- R-br - DINF UFPR

Krigagem lognormal
by Helder Gramacho 27 Nov '14

27 Nov '14

Bom dia, Quando numa variável foi aplicada a transformação logarítmica como é possível realizar a krigagem lognormal no geo-r? e após a obtenção da estimativa como deve ser feita a transformação para a escala original? Alguém possui um exemplo de como isso pode ser realizado? Desde já muito obrigado, *Hélder Gramacho * Recife-PE / *agrohelder(a)gmail.com <agrohelder(a)hotmail.com>*

3 4

Arrumando um banco de dados
by Simone D. Sartorio 26 Nov '14

26 Nov '14

Pessoal, boa noite! Gostaria de uma ajuda, talvez seja bem fácil para aqueles que programam... 1) Tenho um banco de dados ("dados_prod") grande (110mil linhas) e preciso arrumar uma variavel que irei utilizar...a variavel é "dia_ciclo". O problema é que preciso q esta variavel (dia_ciclo), dentro de cada "n_injeção" esteja entre 1 a 14 (Ou seja, da injeção de n. 0 a 17, cada injeção tem 14 dias). O problema seria fácil se todas as minhas 240 vacas tivessem o mesmo número de tempos observados no inicio do experimento...mas não temos...alguma sugestão para resolver isso? 2) Deste mesmo banco de dados, um outro problema, seria retirar todas as injeções "n_injecao= -1". Estive pensando aqui, resolvendo o problema 2) primeiro o 1) fica bem facil... Alguém pode me ajudar nisso?Desde já, muito obrigadaSimone Exemplo: Dados de 1 vaca!> (vaca1731<- subset(dados_prod, dados_prod$n_vaca==1731)); dim(vaca1731) n_vaca n_lactacao trat pri_multiparas n_injecao dia_CICLO dia_exp producao saude1 1731 3 1 2 -1 -7 -21 46.0 healthy2 1731 3 1 2 -1 -6 -20 49.7 healthy3 1731 3 1 2 -1 -5 -19 50.2 healthy4 1731 3 1 2 -1 -4 -18 54.3 healthy5 1731 3 1 2 -1 -3 -17 47.4 heat6 1731 3 1 2 -1 -2 -16 49.3 healthy7 1731 3 1 2 -1 -1 -15 46.7 healthy8 1731 3 1 2 -1 0 -14 45.1 healthy9 1731 3 1 2 0 -13 -13 47.8 healthy10 1731 3 1 2 0 -12 -12 45.5 healthy11 1731 3 1 2 0 -11 -11 45.2 healthy12 1731 3 1 2 0 -10 -10 47.4 enrollment13 1731 3 1 2 0 -9 -9 48.3 enrollment14 1731 3 1 2 0 -8 -8 46.4 enrollment15 1731 3 1 2 0 -7 -7 47.9 enrollment16 1731 3 1 2 0 -6 -6 50.3 enrollment17 1731 3 1 2 0 -5 -5 50.8 enrollment18 1731 3 1 2 0 -4 -4 47.9 enrollment19 1731 3 1 2 0 -3 -3 46.2 heat20 1731 3 1 2 0 -2 -2 50.8 healthy21 1731 3 1 2 0 -1 -1 45.8 healthy22 1731 3 1 2 0 0 0 50.5 healthy23 1731 3 1 2 1 1 1 49.0 healthy24 1731 3 1 2 1 2 2 48.8 healthy25 1731 3 1 2 1 3 3 53.9 healthy26 1731 3 1 2 1 4 4 45.4 healthy27 1731 3 1 2 1 5 5 38.6 healthy28 1731 3 1 2 1 6 6 41.3 healthy29 1731 3 1 2 1 7 7 50.2 healthy30 1731 3 1 2 1 8 8 50.2 healthy31 1731 3 1 2 1 9 9 50.4 healthy32 1731 3 1 2 1 10 10 49.9 healthy33 1731 3 1 2 1 11 11 50.1 healthy34 1731 3 1 2 1 12 12 52.0 healthy35 1731 3 1 2 1 13 13 47.8 healthy36 1731 3 1 2 1 0 14 50.0 healthy37 1731 3 1 2 2 1 15 49.7 healthy38 1731 3 1 2 2 2 16 50.4 healthy39 1731 3 1 2 2 3 17 48.9 healthy40 1731 3 1 2 2 4 18 49.5 healthy41 1731 3 1 2 2 5 19 48.8 healthy42 1731 3 1 2 2 6 20 56.3 healthy43 1731 3 1 2 2 7 21 52.1 healthy44 1731 3 1 2 2 8 22 51.6 healthy45 1731 3 1 2 2 9 23 50.5 healthy46 1731 3 1 2 2 10 24 46.0 healthy47 1731 3 1 2 2 11 25 53.7 healthy48 1731 3 1 2 2 12 26 51.7 healthy49 1731 3 1 2 2 13 27 49.1 healthy50 1731 3 1 2 2 0 28 51.9 healthy51 1731 3 1 2 3 1 29 51.4 healthy52 1731 3 1 2 3 2 30 43.6 healthy...259 1731 3 1 2 17 13 237 19.9 lameness260 1731 3 1 2 17 0 238 18.8 lameness[1] 259 9 ***---***---***---***---***---***---***---***---***---***---***---***---**** Simone Daniela Sartorio* Professora Adjunta I no CCA/UFSCar, Araras/SP.* Doutora e Mestre em Estatística e Experimentação Agronômica - ESALQ/USP.* Licenciada em Matemática - UNESP/Rio Claro.* Contatos: * tel: (19)3543-2614, ramal 2664* cel: (19)98182-0586 - Tim***---***---***---***---***---***---***---***---***---***---***---***---*** Tenha um bom dia! ;)

