Sobre o evento
Tópicos
- Gráficos básicos
- Representação de dados gerais
- Dados climáticos
- Gráficos mais elaborados
- Dados climáticos em escala mensal
- Dados climáticos para experimentos com dados longitudinais
- Análise de experimento com modelos fixos
- Mapa de campo (croqui)
- Análises individuais e conjunta de experimentos
- Representação gráfica dos dados (básica e mais elaborada)
Gráficos básicos | Representação de dados gerais
Gráficos Básicos | Número de acessos no BAG
| BAG | UFV | ESALQ |
|---|---|---|
Soja |
80 |
69 |
Trigo |
200 |
42 |
Feijão |
183 |
125 |
Milho |
23 |
200 |
Gráficos Básicos | Número de acessos no BAG
# Entrada de dados
UFV<-c(80,200,183,23)
ESALQ<-c(69,42,125,200)
# Culturas
Especies<-c("Soja", "Trigo", "Feijão", "Milho")
# Múltiplas janelas
par(mfrow=c(1,2))
# Barplot
barplot(UFV, names.arg=Especies, ylab = 'Número de acessos',
xlab = 'Culturas', main = 'BAG UFV')
barplot(ESALQ, names.arg=Especies, ylab = 'Número de acessos',
xlab = 'Culturas', main = 'BAG ESALQ')Gráficos Básicos | Número de acessos no BAG
Número de acessos no BAG | barplot(UFV, …, density=30)
Número de acessos no BAG | barplot(UFV, …, density=30, angle = 90)
Número de acessos no BAG | barplot(UFV, …, density=30, angle = 200)
Número de acessos no BAG | barplot(UFV, …, density=30, angle = 200, border = NA)
Número de acessos no BAG | barplot(UFV, …, col = ‘green’)
Número de acessos no BAG | barplot(UFV, …, col=c(“red”,“green”, “black”,“blue”))
Gráfico básicos e mais elaborados| Dados climáticos
Dados Climáticos dos Experimentos | Londrina - PR
Clima_Exp<-read.table("http://cristianetaniguti.github.io/Workshop_
genetica_esalq//praticas_2017/
Tempo_Londrina.csv",
header = T, sep = ";", dec = ",")
head(Clima_Exp)## dia Mes prec.mm Data
## 1 1 Janeiro 51.2 2017-01-01
## 2 2 Janeiro 44.8 2017-01-02
## 3 3 Janeiro 6.8 2017-01-03
## 4 4 Janeiro 0.6 2017-01-04
## 5 5 Janeiro 4.8 2017-01-05
## 6 6 Janeiro 0.0 2017-01-06Fonte: IAPAR
Dados Climáticos dos Experimentos | Londrina - PR
summary(Clima_Exp)## dia Mes prec.mm Data
## Min. : 1.0 Abril :30 Min. : 0.00 2017-01-01: 1
## 1st Qu.: 8.0 Fevereiro:28 1st Qu.: 0.00 2017-01-02: 1
## Median :16.0 Janeiro :31 Median : 0.00 2017-01-03: 1
## Mean :15.6 Junho :30 Mean : 5.21 2017-01-04: 1
## 3rd Qu.:23.0 Maio :31 3rd Qu.: 3.60 2017-01-05: 1
## Max. :31.0 Março :31 Max. :59.60 2017-01-06: 1
## (Other) :175Clima_Exp$dia<-as.factor(Clima_Exp$dia)Dados Climáticos dos Experimentos | Londrina - PR
tapply(Clima_Exp$prec.mm, Clima_Exp$Mes, mean)## Abril Fevereiro Janeiro Junho Maio Março
## 4.653333 3.650000 8.532258 3.573333 7.406452 3.222581print(levels(Clima_Exp$Mes))## [1] "Abril" "Fevereiro" "Janeiro" "Junho" "Maio" "Março"Reordenar os fatores para mês:
Clima_Exp$Mes = factor(Clima_Exp$Mes,
