Agosto 2014 - R-br

teste para Ho:b=1 regressão linear
by Luiz Roberto Martins Pinto 22 Ago '14

22 Ago '14

Caros, Para y=a+bx, a função lm (y~x) testa Ho:a=0 e Ho:b=0, e me fornece intervalos de confiança. Preciso de uma função que teste Ho:b=1, com intervalo de confiança. Luiz Roberto. Luiz Roberto Martins Pinto Prof. Pleno/DCET/UESC Laboratório de Estatística Computacional Universidade Estadual de Santa Cruz Ilhéus-Bahia luizroberto.uesc(a)gmail.com skype: lrmpinto http://lattes.cnpq.br/2732314327604831

2 1

Mapa temático com sobreposição de cores
by Flávio Fagundes 21 Ago '14

21 Ago '14

Caros(as), boa tarde. Sou novo na lista, sou usuário bem básico do R, estou começando a trabalhar com a confecção de mapas e gostaria de pedir uma ajuda. Criei um mapa temático, com 5 cores diferentes plotei normalmente as cores de acordo com uma faixa de valores. Porém, eu gostaria de plotar sobre cada área sombreada uma segunda camada de cores com tons mais claros e proporcionais ao tamanho da área. Por exemplo: Em uma determinada UF, o mapa temático dos municípios reflete o percentual de domicílios que possuem energia elétrica (foram criadas 5 faixas percentuais). Eu gostaria de plotar, nestes mesmos municípios o percentual de geladeiras existentes nos domicílios (premissa: nenhum município terá % de geladeiras maior que % existência do energia elétrica). Dessa forma, se nos municípios a cor correspondente ao percentual +80% de existência de energia elétrica for azul escura, eu gostaria de plotar, nestes mesmos municípios, a cor azul clara, sobreposta a cor azul escura, mas de tal forma que esta cor azul clara fosse proporcional ao % correspondente a existência de geladeira. Se houver tb 80% de domicílios com geladeira, toda a área ficaria coberta, se fosse 50% de domicílios com geladeiras, apenas metade da área desses municípios ficaria coberta com a cor azul clara, e assim sucessivamente paras outras cores (tipo: vermelho, verde, amarelo, roxo, e etc..... Peço, por favor, ajuda de referências, dicas, exemplos e etc PS: Para fazer um mapa teste, utilizei o material do prof. Elias Teixeira Krainski (Introdução A Analise De Dados Espacialmente Referenciados), que por sinal excelente didática e exposição. Como principiante foi ótimo. Parabéns ao autor!!. O primeiro mapa temático com as primeiras cores, deu certo com os comandos: cores5 <- rgb(1:5/7, 5:1/7, 0.1) labelfun <- function(brea) { k <- length(brea) paste(c("<", brea[2:(k-2)], ">"), c("", rep("a", k-3), ""), brea[c(2:(k-1),k-1)]) } plot(munic, col=cores5[cl5]) legend('topleft', labelfun(br), fill=cores5, bty='n') Obrigado Att Flávio

1 0

Função plot(modelo)
by ana paula coelho madeira 21 Ago '14

21 Ago '14

Prezados colegas, boa noite. A função plot(modelo) apresenta uma série de gráficos que nos permite verificar, entre outras coisas, as pressuposições de homocedasticidade e normalidade, correto? Supondo que tenho, por exemplo, dados de contagem que os erros não tenham distribuição normal. Desse modo poderia usar um GLM com família Poisson. Nesse caso como devo interpretar os gráficos produzidos por plot(modelo) ? ( Ou seja, se já sei que os dados não são normais, usei um GLM, o que esses gráficos me dizem? QQ plot?) Agradeço muito! Atenciosamente, Ana Paula