2 1

(sem assunto)
by Thaís Brenda Martins 26 Nov '14

26 Nov '14

Boa noite prezad@s, Desenvolvi uma interface gráfica no R com a biblioteca Tcl/Tk. Gostaria que o usuário inserisse os elementos de uma amostra populacional na caixa de entrada (tkentry) ou importasse esses dados de um txt por exemplo. A primeira parte já fiz, funciona corretamente. Mas a segunda não consegui. O que tentei fazer foi: - criei um botão pra que o usuário escolha o arquivo. - Na escopo da função desse botão precisaria jogar os valores do arquivo em forma de uma string na caixa de entrada (onde o usuário digita os elementos quando não quer importar). Para quando o usuário clicar no botão de realizar teste não seja impedido de prosseguir porque o campo esta vazio? Alguém que trabalhe com está biblioteca poderia me dar uma ajuda? Att., Thaís Brenda Martins

3 3

Resolução de grafico word - pdf
by Leonardo Monteiro 26 Nov '14

26 Nov '14

Pessoal, não é uma pergunta relacionada ao R, mas eu estou em fase de termino da tese, e quando passo o work para pdf, os graficos e mapas perdem mto a qualidade (Fica com aparencia de borrado). Eu estou gerando ambos em .tiff com 300 dpi. Por favor, se alguem tiver uma sugestão, eu agradeço. Leonardo

6 5

Facebook
by Vinicius Brito Rocha 25 Nov '14

25 Nov '14

Pessoal, ninguém nunca extraiu dados do facebook com o R? Perguntei mas ninguém respondeu abs -- *Vinicius Brito Rocha.* *Estatístico e Atuário * *M.Sc. Engenharia de Produção/PO* *Ph.D. Estudante Sistemas Computacionais*