levels(Clima_Exp$Mes)[c(3,2,6,1,5,4)])Dados Climáticos dos Experimentos | Londrina - PR
tapply(Clima_Exp$prec.mm, Clima_Exp$Mes, mean)## Janeiro Fevereiro Março Abril Maio Junho
## 8.532258 3.650000 3.222581 4.653333 7.406452 3.573333tapply(Clima_Exp$prec.mm, Clima_Exp$Mes, sum)## Janeiro Fevereiro Março Abril Maio Junho
## 264.5 102.2 99.9 139.6 229.6 107.2Dados Climáticos dos Experimentos
plot(prec.mm~Mes, data = Clima_Exp, main="Médias",
xlab = "Meses do ano de 2017",
ylab = "Precipitação em mm")
barplot(tapply(Clima_Exp$prec.mm, Clima_Exp$Mes, sum),
main="Total Mensal",
xlab = "Meses do ano de 2017",
ylab = "Precipitação em mm")
Dados Climáticos dos Experimentos | Londrina - PR, via ggplot2
library(tidyverse)
library(ggplot2)
day=as.Date("2017-01-01") + 0:180 # 181: number of colected days
value=Clima_Exp$prec.mm
data1=data.frame(day, value)
# Calculate mean value per month
don=data1 %>% mutate(month = as.Date(cut(day, breaks = "month"))) %>%
group_by(month) %>%
summarise(average = mean(value))
# And make the plot BY A MONTH
ggplot(don, aes(x=month, y=average)) +
labs(title="Médias") +
theme(plot.title = element_text(hjust = 0.5)) +
xlab("Meses do ano de 2017") +
ylab("Precipitação em mm") +
geom_line() +
geom_point() +
geom_area(fill=alpha('slateblue',0.2)) +
scale_x_date(date_labels = "%W-%b", date_breaks="1 month") +
theme(axis.text.x=element_text(angle=60, hjust=1))
Dados Climáticos dos Experimentos | Londrina - PR, via ggplot2
# Calculate agregated data per week
don=data1 %>% mutate(week = as.Date(cut(day, breaks = "week"))) %>%
group_by(week) %>%
summarise(average = sum(value))
# And make the plot BY A week with out annotation
ggplot(don, aes(x=week, y=average)) +
labs(title="Totais") +
theme(plot.title = element_text(hjust = 0.5)) +
xlab("Meses do ano de 2017") +
ylab("Precipitação em mm") +
geom_line() +
geom_point() +
geom_area(fill=alpha('slateblue',0.2)) +
scale_x_date(date_labels = "%W-%b", date_breaks="1 month") +
theme(axis.text.x=element_text(angle=60, hjust=1))
Gráfico mais elaborado | Dados climáticos para exp. longitudinais
Dados Climáticos - Exp. Longitudinais | Londrina - PR
Clima_Long <- matrix(c(302.9,205.9,81.2,86,7.6,88.7,103.2,31.7,7,278.3,140.1,86.4,
201.6,40.3,87.8,159,64.5,344.2,33.1,1,65,111.1,120,232.7,
202.4,328.5,146.8,134.7,173.1,250.2,71.5,0,84.7,259.5,96.4,125.9,
148,172.2,146.2,162,96.7,65.7,102.8,19.5,176.3,9.9,148.4,234.7,
201.2,173.8,118.3,65,145.4,10.3,345.9,33.2,201.5,256.5,516.1,390.6,
417.8,308.4,131.9,79,292.9,108.5,33.8,120.7,56.2,187.8,87.3,152.1),
6,12,byrow=TRUE)## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11]
