No Rstudio, clique em File –> New File –> R Markdown.... Coloque o título de sua escolha e salve. Copie e cole os códigos abaixo e resolva os exercícios. Para facilitar o entendimento, copie e cole os blocos de código em diferentes chunk.

Os dados desses exercícios são do mesmo estudo da apostila de dose resposta, porém a variável resposta é biomassa seca das plantas daninhas 21 dias após o tratamento. Parte dos resultados de Inheritance of mesotrione resistance in an Amaranthus tuberculatus (var. rudis) population from Nebraska, USA de Oliveira et al. (2018).

Importe os pacotes antes de começar o exercício:

library(tidyverse)
library(RCurl)
library(drc)
options(scipen=TRUE)

Execute o bloco de código abaixo para importar os dados.

# Baixando via GitHub
df_path <- url("https://raw.githubusercontent.com/maxwelco/workshop-esalq/main/data/dose_resposta.csv")

# Lendo via read_csv
dose <- read_csv(df_path)
dose

ggplot(dose, aes(x = rate, y = biomass, color = biotype)) + 
  geom_point()

1 Sua vez

Preencha os espaços para executar o modelo de dose resposta:

model <- drm(________ ~ # variável resposta
               rate, # variável explanatória
             biotype, # fatores
             fct = W1.3(), # curva usada (existem várias)
             data = ________) # onde estão os dados

model

2 Sua vez

Preencha os espaços para obter os parâmetros do modelo.

broom.mixed::tidy(________)
#tidy é uma função do pacote broom.mixed

Qual o valor do limite superior de R e S?

3 Sua vez

Conserte o erro no código abaixo

plott(model)

4 Sua vez

Qual dos códigos abaixo é ideal para a análise da dose resposta com biomassa? Em outras palavras, usamos type = "absolute" ou type = "relative". Delete o ED que você NÃO escolheu.

ED(model, c(50, 90), interval = "delta",
  type = "relative")

#ou

ED(model, c(50, 90), interval = "delta",
   type = "absolute")

5 Sua vez

Complete o código abaixo com o tipo de type, como escolhido anteriormente. Assim como escolha os valores para as comparações para 90 entre os biótipos R e S.

EDcomp(model, c(___, ___), type = ____________)

6 Sua vez

Preencha os códigos abaixo para gerar o gráfico de dose resposta com biomassa de R e S.

# gerar uma novo dataset
nd <- expand.grid(rate=exp(seq(log(0.5), log(1680), length=1680)),
                       biotype = c("S", "R"))

# predict the model
pm <- predict(model, newdata=nd, interval="confidence")

# predict intervalo de confiança
nd$p <- pm[,1] 
nd$pmin <- pm[,2] 
nd$pmax <- pm[,3] 

# ajustando o 0
dose$rate0 <- dose$rate
dose$rate0[dose$rate==0] <- 0.5
ggplot(dose, aes(x = rate, y = ___________, 
                 color = biotype,
                 fill = biotype)) + 
  geom_line(data=nd, aes(x=rate, y=p, 
                         linetype = biotype), 
            size=1.3) +
  geom_ribbon(data=nd, aes(x=rate, y=p, ymin=pmin, ymax=pmax, 
                           color = NULL),
              alpha=0.2) +
  theme_bw() +
  coord_trans(x="log") +
  scale_x_continuous(breaks=c(0, 1, 5, 12, 26, 53, 105, 
                              210, 420, 840, 1680))