4 6

Ajuste não-linear usando tangente hiperbólica
by Michelle Baú Graczyk 20 Ago '14

20 Ago '14

Boa tarde, Estou começando com R agora e preciso ajustar um gráfico usando uma função com tangente hiperbólica. Então eu escrevi um programa para primeiro achar os parâmetros e depois ajustar. Só que dá um erro de gradiente singular e o R faz o ajuste com uma função polinomial de graus 6. O código e o erro seguem abaixo : cra<-read.table("/Users/bau/Desktop/DIS2.txt", head=T) head(cra) str(cra) dput(cra) cra<- structure(list(min = 1:395, mu = c(40619.8, 39545.45, 19500.81, 14791.13, 9149.19, 9480.65, 12744.09, 11964.57, 11614.17, 11684.13, 10369.29, 13327.56, 9780.95, 12404.69, 10536.72, 12999.22, 12896.09, 14821.26, 11269.53, 9419.84, 8962.7, 12392.91, 10222.66, 10529.13, 10285.94, 11471.09, 14243.31, 9932.81, 9861.42, 9983.46, 10539.84, 9241.27, 7450, 11592.91, 12796.09, 10090.48, 10106.25, 9166.93, 8778.57, 7770.63, 10237.8, 10085.6, 8813.39, 9223.44, 9236, 11351.2, 12493.7, 12438.58, 9455.56, 8894.35, 10324.8, 9891.87, 10706.35, 9313.82, 10461.6, 10487.3, 10592.91, 9917.46, 9039.68, 8050, 10052.38, 11104.8, 12400.79, 9650, 10877.78, 13385.83, 10130.71, 9628.35, 9437.4, 8750, 11756, 12542.06, 9927.34, 13969.29, 9136.22, 11517.32, 9858.27, 10492.91, 8452, 10669.53, 10669.84, 9958.06, 10270.4, 9927.2, 9028.57, 12172.8, 10311.9, 8573.81, 6879.03, 10854.47, 8000, 8991.94, 11618.11, 10336, 15286.61, 11933.86, 10360.32, 10776.38, 7796.77, 9339.52, 9820.16, 10235.2, 9374.8, 9774.4, 9381.1, 10692.86, 10714.06, 9313.6, 12315.87, 9844.63, 11017.6, 9547.15, 10226.02, 11998.37, 10019.84, 8105.6, 8834.92, 14572, 8759.52, 8546.83, 10929.84, 11121.43, 11700, 7966.94, 9686.29, 9089.6, 10859.06, 8584.68, 8510.32, 7851.97, 9800, 9303.23, 10250, 9338.4, 9639.2, 9897.62, 8022.58, 9415.87, 7676.23, 8783.33, 9322.58, 8224.8, 7808.8, 10566.94, 8915.87, 9031.45, 8175, 8262.7, 8287.2, 7414.96, 11503.2, 9240, 9800.8, 8669.84, 10707.14, 8335.71, 9726.98, 8534.96, 10563.49, 8089.76, 9924.6, 8228.8, 7516.94, 10676.38, 8029.92, 9932.26, 7155.28, 9440.32, 10058.4, 8311.11, 8780.31, 9165.87, 8956.8, 8267.2, 8767.46, 9109.52, 9476.19, 8557.14, 5923.58, 8865.57, 7166.67, 8295.24, 9270.97, 8654.03, 7140, 7679.37, 12931.2, 8307.14, 7132, 6820.8, 8820.8, 6396.8, 6417.32, 8580.16, 9339.2, 7325.98, 7534.13, 9076.19, 7066.94, 7488.71, 8042.52, 7669.29, 9224.41, 8097.58, 8974.4, 8530.16, 8403.17, 8036.29, 9200, 6553.17, 7426.98, 7818.4, 7442.86, 7342.74, 10152.8, 7003.2, 8584.55, 8426.19, 7689.43, 10894.31, 9023.58, 7295.97, 7248.8, 8260, 6723.81, 10219.2, 7630.95, 7053.97, 7321.6, 8065.08, 7696.83, 7782.26, 8234.4, 8464.8, 15065.04, 7095.16, 7509.52, 10538.71, 10128.23, 7324.8, 8461.11, 7879.51, 8787.2, 9983.87, 7620.63, 9636.51, 8688, 8010.32, 7733.87, 6618.4, 8676.98, 6831.2, 9062.9, 6804.8, 7835.48, 9616.67, 8756.45, 8137.3, 8732.8, 7296.83, 8336.51, 8489.52, 7241.6, 9461.6, 8593.65, 8695.2, 9409.84, 8552.8, 8721.43, 7684.8, 8852, 9445.6, 12223.2, 11104.8, 11211.11, 8091.2, 10172.22, 8283.2, 10996.03, 9291.27, 13194.44, 8806.4, 11795.2, 12854.76, 10568.25, 11619.2, 9796.83, 11148.41, 10347.2, 12374.6, 11234.92, 10505.6, 12130.4, 9889.6, 9594.44, 11288.89, 10813.6, 11724.19, 10908.8, 10823.39, 12461.11, 17342.86, 11294.4, 13250, 13161.9, 11897.58, 10255.2, 10792, 12212.8, 10997.6, 12242.86, 9920.8, 8991.27, 9956.35, 11164.29, 12138.1, 11219.05, 12037.3, 12813.49, 9661.9, 13949.21, 10590.48, 14073.6, 11168.8, 12556.35, 12865.87, 13203.97, 13751.59, 11597.62, 14173.02, 16489.68, 11492.06, 13292.86, 10719.2, 11917.46, 12168.25, 13701.59, 12973.02, 12025.4, 11307.14, 16519.84, 10837.3, 12180.95, 12509.52, 10959.52, 14688.1, 14192.06, 14108.73, 13302.38, 12665.87, 16281.75, 13131.2, 14984.92, 14841.27, 13766.4, 15573.02, 14683.33, 15494.44, 13714.29, 14546.83, 18848.41, 15442.86, 18065.08, 16905.56, 18330.95, 19372.22, 19878.57, 18992.86, 16706.35, 15268.25, 20623.02, 19945.24, 20128.57, 18582.54, 19185.71, 23628.57, 22283.33, 20084.92, 21576.98, 27226.98, 26983.2, 24548.8, 26579.2, 26625.4, 28393.65, 33450, 31057.14, 29047.62, 35111.11, 45998.4, 99051.61, 178643.64, 104533.33, 70500, 104700 )), .Names = c("min", "mu"), class = "data.frame", row.names = c(NA, -395L)) m0<- 0.5; a<-1; b<-3 plot(mu~min,cra) curve(m0+(tanh(a*min+b*(min^2)))^3, add=TRUE) n0<-nls(mu~m0+(tanh(a*min))^b,data=cra,start=list(m0=m0,a=a,b=b)) summary(n0) with(cra,plot(min,mu,xlab="minutos",ylab="média")) with(cra,points(min,fitted(n0),type="b",pch="+",col="red")) legend(200,100000,c("observado","ajustado)"),pch=c(1,3),col=c(1,2)) O erro: > n0<-nls(mu~m0+(tanh(a*min+b*(min^2)))^3,data=cra,start=list(m0=0.5,a=1,b=0.9)) Erro em nls(mu ~ m0 + (tanh(a * min + b * (min^2)))^3, data = cra, start = list(m0 = 0.5, : gradiente singular > summary(n0) Formula: mu ~ m0 + a * (min^3) + b * (min^6) Parameters: Estimate Std. Error t value Pr(>|t|) m0 1.226e+04 7.472e+02 16.411 <2e-16 *** a -7.917e-04 9.122e-05 -8.679 <2e-16 *** b 2.294e-11 1.758e-12 13.048 <2e-16 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 9538 on 392 degrees of freedom Number of iterations to convergence: 2 Achieved convergence tolerance: 2.397e-07 Alguém saberia como eu posso resolver este problemas? Muito obrigada, Michelle Bau Graczyk

