-
Notifications
You must be signed in to change notification settings - Fork 0
/
sap-2.Rmd
1081 lines (795 loc) · 44.2 KB
/
sap-2.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "STATISTICNA OBDELAVA PODATKOV VPLIVA SLANOSTI NA PSENICO"
author: "Tilen Sever"
date: "11 march 2017"
output_dir: "."
output:
html_document:
toc: true
toc_float:
collapsed: false
smooth_scroll: true
theme: cerulean
highlight: pygments
number_sections: true
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE,warning=FALSE, message=FALSE)
```
Pri predmetu Rast in razvoj rastlin smo izvedli poskus v katerem smo preverjali vpliv slanosti (50, 100 in 200 mM NaCl) na razlicne sorte psenice (le te so Element (El), Euclide (Eu) in Vulcan (Vu)). V 36 lonckov (vsaka sorta trikrat z vsako koncentracijo soli in kontrola) smo posadili 15 semen kar smo kasneje razredcili na 10. Na rastlinah smo merili vec parametrov (masa poganjkov, vsebnost MDA poganjkov, masa korenin, vsebnost MDA korenin, delez klorofila a, delez klorofila b, delez klorofila a in b, transpiracija, dejanska fotokemicna ucinkovitost in potencialna fotokemicna ucinkovitost).
Za predmet Statisticna odbelava podatkov sem pridobljene podatke odelali s pomocjo Rstudia.
#Uvoz podatkov
Podatke smo zbrali in uredil v MS Excel (zaradi nacina meritev povprecne vrednosti za vsak loncek), ki sem jih nato uvozili v Rstudio. V stoplcih od leve prosti desni so prikazane koncentracije soli (kontrola (K), 200mM, 100mM in 50mM NaCl), sorte (EUCLIDE, ELEMENT in VULCAN), sorta in koncentracija, poganjkov, lipidna peroksidacija, masa korenin, klorofil a, klorofil b, klorofil a+b, transpiracija, dejanska fotokemicna ucinkovitost, potencialna fotokemicna ucinkovitost.
```{r}
library(readxl)
tabela <- read_excel("C:/Users/Menoetes/Documents/R/rezultati_pšenica_slanost2.xlsx",
sheet = "tabela")
View(tabela)
```
Z ukazom `str` si ogledamo Struktura podatkov
```{r}
str(data)
```
z ukazom `summary` pa priklicemo povzetek podatkov, ta nima smisla, saj podatki niso odbravnavani pravilno, R loci med posameznimi merjenimi parametri (stolpci), ne pa tudi med posamznimi sortami, ki se v stolpcih razlikujejo
```{r}
summary(tabela)
```
#Analiza
najprej sem izracunal povprecje za vsako koncentracijo in sorto posebaj (tabela2 ima povprecja, tabela22 je isto, samo ohranjen ima stolpec Vrsta_Kon). S pomocjo `aggregate` zdruzim posamazne koncentracije in vrste v njihovih povprecjih (uporabim `FUN=mean`), rezultat je tabela z povprecji podatkov
```{r, echo=FALSE}
tabela2 <-aggregate(tabela[,2:11], by=list(tabela$Vrsta_Kon),FUN=mean) #zracunam povprecja podatkov od drugegega stolpca naprej (v prvem ni stevil)
colnames(tabela2)[1]<-c('Vrsta_Kon') #spremenim ime prve kolone z Group.1
imena<-as.matrix(1:length(tabela2$Vrsta_Kon)) #naredim matriko, ki je dolga toliko, kolikor so dolgi stolpci v tabela2 (ker so vsi enako dolgi, uporabim stoplpec 'Vrsta_Kon'), dobljena matrika ima vrednosti od 1 do 12, kolikor je vrstic v tabela2
row.names(imena)<-(c('El_K','El_50','El_100','El_200','Eu_K','Eu_50','Eu_100','Eu_200','Vu_K','Vu_50','Vu_100','Vu_200')) #poimenujem vrstice v matriki 'imena'
tabela2<-tabela2[match(row.names(imena),tabela2$Vrsta_Kon),]#razporedim vrstice v tabela2, da ustrezajo vrstnemu redu vrstic v imena glede na imena vrstic
rownames(tabela2)<-c('El_K','El_50','El_100','El_200','Eu_K','Eu_50','Eu_100','Eu_200','Vu_K','Vu_50','Vu_100','Vu_200') #spremenim imena vrstic, da ustrezajo vrsti in koncentraciji, prej so bila imena vrstic samo zaporedna stevila
tabela22=tabela2#ohranim tabelo, da lahko zaporedje imen vrstic uporabim kasneje
tabela2$Vrsta_Kon<-NULL #odstranim stolpec Vrsta_Kon, saj nestevilske vrednosti motijo nadalnje reacunanje
tabela2
```
Nato sem normaliziral podatke za vsako vrsto na njihovo kontrolo tako dobimo odstopanje posameznih tretmajev relativno glede na kontrolno skupino za vsako vrsto psenice posebaj (normtabela2 ima normalizirana povprecja podatkov iz tabela2).