6 7

Modelo misto - Coeficiente parcial de determinação
by Fernando Souza 25 Nov '14

25 Nov '14

caros amigos, Estou tentando calcular o coeficiente parcial de determinação, para um efeito de modelo misto, conforme recomendação do livro do Kutner et al 2004 (Applied linear statistical models, 5º edição; para edições anteriores a 4º o autor principal era o Neter). Nesse livro ele calcula ess R2parcial com: R2parcial = (SSE(X1)-SSE(X1,X2)) / SSE(X1) ; onde SSE(X1) é a soma de quadrado do erro do modelo reduzido (modelo sem a variável de interesse) e SSE(X1,X2) a soma de quadrado mo modelo completo (contendo todas as variáveis) Esse R2 mede a porcentagem de redução da variação da variável resposta quando a variável de interesse é adicionada ao modelo. Ele propõe para modelo linear generalizado. Desconfio que para modelo misto não seja realizado da mesma forma devido ao modelo aleatório. Na função abaixo utilizei a função resid() para obtenção dos resíduos e realizar as soma de quadrado, no entanto esse resíduo é resultado do modelo de efeito fixo e aleatório. Há uma forma de remover o resíduo do modelo fixo dos modelos por meio do comando : modelo.lme$residuals[,1]. minha dúvida é como eu devo me proceder para obter esta estatística. R2parcial <- function(modelocompleto,modeloreduzido){ SSR.compl<-sum(resid(modelocompleto)^2) SSR.reduz<- sum(resid(modeloreduzido)^2) R2P <- (SSR.reduz-SSR.compl)/SSR.reduz return(paste("R2 parcial:",round(R2P,3))) } #um pequeno exemplo. somente para demonstração, não considerei os ajustes necessários a esses dados. library(nlme) #o banco de dados Gasoline, está presente no pacote nlme modelocompleto <- lme(yield~endpoint+API+vapor+ASTM,random=~1|Sample,data=Gasoline) modeloreduzido <-lme(yield~API+vapor+ASTM,random=~1|Sample,data=Gasoline) # reduçao gerada pela variavel endpoint R2parcial(modelocompleto,modeloreduzido)

1 0

Re: [R-br] Diferença entre métodos
by Ari Clecius 24 Nov '14

24 Nov '14

Boa noite, alguém poderia me ajudar o porque da diferença? Att, Ari Clecius Alves de Lima Engenheiro Químico Me. Engenharia Civil (085)88412345 (085)33669042 Em Sábado, 22 de Novembro de 2014 10:06, Ari Clecius <ari072000(a)yahoo.com.br> escreveu: Bom dia, estou rodando um experimento do tipo Box Behnken e usei a função reg e comparei com o obtido pela função rsm, o problema é que o que os dois consideram significativo difere, aonde posso estar errando? Testei também a função AIC para o modelo que ele fornece e dá diferente pela função AIC(). Ari Clecius Alves de Lima Engenheiro Químico Me. Engenharia Civil (085)88412345 (085)33669042 #CMR library(DoE.wrapper)Design.1_2<- bbd.design(nfactors= 3 , ncenter= 4 ,randomize= FALSE,seed=7480, factor.names=list( A=c(0,400),B=c(600,2200),C=c(1,10) ) ) res=c(73.450,75.725,63.980,67.670,76.070,77.345,66.005,67.335,84.740,81.595,74.830,70.325,72.460,73.170,73.925,73.800)length(res)#Medidas resumoDesign.1_2<- add.response(Design.1_2,res, replace=FALSE)plancoded<- code.design(Design.1_2)plancoded LinearModel.1 <- aov(res ~(x1+x2+x3)^2+ I(x1^2) + I(x2^2) + I(x3^2), data=plancoded)sreg = step(LinearModel.1,direction="both") #Melhor modelo#Step: AIC=14.07#res ~ x1 + x2 + x3 + I(x1^2) + I(x2^2) + I(x3^2) # Df Sum of Sq RSS AIC#<none> 16.074 14.074#+ x1:x2 1 0.501 15.574 15.568#+ x2:x3 1 0.462 15.612 15.607#+ x1:x3 1 0.001 16.073 16.073#- x1 1 9.181 25.255 19.303#- I(x2^2) 1 9.310 25.384 19.385#- I(x3^2) 1 36.195 52.269 30.941#- x2 1 79.223 95.297 40.551#- I(x1^2) 1 86.793 102.867 41.774#- x3 1 212.747 228.821 54.566 summary(sreg) # Df Sum Sq Mean Sq F value Pr(>F) #x1 1 9.18 9.18 5.140 0.04959 * #x2 1 79.22 79.22 44.357 9.27e-05 ***#x3 1 212.75 212.75 119.118 1.72e-06 ***#I(x1^2) 1 86.79 86.79 48.596 6.53e-05 ***#I(x2^2) 1 9.31 9.31 5.213 0.04831 * #I(x3^2) 1 36.20 36.20 20.266 0.00149 ** #Residuals 9 16.07 1.79 #---#Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Design.1_2.coded<-plancodedrsmModel.2 <- rsm(res ~ FO(x1, x2, x3) + TWI(x1, x2, x3) + PQ(x1, x2, x3), data=Design.1_2.coded)summary(rsmModel.2) # Estimate Std. Error t value Pr(>|t|) #(Intercept) 73.33875 0.79347 92.4275 1.081e-10 ***#x1 1.07125 0.56107 1.9093 0.104810 #x2 -3.14688 0.56107 -5.6087 0.001370 ** #x3 -5.15688 0.56107 -9.1911 9.350e-05 ***#x1:x2 0.35375 0.79347 0.4458 0.671360 #x1:x3 0.01375 0.79347 0.0173 0.986736 #x2:x3 -0.34000 0.79347 -0.4285 0.683246 #x1^2 -4.65813 0.79347 -5.8705 0.001081 ** #x2^2 1.52563 0.79347 1.9227 0.102878 #x3^2 3.00813 0.79347 3.7911 0.009062 ** #---#Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 #Multiple R-squared: 0.9664, Adjusted R-squared: 0.916 #F-statistic: 19.17 on 9 and 6 DF, p-value: 0.0009315 LinearModel.2 <- aov(res ~ x1 + x2 + x3 + I(x1^2) + I(x2^2) + I(x3^2), data=plancoded)summary(LinearModel.2 )AIC(LinearModel.2)#[1] 61.47997 #valor obtido anteriormente Step: AIC=14.07