2 2

Erro em q$limits
by Edson Lira 20 Ago '14

20 Ago '14

Tenho um bd com a seguinte estrutura: > head(M04) A B C D 1 60.9460 62.2680 58.5355 60.3665 2 57.3075 57.6275 85.6005 65.5345 3 73.4505 48.5370 71.5110 65.6680 4 58.2090 67.5285 64.3855 71.5910 5 53.2815 61.4225 51.4050 65.2255 7 60.7725 72.0105 71.2575 54.3345 Alguém poderia me indicar qual o erro que estou cometendo na rotina abaixo: par(cex=0.7,cex.lab=0.8,cex.axis=0.7) qcc(M04, type="xbar",center=60,title="",nsigmas=2,cex=0.7,cex.lab=0.8,cex.axis=0.7, xlab="Dia", ylab="Tempo (min)",cex=0.7,label.limits = c("", ""), restore.par = FALSE) axis(side = 4, at = q$limits[1], labels = "52", tick = T, cex.axis = 0.7, las = 1, line = -0.5) axis(side = 4, at = q$limits[2], labels = "68", tick = T, cex.axis = 0.7, las = 1, line = -0.5) O erro na janela do Log é: axis(side = 4, at = q$limits[1], labels = "52", tick = T, cex.axis = 0.7, las = 1, line = -0.5) Erro em q$limits : objeto de tipo 'closure' não possível dividir em subconjuntos Edson Lira Estatístico Manaus-Amazonas

7 8

Data Science for Social Good
by Manoel Galdino 20 Ago '14

20 Ago '14

Pode interessar a alguém... http://dssg.io/ -- Manoel Galdino https://sites.google.com/site/galdinomcz/

2 1

duvida matrix
by Leonardo Monteiro 20 Ago '14

20 Ago '14

Prezados, boa tarde. Sendo as matrix x e y: x<- matrix(rnorm(25, 10, 4),nrow = 5, ncol = 5); x #matrix 1 y<- matrix(rnorm(45, 50, 10), nrow = 9, ncol = 5); y # matrix 2 alguem poderia me ajudar em como pegar as linhas que estão "sobrando" da matrix y (6 até 9) e colar na matrix x (abaixo da linha 5)? obrigado, Leonardo.