```{r, echo=FALSE}
nEl_K<-tabela2['El_K',]
nEl_50<-tabela2['El_50', ]/nEl_K
nEl_100<-tabela2['El_100', ]/nEl_K
nEl_200<-tabela2['El_200', ]/nEl_K
nEl_K<-nEl_K/nEl_K
nEu_K<-tabela2['Eu_K',]
nEu_50<-tabela2['Eu_50',]/nEu_K
nEu_100<-tabela2['Eu_100',]/nEu_K
nEu_200<-tabela2['Eu_200',]/nEu_K
nEu_K<-nEu_K/nEu_K
nVu_K<-tabela2['Vu_K',]
nVu_50<-tabela2['Vu_50',]/nVu_K
nVu_100<-tabela2['Vu_100',]/nVu_K
nVu_200<-tabela2['Vu_200',]/nVu_K
nVu_K<-nVu_K/nVu_K
normtabela2=matrix(c(nEl_K,nEl_50,nEl_100,nEl_200,nEu_K,nEu_50,nEu_100,nEu_200,nVu_K,nVu_50,nVu_100,nVu_200),nrow=12,ncol=length(nEl_K), byrow=TRUE) #ustvarim matriko z normaliziranimi vrednostmi
colnames(normtabela2) <- c(colnames(tabela2)) #popravim imena stolpcev
rownames(normtabela2)<- c(tabela22$Vrsta_Kon) #popravim imena vrstic
normtabela2
```
Ker R nima funkcije za standardno napako, enacbo za njo shranim kot funkcijo `se`. $$SE_{ \overline{x}} = \frac{s} {\sqrt n}$$
```{r}
se <- function(x){
serr <- sd(x)/sqrt(length(x))
return(serr)
}
```
Ker nisem uspel normalizirati podatke na kontrolo v 'tabela' lepo in na nacin, ki bi to omogocal z vecjo kolicino podatkov, sem uvozil novo tabelo z normaliziranimi vrednostmi (tabela4 ima normalizirane izvorne podatke).
```{r}
library(readxl)
tabela4<- read_excel("~/R/rezultati_pšenica_slanost2.xlsx",
sheet = "tabela2")
View(tabela4)
```
Pridobim standardne napake normaliziraih podatkov v 'tabeloSE', spet uporabim `aggregate`, tokrat z `FUN = se`
```{r, echo=FALSE}
tabelaSE <-aggregate(tabela4[,2:11], by=list(tabela4$Vrsta_Kon),FUN=se)
tabelaSE<-tabelaSE[match(row.names(imena),tabelaSE$Group.1),]
rownames(tabelaSE)<-c('El_K','El_50','El_100','El_200','Eu_K','Eu_50','Eu_100','Eu_200','Vu_K','Vu_50','Vu_100','Vu_200')
tabelaSE
```
# Izris podatkov za maso poganjkov
##Plot
Najprej sem izrisal crtni graf samo za maso poganjkov, za prvo vrsto sem izrisal graf z pomocjo funkcije `plot`, za ostali dve sem sem narisal vrednosti na isti graf s pomocjo `points`. Standardne napake sem nanesel s pomocjo `segments` in `epsilon`.
