Relatório em R markdown - Delineamento inteiramente casualizado

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