Escolar Documentos
Profissional Documentos
Cultura Documentos
PROGRAMA ESTATÍSTICO
2
Sumário
Trabalhando com o R...................................................................................................................6
Manipulação de Conjunto de Dados............................................................................................8
Análise Exploratória de Dados....................................................................................................11
1. Variáveis quantitativas.......................................................................................................11
a) Estatística descritiva e teste de normalidade.................................................................11
b) Variância e covariância, correlação linear e diagnóstico de multicolinearidade............13
c) Correlação parcial...........................................................................................................15
d) Importância de variáveis segundo Singh (1981).............................................................16
e) Detecção de valores discrepantes ou outliers................................................................17
2. Variáveis qualitativas..........................................................................................................18
a) Índice de entropia de Shannon.......................................................................................18
Análise de Variância...................................................................................................................20
1. Análise de variância para modelos fixos.............................................................................20
a) DIC com tratamento qualitativo.....................................................................................20
b) DIC com tratamento qualitativo e tratamento controle................................................22
c) DIC com tratamento qualitativo e várias observações por parcela................................24
d) DBC com tratamento qualitativo....................................................................................26
e) DBC com tratamento quantitativo e ajuste de regressão linear.....................................28
f) DBC com tratamento quantitativo e ajuste de regressão quadrática.............................30
g) DQL com tratamento qualitativo....................................................................................32
h) Fatorial duplo em DIC (dois fatores qualitativos)...........................................................34
i) Fatorial duplo em DBC (fator qualitativo e fator quantitativo)........................................36
j) Parcela subdividida no espaço em DBC (parcela com fator qualitativo e subparcela com
fator quantitativo)..............................................................................................................38
k) Parcela subsubdividida no espaço em DBC....................................................................40
l) Fatorial triplo em DBC (três fatores qualitativos)............................................................41
m) Fatorial duplo com um tratamento adicional em DIC (fator qualitativo e fator
quantitativo).......................................................................................................................43
n) Delineamento em blocos aumentados...........................................................................44
2. Análise de variância para modelos mistos..........................................................................45
3. Transformação de dados....................................................................................................46
Genética Quantitativa................................................................................................................48
1. Interação genótipos por ambientes...................................................................................48
a) Análise conjunta para grupos de experimentos.............................................................48
b) Análise de adaptabilidade e estabilidade.......................................................................49
3
Regressão Linear e Não-Linear...................................................................................................52
1. Regressão linear.................................................................................................................52
a) Regressão segmentada...................................................................................................52
Análise Multivariada...................................................................................................................53
1. Análise de agrupamento....................................................................................................53
a) Análise de agrupamento para variáveis quantitativas sem repetição............................53
b) Análise de agrupamento para variáveis quantitativas com repetição............................55
c) Análise de agrupamento para variáveis qualitativas categóricas...................................57
d) Análise de agrupamento para variáveis qualitativas binárias.........................................58
e) Análise de agrupamento para variáveis quantitativas e qualitativas..............................59
2. Análise de componentes principais....................................................................................63
a) Análise de componentes principais para variáveis quantitativas...................................63
b) Análise de componentes principais para variáveis quantitativas e qualitativas.............66
3. Análise de Fatores..............................................................................................................68
a) Análise de fatores para variáveis quantitativas..............................................................68
b) Análise de fatores para variáveis quantitativas e qualitativas simultaneamente...........70
Pacotes necessários: PCAmixdata......................................................................................70
4. Análise de correspondência...............................................................................................71
5. Análise discriminante.........................................................................................................72
a) Análise discriminante de Mahalanobis...........................................................................72
6. Análise de variância multivariada.......................................................................................73
a) Teste T2 de Hotelling para duas amostras......................................................................73
b) Análise de variância multivariada...................................................................................74
Estatística Não-Paramétrica.......................................................................................................76
1. Teste de qui-quadrado para dados de contagens..............................................................76
a) Análise de frequências...................................................................................................76
b) Teste de proporção para duas categorias......................................................................77
c) Teste de aderência.........................................................................................................78
2. Análise de variância não-paramétrica................................................................................80
a) Entre dois grupos...........................................................................................................80
b) Entre três ou mais grupos..............................................................................................81
Criação e Edição de Gráficos......................................................................................................82
1. Criação de gráficos.............................................................................................................82
a) Gráfico de dispersão.......................................................................................................82
b) Gráfico de box-plot........................................................................................................83
c) Gráfico de barras............................................................................................................85
4
d) Gráfico com modelo de regressão de efeito linear........................................................87
e) Gráfico com modelo de regressão de efeito linear e intervalo de confiança.................89
f) Gráfico com modelo de regressão de efeito quadrático.................................................91
g) Gráfico com modelos de regressão de efeitos linear e quadrático.................................93
h) Editando gráficos de uma forma mais simples...............................................................95
i) Salvando gráficos.............................................................................................................96
j) Cores no R.......................................................................................................................96
Arquivos de Dados.....................................................................................................................97
Comandos Básicos....................................................................................................................126
Referências...............................................................................................................................128
Índice Remissivo.......................................................................................................................130
Contato....................................................................................................................................131
5
Trabalhando com o R
Trabalhando com o R
5) Clicar em “Arquivo/ Abrir script...”, caso já tenha um script salvo com extensão
“.R” ou “.txt” ou clicar em “Arquivo/ Novo script...”, caso deseje criar um novo script.
6
Trabalhando com o R
7) Para salvar o script, clique em qualquer lugar da janela de script para ativá-la e
clique em “Arquivo/ Salvar” ou digite “Ctrl-s”. Para salvar os comandos e resultados
apresentados no console do R, clique em qualquer lugar da janela do console do R
para ativá-la e clique em “Arquivo/ Salvar em arquivo...”.
9) Não criar um nome de objeto que coincida com o nome de uma das variáveis do
arquivo de dados.
7
Manipulação de Conjunto de Dados
#=======================================================================
# Manipulação de conjunto de dados
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alterar diretório de trabalho
setwd("D:/Curso R/Arquivos")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Verificar diretório de trabalho
getwd()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualizar arquivos do diretório de trabalho
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Salvar resultados à medida que são gerados (Salvar apenas resultados)
sink("resultados_exemplo1.txt", append=TRUE, split=TRUE)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importar arquivo de dados (data frame)
exemplo1<-read.table("exemplo1.txt", header=TRUE, dec=",")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualizar as seis primeiras linhas do arquivo
head(exemplo1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definir nome dos elementos
row.names(exemplo1) <- as.character(exemplo1$acessos)
exemplo1$acessos <- NULL
head(exemplo1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualizar as duas primeiras linhas do arquivo de dados
head(exemplo1, 2)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualizar as seis últimas linhas do arquivo de dados
tail(exemplo1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualizar o arquivo de dados
8
Manipulação de Conjunto de Dados
View(exemplo1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Editar arquivo de dados
fix(exemplo1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Listar número de linhas do arquivo de dados
nrow(exemplo1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Listar número de colunas do arquivo de dados
ncol(exemplo1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Dimensão do arquivo de dados
dim(exemplo1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Listar nome dos elementos
rownames(exemplo1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Listar nome das variáveis do arquivo de dados
colnames(exemplo1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Listar nome da variável da segunda coluna
colnames(exemplo1[2])
#-----------------------------------------------------------------------------------------------------------------------------
-
# Selecionar um dado da primeira linha e da segunda coluna do arquivo de dados
exemplo1[1, 2]
#-----------------------------------------------------------------------------------------------------------------------------
-
# Selecionar uma determinada coluna ou variável do arquivo de dados
alt1<-exemplo1$alt
alt1
alt2<-exemplo1[,1]
alt2
alt3<-subset(exemplo1, select=alt)
alt3
#-----------------------------------------------------------------------------------------------------------------------------
-
# Selecionar colunas ou variáveis
quant1<-exemplo1[,1:3]
quant1
quant2<-subset(exemplo1, select=c(alt, diam, nf))
quant2
9
Manipulação de Conjunto de Dados
#-----------------------------------------------------------------------------------------------------------------------------
-
# Excluindo colunas ou variáveis do arquivo de dados
qual1<-exemplo1[,-c(1,2,3)] # qual1<-exemplo1[,c(4,5,6)]
qual1
qual2<-subset(exemplo1, select=-c(alt, diam, nf))
qual2
#-----------------------------------------------------------------------------------------------------------------------------
-
# Estrutura do arquivo de dados
str(exemplo1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Modificação das variáveis do arquivo de dados
exemplo1$nf<-as.integer(exemplo1$nf)
exemplo1$resist<-as.ordered(exemplo1$resist)
exemplo1$ff<-as.factor(exemplo1$ff)
str(exemplo1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Combinar arquivos pelas colunas
quant1
qual1
dados1<-cbind(quant1, qual1)
dados1
#-----------------------------------------------------------------------------------------------------------------------------
-
# Criar um vetor numérico
quant3<-c(3.56, 2.43, 6)
quant3
#-----------------------------------------------------------------------------------------------------------------------------
-
# Combinar arquivos pelas linhas
quant2
quant3
dados2<-rbind(quant2, quant3)
dados2
#-----------------------------------------------------------------------------------------------------------------------------
-
# Modificar ou acrescentar nome dos elementos
rownames(dados2)[9]="BGA101"
dados2
#-----------------------------------------------------------------------------------------------------------------------------
-
# Exportação de um objeto (arquivo de dados) em arquivo texto
write.table(dados2, "dados2.txt", row.names=TRUE, col.names=TRUE)
#-----------------------------------------------------------------------------------------------------------------------------
-
# listar objetos da área de trabalho
ls()
10
Manipulação de Conjunto de Dados
#-----------------------------------------------------------------------------------------------------------------------------
-
# Remover um objeto
rm(alt1)
ls()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Salvar área de trabalho (Salvar objetos)
# Ctrl+S
save.image("exemplo1.RData")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Salvar histórico (Salvar comentários e comandos)
# Clicar em Arquivo/ Salvar Histórico
#-----------------------------------------------------------------------------------------------------------------------------
