Darling
##
## Anderson-Darling normality test
##
## data: modTR3$res
## A = 0,55229, p-value = 0,145
# TR4. Box-Cox
require(MASS)
new-1_files/figure-latex/unnamed-chunk-12-4.pdf
## [1] -0,2222222
7
TR4 <- (RESPˆ(lambda.max)-1)/lambda.max
modTR4 = aov(TR4 ~ TRAT + BLOCO)
# Grafico dos residuos
plotres(modTR4)
new-1_files/figure-latex/unnamed-chunk-12-5.pdf
# Testes
shapiro.test(modTR4$res) # Shapiro-Wilk
##
## Shapiro-Wilk normality test
##
## data: modTR4$res
## W = 0,9763, p-value = 0,5545
ad.test(modTR4$res) # Anderson-Darling
##
## Anderson-Darling normality test
##
## data: modTR4$res
## A = 0,28972, p-value = 0,5955
# Digite o TR escolhido dentro de ( ):
RESP.TR <-
(RESP) #troque aqui, por exemplo: (TR2).
# Com isso, as proximas analises irao usar os
# dados transformados!
# Redefinicao de dados:
dados.TR <- data.frame(TRAT, BLOCO, RESP.TR)
attach(dados.TR)
8
# Teste de Bartlett:
# Se p-value > 0,05, ha homogeneidade das variancias.
bartlett.test(mod.TR$res ~ TRAT)
##
## Bartlett test of homogeneity of variances
##
## data: mod.TR$res by TRAT
## Bartlett's K-squared = 1,7801, df = 3, p-value = 0,6193
bartlett.test(mod.TR$res ~ BLOCO)
##
## Bartlett test of homogeneity of variances
##
## data: mod.TR$res by BLOCO
## Bartlett's K-squared = 10,669, df = 4, p-value = 0,03055
# Boxplot de tratamentos vs residuos:
# Se os boxplots forem semelhantes, ha homocedasticidade.
par(mfrow=c(1, 1))
boxplot(mod.TR$res ~ TRAT)
new-1_files/figure-latex/unnamed-chunk-14-1.pdf
boxplot(mod.TR$res ~ BLOCO)
new-1_files/figure-latex/unnamed-chunk-14-2.pdf
# 6) TESTE DE INDEPENDENCIA
# Os dados sao aleatorios e independentes.
# Ou seja, uma observacao nao influencia na outra
# e nao existe influencia do tempo ou local da coleta.
# Teste de Durbin-Watson:
# Se p-value > 0,05, entao ha independencia.
require(lmtest)
9
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
dwtest(mod.TR)
##
## Durbin-Watson test
##
## data: mod.TR
## DW = 1,0766, p-value = 0,0004515
## alternative hypothesis: true autocorrelation is greater than 0
# Grafico de residuos padronizados vs valores ajustados
# (Standardized Residuals vs Fitted Values):
# Se os pontos forem aleatorios e espalhados,
# entao os dados sao aleatorios e independentes;
# Se apresentar uma tendencia, entao ha dependencia.
plotres(mod.TR)
new-1_files/figure-latex/unnamed-chunk-16-1.pdf
10
require(dplyr)
# Por tratamento:
par(mfrow=c(1, 1))
ttuk <- easyanova::ea1(dados.TR, design=2)
new-1_files/figure-latex/unnamed-chunk-20-1.pdf
11
# 9) DMS - Diferenca Minima Significativa do teste Tukey
# Calculo do DMS:
t.HSD <- TukeyHSD(mod.TR, ordered=TRUE)
dms <- unname(0.5*diff(t.HSD$TRAT[1, 2:3]))
LimSup <- mean(RESP.TR)
LimInf <- LimSup-dms
## [1] 6,684835
# Se SIM, escolha o TR usado para
# realizar a transformaco inversa:
# TR1. Raiz quadrada:
dms.sqrt <- (LimSup)ˆ2-(LimInf)ˆ2
dms.sqrt
## [1] 376,1568
# TR2. Logaritmica:
dms.log <- exp(LimSup)-exp(LimInf)
dms.log
## [1] 4,676936e+13
# TR3. Hiperbolica:
dms.hip <- (LimSup)ˆ(-1)-(LimInf)ˆ(-1)
dms.hip
## [1] -0,008565787
# TR4. Box-Cox:
dms.bc <- ((LimSup*lambda.max)+1)ˆ(1/lambda.max) -
((LimInf*lambda.max)+1)ˆ(1/lambda.max)
dms.bc
## [1] NaN
# 10) Grafico de barras de Tukey
12
teste$Tukey, cex=1)
new-1_files/figure-latex/unnamed-chunk-24-1.pdf
13