```{r}
x<-c(1:4) #ta vektor uporabim zato, da na x osi dobim samo stiri tocke, ki so enako oddaljene med sabo
el<-normtabela2[c('El_K','El_50','El_100','El_200'),'AVG-masa-pog']
eu<-normtabela2[c('Eu_K','Eu_50','Eu_100','Eu_200'),'AVG-masa-pog']
vu<-normtabela2[c('Vu_K','Vu_50','Vu_100','Vu_200'),'AVG-masa-pog']
#nevem zakaj, amopak zgornje vektorje shrani kot 'list', ker to otezuje nadaljne delo, jih spremenim v numericne vrednosti
el<-as.numeric(el)
eu<-as.numeric(eu)
vu<-as.numeric(vu)
elSE<-tabelaSE[c('El_K','El_50','El_100','El_200'),'norm_MP']
euSE<-tabelaSE[c('Eu_K','Eu_50','Eu_100','Eu_200'),'norm_MP']
vuSE<-tabelaSE[c('Vu_K','Vu_50','Vu_100','Vu_200'),'norm_MP']
#nevem zakaj, ampak slednje tri vektorje z standardnimi napakami zapise kot 'numeric' ze samo po sebi
plot(x,el, type = 'b', col='blue',ylim=c(0 , 1.4),xlab = 'koncentracija [mM]', ylab = 'relativna masa poganjka (%)',xaxt='n',main = 'Masa poganjkov')
points(x,eu, type = 'b', col='green')
points(x,vu, type='b', col='red')
legend(1,0.4 ,col = c('blue', 'green', 'red'), lwd=c(1,1,1),legend=c('El','Eu','Vu'),cex=1)
axis(1, at=x, labels = c(0,50,100,200))
#z segments in epsilon izrisem se 'error bare'
segments(x, el-elSE,x, el+elSE,col='blue')
epsilon = 0.01
segments(x-epsilon,el-elSE,x+epsilon,el-elSE,col='blue')
segments(x-epsilon,el+elSE,x+epsilon,el+elSE, col='blue')
segments(x, eu-euSE,x, eu+euSE,col='green')
epsilon = 0.01
segments(x-epsilon,eu-euSE,x+epsilon,eu-euSE,col='green')
segments(x-epsilon,eu+euSE,x+epsilon,eu+euSE,col='green')
segments(x, vu-vuSE,x, vu+vuSE,col='red')
epsilon = 0.01
segments(x-epsilon,vu-vuSE,x+epsilon,vu-vuSE,col='red')
segments(x-epsilon,vu+vuSE,x+epsilon,vu+vuSE,col='red')
```
Po istem kopitu lahko izrisem grafe za vse merjene parametre, rezultat ni idealen; skale na niso enake na vseh grafih, saj razpon vrednosti ni enak, zaradi majhnih slik se tezko razberejo napisi na grafih.