-
# Salvar resultados (Salvar comentários e resultados)
# Clicar em Arquivo/ Salvar em arquivo...
#-----------------------------------------------------------------------------------------------------------------------------
-
# Limpar memória
rm(list=ls(all=TRUE))
11
Análise Exploratória de Dados
1. Variáveis quantitativas
#=======================================================================
# Estatística descritiva e teste de normalidade
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo17.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do nome dos elementos
row.names(dados) <- as.character(dados$acessos)
dados$acessos <- NULL
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Estatísticas descritivas e teste de normalidade de Shapiro-Wilks
library(ds)
desc<-gds(dados)
desc
desc[c(1,2,3,4,17,20,21,22,25),]
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de Shapiro-Wilks por meio de uma função
for(i in 1:ncol(dados))
{
print(colnames(dados[i]))
teste<-shapiro.test(dados[,i])
print(teste)
}
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráficos de box-plot
par(mfrow=c(2,3))
boxplot(dados$alt, col="lightblue", xlab="Altura")
boxplot(dados$diam, col="lightblue", xlab="Diâmetro")
boxplot(dados$comp, col="lightblue", xlab="Comprimento")
boxplot(dados$peso, col="lightblue", xlab="Peso")
12
Análise Exploratória de Dados
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráficos de box-plot por meio de função
x11()
par(mfrow=c(2,3))
for(i in 1:ncol(dados))
{
boxplot(dados[,i], col="lightblue", xlab=colnames(dados[i]))
}
#-----------------------------------------------------------------------------------------------------------------------------
-
# Histogramas
x11()
par(mfrow=c(2,3))
hist(dados$alt, main=NULL, col="lightblue", xlab="Altura")
hist(dados$diam, main=NULL, col="lightblue", xlab="Diâmetro")
hist(dados$comp, main=NULL, col="lightblue", xlab="Comprimento")
hist(dados$peso, main=NULL, col="lightblue", xlab="Peso")
hist(dados$ac, main=NULL, col="lightblue", xlab="Acidez")
hist(dados$rat, main=NULL, col="lightblue", xlab="Ratio")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Histogramas por meio de função
x11()
par(mfrow=c(2,3))
for(i in 1:ncol(dados))
{
hist(dados[,i], main=NULL, col="lightblue", xlab=colnames(dados[i]))
}
13
Análise Exploratória de Dados
#=======================================================================
# Matriz de variância e covariância, correlação linear e diagnóstico de multicolinearidade
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo17.txt", header=TRUE, dec=",")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização das seis primeiras linhas do arquivo
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do nome dos elementos
row.names(dados) <- as.character(dados$acessos)
dados$acessos <- NULL
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Matriz de variância e covariância
cov(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Matriz de correlação
cor(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Correlação de Pearson com teste t
library(agricolae)
mcorr<-correlation(dados, y=NULL, method="pearson", alternative="two.sided")
mcorr
#-----------------------------------------------------------------------------------------------------------------------------
-
# Salvar a matriz de correlação em arquivo texto
write.table(mcorr$correlation, "mcorrel.txt", row.names=TRUE, col.names=TRUE)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Fatores de inflação da variância (VIF) e diagnóstico de multicolinearidade
library(usdm)
vifcor(dados)
14
Análise Exploratória de Dados
#-----------------------------------------------------------------------------------------------------------------------------
-
# Número de condição (Montgomery e Peck, 1981 - NC<100-multicolinearidade fraca;
100<NC<1000-multicolinearidade de moderada a forte; NC>1000-multicolinearidade severa)
library(FactoMineR)
pca<-PCA(dados, scale.unit=TRUE, graph=FALSE)
NC = max(pca$eig$eigenvalue)/min(pca$eig$eigenvalue)
NC
#-----------------------------------------------------------------------------------------------------------------------------
-
# Número de condição excluindo a variável diam
dados<-subset(dados, select=-diam) # Pode ser usado o comando dados<-dados[,-2]
head(dados)
pca2<-PCA(dados, scale.unit=TRUE, graph=FALSE)
NC2 = max(pca2$eig$eigenvalue)/min(pca2$eig$eigenvalue)
NC2
Observação 1: Segundo Montgomery e Peck (1981) número de condição (NC) < 100,
multicolinaridade é fraca, não constituindo problema sério; 100 < NC < 1000, multicolinearidade
de moderada a forte; NC > 1000, multicolinearidade severa.
15
Análise Exploratória de Dados
c) Correlação parcial
Pacote necessário: agricolae
#=======================================================================
# Correlação parcial entre variáveis avaliadas em delineamento exeperimental a partir da
# matriz de soma de quadrados e produtos do erro obtido a partir de análise de variância
# multivariada (manova)
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo3.txt", header=TRUE, dec=",")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização das seis primeiras linhas do arquivo
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Matriz contendo as variáveis que serão analizadas
mvar<-as.matrix(dados[,3:ncol(dados)])
mvar
#-----------------------------------------------------------------------------------------------------------------------------
-
# Realização da Manova e obtenção da matriz de somas de quadrados e produtos do erro
mav <- manova(mvar~trat, data=dados)
sqpe<-mav$residuals
sqpe
#-----------------------------------------------------------------------------------------------------------------------------
-
# Correlação parcial com teste t
library(agricolae)
mcorr<-correlation(sqpe, y=NULL, method="pearson", alternative="two.sided")
mcorr
16
Análise Exploratória de Dados
#=======================================================================
# Importância de variáveis segundo Singh (1981)
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo17.txt", header=TRUE, dec=",")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização das seis primeiras linhas do arquivo
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do nome dos elementos
row.names(dados) <- as.character(dados$acessos)
dados$acessos <- NULL
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Matriz de variância e covariância
cov<-cov(dados)
cov
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importância de variáveis segundo Singh (1981)
library(biotools)
sij<-singh(dados, cov, inverted=TRUE)
sij
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico da importância de variáveis segundo Singh (1981)
plot(sij)
17
Análise Exploratória de Dados
#=======================================================================
# Detecção de valores discrepantes ou outliers baseado em boxplot
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Criação de um vetor numérico
A<-c(12.4, 15.2, 13.3, 13.1, 2.1, 19.3, 14.2, 13.7, 14.2, 15.3, 12.5)
A
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de box-plot
boxplot(A, col="lightblue")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade de Shapiro-Wilks
shapiro.test(A)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Detecção de valores discrepantes
library(univOutl)
out<-boxB(x = A, k = 1.5, method = 'asymmetric')
out
#-----------------------------------------------------------------------------------------------------------------------------
-
# Limites inferiores e superiores para detecção valores discrepantes
out$fences
#-----------------------------------------------------------------------------------------------------------------------------
-
# Ordem dos valores discrepantes detectados
out$outliers
#-----------------------------------------------------------------------------------------------------------------------------
-
# Valores discrepantes detectados
A[out$outliers]
#-----------------------------------------------------------------------------------------------------------------------------
-
# Eliminação dos valores discrepantes do conjunto de dados
B<-A[-out$outliers]
B
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade de Shapiro-Wilks
shapiro.test(B)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de box-plot
18
Análise Exploratória de Dados
x11()
boxplot(B, col="lightblue")
19
Análise Exploratória de Dados
2. Variáveis qualitativas
#=======================================================================
# Frequências absolutas, frequências relativas e índice de entropia de Shannon (H) para
# variáveis categóricas utilizando os pacotes dplyr e vegan
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo18.txt", header=TRUE, dec=",")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização das seis primeiras linhas do arquivo de dados
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Tabela com frequência absoluta e relativa para as classes de cf
library(dplyr)
cf<-dados$cf
tabelcf <- data.frame(t(table(cf)))[,-1]
tabelcf <- tabelcf %>% mutate(Fr = Freq/sum(Freq), Fp=100*Fr)
tabelcf
#-----------------------------------------------------------------------------------------------------------------------------
-
# Tabela com frequência absoluta e relativa para todas as variáveis por meio de função
library(dplyr)
for(i in 2:ncol(dados))
{
print(colnames(dados[i]))
tabel <- data.frame(t(table(dados[i])))[,-1]
tabel <- tabel %>% mutate(Fr = Freq/sum(Freq), Fp=100*Fr)
print(tabel)
}
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do nível de entropia de Shannon para cf
library(vegan)
hcf<-diversity(tabelcf$Freq)
hcf
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do nível de entropia de Shannon para todas as variáveis por meio de função
20
Análise Exploratória de Dados
library(vegan)
for(i in 2:ncol(dados))
{
print(colnames(dados[i]))
tabel <- data.frame(t(table(dados[i])))[,-1]
tabel <- tabel %>% mutate(Fr = Freq/sum(Freq), Fp=100*Fr)
h<-diversity(tabel$Freq)
print(h)
}
#=======================================================================
# Frequências absolutas, frequências relativas e índice de entropia de Shannon (H) para
# variáveis categóricas utilizando o pacote entropy
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo18.txt", header=TRUE, dec=",")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Frequências absolutas para as classes de cf
cf<-as.factor(dados$cf)
facf<-tabulate(cf)
facf
#-----------------------------------------------------------------------------------------------------------------------------
-
# Frequências relativas para as classes de cf
library(entropy)
frcf<-freqs(facf)
frcf
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do nível de entropia de Shannon para cf
hcf<- entropy(facf, method="ML")
hcf
21
Análise de Variância
Análise de Variância
#=======================================================================
# Análise de variância de experimentos no DIC com tratamento qualitativo, considerando o
# modelo fixo
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Salvando resultados em arquivo texto
sink("saida_exemplo2.txt", append=TRUE, split=TRUE)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo2.txt", header=TRUE, dec=",")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização das seis primeiras linhas do arquivo
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Boxplot de cada tratamento
boxplot(prod~cult, xlab="Cultivares", names=c("Prata Anã", "Pacovan Ken", "FHIA 18",
"Tropical"), ylab="Produção", col="gray", data=dados)
#=======================================================================
# Anava e testes de médias com o pacote ExpDes.pt
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava e teste de Tukey com o pacote ExpDes.pt
attach(dados)
library(ExpDes.pt)
dic(cult, prod, quali=TRUE, mcomp="tukey")
#=======================================================================
22
Análise de Variância
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com a função lm
anava<-lm(prod~cult, data=dados)
names(anava)
anova(anava)
#=======================================================================
# Teste de médias e gráficos com o pacote agricolae
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de Tukey com o pacote agricolae
library(agricolae)
tukey <- HSD.test(anava,"cult", alpha=0.05, group=TRUE)
names(tukey)
tukey$groups
cv.model(anava)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de barras das médias com desvio padrão
x11()
bar.err(tukey$means, variation="SD", ylim=c(0, 38), names=c("FHIA 18", "Pacovan Ken", "Prata
Anã", "Tropical"), horiz=FALSE, angle=125, density=12, ylab="Produção", xlab="Cultivares",
col="red")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de barras das médias com resultados do teste de Tukey
x11()
bar.group(tukey$groups, ylim=c(0, 38), names=c("FHIA 18", "Pacovan Ken", "Prata Anã",
"Tropical"), horiz=FALSE, angle=125, density=12, ylab="Produção", xlab="Cultivares",
col="red")
#=======================================================================
# Pressuposições da análise de variância
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de resíduos
x11()
par(mfrow=c(2,2))
plot(anava)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade dos erros
residuo<-anava$residuals
shapiro.test(residuo)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de homogeneidade de variância
bartlett.test(residuo, cult)
23
Análise de Variância
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de independência dos erros
library(lmtest)
dwtest(prod~cult, data=dados, alternative="two.sided")
24
Análise de Variância
#=======================================================================
# Análise de variância de experimentos no DIC com tratamento qualitativo e tratamento
# controle, considerando o modelo fixo, e análise de várias variáveis por meio de função
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo3.txt", header=TRUE, dec=",")
head(dados)
#=======================================================================
# Anava e teste de médias com o pacote ExpDes.pt
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava e teste de Tukey com o pacote ExpDes.pt para a variável dc
attach(dados)
library(ExpDes.pt)
dic(trat, dc, quali=TRUE, mcomp="tukey")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava e teste de Tukey com o pacote ExpDes.pt para todas as variáveis
for(i in 3:ncol(dados))
{
print(colnames(dados[i]))
anava<- dic(trat, dados[,i], quali=TRUE, mcomp="tukey")
print(anava)
}
#=======================================================================
# Anava com a função lm
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com a função lm para a variável dc
str(dados)
anava<-lm(dc~trat, data=dados)
anova(anava)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com a função lm para todas as variáveis
for(i in 3:ncol(dados))
{
print(colnames(dados[i]))
25
Análise de Variância
#=======================================================================
# Teste de Dunnett para comparar os tratamentos com o tratamento controle
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de Dunnett para a variável dc
library(DescTools)
DunnettTest(dc ~ trat, control="D", data=dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de Dunnett para todas as variáveis
for(i in 3:ncol(dados))
{
print(colnames(dados[i]))
dunnett<-DunnettTest(dados[,i] ~ trat, control="D", data=dados)
print(dunnett)
}
26
Análise de Variância
#=======================================================================
# Análise de variância de experimentos no DIC com tratamento qualitativo e várias
# observações por parcela, considerando o modelo fixo
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo4.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo das médias para cada tratamento e repetição
dados<-aggregate(alt~trat:rep, data = dados, mean)
head(dados)
#=======================================================================
# Anava e testes de médias com o pacote ExpDes.pt
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava e teste de Tukey com o pacote ExpDes.pt
attach(dados)
library(ExpDes.pt)
dic(trat, alt, quali=TRUE, mcomp="tukey")
#=======================================================================
# Anava com a função lm
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com a função lm
str(dados)
dados$trat<-as.factor(dados$trat)
str(dados)
anava<-lm(alt~trat, data=dados)
anova(anava)
#=======================================================================
# Pressuposições da análise de variância
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade dos erros
residuo<-anava$residuals
shapiro.test(residuo)
27
Análise de Variância
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de homogeneidade de variância
bartlett.test(residuo, trat)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de independência dos erros
library(lmtest)
dwtest(alt~trat, data=dados, alternative="two.sided")
28
Análise de Variância
#=======================================================================
# Análise de variância de experimentos no DBC com tratamento qualitativo, considerando o
# modelo fixo
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo5.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Boxplot de cada tratamento
plot(prod~trat, xlab="Tratamentos", ylab="Produção", col="gray", data=dados)
#=======================================================================
# Anava e testes de médias com o pacote ExpDes.pt
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava e teste de Scott-Knott com o pacote ExpDes.pt
attach(dados)
library(ExpDes.pt)
dbc(trat, bloco, prod, quali=TRUE, mcomp="sk")
#=======================================================================
# Anava com a função lm
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com a função lm
str(dados)
dados$bloco<-as.factor(dados$bloco)
str(dados)
anava<-lm(prod~bloco+trat, data=dados)
anova(anava)
#=======================================================================
# Pressuposições da análise de variância
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade dos erros
residuo<-anava$residuals
shapiro.test(residuo)
29
Análise de Variância
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de homogeneidade de variância
bartlett.test(residuo, trat)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de independência dos erros
library(lmtest)
dwtest(prod~bloco+trat, data=dados, alternative="two.sided")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de aditividade do modelo
library(asbio)
tukey.add.test(prod, trat, bloco)
30
Análise de Variância
#=======================================================================
# Análise de variância de experimentos no DBC com tratamento quantitativo e ajuste de
# regressão linear, considerando o modelo fixo
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo6.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Boxplot de cada tratamento
boxplot(peso~dose, xlab="Doses", ylab="Peso", col="lightblue", data=dados)
#=======================================================================
# Anava e testes de médias com o pacote ExpDes.pt
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava e regressão polinomial com o pacote ExpDes.pt
attach(dados)
library(ExpDes.pt)
dbc(dose, bloco, peso, quali = FALSE)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Médias dos tratamentos
media<-aggregate(peso~dose, data=dados, mean)
media
#=======================================================================
# Regressão linear com a função lm
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Ajuste de equação de 1 grau
linear<-lm(peso~dose, data=dados)
summary(linear)
anova (linear)
cf<-as.numeric(coef(linear))
cf
#=======================================================================
# Anava com a função lm
#=======================================================================
31
Análise de Variância
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com a função lm
str(dados)
dados$dose<-as.factor(dados$dose)
dados$bloco<-as.factor(dados$bloco)
str(dados)
anava<-lm(peso~bloco+dose, data=dados)
anova(anava)
#=======================================================================
# Pressuposições da análise de variância
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade dos erros
residuo<-anava$residuals
shapiro.test(residuo)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de homogeneidade de variância
bartlett.test(residuo~dose)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de independência dos erros
library(lmtest)
dwtest(peso~bloco+dose, data=dados, alternative="two.sided")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de aditividade do modelo
library(asbio)
tukey.add.test(peso, dose, bloco)
Observação 1: No pacote ExpDes.pt, caso haja algum fator quantitativo, deve ser informado
como o código FALSE em quali = c(TRUE, FALSE). O pacote ajusta modelos de regressão
polinomial para esse fator.
