Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade federal do Acre - UFAC Centro de ciências biológicas e da natureza - CCBN Curso de bacharelado em Medicina Veterinária Disciplina de experimentação animal Atividade da semana 3 – Dados 2 Discentes: Amábile Regina (20161800034); Braian Bispo (20161804139); Karolayne Negreiros (20161800007) 31/07/2021 DADOS 2: Números de Ovos de Poedeiras em Função do Estilo Musical Dados que refere-se ao número de ovos por poedeira 35 dias após o início do experimento em função do estilo musical do som ambiente: música sertaneja (a), música clássica (b) e música popular (c). Variáveis: musica: Estilo musical do som ambiente no qual ficavam as poedeiras; ovo: Número de ovos aos 35 dias após o início do experimento. ##1 - Entrada dos dados ### Comentário:O objetivo dessa análise se baseia na observação dos resultados obtidos através de um estudo experimental, no qual o fator é música, e seus níveis de tratamento são subdivididos em – sertaneja, clássica, testemunha e popular, sendo a variável resposta os ovos (já que o objetivo desse estudo era analisar se o efeito das músicas poderia aumentar ou diminuir a produção dos ovos pelas poedeiras. Música = tratamento Ovos = variável resposta Obs: os dados representados por NA foram desprezados para melhor funcionabilidade do programa. setwd("C:/Users/KAROL/Desktop/Dados trabalho semana 3/dados-atividade2") Input = ( "trat ovos sertaneja 25 clássica 24 popular 25 testemunha 20 sertaneja 21 clássica 31 popular 18 testemunha 17 sertaneja 29 clássica 32 popular 19 testemunha 23 popular 22 testemunha 16 ") dados = read.table(textConnection(Input), header = TRUE) dados ## trat ovos ## 1 sertaneja 25 ## 2 clássica 24 ## 3 popular 25 ## 4 testemunha 20 ## 5 sertaneja 21 ## 6 clássica 31 ## 7 popular 18 ## 8 testemunha 17 ## 9 sertaneja 29 ## 10 clássica 32 ## 11 popular 19 ## 12 testemunha 23 ## 13 popular 22 ## 14 testemunha 16 head(dados) ## trat ovos ## 1 sertaneja 25 ## 2 clássica 24 ## 3 popular 25 ## 4 testemunha 20 ## 5 sertaneja 21 ## 6 clássica 31 attach(dados) ##2 - Análise Exploratória library(lattice) y = ovos - ###Comentário: y é a variável resposta. boxplot(y ~ trat) ###Comentário: trat = é o fator de análise. ###Comentário: Com o resultado obtido é possível observer que não há presença de outlier (sem valores discrepantes). A proporção do tamanho das caixas não possui muita variação entre elas, não havendo tanta dispersão dos dados. ##3 - Estatística Descritiva b = tapply (y, trat, length); b ## clássica popular sertaneja testemunha ## 3 4 3 4 soma = tapply(y, trat, sum); soma ## clássica popular sertaneja testemunha ## 87 84 75 76 media = tapply(y, trat, mean); media ## clássica popular sertaneja testemunha ## 29 21 25 19 variancia = tapply(y, trat, var); variancia ## clássica popular sertaneja testemunha ## 19 10 16 10 desvio.padrao = tapply(y, trat, sd); desvio.padrao ## clássica popular sertaneja testemunha ## 4.358899 3.162278 4.000000 3.162278 dist.interq = tapply(y, trat, IQR); dist.interq ## clássica popular sertaneja testemunha ## 4 4 4 4 #Criando função para calcular a amplitude f1 = function(x) max(x)-min(x) amplitude = tapply(y,trat,f1); amplitude ## clássica popular sertaneja testemunha ## 8 7 8 7 resumo = rbind(b, soma, media, variancia, desvio.padrao, dist.interq, amplitude) rownames(resumo) = c("Repetições", "Soma", "Média", "Variância", "Desvio Padrão", "Amplitude Interquartílica", "Amplitude"); round(resumo, 2) ## clássica popular sertaneja testemunha ## Repetições 3.00 4.00 3 4.00 ## Soma 87.00 84.00 75 76.00 ## Média 29.00 21.00 25 19.00 ## Variância 19.00 10.00 16 10.00 ## Desvio Padrão 4.36 3.16 4 3.16 ## Amplitude Interquartílica 4.00 4.00 4 4.00 ## Amplitude 8.00 7.00 8 7.00 ##4 - Teste F e o quadro ANAVA modelo = aov(y ~ trat) modelo.aov = anova (modelo); modelo.aov ## Analysis of Variance Table ## ## Response: y ## Df Sum Sq Mean Sq F value Pr(>F) ## trat 3 200 66.667 5.1282 0.02103 * ## Residuals 10 130 13.000 ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 #Coeficiente de Variação CV = sqrt(modelo.aov[2,3])/ mean(media)*100; CV ## [1] 15.34277 ##5 - Verificação das Pressuposições do Modelo #Gráficos Diagnósticos par(mfrow = c (2,2)) plot(modelo) #Valores ajustados e resíduos do modelo DIC de um fator ajustado = fitted(modelo) residuo = residuals(modelo) # 1. Independência das Observações plot(ajustado, residuo, main = "Gráfico de Resíduos vs Ajustado") #2. Resíduos Normais qqnorm(residuo, main = "Gráfico de Quantis da Normal", xlab = "Resíduo", ylab = "S core Normal") qqline(residuo, col = 2) #Teste de normalidade de Shapiro-Wilks shapiro.test(residuo) ## ## Shapiro-Wilk normality test ## ## data: residuo ## W = 0.91753, p-value = 0.2026 #Comentário: O P-Value = 0.2026 é maior do que 0.05. Logo, não rejeitamos H0, e con cluimos que os resíduos têm distribuição normal. OBS: Caso estivesse abaixo de 0,05, os dados se desviam significamente de uma distribuição normal. #Homocedasticidade das Variâncias dotplot(residuo ~ trat) boxplot(residuo ~ trat) #Testes para a Homocedasticidade das Variâncias # a. Teste de Bartlett bartlett.test(residuo ~ trat) ## ## Bartlett test of homogeneity of variances ## ## data: residuo by trat ## Bartlett's K-squared = 0.34063, df = 3, p-value = 0.9522 #Comentário: O P-Value é 0.9522, e dessa forma entendemos que as variâncias são idênticas. Considerando o valor de p 0.02103 do teste F presente no Quadro ANAVA,s e encontra menor que 0.05 e assim indica que há diferença entre as medias, havendo efeito nos tratamentos. #b. Teste de Leveng library(car) ## Carregando pacotes exigidos: carData leveneTest(residuo ~ factor(trat)) ## Levene's Test for Homogeneity of Variance (center = median) ## Df F value Pr(>F) ## group 3 0.0062 0.9993 ## 10 # Comentário: P-Valor = 0.9993 > 0.05, então também há homocedastecidade também para o teste de Leveng ## Comparações múltiplas ### Análise de variâncias library(ExpDes.pt) setwd("C:/Users/KAROL/Desktop/Dados trabalho semana 3/dados-atividade2") dados = read.table(textConnection(Input), header = TRUE) dados ## trat ovos ## 1 sertaneja 25 ## 2 clássica 24 ## 3 popular 25 ## 4 testemunha 20 ## 5 sertaneja 21 ## 6 clássica 31 ## 7 popular 18 ## 8 testemunha 17 ## 9 sertaneja 29 ## 10 clássica 32 ## 11 popular 19 ## 12 testemunha 23 ## 13 popular 22 ## 14 testemunha 16 head( dados ) ## trat ovos ## 1 sertaneja 25 ## 2 clássica 24 ## 3 popular 25 ## 4 testemunha 20 ## 5 sertaneja 21 ## 6 clássica 31 res <- dic( trat = trat, resp = ovos, quali = TRUE, mcomp = "tukey", hvar = "bartlett", sigT = 0.05, sigF = 0.05 ) ## Quadro da analise de variancia ## ------------------------------------------------------------------------ ## GL SQ QM FcPr>Fc ## Tratamento 3 200 66.667 5.1282 0.021032 ## Residuo 10 130 13.000 ## Total 13 330 ## ------------------------------------------------------------------------ ## CV = 15.68 % ## ## ------------------------------------------------------------------------ ## Teste de normalidade dos residuos ( Shapiro-Wilk ) ## Valor-p: 0.20261 ## De acordo com o teste de Shapiro-Wilk a 5% de significancia, os residuos podem ser considerados normais. ## ---------------------------------------------------------------------- ## Teste de homogeneidade de variancia ## valor-p: 0.05459458 ## De acordo com o teste de bartlett a 5% de significancia, as variancias podem se r consideradas homogeneas. ## ---------------------------------------------------------------------- ## Teste de Tukey ## ---------------------------------------------------------------------- ## Grupos Tratamentos Medias ## a clássica 29 ## ab sertaneja 25 ## ab popular 21 ## b testemunha 19 ## ---------------------------------------------------------------------- attach(dados) ## The following objects are masked from dados (pos = 7): ## ## ovos, trat ## Verificação dos resíduos por gráficos plotres(res) ## Teste de LSD dic( trat, ovos, mcomp = "lsd", hvar = "bartlett", sigT = 0.05, sigF = 0.05) ## Teste t (LSD) ## ------------------------------------------------------------------------ ## Grupos Tratamentos Medias ## a clássica 29 ## ab sertaneja 25 ## b popular 21 ## b testemunha 19 ## ---------------------------------------------------------------------- #Comentário: O teste demonstra através da letra b que as medias de popular, sertaneja e testemunha não diferem entre si, mas que diferem com relação ao outro fator clássica. ## Teste de Tukey dic( trat, ovos, mcomp = "tukey", hvar = "bartlett", sigT = 0.05, sigF = 0.05) ## Teste de Tukey ## ---------------------------------------------------------------------- ## Grupos Tratamentos Medias ## a clássica 29 ## ab sertaneja 25 ## ab popular 21 ## b testemunha 19 ## ---------------------------------------------------------------------- #Comentário: O fator música clássica obteve resultado superior com relação a maior produção de ovos quando comparado com testemunha. Os fatores: música clássica, sertaneja e popular não são estatisticamente diferentes entre si, assim como serta neja, popular e testemunha. ## Teste de Duncan dic( trat, ovos, mcomp = "duncan", hvar = "bartlett", sigT = 0.05, sigF = 0.05) ## Teste de Duncan ## ---------------------------------------------------------------------- ## Grupos Tratamentos Medias ## a clássica 29 ## ab sertaneja 25 ## b popular 21 ## b testemunha 19 ## ---------------------------------------------------------------------- ## Teste de Student-Neuman-Keulls dic( trat, ovos, mcomp = "snk", hvar = "bartlett", sigT = 0.05, sigF = 0.05) ## Teste de Student-Newman-Keuls (SNK) ## ------------------------------------------------------------------------ ## Grupos Tratamentos Medias ## a clássica 29 ## ab sertaneja 25 ## b popular 21 ## b testemunha 19 ## ---------------------------------------------------------------------- ## Teste de Scott -Knot dic( trat, ovos, mcomp = "sk", hvar = "bartlett", sigT = 0.05, sigF = 0.05) ## Teste de Scott-Knott ## ---------------------------------------------------------------------- ## Grupos Tratamentos Medias ## 1 a clássica 29 ## 2 a sertaneja 25 ## 3 b popular 21 ## 4 b testemunha 19 ## ---------------------------------------------------------------------- # Teste de Dunnet library(asbio) ## Carregando pacotes exigidos: tcltk pairw.anova(y = ovos, x = trat, control="testemunha", method="dunnett") ## 95% Dunnett confidence intervals ## ## Diff Lower Upper Decision ## muclássica-mutestemunha 10.014418 2.380518 17.648318 Reject H0 ## mupopular-mutestemunha 1.986164 -5.087807 9.060136 FTR H0 ## musertaneja-mutestemunha 5.987665 -1.639204 13.614535 FTR H0 #Comentário: A decisão é de que se rejeita a H0 para música clássica e testemunha, se rejeita-se H0, então o teste é significativo e as duas médias diferem entre si. FTR H0 indica que houve falha ao rejeitar a hipótese nula. O único valor que apresentou diferenças significantes foi entre os fatores clássica e testemunha. # Teste de Scheffe library(DescTools) mod <- aov( ovos ~ trat ) C1 <- cbind(c(1,1,-1,-1)) #Comentário: C representa a formulação de contraste para o meu conjunto de dados. ScheffeTest(mod, which = "trat", contrasts = C1) - #Comentário: Teste de significâ ncia pelo teste de scheffé ao nível de 5% de significância ## ## Posthoc multiple comparisons of means: Scheffe Test ## 95% family-wise confidence level ## ## $trat ## diff lwr.ci upr.ci pval ## clássica,popular-sertaneja,testemunha 6 -6.989459 18.98946 0.5260 ## ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## Teste F para contrastes ortogonais ## Matrix de coeficientes dos contrastes #Comentário: Como o R organiza os dados de acordo com a ordem alfabética, a confor mação da sequência de dados ficou de tal maneira: ###classica, #popular , #sertanejo, #testemunha C <- rbind(c(3,-1,-1,-1), #contraste 1 c(0,2,-1,-1)) #contraste 2 c(0,0,1,-1) #contraste 3 O conjunto de contrastes devem ser ortogonais, ou seja, a soma dos coeficientes do contraste e entre os contrastes devem ser iguais a zero. ## [1] 0 0 1 -1
Compartilhar