## [1,] 302.9 205.9 81.2 86.0 7.6 88.7 103.2 31.7 7.0 278.3 140.1
## [2,] 201.6 40.3 87.8 159.0 64.5 344.2 33.1 1.0 65.0 111.1 120.0
## [3,] 202.4 328.5 146.8 134.7 173.1 250.2 71.5 0.0 84.7 259.5 96.4
## [4,] 148.0 172.2 146.2 162.0 96.7 65.7 102.8 19.5 176.3 9.9 148.4
## [5,] 201.2 173.8 118.3 65.0 145.4 10.3 345.9 33.2 201.5 256.5 516.1
## [6,] 417.8 308.4 131.9 79.0 292.9 108.5 33.8 120.7 56.2 187.8 87.3Fonte: IAPAR
Dados Climáticos - Exp. Longitudinais | Londrina - PR
colnames(Clima_Long) <- c("Jan", "Feb", "Mar", "Apr", "May", "Jun",
"Jul", "Aug", "Sep", "Oct", "Nov", "Dec")
rownames(Clima_Long) <- c("2011", "2012", "2013",
"2014", "2015", "2016")
Clima_Long## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov
## 2011 302.9 205.9 81.2 86.0 7.6 88.7 103.2 31.7 7.0 278.3 140.1
## 2012 201.6 40.3 87.8 159.0 64.5 344.2 33.1 1.0 65.0 111.1 120.0
## 2013 202.4 328.5 146.8 134.7 173.1 250.2 71.5 0.0 84.7 259.5 96.4
## 2014 148.0 172.2 146.2 162.0 96.7 65.7 102.8 19.5 176.3 9.9 148.4
## 2015 201.2 173.8 118.3 65.0 145.4 10.3 345.9 33.2 201.5 256.5 516.1
## 2016 417.8 308.4 131.9 79.0 292.9 108.5 33.8 120.7 56.2 187.8 87.3
## Dec
## 2011 86.4
## 2012 232.7
## 2013 125.9
## 2014 234.7
## 2015 390.6
## 2016 152.1Dados Climáticos - Exp. Longitudinais | Londrina - PR, via lattice e hydroTSM
library(lattice)
library(hydroTSM)
print(matrixplot(Clima_Long, ColorRamp="Precipitation",
main="Precipitação Média em Londrina
- PR [mm/mês/ano]"))
Análise de experimento com mod. fixos
Análise de experimento | Entrada dos dados
rm(list=ls())
Feijão <- read.table("http://cristianetaniguti.github.io/Workshop_
genetica_esalq//praticas_2017/
Feijao_Magno.csv", header = TRUE,
sep = ";", dec = ",", na.strings = TRUE)
head(Feijão) ## Cultivar Local Bloco Produtividade
## 1 1 Lavras 1 1000
## 2 2 Lavras 1 800
## 3 3 Lavras 1 700
## 4 4 Lavras 1 920Fonte: Ramalho et al. 2012
Análise de experimento
summary(Feijão)## Cultivar Local Bloco Produtividade
## Min. : 1.0 Lavras :30 Min. :1 Min. : 120.0
## 1st Qu.: 3.0 Patos de Minas:30 1st Qu.:1 1st Qu.: 327.5
## Median : 5.5 Median :2 Median : 600.0
## Mean : 5.5 Mean :2 Mean : 608.5
## 3rd Qu.: 8.0 3rd Qu.:3 3rd Qu.: 832.5
## Max. :10.0 Max. :3 Max. :1090.0Feijão$Cultivar <- as.factor(Feijão$Cultivar)
Feijão$Bloco <- as.factor(Feijão$Bloco)Análise de experimento
summary(Feijão)## Cultivar Local Bloco Produtividade
## 1 : 6 Lavras :30 1:20 Min. : 120.0
## 2 : 6 Patos de Minas:30 2:20 1st Qu.: 327.5
## 3 : 6 3:20 Median : 600.0
## 4 : 6 Mean : 608.5
## 5 : 6 3rd Qu.: 832.5
## 6 : 6 Max. :1090.0
## (Other):24str(Feijão)## 'data.frame': 60 obs. of 4 variables:
## $ Cultivar : Factor w/ 10 levels "1","2","3","4",..: 1 2 3 4 5 6 7 8 9 10 ...
## $ Local : Factor w/ 2 levels "Lavras","Patos de Minas": 1 1 1 1 1 1 1 1 1 1 ...
## $ Bloco : Factor w/ 3 levels "1","2","3": 1 1 1 1 1 1 1 1 1 1 ...
## $ Produtividade: int 1000 800 700 920 820 980 1020 600 620 930 ...Fases do Programa de Melhoramento | Aonde estamos?
Fonte: P. Stephen et al.