Observação 2: Para o teste de homogeneidade de variância, como se utilizou a função lm, foi
necessário a modificação de dose e bloco para fator visando a obtenção da análise de
variância. Convém lembrar que para a execução do pacote ExpDes.pt, dose não pode ser do
tipo fator e sim do tipo numérico para ajuste da regressão.
32
Análise de Variância
#=======================================================================
# Análise de variância de experimentos no DBC com tratamento quantitativo e ajuste de
# regressão quadrática, considerando o modelo fixo
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo7.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Boxplot de cada tratamento
boxplot(altura~dose, xlab="Doses", ylab="Altura", col="lightblue", data=dados)
#=======================================================================
# Anava e testes de médias com o pacote ExpDes.pt
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava e regressão polinomial com o pacote ExpDes.pt
attach(dados)
library(ExpDes.pt)
dbc(dose, bloco, altura, quali = FALSE)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Médias dos tratamentos
media<-aggregate(altura~dose, data=dados, mean)
media
#=======================================================================
# Regressão linear com a função lm
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Ajuste de equação 2 grau
quad<-lm(altura~(dose+I(dose^2)))
summary(quad)
anova(quad)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do nível ótimo
cf<-as.numeric(coef(quad))
cf
otimo<-(-cf[2]/(2*cf[3]))
33
Análise de Variância
otimo
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do valor máximo estimado
vmax<- cf[1] + cf[2]*otimo + cf[3]*otimo^2
vmax
#=======================================================================
# Anava com a função lm
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com a função lm
str(dados)
dados$dose<-as.factor(dados$dose)
dados$bloco<-as.factor(dados$bloco)
str(dados)
anava<-aov(altura~bloco+dose, data=dados)
anova(anava)
#=======================================================================
# Pressuposições da análise de variância
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade dos erros
residuo<-anava$residuals
shapiro.test(residuo)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de homogeneidade de variância
bartlett.test(residuo~dose)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de independência dos erros
library(lmtest)
dwtest(altura~bloco+dose, data=dados, alternative="two.sided")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de aditividade do modelo
library(asbio)
tukey.add.test(altura, dose, bloco)
34
Análise de Variância
#=======================================================================
# Análise de variância de experimentos no DQL com tratamento qualitativo, considerando o
# modelo fixo
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table ("exemplo8.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Boxplot de cada tratamento
plot(cm~racao, xlab="Rações", ylab="Consumo médio", col="lightblue", data=dados)
#=======================================================================
# Anava e teste de médias com o pacote ExpDes.pt
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava e teste de comparações de médias de Scott-Knott
attach(dados)
library(ExpDes.pt)
dql(racao, periodo, animal, cm, quali=TRUE, mcomp="sk")
#=======================================================================
# Anava com a função lm
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com a função lm
str(dados)
dados$periodo<-as.factor(dados$periodo)
dados$animal<-as.factor(dados$animal)
str(dados)
anava<-lm(cm~periodo+animal+racao, data=dados)
anova(anava)
#=======================================================================
# Pressuposições da análise de variância
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade dos erros
residuo<-anava$residuals
35
Análise de Variância
shapiro.test(residuo)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de homogeneidade de variância
bartlett.test(residuo~racao)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de independência dos erros
library(lmtest)
dwtest(cm~periodo+animal+racao, data=dados, alternative="two.sided")
36
Análise de Variância
#=======================================================================
# Análise de variância de experimentos no DIC em esquema fatorial, com dois fatores
# qualitativos, considerando o modelo fixo
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table ("exemplo9.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Boxplot de cada tratamento
par(mfrow=c(1, 2))
boxplot(prod~var, xlab="Variedades", ylab="Produção", col="gray", data=dados)
boxplot(prod~met, xlab="Métodos", ylab="Produção", col="gray", data=dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização gráfica da interação
attach(dados)
x11()
interaction.plot(var, met, prod, xlab="Variedades", ylab="Produção", col=1:3)
x11()
interaction.plot(met, var, prod, xlab="Métodos", ylab="Produção", col=1:4)
#=======================================================================
# Anava e teste de médias com o pacote ExpDes.pt
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava e teste de comparações de médias
attach(dados)
library(ExpDes.pt)
fat2.dic(var, met, prod, quali = c(TRUE, TRUE), mcomp="tukey", fac.names = c("Variedades",
"Métodos"))
#=======================================================================
# Anava com a função lm
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com a função lm
anava<-lm(prod~var*met)
anova(anava)
37
Análise de Variância
#=======================================================================
# Pressuposições da análise de variância
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade dos erros
residuo<-anava$residuals
shapiro.test(residuo)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de independência dos erros
library(lmtest)
dwtest(prod~var*met, data=dados, alternative="two.sided")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de homogeneidade de variância
residuo<-anava$residuals
bartlett.test(residuo, var)
bartlett.test(residuo, met)
Observação 1: Caso haja algum fator quantitativo deve ser informado como o código FALSE
em quali = c(TRUE, FALSE). O pacote ajusta modelos de regressão polinomial para esse fator.
38
Análise de Variância
#=======================================================================
# Análise de variância de experimentos no DBC em esquema fatorial, com um fator
# qualitativo e um fator quantitativo, considerando o modelo fixo
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table ("exemplo10.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Boxplot de cada tratamento
par(mfrow=c(1, 2))
boxplot(prod~acess, xlab="Acessos", ylab="Produção", col="lightblue", data=dados)
boxplot(prod~dose, xlab="Doses", ylab="Produção", col="lightblue", data=dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização gráfica da interação
attach(dados)
x11()
interaction.plot(acess, dose, prod, xlab="Acessos", ylab="Produção", col=1:4)
x11()
interaction.plot(dose, acess, prod, xlab="Doses", ylab="Produção", col=1:2)
#=======================================================================
# Anava, teste de média e regressão com o pacote ExpDes.pt
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com teste de Tukey e regressão polinomial
attach(dados)
library(ExpDes.pt)
fat2.dbc(acess, dose, bloco, prod, quali = c(TRUE, FALSE), mcomp="tukey",
fac.names=c("Acessos", "Doses"))
#-----------------------------------------------------------------------------------------------------------------------------
-
# Médias dos tratamentos
media<-aggregate(prod~dose*acess, data=dados, mean)
media
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do nível ótimo para o modelo quadrático
39
Análise de Variância
otimo<-(-0.13568750/(2*-0.00092575))
otimo
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do valor máximo estimado para o modelo quadrático
vmaxq<- 48.75687500 + 0.13568750*otimo + -0.00092575 *otimo^2
vmaxq
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do valor máximo estimado para o modelo linear
vmaxl<- 45.781500 + 0.044805*150
vmaxl
#=======================================================================
# Anava com a função lm
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com a função lm
str(dados)
dados$dose<-as.factor(dados$dose)
dados$bloco<-as.factor(dados$bloco)
str(dados)
anava<-lm(prod~bloco+acess*dose, data=dados)
anova(anava)
#=======================================================================
# Pressuposições da análise de variância
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade dos erros
residuo<-anava$residuals
shapiro.test(residuo)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de homogeneidade de variância
bartlett.test(residuo, acess)
bartlett.test(residuo, dose)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de independência dos erros
library(lmtest)
dwtest(prod~ bloco+acess*dose, data=dados, alternative="two.sided")
40
Análise de Variância
#=======================================================================
# Análise de variância de experimentos no DBC em esquema de parcela subdividida, com um
# fator qualitativo na parcela e um fator quantitativo na subparcela, considerando o modelo fixo
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table ("exemplo11.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Boxplot de cada tratamento
par(mfrow=c(1, 2))
boxplot(altura~cult, xlab="Cultivares", ylab="Altura", col="lightblue", data=dados)
boxplot(altura~niv, xlab="Níveis", ylab="Altura", col="lightblue", data=dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização gráfica da interação
attach(dados)
x11()
interaction.plot(cult, niv, altura, xlab="Cultivares", ylab="Altura", col=1:4)
x11()
interaction.plot(niv, cult, altura, xlab="Níveis", ylab="Altura", col=1:3)
#=======================================================================
# Anava, teste de média e regressão com o pacote ExpDes.pt
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com teste de Tukey e regressão polinomial
attach(dados)
library(ExpDes.pt)
psub2.dbc(cult, niv, bloco, altura, quali = c(TRUE, FALSE), mcomp="tukey", fac.names =
c("Cultivar", "Niveis"), sigT=0.05, sigF=0.05)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do valor máximo estimado
vmaxA<- 1.06850000 + -0.00204167*12 + 0.00276042*12^2
vmaxA
vmaxB<- 1.06866667 + 0.01841667*12
vmaxB
vmaxC<- 1.08733333 + 0.01308333*12
41
Análise de Variância
vmaxC
#=======================================================================
# Anava com a função aov
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com a função aov
str(dados)
dados$niv<-as.factor(dados$niv)
dados$bloco<-as.factor(dados$bloco)
str(dados)
anava<-aov(altura~bloco+cult + Error(bloco*cult) + niv + cult*niv, data=dados)
summary(anava)
#=======================================================================
# Pressuposições da análise de variância
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade dos erros
anava1<-lm(altura~bloco+cult+bloco*cult+niv+cult*niv, data=dados)
residuo<-anava1$residuals
shapiro.test(residuo)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de homogeneidade de variância
bartlett.test(residuo, cult)
bartlett.test(residuo, niv)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de independência dos erros
library(lmtest)
dwtest(altura~bloco+cult+bloco*cult+niv+cult*niv, data=dados, alternative="two.sided")
(em desenvolvimento)
## mesmo modelo
m1 <- aov(alt~BL+AD*ES+Error(parcela), data=ps)
## a mesma anova
summary(m0)
42
Análise de Variância
summary(m1)
43
Análise de Variância
(em desenvolvimento)
44
Análise de Variância
#=======================================================================
# Análise de variância de experimentos no DBC em esquema fatorial, com três fatores
# qualitativos, considerando o modelo fixo
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table ("exemplo12.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Boxplot de cada tratamento
par(mfrow=c(1, 3))
boxplot(alt~cult, xlab="Cultivares", ylab="Altura", col="gray", data=dados)
boxplot(alt~met, xlab="Métodos", ylab="Altura", col="gray", data=dados)
boxplot(alt~trat, xlab="Tratamentos", ylab="Altura", col="gray", data=dados)
#=======================================================================
# Anava e testes de médias com o pacote ExpDes.pt
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava e teste de Tukey com o pacote ExpDes.pt
attach(dados)
library(ExpDes.pt)
fat3.dbc(cult, met, trat, bloco, alt, quali = c(TRUE, TRUE, TRUE), mcomp="tukey", fac.names =
c("Cultivares", "Métodos", "Tratamentos"), sigT=0.05, sigF=0.05)
#=======================================================================
# Anava com a função lm
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com a função lm
str(dados)
dados$bloco<-as.factor(dados$bloco)
dados$cult<-as.factor(dados$cult)
dados$met<-as.factor(dados$met)
dados$trat<-as.factor(dados$trat)
str(dados)
anava<-lm(alt~bloco+cult*met*trat, data=dados)
anova(anava)
45
Análise de Variância
#=======================================================================
# Pressuposições da análise de variância
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade dos erros
residuo<-anava$residuals
shapiro.test(residuo)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de homogeneidade de variância
bartlett.test(residuo, cult)
bartlett.test(residuo, met)
bartlett.test(residuo, trat)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de independência dos erros
library(lmtest)
dwtest(alt~bloco+cult*met*trat, data=dados, alternative="two.sided")
