Julho 2018 - R-br - DINF UFPR

[OFF -Tópic] Cotas em concursos para negros e índios!
by Andre Oliveira 12 Jun '49

12 Jun '49

Pessoal, tem um colegar meu que vou fazer um concurso ele é descendente de negro ele é pardo. Ele veio com a pergunta como provar que sou negro, pois, tem vagas reservada para negros e índios? Eu sinceramente não sei e não tenho ideia pois nunca tive esta curiosidade. O que de fato comprova sua raça? Algum documento? O que são usados em concursos para provar? obrigado André Oliveira Souza

5 6

Legenda eixo X
by Luciano F. Sgarbi 10 Jun '49

10 Jun '49

Prezados, Estou tentando centralizar a legenda do eixo X em uma figura com vários gráficos. Estou conseguindo centralizar a legenda da linha inferior como no exemplo, mas as linhas do meio não. par(mfrow=c(2,2)) plot(rnorm(100),xlab="",ylab="y1") plot(rnorm(100),xlab="",ylab="y2") mtext(side=1,cex=2,line=-1.8,text="Variável Explanatória 1",outer=TRUE) ### o problema está aqui, pois a legenda desce para a parte inferior da figura. plot(rnorm(100),xlab="",ylab="y1") plot(rnorm(100),xlab="",ylab="y2") mtext(side=1,cex=2,line=-1.8,text="Variável Explanatória 2",outer=TRUE)## Esse dá certo Alguém podia dar uma luz de como eu posso fazer isso? Abraços -- *Luciano F. Sgarbi* Mestrando em Ecologia e Evolução Laboratório de Ecologia de Insetos (sl. 222) Departamento de Ecologia Instituto de Ciências Biológicas - ICB 1 Universidade Federal de Goiás, campus II Goiânia-GO 74001-970 Brazil

2 2

Diferença resultados agricolae::HSD.test e lsmeas
by Fernando Antonio de souza 05 Nov '18

05 Nov '18

Pessoal, poque o resultado dos testes HSD.test e lsmeans diferem neste exemplo? O resultado fornecido pelo lsmeas está em acordo com o material de onde tirei esse exemplo e que havia sido rodado no SAS. Já o HSD.test difere tanto no valor das médias estimadas como na significancia. install.packages(c("agricolae",lsmeans")) library(agricolae) library(lsmeans) COVARIANCIA<-read.csv(" https://www.dropbox.com/s/0uvwqnnvsdsvphc/Covariancia.csv?raw=1",head=TRUE) modeloCOVAR<-lm(GANHO~PESOINIC+DIETA,data=COVARIANCIA) anova(modeloCOVAR) HSD.test(modeloCOVAR,"DIETA",console=TRUE) lsmeans(modeloCOVAR,pairwise~DIETA,adjust="tukey") -- ========================================= Fernando Souza Zootecnista, DSc. Produção e Alimentação Animal Celular: (31)99796-8781 (Vivo) E-mail:nandodesouza@gmail.com <e-mail%3Anandodesouza(a)gmail.com> Lattes: http://lattes.cnpq.br/6519538815038307 Blog: https://producaoanimalcomr.wordpress.com/ ==========================================

3 2

Ler arquivo JSON com diversos outros JSONs dentro dele
by Yury Duarte 17 Ago '18

17 Ago '18

Boa tarde colegas listeiros, como vão? Ultimamente venho encontrando certa dificuldade para trabalhar com arquivos JSON que contém outros JSON dentro deles. Sempre que precisei trabalhar com esse tipo de arquivo utilizei a expressão: library(jsonlite) raiz= ('C:\\Users\\Desktop\\') a = fromJSON(paste0(raiz,'document.json')) Dessa forma eu obtenho uma lista e consigo selecionar os valores dos campos que quero. Mas quando tento aplicar a mesma lógica para um JSON que contém diversos outros JSONs, o código quebra e retorna: Error in parse_con(txt, bigint_as_char) : parse error: trailing garbage 99809265137 } }, { "_index": "ch (right here) ------^ Meu interesse é acessar apenas as informações de alguns campos desses JSONs e construir uma tabela, onde nas colunas eu terei os campos que desejo e nas linhas eu terei os valores de cada um dos JSONs. A seguir, estou colando no corpo da mensagem um pedaço de um desses arquivos que estou tentando lidar no R. Desde já, agradeço pela ajuda e atenção. Att { "_index": "busca", "_type": "data_point", "_id": "interpolation:699646|mgper-0-20|2018-06-22|5x21sxq1km3b", "_score": 1, "_source": { "name": "Mg% 0-20", "data_type": "interpolation", "attribute": "Mg%", "farm_id": 22706, "depth": "0-20", "location": [ -48.91500982855756, -22.293821593345108 ], "inceres_id": 699646, "date_created": "2018-06-22T14:06:13.587631-03:00", "slug": "mgper-0-20", "quantity": 10.565964698791504 } }, { "_index": "busca", "_type": "data_point", "_id": "interpolation:701809|ph-20-40|2018-06-22|5x21uc94cc55", "_score": 1, "_source": { "name": "ph 20-40", "data_type": "interpolation", "attribute": "ph", "farm_id": 22706, "depth": "20-40", "location": [ -48.90241501215151, -22.28980716917012 ], "inceres_id": 701809, "date_created": "2018-06-22T14:06:35.183784-03:00", "slug": "ph-20-40", "quantity": 4.381259918212891 } }, { "_index": "busca", "_type": "data_point", "_id": "interpolation:699646|mgper-0-20|2018-06-22|5x21sz1rcjp5", "_score": 1, "_source": { "name": "Mg% 0-20", "data_type": "interpolation", "attribute": "Mg%", "farm_id": 22706, "depth": "0-20", "location": [ -48.915268161911925, -22.289490533842073 ], "inceres_id": 699646, "date_created": "2018-06-22T14:06:13.587631-03:00", "slug": "mgper-0-20", "quantity": 8.669662475585938 } }, { "_index": "busca", "_type": "data_point", "_id": "interpolation:701809|ph-20-40|2018-06-22|5x21uc3097d7", "_score": 1, "_source": { "name": "ph 20-40", "data_type": "interpolation", "attribute": "ph", "farm_id": 22706, "depth": "20-40", "location": [ -48.904161243141765, -22.289829735373146 ], "inceres_id": 701809, "date_created": "2018-06-22T14:06:35.183784-03:00", "slug": "ph-20-40", "quantity": 4.352087497711182 } } Yury Duarte Engenheiro Agrônomo - ESALQ/USP