Análises individuais
Análises individuavis | Gerar subsets dos dados
Feijão.Lavras<- subset(Feijão, Feijão$Local=='Lavras')
Feijão.Patos<- subset(Feijão, Feijão$Local=='Patos de Minas')
summary(Feijão.Lavras)## Cultivar Local Bloco Produtividade
## 1 : 3 Lavras :30 1:10 Min. : 600.0
## 2 : 3 Patos de Minas: 0 2:10 1st Qu.: 725.0
## 3 : 3 3:10 Median : 845.0
## 4 : 3 Mean : 844.3
## 5 : 3 3rd Qu.: 970.0
## 6 : 3 Max. :1090.0
## (Other):12Média dos dados para Lavras:
tapply(Feijão.Lavras$Produtividade, Feijão.Lavras$Local, mean)## Lavras Patos de Minas
## 844.3333 NAComo resolver? (equivalente ao as.factor)
Feijão.Lavras = transform(Feijão.Lavras, Cultivar = factor(Cultivar),
Bloco = factor(Bloco),
Local = factor(Local))
Feijão.Patos = transform(Feijão.Patos, Cultivar = factor(Cultivar),
Bloco = factor(Bloco),
Local = factor(Local))
tapply(Feijão.Lavras$Produtividade, Feijão.Lavras$Local, mean)## Lavras
## 844.3333Análises individuais - Passo a passo
Gerando o croqui (mapa de campo) dos experimentos:
1 - Definindo os tratamentos
Cultivar<- c("1","2","3","4","5","6","7","8","9","10") #ou
Cultivar<-c(levels(Feijão$Cultivar)) #já temos os dados2 - Definindo os número de blocos e/ou repetições
Blocos<-c(3) 3 - Gerar o croqui (sorteio)/Mapa de campo
require(agricolae)
Croqui_Lavras<-design.rcbd(Cultivar, seed = 1, Blocos, first=TRUE)$book
Croqui_Patos<-design.rcbd(Cultivar, seed = 2, Blocos, first=FALSE)$bookCroqui para Lavras
Croqui_Lavras## plots block Cultivar
## 1 101 1 4
## 2 102 1 5
## 3 103 1 8
## 4 104 1 9
## 5 105 1 7
## 6 106 1 3
## 7 107 1 2
## 8 108 1 1
## 9 109 1 10
## 10 110 1 6
## 11 201 2 4
## 12 202 2 8
## 13 203 2 3
## 14 204 2 7
## 15 205 2 1
## 16 206 2 10
## 17 207 2 5
## 18 208 2 2
## 19 209 2 9
## 20 210 2 6
## 21 301 3 1
## 22 302 3 5
## 23 303 3 6
## 24 304 3 7
## 25 305 3 2
## 26 306 3 9
## 27 307 3 10
## 28 308 3 4
## 29 309 3 3
## 30 310 3 8Croqui para Patos de Minas
Croqui_Patos## plots block Cultivar
## 1 101 1 1
## 2 102 1 2
## 3 103 1 3
## 4 104 1 4
## 5 105 1 5
## 6 106 1 6
## 7 107 1 7
## 8 108 1 8
## 9 109 1 9
## 10 110 1 10
## 11 201 2 3
## 12 202 2 1
## 13 203 2 2
## 14 204 2 5
## 15 205 2 4
## 16 206 2 9
## 17 207 2 6
## 18 208 2 8
## 19 209 2 10
## 20 210 2 7
## 21 301 3 1
## 22 302 3 4
## 23 303 3 8
## 24 304 3 3
## 25 305 3 2
## 26 306 3 5
## 27 307 3 9
## 28 308 3 6
## 29 309 3 10
## 30 310 3 7
Fonte:
Fonte:Análises individuais - Passo a passo
Modelo estatístico para ANAVA individual:
Produtividade = Média + Genótipo + Bloco + Erro
Formalizando…
\(Y_{kl} = \mu + t_{k} + b_{l} + e_{kl}\)
Sendo \(k\) = 1,2…,10 e \(l\) = 1,2,3, onde:
\(Y_{kl}\) é o valor observado para a produtividade referente ao \(k-ésimo\) genótipo no \(l-ésimo\) bloco;
\(\mu\) é a média dos genótipos para o local;
\(t_{k}\) é o efeito fixo dos genótipos \(k\) no valor observado;
\(b_{l}\) é o efeito fixo do bloco \(l\); e
\(e_{ij}\) é o erro associado a observação \(y_{ij}\)
Quais são as nossas hipóteses?