46
Análise de Variância
#=======================================================================
# Análise de variância de experimentos no DIC em esquema fatorial com um tratamento
# adicional, com um fator qualitativo e um fator quantitativo, considerando o modelo fixo
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados do fatorial
dados<-read.table ("exemplo13.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados com as observações do tratamento adicional
dadosAd <- scan ("exemplo13Ad.txt", dec=",")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização do arquivo
dadosAd
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava e teste de comparações de médias
attach(dados)
library(ExpDes.pt)
fat2.ad.dic (inoc, biod, rep, mfresca, dadosAd, quali = c(TRUE, FALSE), mcomp="tukey",
fac.names = c("Inóculo", "Biodiesel"), sigT=0.05, sigF=0.05)
47
Análise de Variância
#=======================================================================
# Análise de variância de experimentos no delineamento em blocos aumentados com o pacote
# easyanova
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados do fatorial
dados<-read.table ("exemplo14.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Análise de variância, médias ajustadas e teste para as médias ajustadas
library(easyanova)
dba<-ea1(dados, design=8)
dba
#=======================================================================
# Análise de variância de experimentos no delineamento em blocos aumentados com o pacote
# agricolae
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Médias ajustadas, erros padrões e teste para as médias ajustadas
library(agricolae)
dba<-DAU.test(dados$bloco, dados$trat, dados$prod, method="tukey", group=TRUE)
dba
48
Análise de Variância
(em desenvolvimento)
49
Análise de Variância
3. Transformação de dados
Pacotes necessários: MASS
#=======================================================================
# Transformação de dados usando Box-Cox (1964)
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo15.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava com a função lm
anava<-lm(alt~trat, data=dados)
anova(anava)
residuo<-anava$residuals
#-----------------------------------------------------------------------------------------------------------------------------
-
# Histograma, densidade de probabilidade e curva normal
hist(residuo, main=NULL, xlab="Resíduos", ylab="Frequência", col="gray", prob=TRUE)
lines(density(residuo), col="red")
curve(expr = dnorm(x,mean=mean(residuo),sd=sd(residuo)),add=T, col="blue")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade dos erros
shapiro.test(residuo)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de homogeneidade de variância
attach(dados)
bartlett.test(residuo, trat)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Verossimilhança do parâmetro
library(MASS)
x11()
boxcox(alt~trat, data=dados, plotit=T)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Localizar coordenadas do ponto de máximo da função (colocar o cursor “+” no ponto de
# interceptação da linha pontilhada do pico da curva, clicar com o botão esquerdo do mouse,
#em seguida clicar com o botão direito e clicar em “Parar”)
locator()
50
Análise de Variância
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção dos dados transformados
dados$altt<-(dados$alt^(-0.22)-1)/-0.22
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava dos dados transformados
anavat<-lm(altt~trat, data=dados)
anova(anavat)
residuot<-anavat$residuals
#-----------------------------------------------------------------------------------------------------------------------------
-
# Histograma, densidade de probabilidade e curva normal
x11()
hist(residuot, main=NULL, xlab="Resíduos", ylab="Frequência", col="gray", prob=TRUE)
lines(density(residuot), col="red")
curve(expr = dnorm(x,mean=mean(residuot),sd=sd(residuot)),add=T, col="blue")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade dos erros
shapiro.test(residuot)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de homogeneidade de variância
bartlett.test(residuot, trat)
51
Regressão Linear e Não-Linear
Genética Quantitativa
52
Regressão Linear e Não-Linear
(em desenvolvimento)
require(ExpDes.pt)
with(dados, fat3.dbc(fator1=Genotipo, fator2=Ano,
fator3=Local, bloco=Bloco,
resp=dg, quali = c(TRUE, TRUE, TRUE),
mcomp = 'sk'),
fac.names = c("Genotipo", "Ano", "Local"),
sigT = 0.05, sigF = 0.05)
######################################
#########análise de variância##################
####################################
library(agricolae)
quatro fatores#
três fatores#
g1 <-aov (dg ~ Ano*Local*Genotipo + bloco, data = dadosA)
anova (g1)
53
Regressão Linear e Não-Linear
teste de médias#
HSD.test(g,"Ano", group=TRUE,console=TRUE)
HSD.test(g,"Local", group=TRUE,console=TRUE)
HSD.test(g,"Genotipo", group=TRUE,console=TRUE)
##########################################################
############### Análises GGE BIPLOT ######################
##########################################################
library(MASS)
library(GGEBiplotGUI)
rm(list=ls())
############
### PTR ####
############
setwd("C:\\Users\\juraci.filho\\Desktop\\Nova pasta")
dir()
PTR<-read.table("Ms_gge.txt",header=TRUE, sep="", na.strings="NA",
dec=".", strip.white=TRUE)
PTR
summary(PTR)
ds<-GGEBiplot(PTR)
PTR[1]<-NULL
acpcor <- prcomp(PTR, scale = TRUE)
acpcor
######################################################################
##########################
############## Análise AMMI - Adaptabilidade e Estabilidade de
Genótipos elites ################
######################################################################
##########################
library(agricolae)
data(plrv)
head(plrv)
rm(list=ls())
ls()
juraci3<-read.table("C:\\Users\\juraci.filho\\Desktop\\Nova pasta\\
amido1_Biplot.txt",header=TRUE, sep="", na.strings="NA", dec=".",
strip.white=TRUE)
juraci3[,1:3]<-NULL
head(juraci3)
summary(juraci3)
juraci3$env<-as.factor(juraci3$env)
juraci3$bloc<-as.factor(juraci3$bloc)
54
Regressão Linear e Não-Linear
########################################################
###### Produtividade Total de Raízes ###################
########################################################
plot(ammi)
55
Regressão Linear e Não-Linear
1. Regressão linear
a) Regressão segmentada
Pacotes necessários: easynls
#=======================================================================
# Regressão segmentada (linear response plateau)
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Entrada dos dados
idade<-c(8,12,24,36,48,60,72,84,96,108)
peso<-c(280,340,430,480,550,580,590,600,590,600)
dados<-data.frame(idade, peso)
dados
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de dispersão
plot(peso~idade, xlab="Idade", ylab="Peso", data= dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Ajuste da regressão segmentada
library(easynls)
nlsfit(dados, model=3)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de regressão segmentada pelo pacote easynls
x11()
nlsplot(dados, model=3, xlab="Idade", ylab="Peso", position=1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de regressão segmentada
x11()
cf<-c(592.0000, 6.3873, 53.1548, 0.9869)
plot(peso~idade, xlab="Idade", ylab="Peso", data= dados)
curve((cf[1]+cf[2]*(x-cf[3])*(x<=cf[3])), min(idade), max(idade), col="blue", lwd=1, add=T)
abline(v=cf[3], col="gray")
text(70,440,label=substitute (hat(y)==a+b%.%x~~(x<c), list(a=(cf[1]-cf[2]*cf[3]), b=cf[2],
c=cf[3])))
text(70, 420, label=substitute (hat(y)==a~~(x>c), list(a=cf[1], c=cf[3])))
text(70, 400, label=substitute (R^2==d, list(d=cf[4])))
56
Regressão Linear e Não-Linear
57
Análise Multivariada
Análise Multivariada
1. Análise de agrupamento
#=======================================================================
# Análise de agrupamento para variáveis quantitativas sem repetição utilizando como medida
# de dissimilaridade a distância euclidiana e método de agrupamento UPGMA
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo17.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do nome dos elementos a serem agrupados
row.names(dados) <- as.character(dados$acessos)
dados$acessos <- NULL
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz de distância
library(cluster)
mdiss<-daisy(dados, metric="euclidean", stand=TRUE)
mdiss
min(mdiss)
max(mdiss)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização gráfica da matriz de dissimilaridade
library(factoextra)
fviz_dist(mdiss, gradient = list(low = "red", mid = "white", high = "blue"))
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz de agrupamento a partir do método UPGMA
magrup<-hclust(mdiss, method="average")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do coeficiente de correlação cofenético com teste de Mantel
library(ade4)
58
Análise Multivariada
mcof<-cophenetic(magrup)
mantel.rtest(mdiss, mcof, nrepet = 1000)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do número ótimo de grupos pelo pacote NbClust
library(NbClust)
bnc<-NbClust(mdiss, min.nc=2, max.nc=9, method="average", index = "pseudot2")
bnc$Best.nc
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição dos acessos dentro de cada grupo considerando número de grupos k = 3
cutree(magrup, k=3)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Dendrograma com ponto de corte
x11()
plot(magrup, xlab="Acessos", ylab="Distância de ligação", cex=0.9, hang=-1, main=NULL,
sub=" ", yaxt="n")
axis(2, at=seq(0, 7, by=1))
abline(h=3.9, col="blue", lty=2)
text(1.3, 3.55, "G1", col="blue")
text(3.7, 3.55, "G2", col="blue")
text(8.8, 3.55, "G3", col="blue")
abline(h=0)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Dendrograma com retângulos nos grupos formados
x11()
plot(magrup, xlab="Acessos", ylab="Distância de ligação", cex=0.9, hang=-1, main=NULL,
sub=" ", yaxt="n")
axis(2, at=seq(0, 7, by=1))
rect.hclust(magrup, k=3, border=c("red", "blue", "darkgreen"))
text(1.3, 4.3, "G1", col="red")
text(4.5, 4.3, "G2", col="blue")
text(9, 4.3, "G3", col="darkgreen")
abline(h=0)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Dendrograma com bootstrap
library(agricolae)
x11()
consensus(scale(dados), distance="euclidean", method="average", nboot=500,
duplicate=TRUE, xlab="Acessos", ylab="Distância de ligação", cex.text=1.2, col.text="red",
hang=-1, main=NULL, sub=" ", yaxt="n")
axis(2, at=seq(0, 7, by=1))
abline(h=0)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Análise de agrupamento pelo método k-means
require(factoextra)
x11()
agrup<-eclust(dados, k = 3, stand=TRUE)
59
Análise Multivariada
60
Análise Multivariada
#=======================================================================
# Análise de agrupamento para variáveis quantitativas com repetição utilizando como medida
# de dissimilaridade a distância de Mahalanobis e método de agrupamento UPGMA
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo19.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Matriz contendo as variáveis que serão analizadas
mvar<-as.matrix(dados[,3:ncol(dados)])
mvar
#-----------------------------------------------------------------------------------------------------------------------------
-
# Realização da Manova para obtenção da matriz de covariância residual (S)
dados$bloco<-as.factor(dados$bloco)
mav <- manova(mvar~bloco+acessos, data=dados)
quadro = summary(mav, test="Wilks")
glr<-df.residual(mav)
S<-quadro$SS$Residuals/glr
S
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção das médias dos tratamentos
macess <- aggregate(mvar, list(acessos=dados$acessos), mean)
row.names(macess) <- as.character(macess$acessos)
macess$acessos <- NULL
macess<- as.matrix(macess)
macess
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz D2 de Mahalanobis (mmahal) em função da matriz da média dos
# acessos (macess) e matriz de variância e covariância residual (S)
nla = numeric(0)
nlb = numeric(0)
acd = (nrow(macess)-1):1
acc=1:(nrow(macess)-1)
acc1=2:nrow(macess)
mmahal<-mat.or.vec(nrow(macess),nrow(macess))
61
Análise Multivariada
for(i in 1:length(acd)){
nla <- c(nla, rep( acc[i],each=acd[i] ))
nlb <- c(nlb, acc1[i]:nrow(macess) )
}
for(i in 1:length(nla)){
mmahal[nla[i], nlb[i]]<- t(macess[nla[i],] - macess[nlb[i],]) %*%solve(S)%*%
(macess[nla[i],] - macess[nlb[i],])
mmahal[nlb[i], nla[i]] <- mmahal[nla[i], nlb[i]]
}
mmahal
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz de agrupamento a partir do método UPGMA
row.names(mmahal)<-row.names(macess)
mmahal<-as.dist(mmahal)
mmahal
magrup<-hclust(mmahal, method="average")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do coeficiente de correlação cofenético com teste de Mantel
library(ade4)
mcof<-cophenetic(magrup)
mantel.rtest(mmahal, mcof, nrepet = 1000)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do número ótimo de grupos pelo pacote NbClust
library(NbClust)
NbClust(macess, diss=mmahal, distance = NULL, min.nc=2, max.nc=9, method = "average",
index = "pseudot2")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Dendrograma com ponto de corte
plot(magrup, xlab="Acessos", ylab="Distância de ligação", cex=0.8, hang=-1, main=NULL,
yaxt="n", sub=" ")
abline(h=35, col="red")
axis(2, at=seq(0, 45, by=5))
abline(h=0)
text(2, 37, "G1", col="red")
text(7.4, 37, "G2", col="red")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Dendrograma com retângulos nos grupos formados
plot(magrup, yaxt="n", xlab="Acessos", ylab="Distância de ligação", cex=0.8, hang=-1,
main=NULL)
axis(2, at=seq(0, 45, by=5))
abline(h=0)
rect.hclust(magrup, k=2, border="red")
62
Análise Multivariada
"ccc", "scott", "marriot", "trcovw", "tracew", "friedman", "rubin", "cindex", "db", "silhouette",
"duda", "pseudot2", "beale", "ratkowsky", "ball", "ptbiserial", "gap", "frey", "mcclain", "gamma",
"gplus", "tau", "dunn", "hubert", "sdindex", "dindex", "sdbw".