```{r, echo=FALSE, fig.height=8, fig.width=18}
x<-c(1:4)
par(bty='l',bg='white',mfrow=c(2,5))
##### MASA POGANJKA #####
el<-normtabela2[c('El_K','El_50','El_100','El_200'),'AVG-masa-pog']
eu<-normtabela2[c('Eu_K','Eu_50','Eu_100','Eu_200'),'AVG-masa-pog']
vu<-normtabela2[c('Vu_K','Vu_50','Vu_100','Vu_200'),'AVG-masa-pog']
el<-as.numeric(el)
eu<-as.numeric(eu)
vu<-as.numeric(vu)
elSE<-tabelaSE[c('El_K','El_50','El_100','El_200'),'norm_MP']
euSE<-tabelaSE[c('Eu_K','Eu_50','Eu_100','Eu_200'),'norm_MP']
vuSE<-tabelaSE[c('Vu_K','Vu_50','Vu_100','Vu_200'),'norm_MP']
plot(x,el, type = 'b', col='blue',ylim=c(0 , 1.4),xlab = 'koncentracija [nM]', ylab = 'relativna masa poganjka (%)',xaxt='n', main = 'Masa poganjkov')
points(x,eu, type = 'b', col='green')
points(x,vu, type='b', col='red')
legend(1,0.4 ,col = c('blue', 'green', 'red'), lwd=c(1,1,1),legend=c('El','Eu','Vu'),cex=1)
axis(1, at=x, labels = c(0,50,100,200))
segments(x, el-elSE,x, el+elSE,col='blue')
epsilon = 0.01
segments(x-epsilon,el-elSE,x+epsilon,el-elSE,col='blue')
segments(x-epsilon,el+elSE,x+epsilon,el+elSE, col='blue')
segments(x, eu-euSE,x, eu+euSE,col='green')
epsilon = 0.01
segments(x-epsilon,eu-euSE,x+epsilon,eu-euSE,col='green')
segments(x-epsilon,eu+euSE,x+epsilon,eu+euSE,col='green')
segments(x, vu-vuSE,x, vu+vuSE,col='red')
epsilon = 0.01
segments(x-epsilon,vu-vuSE,x+epsilon,vu-vuSE,col='red')
segments(x-epsilon,vu+vuSE,x+epsilon,vu+vuSE,col='red')
##### MDA POGANJKA #####
el<-normtabela2[c('El_K','El_50','El_100','El_200'),'AVG-MDA-pog']
eu<-normtabela2[c('Eu_K','Eu_50','Eu_100','Eu_200'),'AVG-MDA-pog']
vu<-normtabela2[c('Vu_K','Vu_50','Vu_100','Vu_200'),'AVG-MDA-pog']
el<-as.numeric(el)
eu<-as.numeric(eu)
vu<-as.numeric(vu)
elSE<-tabelaSE[c('El_K','El_50','El_100','El_200'),'norm_MDA_P']
euSE<-tabelaSE[c('Eu_K','Eu_50','Eu_100','Eu_200'),'norm_MDA_P']
vuSE<-tabelaSE[c('Vu_K','Vu_50','Vu_100','Vu_200'),'norm_MDA_P']
plot(x,el, type = 'b', col='blue',ylim=c(0 , 2.5),xlab = 'koncentracija [mM]', ylab = 'relativna vsebnost MDA poganjkov (%)',xaxt='n', main = 'lipidna peroksidacija poganjkov')
points(x,eu, type = 'b', col='green')
points(x,vu, type='b', col='red')
legend(1,0.6 ,col = c('blue', 'green', 'red'), lwd=c(1,1,1),legend=c('El','Eu','Vu'),cex=1)
axis(1, at=x, labels = c(0,50,100,200))
segments(x, el-elSE,x, el+elSE,col='blue')
epsilon = 0.01
segments(x-epsilon,el-elSE,x+epsilon,el-elSE,col='blue')
segments(x-epsilon,el+elSE,x+epsilon,el+elSE, col='blue')
segments(x, eu-euSE,x, eu+euSE,col='green')
epsilon = 0.01
segments(x-epsilon,eu-euSE,x+epsilon,eu-euSE,col='green')