1 0

Ler arquivo .xls - RDOBC e gdata
by Andre Oliveira 24 Nov '14

24 Nov '14

Bom dia,sempre usei o gdata no linux e o RDOBC e gdata no win para ler arquivos .xls, no entanto venho tendo problemas para colocar o gdata e o xlsx mesmo no linux, e quando passo algum trabalho para alunos sempre dá problemas com rjava etc etc. Diante tudo isto recorro a lista e pergunto existe alguma forma mais simples de fazer o serviço de ler um .xls em linux e windows? André Oliveira Souza. Graduação em Matemática, mestrado em estatística aplicada.Instituto Federal de Educação, Ciência e Tecnologia do Espirito Santo. IFES

4 4

grafico de efeitos espaciais - est. espacial
by Edson Ferreira 22 Nov '14

22 Nov '14

Paz e Bem !! estou com o seguinte codigo, para modelos CAR com dados de contagem (Poisson) e gostaria de plotar no grid criado um grafico em tom de cinzacom os efeitos espaciais e um outro com a média de cada regiãonão estou conseguindo.neste modelo qual a saída q mostra o valor estimado pro rho.?desde ja obrigado ############################ CARBayes Leroux vs CAR ####################################### ##################################################################### rm(list=ls()) require(spatstat) require(lattice) require(MASS) require(coda) require (MCMCpack) require(plotrix) require(CARBayes) ########## simulação x.easting= 1:10 x.northing <- 1:10 Grid <- expand.grid(x.easting, x.northing) n <- nrow(Grid) distance <-array(0, c(n,n)) W <-array(0, c(n,n)) for(i in 1:n) { for(j in 1:n) { temp <- (Grid[i,1] - Grid[j,1])^2 + (Grid[i,2] - Grid[j,2])^2 distance[i,j] <- sqrt(temp) if(temp==1) W[i,j] <- 1 } } x1= rnorm(n) # variavel 1 x2= rnorm(n) # variavel 2 E= rep(50,n) # valor esperado para cada regiao theta= rnorm(n, sd=0.05) # phi <- mvrnorm(n=1, mu=rep(0,n), Sigma=0.4 * exp(-0.1 * distance)) risk <- exp(-0.2 + 0.1 * x1 + 0.1*x2 + theta + phi) fitted <- E * risk Y <- rpois(n=n, lambda=fitted) formula <- Y ~ x1 + x2 + offset(log(E)) model <- poisson.lerouxCAR(formula=formula, W=W, burnin=50, n.sample=1000) model$formula model$samples model$fitted.values model$random.effects model$residuals model$W.summary model$DIC model$p.d model$summary.results model$model model$accept AttEdson