63
Análise Multivariada
#=======================================================================
# Análise de agrupamento para variáveis qualitativas utilizando como medida
# de dissimilaridade o complemento do coeficiente de similaridade e método de agrupamento
# UPGMA
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo18.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do nome dos elementos a serem agrupados
row.names(dados) <- as.character(dados$acessos)
dados$acessos <- NULL
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz de distância
library(qlcMatrix)
msim <- sim.obs(dados)
mdiss<-(1-msim)
mdiss<-as.dist(mdiss)
mdiss
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz de agrupamento a partir do método UPGMA
magrup<-hclust(mdiss, method="average")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do coeficiente de correlação cofenético com teste de Mantel
library(ade4)
mcof<-cophenetic(magrup)
mantel.rtest(mdiss, mcof, nrepet = 1000)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do número ótimo de grupos pelo pacote NbClust
library(NbClust)
bnc<-NbClust(mdiss, min.nc=2, max.nc=8, method="average", index = "pseudot2")
bnc$Best.nc
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição dos acessos dentro de cada grupo considerando número de grupos k = 2
64
Análise Multivariada
cutree(magrup, k=2)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Dendrograma com ponto de corte
plot(magrup, xlab="Acessos", ylab="Distância de ligação", cex=0.9, hang=-1, main=NULL,
sub=" ", yaxt="n")
axis(2, at=seq(0, 0.8, by=0.1))
abline(h=0.72, col="blue", lty=2)
65
Análise Multivariada
#=======================================================================
# Análise de agrupamento para variáveis qualitativas binárias (0 e 1) utilizando como medida
# de dissimilaridade o complemento do índice de Jaccard e método de agrupamento UPGMA
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo20.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do nome dos elementos a serem agrupados
row.names(dados) <- as.character(dados$acessos)
dados$acessos <- NULL
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz de distância
library(prabclus)
mdiss<-jaccard(t(dados))
mdiss<-as.dist(mdiss)
mdiss
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz de agrupamento a partir do método UPGMA
magrup<-hclust(mdiss, method="average")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do coeficiente de correlação cofenético com teste de Mantel
library(ade4)
mcof<-cophenetic(magrup)
mantel.rtest(mdiss, mcof, nrepet = 1000)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do número ótimo de grupos pelo pacote NbClust
library(NbClust)
bnc<-NbClust(mdiss, min.nc=2, max.nc=9, method="average", index = "pseudot2")
bnc$Best.nc
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição dos acessos dentro de cada grupo considerando número de grupos k = 2
cutree(magrup, k=2)
66
Análise Multivariada
#-----------------------------------------------------------------------------------------------------------------------------
-
# Dendrograma com ponto de corte
plot(magrup, xlab="Acessos", ylab="Distância de ligação", cex=0.9, hang=-1, main=NULL,
sub=" ", yaxt="n")
axis(2, at=seq(0, 0.8, by=0.1))
abline(h=0.72, col="blue", lty=2)
67
Análise Multivariada
#=======================================================================
# Análise de agrupamento para variáveis quantitativas e qualitativas simultaneamente
# utilizando como medida de dissimilaridade a distância de Gower e método de agrupamento
# UPGMA
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo21.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do nome dos elementos a serem agrupados
row.names(dados) <- as.character(dados$acessos)
dados$acessos <- NULL
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Modificações das variáveis categóricas nominais para fator caso as mesmas estejam
# codificadas por números e tenham mais de duas classes
dados$cf<-as.factor(dados$cf)
dados$ff<-as.factor(dados$ff)
dados$cp<-as.factor(dados$cp)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz de dissimilaridade conjunta pela distância de Gower
library(StatMatch)
mdisscj<-gower.dist(dados)
rownames(mdisscj)<-rownames(dados)
colnames(mdisscj)<-rownames(dados)
mdisscj
#-----------------------------------------------------------------------------------------------------------------------------
-
# Salvar a matriz de dissimilaridade conjunta em arquivo texto
write.table(mdisscj, "matriz dissimilaridade conjunta.txt", row.names=TRUE, col.names=TRUE)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz de agrupamento a partir do método UPGMA
library(cluster)
mdisscj <-as.dist(mdisscj)
magrupcj<-hclust(mdisscj, method="average")
68
Análise Multivariada
#-----------------------------------------------------------------------------------------------------------------------------
-
# Coeficiente de correlação cofenético com teste de Mantel
library(ade4)
mcofcj<-cophenetic(magrupcj)
mantel.rtest(mdisscj, mcofcj, nrepet = 1000)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do número ótimo de grupos pelo pacote NbClust
library(NbClust)
mdisscj<-as.matrix(mdisscj)
bnc<-NbClust(mdisscj, min.nc=2, max.nc=9, method="average", index = "pseudot2")
bnc$Best.nc
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição dos acessos dentro de cada grupo considerando número de grupos k = 2
cutree(magrupcj, k=2)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Dendrograma com ponto de corte
plot(magrupcj, sub=" ", yaxt="n", xlab="Acessos", ylab="Distância de ligação", cex=0.8, hang=-
1, main=NULL)
axis(2, at=seq(0, 0.6, by=0.1))
abline(h=0.55, col="blue", lty=2)
#=======================================================================
# Análise de agrupamento para as variáveis quantitativas ([,1:3]) utilizando como medida de
# dissimilaridade a distância euclidiana e método de agrupamento UPGMA
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição das variáveis quantitativas
quant<-dados[,1:3]
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização das seis primeiras linhas do arquivo de dados
head(quant)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz de dissimilaridade pela distância euclidiana
library(cluster)
mdissqt<-daisy(quant, metric="euclidean", stand=TRUE)
mdissqt
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz de agrupamento a partir do método UPGMA
library(cluster)
magrupqt<-hclust(mdissqt, method="average")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Coeficiente de correlação cofenético com teste de Mantel
mcofqt<-cophenetic(magrupqt)
69
Análise Multivariada
#-----------------------------------------------------------------------------------------------------------------------------
-
# Coeficiente de correlação entre a matriz de dissimilaridade conjunta e matriz
# de dissimilaridade quantitativa
mdisscj<-as.dist(mdisscj)
mantel.rtest(mdisscj, mdissqt, nrepet = 1000)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Coeficiente de correlação entre a matriz de agrupamento conjunta e matriz
# de agrupamento quantitativa
mantel.rtest(mcofcj, mcofqt, nrepet = 1000)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do número ótimo de grupos pelo pacote NbClust
library(NbClust)
mdissqt
bnc<-NbClust(as.matrix(mdquant), min.nc=2, max.nc=9, method="average", index =
"pseudot2")
bnc$Best.nc
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição dos acessos dentro de cada grupo considerando número de grupos k = 2
cutree(magrupqt, k=2)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Dendrograma com ponto de corte
plot(magrupqt, sub=" ", yaxt="n", xlab="Acessos", ylab="Distância de ligação", cex=0.8, hang=-
1, main=NULL)
axis(2, at=seq(0, 0.6, by=0.1))
abline(h=0.55, col="blue", lty=2)
abline(h=0)
#=======================================================================
# Análise de agrupamento para as variáveis qualitativas ([,4:6]) utilizando como medida de
# dissimilaridade o complemento do coeficiente de similaridade e método de agrupamento
UPGMA
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição das variáveis quantitativas
quali<-dados[,4:6]
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização das seis primeiras linhas do arquivo de dados
head(quali)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz de distância
library(qlcMatrix)
msim <- sim.obs(quali)
70
Análise Multivariada
mdiss<-(1-msim)
mdiss<-as.dist(mdiss)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção da matriz de agrupamento a partir do método UPGMA
magrup<-hclust(mdiss, method="average")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do coeficiente de correlação cofenético com teste de Mantel
library(ade4)
mcof<-cophenetic(magrup)
mantel.rtest(mdiss, mcof, nrepet = 1000)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição do número ótimo de grupos pelo pacote NbClust
library(NbClust)
bnc<-NbClust(mdiss, min.nc=2, max.nc=8, method="average", index = "pseudot2")
bnc$Best.nc
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição dos acessos dentro de cada grupo considerando número de grupos k = 2
cutree(magrup, k=2)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Dendrograma com ponto de corte
plot(magrup, xlab="Acessos", ylab="Distância de ligação", cex=0.9, hang=-1, main=NULL,
sub=" ", yaxt="n")
axis(2, at=seq(0, 0.8, by=0.1))
abline(h=0.72, col="blue", lty=2)
Observação 1: Para a análise conjunta, no caso de variáveis qualitativas ordinais, as mesmas
devem ser transformadas para variáveis ordenáveis através do comando as.ordered. Para o
caso de variáveis qualitativas binárias (nominais ou ordinais) não é necessário a transformação
para nominal (as.factor) ou ordinal (as.ordered) pois a aplicação da fórmula de Gower para
variáveis quantitativas ou para qualitativas binárias conduzem ao mesmo resultado.
