Ocratoxina A

Author

Camila Cunha Santos, Gabriel Nunes, Layana Amaral, Maria Fernanda Nunes, Hana Gabriela Severino

Published

November 7, 2024

Análise Estatística Descritiva dos Níveis de Ocratoxina A

Code

library(rmarkdown)
library(ggplot2)
library(dplyr)


Anexando pacote: 'dplyr'

Os seguintes objetos são mascarados por 'package:stats':

    filter, lag

Os seguintes objetos são mascarados por 'package:base':

    intersect, setdiff, setequal, union

Code

library(plotly)


Anexando pacote: 'plotly'

O seguinte objeto é mascarado por 'package:ggplot2':

    last_plot

O seguinte objeto é mascarado por 'package:stats':

    filter

O seguinte objeto é mascarado por 'package:graphics':

    layout

Code

library(corrplot)

corrplot 0.95 loaded

Code

library(polycor)
library(ltm)

Carregando pacotes exigidos: MASS


Anexando pacote: 'MASS'

O seguinte objeto é mascarado por 'package:plotly':

    select

O seguinte objeto é mascarado por 'package:dplyr':

    select

Carregando pacotes exigidos: msm

Code

library(fdth)


Anexando pacote: 'fdth'

Os seguintes objetos são mascarados por 'package:stats':

    sd, var

Code

# Definindo semente para reprodutibilidade
set.seed(1233)

Contexto do Experimento

O experimento apresentado foi desenvolvido para estudar a influência de dois fatores (torração e granulometria) sobre o nível de Ocratoxina A.

O experimento inclui:

• Fator 1 - Torração: com três níveis (Clara, Média, Escura).

• Fator 2 - Granulometria: com três níveis (Fina, Média, Grossa).

• Número de Tratamentos: 9 combinações de Torração e Granulometria.

• Número de Repetições: 3 para cada tratamento.

• Número de Parcelas: 27 no total.

A variável resposta principal é o nível de Ocratoxina A medido em cada uma das parcelas.

Objetivo da Atividade:

A atividade busca realizar uma análise descritiva dos níveis de Ocratoxina A, considerando os tratamentos (combinações dos fatores Torração e Granulometria) e explorando suas distribuições por meio de medidas de tendência central, dispersão e visualizações gráficas adequadas.

Organização dos Dados:

● Crie uma tabela de frequência para a variável “Nível de Ocratoxina A”, considerando cada combinação de tratamento:

Code

Groupo_3<-read.csv("Groupo_3.txt", dec = ".", sep = "")

Code

is.numeric(Groupo_3$OTAres)

[1] TRUE

Code

tabdescGroupo_3<- fdt(Groupo_3$OTAres,breaks="Sturges")
tabdescGroupo_3

    Class limits  f   rf rf(%) cf  cf(%)
 [1.2964,4.8316) 13 0.48 48.15 13  48.15
 [4.8316,8.3669)  5 0.19 18.52 18  66.67
 [8.3669,11.902)  1 0.04  3.70 19  70.37
 [11.902,15.437)  2 0.07  7.41 21  77.78
 [15.437,18.973)  3 0.11 11.11 24  88.89
 [18.973,22.508)  3 0.11 11.11 27 100.00

Code

plot(tabdescGroupo_3,type='d')

Code

plot(tabdescGroupo_3,type='fh')

Code

plot(tabdescGroupo_3,type='rfp')

Code

plot(tabdescGroupo_3,type='rfph')

Calcule as médias dos níveis de Ocratoxina A para cada combinação dos fatores Torração e Granulometria:

Code

with(Groupo_3, tapply(OTAres, list(Torracao), mean))

   Clara   Escura    Média 
17.46475  1.76480  5.39965

Code

with(Groupo_3, tapply(OTAres, list(Granulometria), mean))

    Fina   Grossa    Média 
10.37990  5.95995  8.28935

Code

with(Groupo_3, tapply(OTAres, list(Torracao, Granulometria), mean))

           Fina   Grossa    Média
Clara  21.33585 12.70815 18.35025
Escura  2.23830  1.37685  1.67925
Média   7.56555  3.79485  4.83855

Medidas Descritivas: ● Calcule as medidas descritivas de posição (média, mediana), dispersão (desvio-padrão, variância) e as separatrizes (quartis) para cada tratamento.

Code

media <- mean(Groupo_3$OTAres)
media

[1] 8.209733

Code

mediana <- median(Groupo_3$OTAres)
mediana

[1] 4.87395

Code

variancia <- var(Groupo_3$OTAres)
variancia

[1] 52.43028

Code

desviopad <- sd(Groupo_3$OTAres)
desviopad

[1] 7.240876

Code

Q1 = quantile(Groupo_3$OTAres,0.25)
Q1

     25% 
2.191275

Code

Q2 = quantile(Groupo_3$OTAres,0.75)
Q2

    75% 
13.2939

Média: 8.209733

Mediana: 4.87395

Variância: 52.43028

Desvio-padrão: 7.240876

Quartil 25% = 2.191275 Quartil 75% = 13.2939

Visualização Gráfica: ● Elabore um gráfico de barras ou boxplot que mostre a variação dos níveis de Ocratoxina A para cada combinação de torração e granulometria:

Code

par(mfrow=c(1,2)) 
pot.m <- with(Groupo_3, tapply(OTAres, Torracao, mean))
pot.m

   Clara   Escura    Média 
17.46475  1.76480  5.39965

Code

bp <- barplot(pot.m,ylim=c(0,40)) 
text(bp, pot.m, label=round(pot.m, 3), pos=3)
title("Torração")
box()


pot.m <- with(Groupo_3, tapply(OTAres, Granulometria, mean))
pot.m

    Fina   Grossa    Média 
10.37990  5.95995  8.28935

Code

bp <- barplot(pot.m,ylim=c(0,25)) 
text(bp, pot.m, label=round(pot.m, 3), pos=3) 
title("Granulometria")
box()

Construa um gráfico de dispersão ou histograma para ilustrar a distribuição geral dos níveis de Ocratoxina A em todos os tratamentos:
Code
```
library(ggplot2)

t<-ggplot(Groupo_3, aes(x = Torracao, y = OTAres, color = Granulometria)) +
  geom_point(size = 3, alpha = 0.7) + # Adiciona os pontos de dispersão
  labs(
    title = "Distribuição de Ocratoxina A por Toracao e Granulometria",
    x = "Toracao",
    y = "Nível de Ocratoxina A"
  ) +
  theme_minimal() +
  scale_color_manual(values = c("red", "green", "blue"))
ggsave("distribuicao_ocratoxtina.png", width = 8, height = 6)

t1<-ggplotly(t)
t1
```

Discussão: ● Analise a variação dos níveis de Ocratoxina A entre os diferentes tratamentos.

Há indícios de que a torração ou a granulometria afetam significativamente os níveis de Ocratoxina A? Se sim, em qual direção (aumenta ou diminui)?

R: A partir da análise dos gráficos podemos observar que a torração mais escura pode estar associada a maior extração de Ocratoxina A, seguida de torração média e por fim torração clara. No que desrespeito a granulometria, não observa-se padrões claros quanto a presença de Ocratoxina A, contudo, granulometrias grossas e médias apresentam maiores concentrações residuais