\(H_{0}\) = \(\mu_{G1}\) = \(\mu_{G2}\) = \(\mu_{G3}\) = … = \(\mu_{G10}\), com probablidade \(\alpha\) = 0.05
\(H_{A}\) = pelo menos UMA média difere das demais, com probablidade \(\alpha\) = 0.05Modelo da análises individual no R
O modelo…
Produtividade = Média + Genótipo + Bloco + Erro
… é modelado no R da seguinte maneira:
Modelo.Lavras = aov(Produtividade ~ Bloco + Cultivar, data = Feijão.Lavras)
anova(Modelo.Lavras)## Analysis of Variance Table
##
## Response: Produtividade
## Df Sum Sq Mean Sq F value Pr(>F)
## Bloco 2 1407 703 0.1159 0.8912
## Cultivar 9 560737 62304 10.2705 1.891e-05 ***
## Residuals 18 109193 6066
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Modelo.Patos = aov(Produtividade ~ Bloco + Cultivar, data = Feijão.Patos)
anova(Modelo.Patos)## Analysis of Variance Table
##
## Response: Produtividade
## Df Sum Sq Mean Sq F value Pr(>F)
## Bloco 2 23407 11703 4.9074 0.0199 *
## Cultivar 9 459453 51050 21.4064 7.438e-08 ***
## Residuals 18 42927 2385
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Como os 10 genótipos foram avaliados em dois locais, podemos efetuar a análise de variância conjunta, para diagnosticar se há interação genótipos por ambientes. Contudo, antes é preciso verificar a homogeneidade de variâncias das análises individuais. Essa situação é MUITO comum em programas de melhoramento de plantas.
Análise conjunta
Verificação da homogeneidade de variâncias
1 - Teste de Hartley: Razão entre a maior e a menor variância (QMres):
H = \(\frac{max(\sigma^{2})}{min(\sigma^{2})}\)
6066/2385## [1] 2.543396Em geral, se H < 7, pode-se efetuar a ANAVA conjunta.
Fonte: Pimentel Gomes 1990, pág 128
Modelo da análise conjunta
Prod = Média + Gen + Local + Bloco(Local) + Gen x Local + Erro
Formalizando…
\(Y_{klq} = \mu + t_{k} + a_{q} + b_{(l)q} + (ta)_{kq} + e_{(q)kl}\)
Em que:
\(Y_{klq}\) é o valor de produtividade observado para o genótipo \(k\) no bloco \(l\) dentro do local \(q\);
\(\mu\) é a média geral dos genótipos;
\(t_{k}\) é o efeito fixo dos genótipos \(k\);
\(a_{q}\) é o efeito do local \(q\);
\(b_{(l)q}\) é o efeito do bloco \(l\) dentro do ambiente \(q\);
\((ta)_{kq}\) é o efeito da interação genótipos \(k\) por locais \(q\); e
\(e_{(q)kl}\) é o erro experimental médio
Modelo da análise conjunta
O modelo…
Prod = Média + Gen + Local + Bloco(Local) + Gen x Local + Erro
… é modelado no R da seguinte maneira:
Modelo_Conj<- aov(Produtividade~Cultivar + Local + Local:Bloco +
Local:Cultivar, data = Feijão)
anova(Modelo_Conj)## Analysis of Variance Table
##
## Response: Produtividade
## Df Sum Sq Mean Sq F value Pr(>F)
## Cultivar 9 561415 62379 14.7624 1.203e-09 ***
## Local 1 3337042 3337042 789.7285 < 2.2e-16 ***
## Local:Bloco 4 24813 6203 1.4681 0.2322
## Cultivar:Local 9 458775 50975 12.0635 1.693e-08 ***
## Residuals 36 152120 4226
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Análise conjunta | Médias dos genótipos entre locais
tapply(Feijão$Produtividade, Feijão$Cultivar, mean)## 1 2 3 4 5 6 7 8
## 768.3333 683.3333 625.0000 590.0000 546.6667 605.0000 746.6667 476.6667
## 9 10
## 465.0000 578.3333Faz sentido?
NÃO!
Análise conjunta | Médias dos genótipos para cada local
Médias_Lavras=tapply(Feijão.Lavras$Produtividade, Feijão.Lavras$Cultivar, mean)