71
Análise Multivariada
#=======================================================================
# Análise de componentes principais
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo17.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Comando para definir nome dos elementos a serem agrupados
row.names(dados) <- as.character(dados$acessos)
dados$acessos <- NULL
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Análise de componentes principais
library(FactoMineR)
pca<-PCA(dados, scale.unit=TRUE, graph=TRUE, axes=c(1,2))
#-----------------------------------------------------------------------------------------------------------------------------
-
# Autovalores
pca$eig
#-----------------------------------------------------------------------------------------------------------------------------
-
# Peso das variáveis ou loadings
pca$var$coord
#-----------------------------------------------------------------------------------------------------------------------------
-
# Contribuição das variáveis
pca$var$contrib
#-----------------------------------------------------------------------------------------------------------------------------
-
# Peso dos indivíduos ou escores
pca$ind$coord
#-----------------------------------------------------------------------------------------------------------------------------
-
72
Análise Multivariada
#-----------------------------------------------------------------------------------------------------------------------------
-
# Autovetores a partir da matriz de correlação e a função eigen
r<-cor(dados)
r
eigen(r)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico com escores e loadings
biplot(prcomp(dados, scale = TRUE))
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico dos loadings com contribuição das variáveis utilizando o pacote factoextra
library(factoextra)
x11()
fviz_pca_var(pca, col.var="contrib")
73
Análise Multivariada
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico dos indivíduos (loadings)utilizando o pacote factoextra
x11()
fviz_pca_ind(pca)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico com escores e loadings utilizando o pacote factoextra
x11()
fviz_pca_biplot(pca, geom = "text")
74
Análise Multivariada
#-----------------------------------------------------------------------------------------------------------------------------
-
# Análise de agrupamento a partir da análise de PCA
hc <- HCPC(pca, nb.clust=-1, consol=TRUE, iter.max=10, min=3,
max=NULL, metric="euclidean", method="average", order=TRUE,
graph.scale="inertia", nb.par=5, graph=TRUE, proba=0.05,
cluster.CA="rows", kk=Inf, description=TRUE)
hc
75
Análise Multivariada
#=======================================================================
# Análise de componentes principais para variáveis quantitativas e qualitativas
# simultaneamente
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo21.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Comando para definir nome dos elementos
row.names(dados) <- as.character(dados$acessos)
dados$acessos <- NULL
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Definição dos arquivos de dados das variáveis quantitativas e qualitativas
quant<-dados[,1:3]
quant
quali<-dados[,4:10]
quali
#-----------------------------------------------------------------------------------------------------------------------------
-
# Modificação das variáveis qualitativas para fator por meio de função
str(quali)
for(i in 1:ncol(quali))
{
quali[,i]<-as.factor(quali[,i])
}
str(quali)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Análise de componentes principais para variáveis quantitativas e qualitativas
library(PCAmixdata)
pca<-PCAmix(quant, quali, ndim=4, rename.level=TRUE)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Autovalores, percentagem da variância e percentagem acumulada da variância
pca$eig
#-----------------------------------------------------------------------------------------------------------------------------
-
76
Análise Multivariada
#-----------------------------------------------------------------------------------------------------------------------------
-
# Contribuição relativa das variáveis quantitativas
pca$quanti$contrib.pct
#-----------------------------------------------------------------------------------------------------------------------------
-
# Contribuição relativa das variáveis qualitativas
pca$quali$contrib.pct
#-----------------------------------------------------------------------------------------------------------------------------
-
# Contribuição relativa dos níveis das variáveis qualitativas
pca$levels$contrib.pct
#-----------------------------------------------------------------------------------------------------------------------------
-
# Quadrado dos pesos das variáveis ou loadings das variáveis quantitativas e qualitativas
pca$sqload
#-----------------------------------------------------------------------------------------------------------------------------
-
# Coeficientes das combinações lineares
pca$coef
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico biplot dos escores dos indivíduos e loadings das variáveis
x11()
biplot(pca$ind$coord, pca$sqload)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico dos escores dos indivíduos
x11()
plot(pca, choice="ind")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico dos loadings das variáveis
x11()
plot(pca, choice="sqload")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico dos loadings dos níveis
x11()
plot(pca, choice="levels")
77
Análise Multivariada
3. Análise de Fatores
#=======================================================================
# Análise de fatores exploratória
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo22.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Comando para definir nome dos elementos
row.names(dados) <- as.character(dados$acessos)
dados$acessos <- NULL
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Matriz de correlação e autovetores da matriz de correlação
mcorr<-cor(dados)
mcorr
autovet<-eigen(mcorr)
autovet
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de autovalores em função dos componentes principais
cp<-prcomp(dados, scale=TRUE)
summary(cp)
autoval<-cp$sdev^2
autoval
plot(autoval, type="b", xlab="Componente principal", ylab="Autovalores", pch=20, cex.axis=1.3,
cex.lab=1.3)
abline(h=1, col="blue", lty=2) # Critério de Kaiser (λ>1)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de KMO para verificação da adequação da amostra por meio da verificação da
# variância que pode ser explicada pelas variáveis (ideal KMO > 0,8)
library(psych)
KMO(mcorr)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de esfericidade de Bartlett para verificação se a matriz de correlação é similar a uma
78
Análise Multivariada
# matriz identidade
cortest.bartlett(mcorr, nrow(dados))
#-----------------------------------------------------------------------------------------------------------------------------
-
# Análise de fatores
factanal(dados, factors=3)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Análise de fatores com o pacote psych
require(psych)
af<-fa(r=mcorr, nfactors=3, n.obs=nrow(dados), rotate="varimax")
af
#-----------------------------------------------------------------------------------------------------------------------------
-
# Escores
escores<-factanal(~dados$cf + dados$lf + dados$cp + dados$ap + dados$dc + dados$pf +
dados$df + dados$dcc + dados$pfs + dados$vc + dados$sst, factors=3, scores="Bartlett")
$scores
escores
79
Análise Multivariada
#=======================================================================
# Análise de fatores para variáveis quantitativas e qualitativas
# simultaneamente
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo21.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Comando para definir nome dos elementos
row.names(dados) <- as.character(dados$acessos)
dados$acessos <- NULL
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Análise de fatores para variáveis quantitativas e qualitativas
library(PCAmixdata)
mfa<-MFAmix
(em desenvolvimento)
80
Análise Multivariada
4. Análise de correspondência
Pacotes necessários:
81
Análise Multivariada
5. Análise discriminante
#=======================================================================
# Análise discriminante de Mahalanobis
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo19.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Variáveis que serão analizadas
var<-dados[,3:ncol(dados)]
head(var)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Variáveis que codifica os grupos
grupo<-dados[,1]
head(grupo)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Análise discriminante
library(biotools)
adm<-D2.disc(data=var, grouping=grupo)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Distância das observações (D2) ao centro de cada grupo
adm$D2
#-----------------------------------------------------------------------------------------------------------------------------
-
# Média de cada grupo
adm$means
#-----------------------------------------------------------------------------------------------------------------------------
-
# Matriz de variâncias e covariâncias combinadas
adm$pooled
82
Análise Multivariada
#-----------------------------------------------------------------------------------------------------------------------------
-
# Matriz com as classificações corretas e incorretas
adm$confusion.matrix
83
Análise Multivariada
#=======================================================================
# Teste T2 de Hotelling para duas amostras
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo23.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste T2 de Hotelling para duas amostras
library(Hotelling)
fit<-hotelling.test(.~gp, data=dados, perm=TRUE)
fit
#-----------------------------------------------------------------------------------------------------------------------------
-
# Histograma da distribuição do teste T2 de Hotelling
plot(fit, col = "lightblue")
84
Análise Multivariada
#=======================================================================
# Análise de variância multivariada - MANOVA
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo19.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Matriz contendo as variáveis que serão analizadas
mvar<-as.matrix(dados[,3:ncol(dados)])
mvar
#-----------------------------------------------------------------------------------------------------------------------------
-
# Obtenção das médias dos tratamentos
macess <- aggregate(mvar, list(acessos=dados$acessos), mean)
row.names(macess) <- as.character(macess$acessos)
macess$acessos <- NULL
macess
#-----------------------------------------------------------------------------------------------------------------------------
-
# Realização da Manova
str(dados)
dados$bloco<-as.factor(dados$bloco)
mav <- manova(mvar~bloco+acessos, data=dados)
summary(mav, test="Pillai")
summary(mav, test="Wilks")
summary(mav, test="Hotelling-Lawley")
summary(mav, test="Roy")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Realização das análises de variância univariada
summary.aov(mav)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de normalidade multivariado de Shapiro-Wilks
library(mvnormtest)
shapiro.test(t(mav$residuals))
85
Análise Multivariada
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de M box para homogeneidade da matriz de variância e covariância
library(biotools)
mbox<-boxM(mvar,, grouping=dados$acessos)
mbox
#-----------------------------------------------------------------------------------------------------------------------------
-
# Contrastes para comparação dos acessos dois a dois
summary(manova(mvar~bloco+acessos, data=dados, subset=acessos %in% c("bga02",
"bga15")))
summary(manova(mvar~bloco+acessos, data=dados, subset=acessos %in% c("bga02",
"bga41")))
summary(manova(mvar~bloco+acessos, data=dados, subset=acessos %in% c("bga02",
"bga50")))
summary(manova(mvar~bloco+acessos, data=dados, subset=acessos %in% c("bga02",
"bga75")))
summary(manova(mvar~bloco+acessos, data=dados, subset=acessos %in% c("bga15",
"bga41")))
summary(manova(mvar~bloco+acessos, data=dados, subset=acessos %in% c("bga15",
"bga50")))
summary(manova(mvar~bloco+acessos, data=dados, subset=acessos %in% c("bga15",
"bga75")))
summary(manova(mvar~bloco+acessos, data=dados, subset=acessos %in% c("bga41",
"bga50")))
summary(manova(mvar~bloco+acessos, data=dados, subset=acessos %in% c("bga41",
"bga75")))
summary(manova(mvar~bloco+acessos, data=dados, subset=acessos %in% c("bga50",
"bga75")))
86
Estatística Não-Paramétrica
Estatística Não-Paramétrica
a) Análise de frequências
#=======================================================================
# Análise de frequências
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Criação do arquivo de dados
esp<-c("a"=35, "b"=17, "c"=15, "d"=23)
esp
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico das frequências
barplot(esp, xlab="Espécies", ylab="Frequência")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de qui-quadrado
qui<-chisq.test(esp)
qui
#-----------------------------------------------------------------------------------------------------------------------------
-
# Frequências esperadas
qui$expected
87
Estatística Não-Paramétrica
#=======================================================================
# Teste de proporção para duas categorias
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Criação do arquivo de dados
a<-matrix(c(12, 3), nc=2)
a
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de qui-quadrado com correção de Yates
prop.test(a, correct=TRUE)
88
Estatística Não-Paramétrica
c) Teste de aderência
#=======================================================================
# Teste de aderência de dados para distribuição de Poisson
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Número de insetos
n<-c(0:6)
n
#-----------------------------------------------------------------------------------------------------------------------------
-
# Frequências observadas
oi<-c(3,12, 17, 13, 9, 3, 3)
oi
names(oi)<-c(n[-7], ">6")
oi
#-----------------------------------------------------------------------------------------------------------------------------
-
# Estimativa do lambda ()
lambda<-sum(oi*n)/sum(oi) # lambda<- weighted.mean(n, obs)
lambda
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo da probabilidade em função da distribuição de probabilidade de Poisson (p)
