Biochar
Hidelbrando Rodrigues
2024-04-16
Parte 1 - Análise Exploratória da base Caract Biochar —————————————————-
A seguir, estatística básicas, o intervalo de confianla para a media, teste-t e o -valor. Em seguida, calcula-se a Matriz de Correlação. Matriz do diagrama de dispersão - basic/GGally
Matriz de correlação
Plotar múltiplos boxplots usando ggplot2
Intervalo do Confianca
Parte 2 - Análise de Regressão base Carboniza—————————————————–
regCarbonizas <- lm(biochar_kg ~ biomassa_acai_kg +
minutos_total +
gas_kg +
temp_maxima +
med_temp_acima_250_graus +
minutos_acima_250_graus,
data = dfCarbonizas, )
summary(regCarbonizas)##
## Call:
## lm(formula = biochar_kg ~ biomassa_acai_kg + minutos_total +
## gas_kg + temp_maxima + med_temp_acima_250_graus + minutos_acima_250_graus,
## data = dfCarbonizas)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.1038 -0.6602 0.1194 0.6325 2.8351
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.3508906 13.6704747 0.684 0.508
## biomassa_acai_kg 0.0980438 0.0815903 1.202 0.255
## minutos_total 0.0185839 0.0160358 1.159 0.271
## gas_kg -0.4475425 0.5954193 -0.752 0.468
## temp_maxima -0.0131989 0.0119745 -1.102 0.294
## med_temp_acima_250_graus -0.0001143 0.0216299 -0.005 0.996
## minutos_acima_250_graus -0.0043708 0.0161822 -0.270 0.792
##
## Residual standard error: 1.676 on 11 degrees of freedom
## Multiple R-squared: 0.6147, Adjusted R-squared: 0.4045
## F-statistic: 2.925 on 6 and 11 DF, p-value: 0.0587regCarbonizas <- lm(biochar_kg ~ . ,
data = dfCarbonizas, )
summary(regCarbonizas)##
## Call:
## lm(formula = biochar_kg ~ ., data = dfCarbonizas)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.54444 -0.13518 -0.02773 0.15127 0.32496
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -11.0333013 2.5990344 -4.245 0.0017 **
## biomassa_acai_kg 0.2486839 0.0162078 15.344 0.00000002812 ***
## rendimento_percent 0.4672450 0.0247100 18.909 0.00000000371 ***
## minutos_total -0.0014451 0.0029695 -0.487 0.6370
## gas_kg 0.1090777 0.1071284 1.018 0.3326
## temp_maxima 0.0015206 0.0022130 0.687 0.5076
## med_temp_acima_250_graus -0.0032517 0.0037455 -0.868 0.4057
## minutos_acima_250_graus 0.0001411 0.0028096 0.050 0.9609
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2899 on 10 degrees of freedom
## Multiple R-squared: 0.9895, Adjusted R-squared: 0.9822
## F-statistic: 134.8 on 7 and 10 DF, p-value: 0.000000004358Modelo de regressão apenas com as variáveis significativas
VarSigCarbonizas <- lm(biochar_kg ~ biomassa_acai_kg,
data = dfCarbonizas)
summary(VarSigCarbonizas)##
## Call:
## lm(formula = biochar_kg ~ biomassa_acai_kg, data = dfCarbonizas)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.3785 -1.0361 0.4464 0.8995 2.4615
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.05881 2.42505 0.849 0.40842
## biomassa_acai_kg 0.19999 0.05715 3.499 0.00297 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.685 on 16 degrees of freedom
## Multiple R-squared: 0.4335, Adjusted R-squared: 0.3981
## F-statistic: 12.25 on 1 and 16 DF, p-value: 0.002967A interpretação do sumário do modelo linear (lm) para a
variável dependente biochar_kg é a seguinte:
Intercepto (Intercept): O valor do intercepto é aproximadamente -11.12, o que indica que, quando todas as variáveis independentes são 0, o valor esperado de
biochar_kgé -11.12. Este valor é estatisticamente significativo (p < 0.001), o que significa que há evidências suficientes para afirmar que o intercepto é diferente de 0.biomassa_acai_kg: Para cada unidade aumentada em
biomassa_acai_kg, espera-se quebiochar_kgaumente em média 0.239. Este coeficiente é estatisticamente significativo (p < 0.001), indicando uma forte relação positiva entrebiomassa_acai_kgebiochar_kg.rendimento_percent: Para cada unidade aumentada em
rendimento_percent, espera-se quebiochar_kgaumente em média 0.447. Este coeficiente também é estatisticamente significativo (p < 0.001), sugerindo uma relação positiva significativa entrerendimento_percentebiochar_kg.minutos_total: O coeficiente para
minutos_totalé aproximadamente 0.001, mas este não é estatisticamente significativo (p = 0.322), o que indica que não há evidências suficientes para afirmar queminutos_totaltem um efeito sobrebiochar_kg.Resíduos (Residuals): Os resíduos variam de -0.58 a 0.49, com a mediana próxima de zero, o que é bom para o modelo.
Erro Padrão Residual (Residual standard error): O erro padrão residual é 0.2811, o que indica a quantidade de variação que não é explicada pelo modelo.
R-quadrado (Multiple R-squared): O valor de R-quadrado é 0.9862, o que significa que aproximadamente 98.62% da variação em
biochar_kgé explicada pelas variáveis independentes no modelo.R-quadrado Ajustado (Adjusted R-squared): O valor de R-quadrado ajustado é 0.9832, que ajusta o R-quadrado com base no número de preditores no modelo, fornecendo uma medida mais precisa para modelos com múltiplas variáveis.
Estatística F (F-statistic): A estatística F é 333.4 com um p-valor extremamente baixo (próximo de zero), o que indica que o modelo como um todo é estatisticamente significativo.
Os códigos de significância são representados por asteriscos, onde
mais asteriscos indicam maior significância estatística. No seu modelo,
biomassa_acai_kg e rendimento_percent são
altamente significativos, enquanto minutos_total não é.