Análise de Variâncias DIC e teste de Tukey 2, R

Análise de Variâncias DIC e teste de Tukey 2

Language: Layout:

# R version 3.4.4 
  
# Criar os vetores para valores cada resultado (peso de camarões)
peso1 = c (21,23,26,21,19)
peso2 = c (31,26,27,26,33)
peso3 = c (41,43,44,41,36)
peso4 = c (54,56,57,58,56)

# Para visualizar, vamos chamar cada vetor
print("vetor dos pesos")
peso1
peso2
peso3
peso4

# Criar vetor alfa numérico para cada tratamento-repetição

t1 = c ("ração1", "ração1", "ração1", "ração1", "ração1")
t2 = c ("ração2", "ração2", "ração2", "ração2", "ração2")
t3 = c ("ração3", "ração3", "ração3", "ração3", "ração3")
t4 = c ("ração4", "ração4", "ração4", "ração4", "ração4")

# Para visualizar vamos chamar cada vetor
print("vetores de tratamentos")
t1
t2
t3
t4

# Criar um vetor para reunir os resultados de peso
# Veja que dentro do parêntese estão os nomes de cada vetor
peso = c (peso1, peso2, peso3, peso4)

# Veja que dentro do parêntese estão os nomes de cada vetor 
print("vetor de todos os pesos")
peso

# Criar um vetor para reunir os tratamentos
# Veja que dentro do parêntese estão os nomes de cada vetor
trat = c (t1, t2, t3, t4)
print("vetor de todos os tratamentos")
trat

# Criar um vetor em formato data.frame
# nome desse vetor eu chamarei de ex1 (Que será o exemplo 1)
ex1 = data.frame (trat,peso)
ex1

# Verificar a normalidade dos dados dos tratamentos
normalidade = tapply(ex1$peso, ex1$trat, shapiro.test)
normalidade

# Verificar a homocedasticidade das variâncias
homocedasticidade =  bartlett.test(ex1$peso, ex1$trat)
homocedasticidade

# Realizar a ANOVA
ex1_anova = aov (ex1$peso ~ ex1$trat)

# Para verificar o resultado da ANOVA vamos pedir um sumário 
# Vamos utilizar o comando summary para o vetor ex1_anova
summary(ex1_anova)

# Para verificar a diferença entre os tratamentos
# Vamos utilizar o teste de Tukey
ex1_tukey = TukeyHSD(ex1_anova)
ex1_tukey

# calcular médias
print("médias")
médias_ex1 = tapply(ex1$peso, ex1$trat, mean)
médias_ex1

# calcular desvio padrão

print("desvio padrão")

desvio_ex1 = tapply(ex1$peso, ex1$trat, sd)
desvio_ex1

# calcular erro padrão
print("erro padrão")
erro_ex1 = (desvio_ex1/sqrt(5))
erro_ex1

# Construir um gráfico boxplot
boxplot(ex1$peso ~ ex1$trat)

# Construir um gráfico de barras

barplot(médias_ex1)

# Se quiser apresentar os dados para publicação em um data.frame

Tratamentos=c("ração 1", "ração 2", "ração 3", "ração 4")
Média=c(22.0 ,  28.6 ,  41.0 ,  56.2 )
Erro=c(1.18, 1.44, 1.38, 0.66)
ex1_final=data.frame(Tratamentos,Média,Erro)
ex1_final

[ + ] Show input
Absolute running time: 0.75 sec, cpu time: 0.83 sec, memory peak: 44 Mb, absolute service time: 1 sec

[1] "vetor dos pesos" [1] 21 23 26 21 19 [1] 31 26 27 26 33 [1] 41 43 44 41 36 [1] 54 56 57 58 56 [1] "vetores de tratamentos" [1] "ração1" "ração1" "ração1" "ração1" "ração1" [1] "ração2" "ração2" "ração2" "ração2" "ração2" [1] "ração3" "ração3" "ração3" "ração3" "ração3" [1] "ração4" "ração4" "ração4" "ração4" "ração4" [1] "vetor de todos os pesos" [1] 21 23 26 21 19 31 26 27 26 33 41 43 44 41 36 54 56 57 58 56 [1] "vetor de todos os tratamentos" [1] "ração1" "ração1" "ração1" "ração1" "ração1" "ração2" "ração2" "ração2" [9] "ração2" "ração2" "ração3" "ração3" "ração3" "ração3" "ração3" "ração4" [17] "ração4" "ração4" "ração4" "ração4" trat peso 1 ração1 21 2 ração1 23 3 ração1 26 4 ração1 21 5 ração1 19 6 ração2 31 7 ração2 26 8 ração2 27 9 ração2 26 10 ração2 33 11 ração3 41 12 ração3 43 13 ração3 44 14 ração3 41 15 ração3 36 16 ração4 54 17 ração4 56 18 ração4 57 19 ração4 58 20 ração4 56 $ração1 Shapiro-Wilk normality test data: X[[i]] W = 0.94179, p-value = 0.6786 $ração2 Shapiro-Wilk normality test data: X[[i]] W = 0.83328, p-value = 0.1472 $ração3 Shapiro-Wilk normality test data: X[[i]] W = 0.88521, p-value = 0.3336 $ração4 Shapiro-Wilk normality test data: X[[i]] W = 0.95563, p-value = 0.7773 Bartlett test of homogeneity of variances data: ex1$peso and ex1$trat Bartlett's K-squared = 2.1961, df = 3, p-value = 0.5327 Df Sum Sq Mean Sq F value Pr(>F) ex1$trat 3 3401 1133.7 156.4 4.61e-12 *** Residuals 16 116 7.3 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Tukey multiple comparisons of means 95% family-wise confidence level Fit: aov(formula = ex1$peso ~ ex1$trat) $`ex1$trat` diff lwr upr p adj ração2-ração1 6.6 1.727859 11.47214 0.0065993 ração3-ração1 19.0 14.127859 23.87214 0.0000000 ração4-ração1 34.2 29.327859 39.07214 0.0000000 ração3-ração2 12.4 7.527859 17.27214 0.0000100 ração4-ração2 27.6 22.727859 32.47214 0.0000000 ração4-ração3 15.2 10.327859 20.07214 0.0000007 [1] "médias" ração1 ração2 ração3 ração4 22.0 28.6 41.0 56.2 [1] "desvio padrão" ração1 ração2 ração3 ração4 2.645751 3.209361 3.082207 1.483240 [1] "erro padrão" ração1 ração2 ração3 ração4 1.183216 1.435270 1.378405 0.663325 Tratamentos Média Erro 1 ração 1 22.0 1.18 2 ração 2 28.6 1.44 3 ração 3 41.0 1.38 4 ração 4 56.2 0.66