3 8

Re: [R-br] Analise Fatorial - Componentes Principais
by sznelwar＠uol.com.br 31 Jul '18

31 Jul '18

2 1

Analise Fatorial - Componentes Principais
by Edmar Caldas 31 Jul '18

31 Jul '18

Boa Tarde! Preciso de uma ajuda na Análise Fatorial, estou tentando salvar os scores dos fatores para colocar no aquirvo que estou trabalhando, mas não está rolando,estou comparando com outra ferramenta estatística SPSS e os valores são diferentes, somente os scores. Estou tentando salvar pelo método de regression. # AF pelo método componentes principais library(readxl)Olimpiadas <- read_excel("C:/Users/edmar/Desktop/FIAP Atualização BDT/Data Mining/Olimpiadas.xlsx")View(Olimpiadas)dim(Olimpiadas)CP <-Olimpiadas[,-11]CPdim(CP) View(CP) #Pedir as estatisticas descritivas e a matriz de correlação. cor(CP)sapply(CP,summary)sapply(CP,sd) # AF package psychinstall.packages("psych")library(psych) # kmoKMO(CP) # teste de esfericidade de Bartlettcortest.bartlett(CP) install.packages("GPArotation") library(GPArotation) # Tabela de variancia total explicad do spss pelos componentes principaisfit <-princomp(CP, cor=TRUE)fitsummary(fit) # Grafico scrren plotloadings(fit)plot(fit,type="lines") # extrair os fatores sem rotação - component matrix spssfit <-principal(CP,nfactors = 2, rotate = "none", scores = TRUE)fit # rotated componetn matrix spss fit <-principal(CP,nfactors=2,rotate="varimax",scores = TRUE, method = "regression")# EXTRAÇÃO PELO METODO VARIMAX.print(fit,digits = 3,cutoff=.0,sort = TRUE) #comunalidadesfit$communality #Grafico componentes espaço rotacionadoplot(load, type = "n")text(load, labels = names(CP),cex = .7)#nome nas variaveisabline(h=0)abline(v=0) Agora salvar os scores no arquivo não estou conseguindo. Os demais resultados batem todos. estou tentando: Mas sai diferente do SPSS?Tem algum segredo aqui????? > fit$scores RC1 RC2 [1,] -0.42227707 0.967455985 [2,] -1.08912141 0.462360637 [3,] -0.86924034 0.225857490 [4,] -0.53780514 0.919581430 [5,] -1.63914712 -0.616829273 [6,] -1.44129573 -0.088363255 [7,] -0.15298741 0.849870177 [8,] -0.73360090 0.216111850 [9,] -0.38707353 0.452628647[10,] 0.06303505 1.118762527[11,] 0.01554309 1.128912314[12,] -0.54253297 0.038456484[13,] -1.24977051 -0.689280878[14,] -0.83306807 0.006922647[15,] -0.48684252 0.033011053[16,] -0.25825680 0.210099942[17,] 2.08127102 2.190927462[18,] 0.86484820 1.186320909[19,] -0.82669302 -0.930504761[20,] 0.27811485 0.665010689[21,] 0.22335228 -0.092869066[22,] 0.20287071 -0.206901381[23,] 0.36309453 0.240739372[24,] 0.12631659 -0.329892015[25,] -0.17699769 -0.401440678[26,] -0.37557882 -1.074277378[27,] -0.60432737 -1.290110113[28,] 1.44661663 0.853691289[29,] -0.16292001 -1.175375590[30,] 0.78399429 -0.250845135[31,] 1.92828660 0.654161779[32,] 1.13276765 -0.405341447[33,] 0.51556035 -1.656032055[34,] 2.76386458 -3.212819656 Edmar