segments(x-epsilon,eu+euSE,x+epsilon,eu+euSE,col='green')
segments(x, vu-vuSE,x, vu+vuSE,col='red')
epsilon = 0.01
segments(x-epsilon,vu-vuSE,x+epsilon,vu-vuSE,col='red')
segments(x-epsilon,vu+vuSE,x+epsilon,vu+vuSE,col='red')
##### MASA KORENIN #####
el<-normtabela2[c('El_K','El_50','El_100','El_200'),'AVG-masa-korenine']
eu<-normtabela2[c('Eu_K','Eu_50','Eu_100','Eu_200'),'AVG-masa-korenine']
vu<-normtabela2[c('Vu_K','Vu_50','Vu_100','Vu_200'),'AVG-masa-korenine']
el<-as.numeric(el)
eu<-as.numeric(eu)
vu<-as.numeric(vu)
elSE<-tabelaSE[c('El_K','El_50','El_100','El_200'),'norm_MK']
euSE<-tabelaSE[c('Eu_K','Eu_50','Eu_100','Eu_200'),'norm_MK']
vuSE<-tabelaSE[c('Vu_K','Vu_50','Vu_100','Vu_200'),'norm_MK']
plot(x,el, type = 'b', col='blue',ylim=c(0 , 2.5),xlab = 'koncentracija [mM]', ylab = 'relativna masa korenine (%)',xaxt='n', main = 'masa korenine')
points(x,eu, type = 'b', col='green')
points(x,vu, type='b', col='red')
legend(1,0.6 ,col = c('blue', 'green', 'red'), lwd=c(1,1,1),legend=c('El','Eu','Vu'),cex=1)
axis(1, at=x, labels = c(0,50,100,200))
segments(x, el-elSE,x, el+elSE,col='blue')
epsilon = 0.01
segments(x-epsilon,el-elSE,x+epsilon,el-elSE,col='blue')
segments(x-epsilon,el+elSE,x+epsilon,el+elSE, col='blue')
segments(x, eu-euSE,x, eu+euSE,col='green')
epsilon = 0.01
segments(x-epsilon,eu-euSE,x+epsilon,eu-euSE,col='green')
segments(x-epsilon,eu+euSE,x+epsilon,eu+euSE,col='green')
segments(x, vu-vuSE,x, vu+vuSE,col='red')
epsilon = 0.01
segments(x-epsilon,vu-vuSE,x+epsilon,vu-vuSE,col='red')
segments(x-epsilon,vu+vuSE,x+epsilon,vu+vuSE,col='red')
##### MDA KORENINE #####
el<-normtabela2[c('El_K','El_50','El_100','El_200'),'AVG-MDA-korenine']
eu<-normtabela2[c('Eu_K','Eu_50','Eu_100','Eu_200'),'AVG-MDA-korenine']
vu<-normtabela2[c('Vu_K','Vu_50','Vu_100','Vu_200'),'AVG-MDA-korenine']
el<-as.numeric(el)
eu<-as.numeric(eu)
vu<-as.numeric(vu)
elSE<-tabelaSE[c('El_K','El_50','El_100','El_200'),'norm_MDA_K']
euSE<-tabelaSE[c('Eu_K','Eu_50','Eu_100','Eu_200'),'norm_MDA_K']
vuSE<-tabelaSE[c('Vu_K','Vu_50','Vu_100','Vu_200'),'norm_MDA_K']
plot(x,el, type = 'b', col='blue',ylim=c(0 , 2.8),xlab = 'koncentracija [mM]', ylab = 'relativna vsebnost MDA korenin (%)',xaxt='n', main = 'lipidna peroksidacija korenin')
points(x,eu, type = 'b', col='green')
points(x,vu, type='b', col='red')
legend(1,0.6 ,col = c('blue', 'green', 'red'), lwd=c(1,1,1),legend=c('El','Eu','Vu'),cex=1)
axis(1, at=x, labels = c(0,50,100,200))
segments(x, el-elSE,x, el+elSE,col='blue')
epsilon = 0.01
segments(x-epsilon,el-elSE,x+epsilon,el-elSE,col='blue')
segments(x-epsilon,el+elSE,x+epsilon,el+elSE, col='blue')
