library(readxl)
Questionario_Estresse <- read_excel("C:/Users/manue/Base_de_dados-master/Questionario_Estresse.xls")
View(Questionario_Estresse)Questionario_Estresse$Namorado_a <- ifelse(Questionario_Estresse$Namorado_a==2,"Não","Sim")
Questionario_Estresse$Trabalha <- ifelse(Questionario_Estresse$Trabalha==2,"Não","Sim")
Questionario_Estresse$Mora_pais <- ifelse(Questionario_Estresse$Mora_pais==2,"Não","Sim")
Questionario_Estresse$RJ <- ifelse(Questionario_Estresse$RJ==2,"Não","Sim")
Questionario_Estresse$Turma <- as.factor(Questionario_Estresse$Turma)Trabalhar no modelo
modelo1 <- aov(Estresse ~ Trabalha, data=Questionario_Estresse)
residuos1 <- residuals(modelo1)
residuos1## 1 2 3 4 5 6
## -4.93220339 -3.93220339 -2.93220339 10.36111111 13.36111111 -2.63888889
## 7 8 9 10 11 12
## 13.06779661 -7.63888889 -1.63888889 8.36111111 9.36111111 -1.63888889
## 13 14 15 16 17 18
## 2.36111111 3.06779661 -1.63888889 3.36111111 -0.63888889 -6.93220339
## 19 20 21 22 23 24
## -1.93220339 -2.63888889 -0.93220339 -10.93220339 -7.93220339 -7.63888889
## 25 26 27 28 29 30
## -6.63888889 -3.93220339 1.06779661 10.06779661 7.06779661 10.06779661
## 31 32 33 34 35 36
## 11.36111111 2.06779661 4.06779661 4.06779661 3.06779661 -1.93220339
## 37 38 39 40 41 42
## -1.63888889 -2.93220339 7.36111111 9.06779661 -1.93220339 4.36111111
## 43 44 45 46 47 48
## 6.06779661 1.06779661 7.06779661 -8.93220339 -4.93220339 0.06779661
## 49 50 51 52 53 54
## 2.06779661 -3.63888889 -6.93220339 2.06779661 5.06779661 5.06779661
## 55 56 57 58 59 60
## -11.93220339 16.06779661 -2.93220339 -1.63888889 6.06779661 14.06779661
## 61 62 63 64 65 66
## -2.63888889 3.06779661 5.06779661 -3.93220339 12.36111111 -9.63888889
## 67 68 69 70 71 72
## 2.06779661 14.06779661 3.06779661 -5.93220339 -14.93220339 -6.93220339
## 73 74 75 76 77 78
## -7.93220339 1.36111111 0.36111111 2.36111111 -7.93220339 -4.93220339
## 79 80 81 82 83 84
## -11.63888889 -10.93220339 5.06779661 4.06779661 16.36111111 9.06779661
## 85 86 87 88 89 90
## 5.36111111 6.36111111 -6.63888889 -14.63888889 -10.93220339 -12.63888889
## 91 92 93 94 95
## -5.63888889 -15.93220339 -11.63888889 -0.93220339 1.06779661H0: Os dados seguem uma distribuição normal H1: os dados NAO seguem uma distribuição normal alpha: 0,05
Se pvalor > alpha rej H0 Se pvalor < alpha NAO rej H0
shapiro.test(residuos1)##
## Shapiro-Wilk normality test
##
## data: residuos1
## W = 0.98879, p-value = 0.6048H0: Sigma2T = Sigma2NT H1: Sigma2T != Sigma2NT alpha: 0,05 Se pvalor < alpha REJ H0 Se pvalor > NÃO REJ H0