sort(Médias_Lavras, decreasing = TRUE)## 1 6 7 4 10 2 5
## 1046.6667 966.6667 940.0000 920.0000 910.0000 846.6667 836.6667
## 3 8 9
## 733.3333 633.3333 610.0000Médias_Patos=tapply(Feijão.Patos$Produtividade, Feijão.Patos$Cultivar, mean)
sort(Médias_Patos, decreasing = TRUE)## 7 2 3 1 8 9 4 5
## 553.3333 520.0000 516.6667 490.0000 320.0000 320.0000 260.0000 256.6667
## 10 6
## 246.6667 243.3333Como sempre, o melhor é fazer gráficos!
Análise conjunta | Representação gráfica das médias para cada local
par(mfrow=c(1,2))
barplot(sort(Médias_Lavras, decreasing = TRUE),
main = "Média dos Genótipos em Lavras",
xlab = "Genótipos",
ylab = "Produtividade em g/parcela",
col = c("blue","blue","blue","red","red",
"red","red","red","red","red"))
barplot(sort(Médias_Patos, decreasing = TRUE),
main = "Média dos Genótipos em Patos de Minas",
xlab = "Genótipos",
ylab = "Produtividade em g/parcela",
col = c("blue","blue","blue","red","red",
"red","red","red","red","red"))
Via ggplot2, barplot
library(gridExtra)
library(ggplot2)
plot1=ggplot(Feijão.Lavras, aes(x = reorder(as.factor(Cultivar), -Produtividade),
y = Produtividade, fill=Cultivar)) +
stat_summary(fun.y="mean", geom="bar") +
labs(title="Média dos Genótipos em Lavras",
subtitle = "Média geral em Lavras") +
theme(plot.title = element_text(hjust = 0.5)) +
theme(plot.subtitle = element_text(hjust = 0.5)) +
xlab("Genótipos") +
ylab(expression(g/parcela)) +
theme(axis.text.x = element_text(angle=0, face="bold", colour="black")) +
geom_hline(yintercept = mean(Feijão.Lavras$Produtividade), color="green", linetype="dashed")
plot1 = plot1 + scale_fill_manual(values=c("blue","red","red","red","red","blue","blue","red","red","red"))
plot1 = plot1 + theme(legend.position="none")
plot2=ggplot(Feijão.Patos, aes(x = reorder(as.factor(Cultivar), -Produtividade),
y = Produtividade, fill=Cultivar)) +
stat_summary(fun.y="mean", geom="bar") +
labs(title="Média dos Genótipos em Patos de Minas",
subtitle = "Média geral em Patos de Minas") +
theme(plot.title = element_text(hjust = 0.5)) +
theme(plot.subtitle = element_text(hjust = 0.5)) +
xlab("Genótipos") +
ylab(expression(g/parcela)) +
theme(axis.text.x = element_text(angle=0, face="bold", colour="black")) +
geom_hline(yintercept = mean(Feijão.Patos$Produtividade), color="green", linetype="dashed")
plot2 = plot2 + scale_fill_manual(values=c("red","blue","blue","red","red","red","blue","red","red","red"))
plot2 = plot2 + theme(legend.position="none")
grid.arrange(plot1, plot2, ncol=2)
Via ggplot2, barplot, default
require(gridExtra)
require(ggplot2)
plot1<-ggplot(Feijão.Lavras, aes(x = reorder(as.factor(Cultivar), -Produtividade),
y = Produtividade)) +
stat_summary(fun.y="mean", geom="bar") +
labs(title="Média dos Genótipos em Lavras",
subtitle = "Média geral em Lavras") +
theme(plot.title = element_text(hjust = 0.5)) +
theme(plot.subtitle = element_text(hjust = 0.5)) +
xlab("Genótipos") +
ylab(expression(g/parcela)) +
theme(axis.text.x = element_text(angle=0, face="bold", colour="black")) +
geom_hline(yintercept = mean(Feijão.Lavras$Produtividade), color="green", linetype="dashed")
plot2<-ggplot(Feijão.Patos, aes(x = reorder(as.factor(Cultivar), -Produtividade),
y = Produtividade)) +
stat_summary(fun.y="mean", geom="bar") +
labs(title="Média dos Genótipos em Patos de Minas",
subtitle = "Média geral em Patos de Minas") +
theme(plot.title = element_text(hjust = 0.5)) +
theme(plot.subtitle = element_text(hjust = 0.5)) +
xlab("Genótipos") +
ylab(expression(g/parcela)) +