segments(x, eu-euSE,x, eu+euSE,col='green')
epsilon = 0.01
segments(x-epsilon,eu-euSE,x+epsilon,eu-euSE,col='green')
segments(x-epsilon,eu+euSE,x+epsilon,eu+euSE,col='green')
segments(x, vu-vuSE,x, vu+vuSE,col='red')
epsilon = 0.01
segments(x-epsilon,vu-vuSE,x+epsilon,vu-vuSE,col='red')
segments(x-epsilon,vu+vuSE,x+epsilon,vu+vuSE,col='red')
##### KLOROFIL A #####
el<-normtabela2[c('El_K','El_50','El_100','El_200'),'X(Chl a) [mg/g]']
eu<-normtabela2[c('Eu_K','Eu_50','Eu_100','Eu_200'),'X(Chl a) [mg/g]']
vu<-normtabela2[c('Vu_K','Vu_50','Vu_100','Vu_200'),'X(Chl a) [mg/g]']
el<-as.numeric(el)
eu<-as.numeric(eu)
vu<-as.numeric(vu)
elSE<-tabelaSE[c('El_K','El_50','El_100','El_200'),'Chla_Qorm']
euSE<-tabelaSE[c('Eu_K','Eu_50','Eu_100','Eu_200'),'Chla_Qorm']
vuSE<-tabelaSE[c('Vu_K','Vu_50','Vu_100','Vu_200'),'Chla_Qorm']
plot(x,el, type = 'b', col='blue',ylim=c(0 , 1.4),xlab = 'koncentracija [mM]', ylab = 'Delez Chl a (%)',xaxt='n', main = 'Chl a')
points(x,eu, type = 'b', col='green')
points(x,vu, type='b', col='red')
legend(1,0.4 ,col = c('blue', 'green', 'red'), lwd=c(1,1,1),legend=c('El','Eu','Vu'),cex=1)
axis(1, at=x, labels = c(0,50,100,200))
segments(x, el-elSE,x, el+elSE,col='blue')
epsilon = 0.01
segments(x-epsilon,el-elSE,x+epsilon,el-elSE,col='blue')
segments(x-epsilon,el+elSE,x+epsilon,el+elSE, col='blue')
segments(x, eu-euSE,x, eu+euSE,col='green')
epsilon = 0.01
segments(x-epsilon,eu-euSE,x+epsilon,eu-euSE,col='green')
segments(x-epsilon,eu+euSE,x+epsilon,eu+euSE,col='green')
segments(x, vu-vuSE,x, vu+vuSE,col='red')
epsilon = 0.01
segments(x-epsilon,vu-vuSE,x+epsilon,vu-vuSE,col='red')
segments(x-epsilon,vu+vuSE,x+epsilon,vu+vuSE,col='red')
##### KLOROFIL B #####
el<-normtabela2[c('El_K','El_50','El_100','El_200'),'X(Chl b) [mg/g]']
eu<-normtabela2[c('Eu_K','Eu_50','Eu_100','Eu_200'),'X(Chl b) [mg/g]']
vu<-normtabela2[c('Vu_K','Vu_50','Vu_100','Vu_200'),'X(Chl b) [mg/g]']
el<-as.numeric(el)
eu<-as.numeric(eu)
vu<-as.numeric(vu)
elSE<-tabelaSE[c('El_K','El_50','El_100','El_200'),'Chlb_norm']
euSE<-tabelaSE[c('Eu_K','Eu_50','Eu_100','Eu_200'),'Chlb_norm']
vuSE<-tabelaSE[c('Vu_K','Vu_50','Vu_100','Vu_200'),'Chlb_norm']
plot(x,el, type = 'b', col='blue',ylim=c(0 , 1.4),xlab = 'koncentracija [mM]', ylab = 'Delez Chl b (%)',xaxt='n', main = 'Chl b')
points(x,eu, type = 'b', col='green')
points(x,vu, type='b', col='red')
legend(1,0.4 ,col = c('blue', 'green', 'red'), lwd=c(1,1,1),legend=c('El','Eu','Vu'),cex=1)
axis(1, at=x, labels = c(0,50,100,200))
segments(x, el-elSE,x, el+elSE,col='blue')
epsilon = 0.01
segments(x-epsilon,el-elSE,x+epsilon,el-elSE,col='blue')