bartlett.test(residuos1 ~ Questionario_Estresse$Trabalha)##
## Bartlett test of homogeneity of variances
##
## data: residuos1 by Questionario_Estresse$Trabalha
## Bartlett's K-squared = 0.19864, df = 1, p-value = 0.6558p-value = 0,6558 pv > alpha os dois variancias são iguais!
H0: media_estresse_T = media_estresse_NT H1: media_estresse_T != media_estresse_NT alpha: 0,05 Se pvalor < alpha REJ H0 Se pvalor > NÃO REJ H0
modelo1 = aov(Estresse ~ Trabalha, data=Questionario_Estresse)
summary(modelo1)## Df Sum Sq Mean Sq F value Pr(>F)
## Trabalha 1 2 1.92 0.033 0.855
## Residuals 93 5342 57.44pvalor = 0,855 alpha= 0,05 pvalor > alpha NÃO rej H0 Logo, não rejeita a hipótese que as duas médias são iguais. A variável trabalha não tem impacto no estrese do estudante
#——————————————–
modelo2 = aov(Desempenho ~ Trabalha, data=Questionario_Estresse)
residuos2 = residuals(modelo2)H0: Os dados seguem uma distribuição normal H1: os dados NAO seguem uma distribuição normal alpha: 0,05
Se pvalor > alpha rej H0 Se pvalor < alpha NAO rej H0
shapiro.test(residuos2)##
## Shapiro-Wilk normality test
##
## data: residuos2
## W = 0.84208, p-value = 1.162e-08pvalor = 1.162e-08
H0: os dois grupos(trabalha e não trabalha) são amostrados de populações com distribuições idênticas. H1: os dois grupos (trabalha e não trabalha) são amostrados de populações com distribuições diferentes.
wilcox.test(Desempenho ~ Trabalha, data=Questionario_Estresse)##
## Wilcoxon rank sum test with continuity correction
##
## data: Desempenho by Trabalha
## W = 1072.5, p-value = 0.9387
## alternative hypothesis: true location shift is not equal to 0pvalor = 0.9387
#———————————————–
modelo3 = aov(Estresse ~ Turma, data=Questionario_Estresse)
residuos3= residuals(modelo3)H0: Os dados seguem uma distribuição normal H1: os dados NAO seguem uma distribuição normal alpha: 0,05
Se pvalor > alpha rej H0 Se pvalor < alpha NAO rej H0
shapiro.test(residuos3)##
## Shapiro-Wilk normality test
##
## data: residuos3
## W = 0.98663, p-value = 0.4504pvalor = 0.4504
H0: Sigma2Turma1 = Sigma2Turma2 = Sigma2Turma3 H1: Sigma2T != Sigma2NT alpha: 0,05 Se pvalor < alpha REJ H0 Se pvalor > NÃO REJ H0
bartlett.test(residuos3 ~ Questionario_Estresse$Turma)##
## Bartlett test of homogeneity of variances
##
## data: residuos3 by Questionario_Estresse$Turma
## Bartlett's K-squared = 3.2172, df = 2, p-value = 0.2002p-value = 0.2002 ### pressuposto atendido
H0: MédiaTurma1 = MédiaTurma2 = MédiaTurma3 H1: pelo menos uma media diferente alpha: 0,05 Se pvalor < alpha REJ H0 Se pvalor > NÃO REJ H0
summary(modelo3)## Df Sum Sq Mean Sq F value Pr(>F)
## Turma 2 363 181.55 3.353 0.0393 *
## Residuals 92 4981 54.14
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1pvalor = 0.0393
TukeyHSD(modelo3)## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = Estresse ~ Turma, data = Questionario_Estresse)
##
## $Turma
## diff lwr upr p adj
## 2-1 2.633929 -1.901982 7.1698390 0.3537966
## 3-1 -2.021429 -6.465695 2.4228378 0.5266590
## 3-2 -4.655357 -8.942532 -0.3681819 0.0299912#————————————–
library(leaflet)
mapa = leaflet() %>%
addTiles() %>% # Add default OpenStreetMap map tiles
addMarkers(lng=174.768, lat=-36.852, popup="The birthplace of R")
mapa mapaunirio <- leaflet() %>%
addTiles() %>% # Add default OpenStreetMap map tiles
addMarkers(lng=-43.173491, lat=-22.952171, popup="Aqui fica a Unirio")
mapaunirio