2 1

Delineamento em Blocos Casualizados balanceado em esquema de parcelas sub-subdivididas.
by Raphael Antonio Prado Dias 20 Ago '14

20 Ago '14

Prezados, boa tarde! Alguém sabe de algum pacote para realizar a análise de variância de um delineamento em blocos casualizados balanceado em esquema de parcelas sub-subdivididas, ou ainda, como faço para especificar os resíduos "a" e "b"? Antecipadamente obrigado! Raphael ================================================ Raphael Antonio Prado Dias e-mail: raphael.dias(a)muz.ifsuldeminas.edu.br <http://carpa.ciagri.usp.br/sm/src/compose.php?send_to=rapdias%40esalq.usp.br> Professor do IFSULDEMINAS - Muzambinho-MG Doutorado em Estatística e Experimentação Agronômica Universidade de São Paulo - USP Escola Superior de Agricultura “Luiz de Queiroz” – ESALQ Piracicaba - SP - Brasil ================================================

3 3

Re: [R-br] Euclidiana para dados binarios (Marcelo Laia)
by Marcos Vital 16 Ago '14

16 Ago '14

Olá, Marcelo Bom, vamos por partes. Como você está usando o vegan e mencionou Jaccard, chuto que você esteja usando dados de comunidades biológicas (tipo presença/ausência de espécies). É isto mesmo? Se for este o caso, eu diria que realmente usar distância euclidiana é bem suspeito. A razão principal são os chamados "duplos zeros". O que rola é que a distância euclidiana, por sua natureza geométrica, considera que valores zeros compartilhados tornam dois objetos mais próximos. O problema é que um zero em uma matriz de composição de espécies pode significar simplesmente que a espécie não foi coletada, e as ausências em comum, então, não significam maior similaridade entre as comunidades. Daí usar o Jaccard, que não considera as ausências em comum na sua fórmula. Você pode dar uma espiada no livro do Legendre (o Numerical Ecology) sobre os duplos zeros para convencer o seu colega. Isto se o seu caso se encaixar neste contexto, claro. Agora, sobre os valores, eles não precisam ficar entre zero e um. Imagine calcular a distância euclidiana em apenas duas dimensões (ou seja, usando apenas duas variáveis; ou duas espécies, se fosse o caso). Nesta situação, a distância entre os dois pontos pode ser achada na mão, pelo bom e velho teorema de pitágoras. Basta somar o quadrado das duas distâncias (uma para cada variável) e depois tirar a raiz disso, e temos a distância. Veja, por exemplo, o código bem simples a seguir: ####################### #Início do código###### ####################### dados<-structure(list(V1 = 0:1, V2 = c(1L, 0L)), .Names = c("V1", "V2" ), class = "data.frame", row.names = c(NA, -2L)) dados library(vegan) matriz<-vegdist(dados, method="euclid") matriz #Note que isto dá no mesmo que: sqrt((1^2)+(1^2)) #################### #Fim do código###### #################### Abraços Marcos -- Marcos Vinícius Carneiro Vital Universidade Federal de Alagoas Instituto de Ciências Biológicas e da Saúde Setor de Biodiversidade e Ecologia

1 0

Euclidiana para dados binarios
by Marcelo Laia 16 Ago '14

16 Ago '14

Um colega pediu para que rodasse uns dados binarios para obtenção de dissimilaridade e respectivo dendrograma por meio da distância euclidiana. Eu sempre udei Jaccard ou Nei e Li para dados binários. Mas, o pacote vegan tem a função vegdist que aceita binários para euclidiana. Rodei os dados e a matriz de dissimilaridade tem valores entre 0 e 4! Eu esperava valores entre 0 e 1! Eis o código: library(vegan) library(MASS) lili.dist.euc <- vegdist(lili, method="euclidian", binary=TRUE) lili.clua.euc <- hclust(lili.dist.euc, "average") plot(lili.clua.euc, cex=0.9, hang = -1) Pergunto: Tem algo errado? Euclidiana é aplicada a dados binários? Se não, como argumentar com o colega e demovê-lo da ideia? Jaccard é melhor neste caso? Se desejar, posso disponibilizar o BD. Laia -- Marcelo

1 0