-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathplasma_potencia.R
88 lines (75 loc) · 2.98 KB
/
plasma_potencia.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
library(dplyr)
library(ggplot2)
rm(list = ls())
plasmac <- c(575, 542, 530, 539, 570, 565, 593,
590, 579, 610, 600, 651, 610, 637,
629, 725, 700, 715, 685, 710)
length(plasmac)
potencia <- c(rep(160,5), rep(180,5),
rep(200,5), rep(220,5))
length(potencia)
pdata <- data.frame(plasmac = plasmac, potencia = as.factor(potencia))
View(pdata)
result <- pdata %>%
group_by(potencia) %>%
summarise(mean_plasmac = mean(plasmac))
ggplot(result, aes(x = potencia, y = mean_plasmac)) +
geom_bar(stat = "identity") +
labs(title = "Média de plasma por Potência",
x = "Potência",
y = "Média de Plasma")
gp.means <- with(pdata, tapply(plasmac, potencia, mean))
with(pdata, stripchart(plasmac ~ potencia, vert = T, method = 'overplot',
pch = 1, ylab = ''))
stripchart(plasmac ~ potencia, data = pdata, vertical = TRUE, method = 'overplot',
pch = 1, xlab = 'Potência', ylab = 'Plasma')
##MODELO DE EFEITOS
#Yij = M + T + eji
##MODELO DE MÉDIAS
#Yij = Mi + eij
plasmac.aov <- aov(plasmac~potencia, data = pdata)
summary(plasmac.aov)
##Estimador de T = Yi.(BARRA) - Y..(BARRA)
#Média das classes - Média geral
View(result)
T1 = result$mean_plasmac[1] - mean(plasmac); T1
T2 = result$mean_plasmac[2] - mean(plasmac); T2
T3 = result$mean_plasmac[3] - mean(plasmac); T3
T4 = result$mean_plasmac[4] - mean(plasmac); T4
#Ou de forma mais simples
T_data = gp.means - mean(plasmac); T_data
#Ou ainda
model.tables(plasmac.aov)
## INTERVALO DE CONFIANÇA
#IC(Mi;1-alpha) = ( Yi.(BARRA) -+ t-student(1-alpha/2);N-a*sqrt(QMe/n))
quantil <- qt(.975, 16) #Quantil para 97.5% e 16 GL
qme <- sigma(plasmac.aov)^2;qme # QUADRADO MÉDIO DO RESÍDUO
li = gp.means - quantil*sqrt(qme/5);li #limite inferior
ls = gp.means + quantil*sqrt(qme/5);ls #limite superior
confint(plasmac.aov) # ATENÇÃO: Intervalo de confiança da Média i com a Média 1
##SUPOSIÇÕES DO MODELO
#Avaliando a Normalidade com o Q-Q Plot com os resíduos
qqnorm(plasmac.aov$residuals)
qqline(plasmac.aov$residuals)
#Teste Shapiro Wilk
shapiro.test(plasmac)
#Avaliando a Homocedasticidade
#Teste de BARTLETT
bartlett.test(plasmac ~ potencia, data = pdata)
#Teste de Levene
library(car)
leveneTest(plasmac.aov)
#Teste Durbin–Watson
set.seed(474028)
durbinWatsonTest(plasmac.aov) # Ele utiliza Bootstrap, então é necessário fixar uma semente
# Avaliando a comparação entre as médias
##H0: mi=mj
##H1: mi != mj
pairwise.t.test(pdata$plasmac, pdata$potencia, p.adjust.method = 'bonf')
#Intervalo e coniança para a diferença das médias
#Teste Tukey
Tk <- TukeyHSD(plasmac.aov);Tk
plot(Tk, las = 1) #Gráfico para todas diferenças das médias; Se o intevalo de confiança não contém o zero rejeita-se H0
#ANALISANDO O CONTRASTE
stc <- ScheffeTest(plasmac.aov);stc
stc <- ScheffeTest(plasmac.aov, contrasts = matrix(c(1,-1,0,0,1,-0.5, -0.5,0, 0, 0, 1, -1), ncol=3));stc