theme(axis.text.x = element_text(angle=0, face="bold", colour="black")) +
geom_hline(yintercept = mean(Feijão.Patos$Produtividade), color="green", linetype="dashed")
grid.arrange(plot1, plot2,ncol=2)
Via ggplot2, boxplot
library(gridExtra)
library(ggplot2)
plot1<-ggplot(Feijão.Lavras, aes(x = reorder(as.factor(Cultivar), -Produtividade),
y = Produtividade)) +
geom_boxplot(outlier.colour = "red", outlier.shape = 1) +
labs(title="Média dos Genótipos em Lavras",
subtitle = "Média geral em Lavras") +
theme(plot.title = element_text(hjust = 0.5)) +
theme(plot.subtitle = element_text(hjust = 0.5)) +
xlab("Genótipos") +
ylab(expression(g/parcela)) +
theme(axis.text.x = element_text(angle=0, face="bold", colour="black")) +
geom_hline(yintercept = mean(Feijão.Lavras$Produtividade), color="green", linetype="dashed")
plot2<-ggplot(Feijão.Patos, aes(x = reorder(as.factor(Cultivar), -Produtividade),
y = Produtividade)) +
geom_boxplot(outlier.colour = "red", outlier.shape = 1) +
labs(title="Média dos Genótipos em Patos de Minas",
subtitle = "Média geral em Patos de Minas") +
theme(plot.title = element_text(hjust = 0.5)) +
theme(plot.subtitle = element_text(hjust = 0.5)) +
xlab("Genótipos") +
ylab(expression(g/parcela)) +
theme(axis.text.x = element_text(angle=0, face="bold", colour="black")) +
geom_hline(yintercept = mean(Feijão.Patos$Produtividade), color="green", linetype="dashed")
grid.arrange(plot1 + geom_boxplot(fill='#A4A4A4', color="darkred"),
plot2 + geom_boxplot(fill='#A4A4A4', color="darkred"), ncol=2)
Via multicompView, boxplot
library(multcompView)
par(mfrow=c(2,1))
multcompBoxplot(Produtividade ~ Cultivar, data=Feijão.Lavras,
compFn = "TukeyHSD", decreasing = FALSE)
Via multicompView, boxplot
library(multcompView)
multcompBoxplot(Produtividade ~ Cultivar, data=Feijão.Patos,
compFn = "TukeyHSD", decreasing = FALSE)
Representação gráfica da int. GxE
# A line graph
ggplot(data=Feijão, aes(x=Cultivar, y=Produtividade, group=Local, shape=Local, colour=Local)) +
stat_summary(geom="line", fun.y="mean") +
expand_limits(y=0) +
scale_colour_hue(name="Locais", l=30) +
scale_shape_manual(name="Locais", values=c(22,21)) +
xlab("Genótipos") + ylab("Produtividade em g/parcela") +
theme_bw() +
theme(legend.position=c(.7, .15)) 
Representação mais comum da interação GxE
Mapa dos locais e/ou ambientes
val=round(rnorm(2),2)
name<-c("Lavras", "Patos de Minas")
lat<- c(-21.2457, -18.5794) #Latitude
long<-c(-44.9998, -46.5184) #Longitude
Dados.mapa<- data.frame(long, lat, val,name)
# Show a marker at each position
library(leaflet)
m=leaflet(data = Dados.mapa) %>% addTiles() %>% addMarkers(~long, ~lat, popup = ~as.character(name))
mSobre gráficos: Não desista!
plot(1:10, 1:10, type = "n", ann = FALSE, axes = TRUE,
bg = "green", xaxt = "n", yaxt = "n")
texto <- substring("preciso", 1:7, 1:7)
text(seq(1.7, 2.9, by = 0.2), rep(2, 7), texto, col =
rainbow(7), cex = 2.5)
text(5, 5, "treinar", srt = 45, cex = 2.5)
segments(1, 7.6, 3, 7.6, lty = 3, lwd = 5)
text(2, 8, "gráficos", cex = 2)
text(8, 8, "no")
rect(7.5, 7.5, 8.5, 8.5)
text(8, 5, "R", font = 4, cex = 4, col = "blue")
arrows(2.5, 2.5, 4.5, 4.5, srt = 45, code = 2, lty = 2)
arrows(4.5, 5, 2.5, 7.5, srt = 90, code = 2, lty = 1, lwd = 3)
arrows(3, 8, 7.5, 7.5, srt = 0, code = 2, lty = 1, angle = 10, len = 0.4)
arrows(8, 7.5, 8, 5.5, srt = -90, code = 2, lty = 2, len = 0.9,angle = 60)
text(8, 2, "Eu vou\n conseguir!", cex = 2, col = "red")
points(seq(7, 9, len = 10), rep(4, 10), pch = "*", col = "violet", cex = 1.5)
Fonte: Adilson dos Anjos (UFPR)
Até o próximo curso!