1 0

Decomposição de Cholesky para matriz não positiva definida. Exemplo geoestatístico
by Wagner Wolff 31 Jul '18

31 Jul '18

Olá pessoal da lista! Estou tentando estimar os parâmetros de um modelo geoestatistico no qual a matriz de covariancia é obtida por meio de uma matriz de distância entre linhas. Ou seja, linhas interceptadas tem distância zero, assim não somente a diagonal da matriz de distância é zero. Isso acaba acarretando em problema na hora de decompor a matriz de covariância usando Cholesky. Alguém tem alguma solucão ou dica? Já tentei algumas coisas como aproximacões para ser positiva definida, entre outras, mas na hora de estimar os parâmetros nada converge. Abraco

3 2

subset a dataframe
by Antonio Silva 28 Jul '18

28 Jul '18

Olá, Algo que deve ser simples mas no qual empaquei. Tenho um vetor com o nome de algumas linhas com dados suspeitos: a <- c(1,2,3,4,5) b <- c(2,8,6,4,10) dat <- data.frame(a,b) out <- c("2","4") # linhas com dados suspeitos Com dat[out,] eu consigo selecionar as linhas do dataframe com dados suspeitos. Mas eu quero selecionar as linhas sem dados suspeitos. Tentei dat[!out,] dat[-out,] e algumas outras coisas sem sucesso. Agradeço sugestões, obrigado. -- Antônio Olinto Ávila da Silva

4 5

Heatmaps para genes
by Paulo Sérgio Pereira de Amorim 25 Jul '18

25 Jul '18

Boa noite! Quais as etapas para elaboração de um Heatmaps para genes. Estou com dificuldades na utilização da função heatmap( ). Abraços.

3 3

Análise de amostra pequena
by Elias Carvalho 17 Jul '18

17 Jul '18

Prezados Tenho uma amostra pequena com apenas 17 registros, e 7 variáveis dicotômicas, cujo resumo é: A B C D E F G 0: 7 0:10 0: 6 0:11 0: 2 0: 1 0:15 1:10 1: 7 1:11 1: 6 1:15 1:16 1: 2 A variável G seria meu desfecho e o resto possíveis preditores Para veficiar a associação entre o desfecho e as outras variáveisexecutei o teste exato de fisher por ser uma amostra pequena, mas o resutados mostraram que o desfecho não depende de nenhuma variável: > fisher.test(data.to.work$G, data.to.work$A) Fisher's Exact Test for Count Data data: data.to.work$G and data.to.work$A p-value = 0.4853 alternative hypothesis: true odds ratio is not equal to 1 95 percent confidence interval: 0.1311443 Inf sample estimates: odds ratio Inf > fisher.test(data.to.work$G, data.to.work$B) Fisher's Exact Test for Count Data data: data.to.work$G and data.to.work$B p-value = 0.4853 alternative hypothesis: true odds ratio is not equal to 1 95 percent confidence interval: 0.000000 7.625189 sample estimates: odds ratio 0 > fisher.test(data.to.work$G, data.to.work$C) Fisher's Exact Test for Count Data data: data.to.work$G and data.to.work$C p-value = 0.5147 alternative hypothesis: true odds ratio is not equal to 1 95 percent confidence interval: 0.1003871 Inf sample estimates: odds ratio Inf > fisher.test(data.to.work$G, data.to.work$D) Fisher's Exact Test for Count Data data: data.to.work$G and data.to.work$D p-value = 0.5147 alternative hypothesis: true odds ratio is not equal to 1 95 percent confidence interval: 0.00000 9.96144 sample estimates: odds ratio 0 > fisher.test(data.to.work$G, data.to.work$E) Fisher's Exact Test for Count Data data: data.to.work$G and data.to.work$E p-value = 1 alternative hypothesis: true odds ratio is not equal to 1 95 percent confidence interval: 0.01971228 Inf sample estimates: odds ratio Inf > fisher.test(data.to.work$G, data.to.work$F) Fisher's Exact Test for Count Data data: data.to.work$G and data.to.work$F p-value = 1 alternative hypothesis: true odds ratio is not equal to 1 95 percent confidence interval: 0.003434375 Inf sample estimates: odds ratio Inf Em seguida calculei o V de Cramer, Coeficiente de Contingência e phi e todos mostram independência e associação fraca. summary(assocstats(tab_cont_G_A)) # Resultado: # X^2 df P(> X^2) # Likelihood Ratio 2.3071 1 0.12878 # P-Valor > 0.05 - independentes # Pearson 1.5867 1 0.20780 # P-Valor > 0.05 - independentes # # Phi-Coefficient : 0.306 # Coef de Phi - Associação fraca # Contingency Coeff.: 0.292 # Coef de Cont - Associação fraca # Cramer's V : 0.306 # V de Crammer - Associação fraca Pelo que pesquisei este seriam os métodos mais adequados para este tipo de análise Há um método melhor para avaliar esse tipo de dado? -- *In Jesu et Maria* *Obrigado* *Prof. Elias Carvalho* *"Felix, qui potuit rerum cognoscere causas" (Virgil 29 BC)"Blessed is he who has been able to understand the cause of things"*

2 3