pi<-dpois(n[-7], lambda=lambda) # calcula p(n<=5)
pi<-c(pi, 1-sum(pi)) # calcula p(n>=0)
pi
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo da frequência esperada
ei<-pi*sum(oi)
ei
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do 2 calculado
x2<-sum((oi-ei)^2/ei)
x2
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do grau de liberdade
gl<-length(oi)-1-1
gl
#-----------------------------------------------------------------------------------------------------------------------------
-
# Valor p do teste de qui-quadrado
pc<-pchisq(x2, df=gl, lower.tail=FALSE)
89
Estatística Não-Paramétrica
pc
#-----------------------------------------------------------------------------------------------------------------------------
-
# Usando a função chis.test
chisq.test(oi, p=pi) # O grau de liberdade não considera a estimação de lamba
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de barras das frequências absolutas
barplot(oi, beside=TRUE, ylab="Frequência absoluta", xlab="Número de insetos", ylim=c(0, 20))
text(7, 18, substitute(italic(X)^2==x~~~~~~italic(valor-p)==P, list(x=round(x2, 2), P=round(pc,
2))))
90
Estatística Não-Paramétrica
#=======================================================================
# Teste de Mann-Whitney
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
#
#-----------------------------------------------------------------------------------------------------------------------------
-
#
#-----------------------------------------------------------------------------------------------------------------------------
-
#
91
Estatística Não-Paramétrica
#=======================================================================
# Teste de Kruskal-Wallis e teste de comparação múltipla de Nemenyi
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo25.txt", header=TRUE, dec=",")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização das seis primeiras linhas do arquivo
head(dados)
#=======================================================================
# Anava não-paramétrica e teste de médias
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava
kruskal.test(peso~factor(cultivo), data=dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de comparação múltipla de Nemenyi
library(PMCMR)
attach(dados)
posthoc.kruskal.nemenyi.test(peso~factor(cultivo), dist="Tukey")
92
Estatística Não-Paramétrica
#=======================================================================
# Teste de Friedman e teste de comparação múltipla de Nemenyi
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo25.txt", header=TRUE, dec=",")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Visualização das seis primeiras linhas do arquivo
head(dados)
#=======================================================================
# Anava não-paramétrica e teste de médias
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Anava
Friedman.test(peso)=, data=dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Teste de comparação múltipla de Nemenyi
library(PMCMR)
attach(dados)
posthoc.kruskal.nemenyi.test(peso~factor(cultivo), dist="Tukey"))
93
Criação e Edição de Gráficos
1. Criação de gráficos
a) Gráfico de dispersão
Pacotes necessários: ggplot2
#=======================================================================
# Gráfico de dispersão
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo24.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de dispersão entre duas variáveis
p<-ggplot(dados, aes(x=pc, y=dp))+
geom_point()
#----------------------------------------------------------------------------------------- ------------------------------------
# Gráfico de dispersão entre duas variáveis em função de cult
x11()
p<-ggplot(dados, aes(x=pc, y=dp, colour = cult))+
geom_point()
#----------------------------------------------------------------------------------------- ------------------------------------
# Gráfico de dispersão entre duas variáveis em função de resist
x11()
p<-ggplot(dados, aes(x=pc, y=dp, colour = resist))+
geom_point()
94
Criação e Edição de Gráficos
b) Gráfico de box-plot
Pacotes necessários: ggplot2
#=======================================================================
# Gráfico de box-plot
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo24.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de box-plot
library(ggplot2)
p<-ggplot(dados, aes(x=cult, y=pc))+
geom_boxplot(outlier.colour="red", outlier.shape=1)+
xlab("Cultivares")+
ylab("Peso do cacho")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de box-plot com cor no contorno mapeado por variável
x11()
p<-ggplot(dados, aes(x=cult, y=pc, colour=cult))+
geom_boxplot(outlier.colour="red", outlier.shape=1)+
xlab("Cultivares")+
ylab("Peso do cacho")+
labs(fill="Cultivares")+
theme(legend.position="right")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de box-plot com cor no preenchimento mapeado por variável
x11()
p<-ggplot(dados, aes(x=cult, y=pc, fill=cult))
p+geom_boxplot(outlier.colour="red", outlier.shape=1)
xlab("Cultivares")+
ylab("Peso do cacho")+
labs("Cultivares")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de box-plot com cor no contorno e preenchimento
x11()
95
Criação e Edição de Gráficos
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de box-plot com dados observados
x11()
p+
geom_boxplot(fill="white", colour="black", outlier.colour="red", outlier.shape=1)+
geom_jitter()
96
Criação e Edição de Gráficos
c) Gráfico de barras
Gráfico: Figura 1
#=======================================================================
# Gráfico de barras
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo17.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de barplot
options(OutDec=",")
barplot<-barplot(dados$alt, ylab="Altura (cm)", names.arg=dados$acessos, las=2, axis.lty=1,
cex.names=0.8, ylim=c(0,5))
text(barplot, dados$alt+0.2, paste(dados$alt), cex=1)
97
Criação e Edição de Gráficos
98
Criação e Edição de Gráficos
#=======================================================================
# Gráfico de regressão com efeito linear
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo6.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo das médias dos tratamentos
medias<-aggregate(peso~dose, data=dados, mean)
medias
#-----------------------------------------------------------------------------------------------------------------------------
-
# Ajuste do modelo de equação linear
linear<-lm(peso~dose, data=medias)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Armazenamento das estimativas dos parâmetros e R2
cf<-as.numeric(c(coef(linear), summary(linear)$r.squared))
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de dispersão
options(digits=4, OutDec=",")
plot(peso~dose, pch=16, xlab=expression(Dose~(Kg.parcela^-1)), ylab="Peso (Kg)",
col="black", data=medias)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Inserção da reta de ajuste
curve((cf[1] + cf[2]*x), 0, 8, col="blue", lwd=2, add=T)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Inserção da legenda
legend("bottomright", legend=c("Valores observados", "Valores ajustados"), lty=c(NA, 1),
col=c("black","blue"), lwd=c(1,2), bty="n", pch=c(16, NA))
99
Criação e Edição de Gráficos
#-----------------------------------------------------------------------------------------------------------------------------
-
# Inserção das caixas de texto com a equação e R2
text(2, 11.5, label=substitute (hat(y)==a+b%.%x, list(a=cf[1], b=cf[2], c=cf[3])))
text(2, 11, label=substitute (R^2==c, list(a=cf[1], b=cf[2], c=cf[3])))
100
Criação e Edição de Gráficos
101
Criação e Edição de Gráficos
#=======================================================================
# Gráfico de regressão com efeito linear e intervalo de confiança
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo6.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Ajuste do modelo de equação linear
linear<-lm(peso~dose, data=dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Armazenamento das estimativas dos parâmetros e R2
cf<-format(c(coef(linear), summary(linear)$r.squared), digits=4)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Predição da resposta
pred<-data.frame(dose=seq(min(dados$dose), max(dados$dose), length=50))
pred$peso<-predict(linear, newdata=pred, interval="confidence")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de dispersão, reta de ajuste e intervalo de confiança
options(OutDec=",")
plot(peso~dose, xlab="Doses (ml)", ylab=expression(Peso~(kg.parcela^-1)), data=dados)
with(pred, matlines(dose, peso, col=c(1, 4, 4), lty=c(1, 2, 2)))
#-----------------------------------------------------------------------------------------------------------------------------
-
# Inserção da legenda
legend("bottomright", legend=c("Valores observados", "Valores preditos", "Intervalo de
confiança (95%)"), lty=c(NA, 1, 2), col=c(1, 1, 4), pch=c(1, NA, NA), bty="n")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Inserção das caixas de texto com a equação e R2
text(2, 12, label=substitute (hat(y)==a+b%.%x, list(a=cf[1], b=cf[2], c=cf[3])))
text(2, 11.5, label=substitute (R^2==c, list(a=cf[1], b=cf[2], c=cf[3])))
102
Criação e Edição de Gráficos
103
Criação e Edição de Gráficos
#=======================================================================
# Gráfico de regressão com efeito quadrático
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table("exemplo7.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo das médias dos tratamentos
medias<-aggregate(altura~dose, data=dados, mean)
medias
#-----------------------------------------------------------------------------------------------------------------------------
-
# Ajuste do modelo quadrático
quad<-lm(altura~(dose+I(dose^2)), data=medias)
cf<-as.numeric(c(coef(quad), summary(quad)$r.squared))
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de dispersão
options(digits=4, OutDec=",")
plot(altura~dose, xlab="Doses (ml)", ylab="Altura (cm)", pch=16, col="black", xaxt="n",
data=medias)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração da escala do eixo x
axis(1, at=seq(0, 12.5, by=2.5))
#-----------------------------------------------------------------------------------------------------------------------------
-
# Inserção da curva de regressão
curve((cf[1] + cf[2]*x + cf[3]*x*x), 0, 12.5, col="blue", lwd=2, add=T)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do nível ótimo e do máximo
otimo<-(-cf[2]/(2*cf[3]))
vmax<- cf[1] + cf[2]*otimo + cf[3]*otimo^2
#-----------------------------------------------------------------------------------------------------------------------------
-
# Inserção das retas dos pontos de ótimo e de máximo
104
Criação e Edição de Gráficos
abline(v=otimo, col="gray")
abline(h=vmax, col="gray")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Inserção da caixa de texto do ótimo e do máximo
mtext("Ótimo", side=1, at=otimo)
mtext("Máx.", side=2, at=vmax)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Inserção das caixas de texto com a equação e R2
text(10, 11.5, label=substitute(hat(y)==a+b%.%x~c%.%x^2, list(a=cf[1], b=cf[2], c=cf[3]) ))
text(10, 11, label=substitute (R^2==d, list(d=cf[4])))
#-----------------------------------------------------------------------------------------------------------------------------
-
# Inserção da legenda
legend("bottomleft", legend=c("Valores observados", "Valores ajustados"), lty=c(NA, 1),
col=c("black","blue"), lwd=c(1,2), bty="n", pch=c(16, NA))
#-----------------------------------------------------------------------------------------------------------------------------
-
# Resultado do nível ótimo
otimo
#-----------------------------------------------------------------------------------------------------------------------------
-
# Resultado do valor máximo estimado
vmax
105
Criação e Edição de Gráficos
106
Criação e Edição de Gráficos
#=======================================================================
# Gráfico de regressão com efeito linear e quadrático simultaneamente
#=======================================================================
#-----------------------------------------------------------------------------------------------------------------------------
-
# Alteração e visualização do diretório de trabalho
setwd("D:/Curso R/Arquivos")
dir()
#-----------------------------------------------------------------------------------------------------------------------------
-
# Importação do arquivo de dados
dados<-read.table ("exemplo10.txt", header=TRUE, dec=",")
head(dados)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo das médias para cada acesso e dose
medias<-aggregate(prod~acess:dose, data = dados, mean)
head(medias)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Gráfico de dispersão
plot(prod~dose, xlab="Acessos", ylab="Produção", col=ifelse(medias$acess=="BGA205", "red",
"blue"), pch=16, cex=1.3, ylim=c(46,55), data=medias)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Inserção das curvas de regressão
curve((48.7569 + 0.1357*x + -0.0009*x*x), 0, 150, col="red", lwd=2, add=T)
curve((45.7815 + 0.0448*x), 0, 150, col="blue", lwd=2, add=T)
#-----------------------------------------------------------------------------------------------------------------------------
-
# Inserção das caixas de texto com as equações e R2
text(75, 54.7, "y** = 48,76 + 0,14x - 0,0009x^2", col="red")
text(75, 54.2, "R^2=99,11%", col="red")
text(75, 47, "y** = 45,78 + 0,05x", col="blue")
text(75, 46.5, "R^2=99,11%", col="blue")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Inserção da legenda
legend("bottomright", legend=c("BGA205", "BGA312"), lty=c(1, 1), col=c("red","blue"),
lwd=c(2,2), bty="n")
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do nível ótimo para o modelo quadrático
otimo<-(-0.13568750/(2*-0.00092575))
otimo
107
Criação e Edição de Gráficos
#-----------------------------------------------------------------------------------------------------------------------------
-
# Cálculo do valor máximo estimado para o modelo quadrático
vmax<- 48.75687500 + 0.13568750*otimo + -0.00092575 *otimo^2
vmax
108
Criação e Edição de Gráficos
109
Criação e Edição de Gráficos
- Salvar a figura como metafile (*.emf) clicando com o botão direito do mouse em cima da
figura;
- Abrir o Powerpoint;
- Ir em inserir imagens;
- Clicar com o botão direito em cima da figura e ir em Agrupar/ Desagrupar;
Clicar em Sim na mensagem da tela;
Clicar novamente com o botão direito em cima da figura e ir em Agrupar/ Desagrupar;
Realizar as modificações necessárias.
