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)=TRUE) options(scipen
Execute o bloco de código abaixo para importar os dados.
# Baixando via GitHub
<- url("https://raw.githubusercontent.com/maxwelco/workshop-esalq/main/data/dose_resposta.csv")
df_path
# Lendo via read_csv
<- read_csv(df_path)
dose
dose
= rate, y = biomass, color = biotype)) +
ggplot(dose, aes(x geom_point()
Preencha os espaços para executar o modelo de dose resposta:
<- drm(________ ~ # variável resposta
model # variável explanatória
rate, # fatores
biotype, = W1.3(), # curva usada (existem várias)
fct = ________) # onde estão os dados
data
model
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?
Conserte o erro no código abaixo
plott(model)
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.
50, 90), interval = "delta",
ED(model, c(type = "relative")
#ou
50, 90), interval = "delta",
ED(model, c(type = "absolute")
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.
type = ____________) EDcomp(model, c(___, ___),
Preencha os códigos abaixo para gerar o gráfico de dose resposta com biomassa de R e S.
# gerar uma novo dataset
<- expand.grid(rate=exp(seq(log(0.5), log(1680), length=1680)),
nd = c("S", "R"))
biotype
# predict the model
<- predict(model, newdata=nd, interval="confidence")
pm
# predict intervalo de confiança
<- pm[,1]
nd$p <- pm[,2]
nd$pmin <- pm[,3]
nd$pmax
# ajustando o 0
<- dose$rate
dose$rate0 ==0] <- 0.5 dose$rate0[dose$rate
= rate, y = ___________,
ggplot(dose, aes(x = biotype,
color = biotype)) +
fill =nd, aes(x=rate, y=p,
geom_line(data= biotype),
linetype =1.3) +
size=nd, aes(x=rate, y=p, ymin=pmin, ymax=pmax,
geom_ribbon(data= NULL),
color =0.2) +
alpha+
theme_bw() ="log") +
coord_trans(x=c(0, 1, 5, 12, 26, 53, 105,
scale_x_continuous(breaks210, 420, 840, 1680))