Anova para análise estatística

Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original

Análise de Variâncias --> ANOVA (Analyses Of Variance)
a <- c(5,6,7)
b <- c(7,8,9)
c <- c(9,10,11)
A*B-
B*C--> Teste "t" sequencial
C*A-
#Codificação ("R")
Fator <- C("a","a","a","b","b","b","c","c",c")
Resp <- c(5,6,7,7,8,9,9,10,11) # é o y
S² --> aov --> Análise de variância
aov(resp~fator) # resp "função" fator
 
Hzero : a=b=c
H1: Pelo menos 1 deles é diferente
#Número em sequência --> resp
#identificar números por fator --> Fator ("a","b","c")
# NA anova, não usa-se"paired"
# a anova é usada pra calcular três médias ou mais, que são calculadas independentemente
#para calcular a anova, os vetores tem que ser homocedásticos
 se não for homocedástico, tem que transformar com raiz, raiz da raiz e log
#>bartlett.test(sqrt(resp)~fator) #no bartlet, tem que aceitar Hzero
 (sqrt(sqrt(resp))
 log10(resp)~fator # se não der Hzero, encerra a questão 
 
# o bartlet é para ver se é homocedástico
# os três pressupostos da anova são: Homocedasticidade(verifica-se pelo bartlet), Normalidade(verifica-se por shapiro).
>bartlett() # calcular resp em função do fator
>shapiro() # fazer o mfrow(1,2) para comparar os gráficos(histograma)/ calcular resp (tem que ser maior que 0,05 para ser normal, se não for, tem alguma coisa errada) é pré-requisito para aov 
qq é comose fosse o gráfico do shapiro
qqnorm( é no que não é fator, no caso nos números)
#faz primeiro o qq, depois o shapiro
# da um nome de um objeto pra aov, e depois chama aov
#pede o summary no summary da aov, tem que dar < que 0,05
#dai pede o tuckey, para saber quem é diferente
#chama o summary de novo, que dá os três p valores ( o que der menos que 0,05 é que o diferente)
#dai acaba a questão
#Post - Hoc (a posterior) somente se Hzero fo rejeitado
 Posterior a anova caso Hzero for rejeitado
# NA anova, não usa-se"paired"
# a anova e usada pra calcular três médias ou mais, que são calculadas independentemente
#para calcular a anova, os vetore tem que ser homocedásticos
 se não for homocedástico, tem que transformar com raiz, raiz da raiz e log
# o bartlet é para ver se é homocedástico
se der Hzero, todas as média são iguais
se não der Hzero, alguém é diferente
dai faz o post Hoc(tuckey) pra saber quem é diferente 
c <- c(7,8,12,5) #área de controle
ge <- c(12,15,18,15) #gaiola de exclusão
# com a gaiola de exclusão, imagina-se que vai aumentar a abundancia de predadores, então vai ser unicaudal.
independente.
mean(c)
mean(ge)
boxplot(c,ge)
var.test(c,ge) # teste da variancia. Se for positivo, colocar equal=T.
#p valo maior que 0,05, sempre aceita h zero.
t.test(c,ge,paiked=F,var.equal=T,alternative="less")
#quando estiver lendo o problema, identificar se é dependente ou 
não, bicaudal, homo ou heterocedástico.
gp <- c(8,5,11,4) #gaiola parcialmente aberta
independente
#calculo da anova
var.test(c,gp)
1- c-ge -> pvalor =0,005
2- c-gp -> independentes, unicaudal
3- ge-gp ->
var.test(gp,ge)
t.test(c,gp,paired=F,var.equal=T,alternative="less")
boxplot(c,gp,ge)
t.test(ge,gp, paired=F,var.equal=T,alternative="two.sided")
c dofente ge c=gp ge diferente gp
resp <- c(7,8,12,5,12,15,18,15,8,5,11,4)
fatorF <- c("c","c","c","c","ge","ge","ge","ge","gp","gp","gp","gp")
fatorf <- as.factor(fator)
independencia não tem como verificar através de um test
homocedasticidade sim
bartlett.test(resp~fatorF)
boxplot(resp,fator)
qqnorm(resp)
qqline(resp)
hist(resp)
obj.aov<-aov(resp~fatorF)
aov #anova
tukeyhsd(obj.aov)