110
Criação e Edição de Gráficos
i) Salvando gráficos
#=======================================================================
# Salvando gráficos
#=======================================================================
j) Cores no R
111
Arquivos de Dados
Arquivos de Dados
112
Arquivos de Dados
113
Arquivos de Dados
114
Arquivos de Dados
115
Arquivos de Dados
4 2 3 NA
4 3 1 4,15
4 3 2 4,25
4 3 3 3,98
4 4 1 3,85
4 4 2 4,17
4 4 3 3,98
116
Arquivos de Dados
117
Arquivos de Dados
118
Arquivos de Dados
119
Arquivos de Dados
120
Arquivos de Dados
121
Arquivos de Dados
C M3 2 33,08
C M3 3 28,46
C M3 4 43,85
C M4 1 57,69
C M4 2 34,62
C M4 3 45,38
C M4 4 36,92
122
Arquivos de Dados
123
Arquivos de Dados
124
Arquivos de Dados
125
Arquivos de Dados
mfresc
inoc biod rep a
esterco 5 1 1,53
esterco 5 2 1,51
esterco 5 3 1,64
esterco 10 1 1,53
esterco 10 2 1,91
esterco 10 3 1,31
esterco 15 1 1,71
esterco 15 2 1,59
esterco 15 3 1,42
esterco 20 1 1,71
esterco 20 2 2,38
esterco 20 3 1,49
mamon
a 5 1 4,12
mamon
exemplo13.txt a 5 2 1,96
mamon
a 5 3 2,06
mamon
a 10 1 3,42
mamon
a 10 2 4,31
mamon
a 10 3 4,20
mamon
a 15 1 2,71
mamon
a 15 2 2,89
mamon
a 15 3 3,44
mamon
a 20 1 2,04
mamon
a 20 2 2,77
mamon
a 20 3 2,76
1,14
exemplo13Ad.
txt 1,10
1,11
126
Arquivos de Dados
127
Arquivos de Dados
128
Arquivos de Dados
16. exemplo16.
(em desenvolvimento)
bloc A B C y
99.7415
1 1 1 1 5
98.6958
2 1 1 1 7
98.8637
3 1 1 1 6
99.0996
4 1 1 1 3
99.6577
1 2 1 1 5
99.5617
2 2 1 1 9
100.683
3 2 1 1 2
99.1200
4 2 1 1 8
98.8380
1 3 1 1 1
100.461
2 3 1 1 1
99.5851
3 3 1 1 2
100.807
4 3 1 1 7
99.7733
1 1 2 1 7
100.168
2 1 2 1 8
100.944
3 1 2 1 4
100.923
4 1 2 1 3
101.434
1 2 2 1 7
99.5307
2 2 2 1 1
99.9371
3 2 2 1 2
100.922
4 2 2 1 4
99.5758
1 3 2 1 2
101.056
2 3 2 1 6
99.0919
3 3 2 1 3
4 3 2 1 99.5830
129
Arquivos de Dados
8
101.565
1 1 3 1 3
99.4393
2 1 3 1 1
99.9176
3 1 3 1 1
99.9215
4 1 3 1 8
99.4774
1 2 3 1 1
99.5029
2 2 3 1 1
101.316
3 2 3 1 6
97.7147
4 2 3 1 2
100.253
1 3 3 1 8
100.694
2 3 3 1 4
100.628
3 3 3 1 7
99.3961
4 3 3 1 8
102.124
1 1 4 1 4
99.1394
2 1 4 1 3
100.386
3 1 4 1 4
100.745
4 1 4 1 7
1 2 4 1 99.8795
100.573
2 2 4 1 8
3 2 4 1 100.209
4 2 4 1 101.421
1 3 4 1 99.5366
100.886
2 3 4 1 7
99.0635
3 3 4 1 1
100.349
4 3 4 1 5
101.277
1 1 1 2 6
100.915
2 1 1 2 9
100.345
3 1 1 2 9
130
Arquivos de Dados
100.753
4 1 1 2 9
100.368
1 2 1 2 9
100.680
2 2 1 2 3
100.895
3 2 1 2 8
101.400
4 2 1 2 3
100.605
1 3 1 2 4
100.852
2 3 1 2 8
99.7755
3 3 1 2 6
101.014
4 3 1 2 6
99.4960
1 1 2 2 4
100.934
2 1 2 2 5
100.898
3 1 2 2 4
101.410
4 1 2 2 9
99.8006
1 2 2 2 6
2 2 2 2 99.8499
99.0171
3 2 2 2 6
100.697
4 2 2 2 5
100.040
1 3 2 2 9
99.7698
2 3 2 2 6
100.023
3 3 2 2 9
101.138
4 3 2 2 7
99.7925
1 1 3 2 7
99.7189
2 1 3 2 2
100.026
3 1 3 2 3
99.9923
4 1 3 2 6
100.569
1 2 3 2 9
131
Arquivos de Dados
99.8014
2 2 3 2 1
100.210
3 2 3 2 4
98.8602
4 2 3 2 7
98.9487
1 3 3 2 1
100.197
2 3 3 2 1
102.330
3 3 3 2 4
100.266
4 3 3 2 1
99.0753
1 1 4 2 8
100.729
2 1 4 2 2
102.273
3 1 4 2 6
101.401
4 1 4 2 6
99.4879
1 2 4 2 5
100.415
2 2 4 2 3
100.264
3 2 4 2 9
100.159
4 2 4 2 2
97.9138
1 3 4 2 9
2 3 4 2 100.223
97.5257
3 3 4 2 6
99.8448
4 3 4 2 3
132
Arquivos de Dados
133
Arquivos de Dados
acessos cf cp cl
bga01 1 1 1
bga02 1 1 3
bga03 2 1 6
bga04 2 1 6
bga05 1 1 2
bga06 2 1 1
bga07 1 2 2
bga08 4 1 1
bga09 2 2 4
bga10 1 1 1
bga11 1 2 1
134
Arquivos de Dados
135
Arquivos de Dados
acessos m1 m2 m3 m4 m5 m6 m7 m8 m9 m10
BGA00
0 1 1 0 0 0 1 1 1 0
1
BGA00
1 1 0 1 1 1 0 1 1 0
2
BGA00
1 0 0 0 1 0 0 0 1 0
3
BGA00
0 0 1 1 1 0 1 1 0 1
4
BGA00
1 1 1 0 1 1 1 1 1 1
5
BGA00
0 0 1 0 0 0 0 0 0 0
6
BGA00
1 0 1 0 1 0 1 0 0 0
7
BGA00
0 0 0 1 0 1 0 1 0 0
8
BGA00
1 0 0 1 1 1 1 1 1 1
9
BGA01
1 1 1 0 0 1 1 0 1 1
0
136
Arquivos de Dados
137
Arquivos de Dados
138
Arquivos de Dados
BGA02 111,6
34,00 47,80 1,50 8,90
5 49,60 0,55 7,75 35,60 55,54 1 15,42
139
Arquivos de Dados
140
Arquivos de Dados
cult pc dp cf resist
prata 30,34 16,86 verd 5
prata 28,45 23,71 amar 4
prata 26,49 14,72 roxo 5
prata 32,78 24,83 verd 3
prata 33,23 18,46 alar 4
prata 27,43 15,24 verd 4
prata 15,87 9,34 verd 5
prata 43,13 23,96 amar 5
prata 17,98 10,83 verd 5
prata 28,98 16,10 verd 4
prata 37,65 20,92 alar 5
prata 26,87 18,79 verd 3
prata 29,54 16,41 alar 4
prata 31,76 16,98 verd 5
prata 32,45 18,44 verd 5
fhia 17,23 14,36 amar 2
fhia 16,27 10,85 amar 2
fhia 18,87 11,79 amar 3
fhia 19,43 14,95 verd 2
fhia 18,43 15,36 amar 1
fhia 32,54 27,12 amar 3
fhia 12,45 8,59 amar 2
fhia 18,43 15,36 amar 2
fhia 19,32 18,23 roxo 3
fhia 17,23 14,36 amar 2
fhia 18,34 15,81 amar 2
fhia 19,23 16,03 alar 2
fhia 13,23 11,12 amar 3
fhia 13,89 11,58 amar 3
fhia 19,47 16,09 amar 3
thap 56,43 36,17 roxo 3
thap 55,32 36,88 roxo 3
thap 48,32 40,27 roxo 3
thap 43,78 29,19 alar 4
thap 39,45 26,30 roxo 4
thap 41,65 28,72 roxo 3
thap 42,78 28,52 roxo 4
thap 44,67 34,36 verd 3
thap 41,45 27,63 roxo 4
thap 39,45 27,21 roxo 5
141
Arquivos de Dados
142
Arquivos de Dados
143
Comandos Básicos
Comandos Básicos
Comando Definição
getwd() Verifica o diretório de trabalho
setwd(“diretório de trabalho”) Alterar o diretório de trabalho
Ctrl L Limpa o console
attach(objeto) Carrega objeto
Desfaz a operação de carregamento de
detach(objeto)
objeto
library() Listagem dos pacotes disponíveis
library(nome do pacote) Carrega pacote
search() Listagem dos pacotes carregados
Apresenta a forma de como citar o R em
citation()
publicações
citation(package="nome do Apresenta a forma de como citar pacotes do
pacote") R em publicações
Abre o menu de ajuda de determinado
help(plot)
assunto, nesse caso o comando plot
help(package="nome do Abre o menu de ajuda para determinado
pacote") pacote
Disponibiliza objetos de dados de um
require(nome do pacote)
determinado pacote
Lista objetos de dados de um pacote
data(objeto)
carregado
Listagem dos arquivos do diretório de
dir()
trabalho
Lista objetos criados e salvos na área de
ls()
trabalho
read.table() Importar dados para um objeto no R
Exportar um objeto do R para um arquivo
write.table()
texto
str(objeto) Apresenta a estrutura do objeto
summary(objeto) Apresenta um resumo da estrutura do objeto
Apresenta o cabeçalho e as primeiras linhas
head(objeto)
das observações associados ao objeto
install.packages("nome do
Instala um pacote
pacote")
rm(list=ls(all=TRUE)) Limpa toda a memória
View(objeto) Visualiza o arquivo de dados
update.packages(checkBuilt = Atualiza os pacotes instalados
TRUE, ask = FALSE)
144
Comandos Básicos
145
Referência
Referências
Dray, S.; Dufour, A.B. (2007): The ade4 package: implementing the duality
diagram for ecologists. Journal of Statistical Software. 22(4): 1-20.
Kassambara, A.; Mundt, F. (2017). factoextra: Extract and Visualize the Results
of Multivariate Data Analyses. R package version 1.0.4. URL https://CRAN.R-
project.org/package=factoextra
Le, S.; Josse, J.; Husson, F. (2008). FactoMineR: An R Package for Multivariate
Analysis. Journal of Statistical Software, 25(1), 1-18. 10.18637/jss.v025.i01
Maechler, M.; Rousseeuw, P.; Struyf, A.; Hubert, M.; Hornik, K. (2017). cluster:
Cluster Analysis Basics and Extensions. R package version 2.0.6. URL
https://cran.r-project.org/web/packages/cluster/
Oksanen, J.; Blanchet, F.G.; Friendly, M.; Kindt, R.; Legendre, P.; McGlinn, D.;
Minchin, P.R.; O'Hara, R.B.; Simpson, G.L.; Solymos, P.; Stevens, M.H.H.;
Szoecs, E.; Wagner, H. (2017). vegan: Community Ecology Package. R
package version 2.4-3. URL https://CRAN.R-project.org/package=vegan
146
Referência
Wickham, H.; Francois, R.; Henry, L.; Müller, K. (2017). dplyr: A Grammar of
Data Manipulation. URL R package version 0.7.2.
https://CRAN.R-project.org/package=dplyr
Índice Remissivo
147
Contato
Contato
148
Contato
149