Processing math: 100%
Leitura de dados e outras funções
Prof. Fernando de Souza Bastos
06 de outubro de 2018
Orientações
O trabalho irá valer 30 pontos (10 na média)
Vocês devem fazer todos os exercícios da apostila da parte de teste de hipóteses e delineamento inteiramente casualizado no software R. Os scripts e os arquivos de dados devem ser enviados em formato .rar com seu nome e sua matricula (FulanodeTal_8978.rar) para o e-mail:
ufv.florestal.maf261@gmail.com até o dia 27/10/2018. O assunto do e-mail deve ser: “Trabalho 1 - Estatística Experimental”.
No interior do arquivo zip deve ter um script para todos os exercícios do mesmo teste de hipóteses (um script para o teste z, um script para o teste t, e assim por diante.) Os scripts devem ser nomeados como:
testeT.R
testeF.R
testeZ.R
AmostrasDependentes.R
DIC.R
No interior do script deve conter cabeçalho com nome do acadêmico e matricula. Por exemplo:
##########################
#Nome: Fernando de Souza Bastos
#Matrícula: 8978-8
############################
O nome dos arquivos devem ser obrigatoriamente no formato acima e devem ser de extensão R (executável), não em txt, doc, pdf ou outro qualquer.
- Para entender a leitura e confecção de exercícios de Delineamento Inteiramente Casualizado, baixem o arquivo Banco_de_Dados.rar e leiam as próximas páginas!
Comandos para leitura de dados (.txt):
Bloco de Notas (.txt)
Podemos ler o banco de dados com o comando:
da <- read.table(“nome_do_arquivo.txt”, header=T, dec=“.”, sep=“”)
ou também:
da <- read.table(file.choose(),header=T,dec=“.”,sep=“”)
attach(da) #Este comando serve para poder nos referirmos a uma coluna do banco de dados utilizando seu nome;
Exemplo:
Criei o banco de dados denominado teste.txt e deixei salvo na mesma pasta do script do software R. Assim, para ler os dados fazemos:
da <- read.table("teste.txt", header=T, dec=".", sep="")
names(da) <- c("Trat","Resp")
attach(da)
head(da)
## Trat Resp
## 1 A 21.0
## 2 A 22.0
## 3 A 24.0
## 4 A 23.0
## 5 A 22.5
## 6 B 29.0
## 'data.frame': 15 obs. of 2 variables:
## $ Trat: Factor w/ 3 levels "A","B","C": 1 1 1 1 1 2 2 2 2 2 ...
## $ Resp: num 21 22 24 23 22.5 29 31 30 33 35 ...
H0:μA=μB=μCH1:Não H0 (Pelo menos uma média difere das demais) - Usando o pacote ExpDes.pt dos professores Ferreira, Cavalcanti, and Nogueira (2018)
library(ExpDes.pt)
dic <- dic(Trat,
Resp,
quali = TRUE,
mcomp = "tukey",
nl = FALSE,
hvar = 'bartlett',
sigT = 0.01,
sigF = 0.01)
## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 2 492.23 246.117 95.271 4.3251e-08
## Residuo 12 31.00 2.583
## Total 14 523.23
## ------------------------------------------------------------------------
## CV = 6.71 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## Valor-p: 0.8923022
## 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: 0.110665
## De acordo com o teste de bartlett a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a B 31.6
## b A 22.5
## c C 17.8
## ------------------------------------------------------------------------
Comandos para leitura de dados (.csv):
Arquivo em formato csv
Podemos ler o banco de dados com o comando:
da <- read.table(“nome_do_arquivo.csv”, header=T, dec=“,”, sep=“;”)
ou também:
da <- read.table(file.choose(),header=T,dec=“,”,sep=“;”)
attach(da) #Este comando serve para poder nos referirmos a uma coluna do banco de dados utilizando seu nome;
Exemplo:
Criei o banco de dados denominado teste.csv e deixei salvo na mesma pasta do script do software R. Assim, para ler os dados fazemos:
da <- read.table("teste.csv", header=T, dec=",", sep=";")
names(da) <- c("Trat","Resp")
attach(da)
head(da)