1 0

Diferença entre métodos
by Ari Clecius 22 Nov '14

22 Nov '14

Bom dia, estou rodando um experimento do tipo Box Behnken e usei a função reg e comparei com o obtido pela função rsm, o problema é que o que os dois consideram significativo difere, aonde posso estar errando? Testei também a função AIC para o modelo que ele fornece e dá diferente pela função AIC(). Ari Clecius Alves de Lima Engenheiro Químico Me. Engenharia Civil (085)88412345 (085)33669042 #CMR library(DoE.wrapper)Design.1_2<- bbd.design(nfactors= 3 , ncenter= 4 ,randomize= FALSE,seed=7480, factor.names=list( A=c(0,400),B=c(600,2200),C=c(1,10) ) ) res=c(73.450,75.725,63.980,67.670,76.070,77.345,66.005,67.335,84.740,81.595,74.830,70.325,72.460,73.170,73.925,73.800)length(res)#Medidas resumoDesign.1_2<- add.response(Design.1_2,res, replace=FALSE)plancoded<- code.design(Design.1_2)plancoded LinearModel.1 <- aov(res ~(x1+x2+x3)^2+ I(x1^2) + I(x2^2) + I(x3^2), data=plancoded)sreg = step(LinearModel.1,direction="both") #Melhor modelo#Step: AIC=14.07#res ~ x1 + x2 + x3 + I(x1^2) + I(x2^2) + I(x3^2) # Df Sum of Sq RSS AIC#<none> 16.074 14.074#+ x1:x2 1 0.501 15.574 15.568#+ x2:x3 1 0.462 15.612 15.607#+ x1:x3 1 0.001 16.073 16.073#- x1 1 9.181 25.255 19.303#- I(x2^2) 1 9.310 25.384 19.385#- I(x3^2) 1 36.195 52.269 30.941#- x2 1 79.223 95.297 40.551#- I(x1^2) 1 86.793 102.867 41.774#- x3 1 212.747 228.821 54.566 summary(sreg) # Df Sum Sq Mean Sq F value Pr(>F) #x1 1 9.18 9.18 5.140 0.04959 * #x2 1 79.22 79.22 44.357 9.27e-05 ***#x3 1 212.75 212.75 119.118 1.72e-06 ***#I(x1^2) 1 86.79 86.79 48.596 6.53e-05 ***#I(x2^2) 1 9.31 9.31 5.213 0.04831 * #I(x3^2) 1 36.20 36.20 20.266 0.00149 ** #Residuals 9 16.07 1.79 #---#Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Design.1_2.coded<-plancodedrsmModel.2 <- rsm(res ~ FO(x1, x2, x3) + TWI(x1, x2, x3) + PQ(x1, x2, x3), data=Design.1_2.coded)summary(rsmModel.2) # Estimate Std. Error t value Pr(>|t|) #(Intercept) 73.33875 0.79347 92.4275 1.081e-10 ***#x1 1.07125 0.56107 1.9093 0.104810 #x2 -3.14688 0.56107 -5.6087 0.001370 ** #x3 -5.15688 0.56107 -9.1911 9.350e-05 ***#x1:x2 0.35375 0.79347 0.4458 0.671360 #x1:x3 0.01375 0.79347 0.0173 0.986736 #x2:x3 -0.34000 0.79347 -0.4285 0.683246 #x1^2 -4.65813 0.79347 -5.8705 0.001081 ** #x2^2 1.52563 0.79347 1.9227 0.102878 #x3^2 3.00813 0.79347 3.7911 0.009062 ** #---#Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 #Multiple R-squared: 0.9664, Adjusted R-squared: 0.916 #F-statistic: 19.17 on 9 and 6 DF, p-value: 0.0009315 LinearModel.2 <- aov(res ~ x1 + x2 + x3 + I(x1^2) + I(x2^2) + I(x3^2), data=plancoded)summary(LinearModel.2 )AIC(LinearModel.2)#[1] 61.47997 #valor obtido anteriormente Step: AIC=14.07

1 0