## Trat Resp
## 1 A 21.0
## 2 A 22.0
## 3 A 24.0
## 4 A 23.0
## 5 A 22.5
## 6 B 29.0
## 'data.frame': 15 obs. of 2 variables:
## $ Trat: Factor w/ 3 levels "A","B","C": 1 1 1 1 1 2 2 2 2 2 ...
## $ Resp: num 21 22 24 23 22.5 29 31 30 33 35 ...
H0:μA=μB=μCH1:Não H0 (Pelo menos uma média difere das demais) - Usando o pacote ExpDes.pt dos professores Ferreira, Cavalcanti, and Nogueira (2018)
library(ExpDes.pt)
dic <- dic(Trat,
Resp,
quali = TRUE,
mcomp = "tukey",
nl = FALSE,
hvar = 'bartlett',
sigT = 0.01,
sigF = 0.01)
## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 2 492.23 246.117 95.271 4.3251e-08
## Residuo 12 31.00 2.583
## Total 14 523.23
## ------------------------------------------------------------------------
## CV = 6.71 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## Valor-p: 0.8923022
## 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: 0.110665
## De acordo com o teste de bartlett a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a B 31.6
## b A 22.5
## c C 17.8
## ------------------------------------------------------------------------
Comandos para leitura de dados (.xls):
Arquivo em formato xls
Temos que usar o pacote:
library(readxl)
E, posteriormente, ler o banco de dados com o comando:
da <- read_excel(“teste.xls”)
attach(da) #Este comando serve para poder nos referirmos a uma coluna do banco de dados utilizando seu nome;
Exemplo:
Criei o banco de dados denominado teste.csv e deixei salvo na mesma pasta do script do software R. Assim, para ler os dados fazemos:
library(readxl)
da <- read_excel("teste.xls")
names(da) <- c("Trat","Resp")
attach(da)
head(da)
## # A tibble: 6 x 2
## Trat Resp
## <chr> <dbl>
## 1 A 21
## 2 A 22
## 3 A 24
## 4 A 23
## 5 A 22.5
## 6 B 29
## Classes 'tbl_df', 'tbl' and 'data.frame': 15 obs. of 2 variables:
## $ Trat: chr "A" "A" "A" "A" ...
## $ Resp: num 21 22 24 23 22.5 29 31 30 33 35 ...
da$Trat <- as.factor(da$Trat)
str(da)
## Classes 'tbl_df', 'tbl' and 'data.frame': 15 obs. of 2 variables:
## $ Trat: Factor w/ 3 levels "A","B","C": 1 1 1 1 1 2 2 2 2 2 ...
## $ Resp: num 21 22 24 23 22.5 29 31 30 33 35 ...
H0:μA=μB=μCH1:Não H0 (Pelo menos uma média difere das demais) - Usando o pacote ExpDes.pt dos professores Ferreira, Cavalcanti, and Nogueira (2018)
library(ExpDes.pt)
dic <- dic(Trat,
Resp,
quali = TRUE,
mcomp = "tukey",
nl = FALSE,
hvar = 'bartlett',
sigT = 0.01,
sigF = 0.01)
## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 2 492.23 246.117 95.271 4.3251e-08
## Residuo 12 31.00 2.583
## Total 14 523.23
## ------------------------------------------------------------------------
## CV = 6.71 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## Valor-p: 0.8923022
## 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: 0.110665
## De acordo com o teste de bartlett a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a B 31.6
## b A 22.5
## c C 17.8
## ------------------------------------------------------------------------
Comandos para leitura de dados (.xlsx):
Arquivo em formato .xlsx
Temos que usar o pacote:
library(readxl)
E, posteriormente, ler o banco de dados com o comando:
da <- read_excel(“teste.xlsx”)
attach(da) #Este comando serve para poder nos referirmos a uma coluna do banco de dados utilizando seu nome;
Exemplo:
Criei o banco de dados denominado teste.csv e deixei salvo na mesma pasta do script do software R. Assim, para ler os dados fazemos:
library(readxl)
da <- read_excel("teste.xlsx")
names(da) <- c("Trat","Resp")
attach(da)
head(da)
## # A tibble: 6 x 2
## Trat Resp
## <chr> <dbl>
## 1 A 21
## 2 A 22
## 3 A 24
## 4 A 23
## 5 A 22.5
## 6 B 29
## Classes 'tbl_df', 'tbl' and 'data.frame': 15 obs. of 2 variables:
## $ Trat: chr "A" "A" "A" "A" ...
## $ Resp: num 21 22 24 23 22.5 29 31 30 33 35 ...
da$Trat <- as.factor(da$Trat)
str(da)
## Classes 'tbl_df', 'tbl' and 'data.frame': 15 obs. of 2 variables:
## $ Trat: Factor w/ 3 levels "A","B","C": 1 1 1 1 1 2 2 2 2 2 ...
## $ Resp: num 21 22 24 23 22.5 29 31 30 33 35 ...
H0:μA=μB=μCH1:Não H0 (Pelo menos uma média difere das demais) - Usando o pacote ExpDes.pt dos professores Ferreira, Cavalcanti, and Nogueira (2018)
library(ExpDes.pt)
dic <- dic(Trat,
Resp,
quali = TRUE,
mcomp = "tukey",
nl = FALSE,
hvar = 'bartlett',
sigT = 0.01,
sigF = 0.01)
## ------------------------------------------------------------------------
## Quadro da analise de variancia
## ------------------------------------------------------------------------
## GL SQ QM Fc Pr>Fc
## Tratamento 2 492.23 246.117 95.271 4.3251e-08
## Residuo 12 31.00 2.583
## Total 14 523.23
## ------------------------------------------------------------------------
## CV = 6.71 %
##
## ------------------------------------------------------------------------
## Teste de normalidade dos residuos
## Valor-p: 0.8923022
## 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: 0.110665
## De acordo com o teste de bartlett a 5% de significancia, as variancias podem ser consideradas homogeneas.
## ------------------------------------------------------------------------
##
## Teste de Tukey
## ------------------------------------------------------------------------
## Grupos Tratamentos Medias
## a B 31.6
## b A 22.5
## c C 17.8
## ------------------------------------------------------------------------
Space, Right Arrow or swipe left to move to next slide, click help below for more details