segments(x-epsilon,el+elSE,x+epsilon,el+elSE, col='blue')
segments(x, eu-euSE,x, eu+euSE,col='green')
epsilon = 0.01
segments(x-epsilon,eu-euSE,x+epsilon,eu-euSE,col='green')
segments(x-epsilon,eu+euSE,x+epsilon,eu+euSE,col='green')
segments(x, vu-vuSE,x, vu+vuSE,col='red')
epsilon = 0.01
segments(x-epsilon,vu-vuSE,x+epsilon,vu-vuSE,col='red')
segments(x-epsilon,vu+vuSE,x+epsilon,vu+vuSE,col='red')
##### KLOROFIL A + B #####
el<-normtabela2[c('El_K','El_50','El_100','El_200'),'X (Chl a+b) [mg/g]']
eu<-normtabela2[c('Eu_K','Eu_50','Eu_100','Eu_200'),'X (Chl a+b) [mg/g]']
vu<-normtabela2[c('Vu_K','Vu_50','Vu_100','Vu_200'),'X (Chl a+b) [mg/g]']
el<-as.numeric(el)
eu<-as.numeric(eu)
vu<-as.numeric(vu)
elSE<-tabelaSE[c('El_K','El_50','El_100','El_200'),'Sk_Chl_norm']
euSE<-tabelaSE[c('Eu_K','Eu_50','Eu_100','Eu_200'),'Sk_Chl_norm']
vuSE<-tabelaSE[c('Vu_K','Vu_50','Vu_100','Vu_200'),'Sk_Chl_norm']
plot(x,el, type = 'b', col='blue',ylim=c(0 , 1.4),xlab = 'koncentracija [mM]', ylab = 'Delez Chl a+b (%)',xaxt='n', main = 'Chl a+b')
points(x,eu, type = 'b', col='green')
points(x,vu, type='b', col='red')
legend(1,0.4 ,col = c('blue', 'green', 'red'), lwd=c(1,1,1),legend=c('El','Eu','Vu'),cex=1)
axis(1, at=x, labels = c(0,50,100,200))
segments(x, el-elSE,x, el+elSE,col='blue')
epsilon = 0.01
segments(x-epsilon,el-elSE,x+epsilon,el-elSE,col='blue')
segments(x-epsilon,el+elSE,x+epsilon,el+elSE, col='blue')
segments(x, eu-euSE,x, eu+euSE,col='green')
epsilon = 0.01
segments(x-epsilon,eu-euSE,x+epsilon,eu-euSE,col='green')
segments(x-epsilon,eu+euSE,x+epsilon,eu+euSE,col='green')
segments(x, vu-vuSE,x, vu+vuSE,col='red')
epsilon = 0.01
segments(x-epsilon,vu-vuSE,x+epsilon,vu-vuSE,col='red')
segments(x-epsilon,vu+vuSE,x+epsilon,vu+vuSE,col='red')
##### TRANSPIRACIJA #####
el<-normtabela2[c('El_K','El_50','El_100','El_200'),'AVG-transpiracija']
eu<-normtabela2[c('Eu_K','Eu_50','Eu_100','Eu_200'),'AVG-transpiracija']
vu<-normtabela2[c('Vu_K','Vu_50','Vu_100','Vu_200'),'AVG-transpiracija']
el<-as.numeric(el)
eu<-as.numeric(eu)
vu<-as.numeric(vu)
elSE<-tabelaSE[c('El_K','El_50','El_100','El_200'),'Transp_norm']
euSE<-tabelaSE[c('Eu_K','Eu_50','Eu_100','Eu_200'),'Transp_norm']
vuSE<-tabelaSE[c('Vu_K','Vu_50','Vu_100','Vu_200'),'Transp_norm']
plot(x,el, type = 'b', col='blue',ylim=c(0 , 1.4),xlab = 'koncentracija [mM]', ylab = 'relativna transpiracija (%)',xaxt='n', main = 'transpiracija')
points(x,eu, type = 'b', col='green')
points(x,vu, type='b', col='red')
legend(1,0.4 ,col = c('blue', 'green', 'red'), lwd=c(1,1,1),legend=c('El','Eu','Vu'),cex=1)
axis(1, at=x, labels = c(0,50,100,200))
segments(x, el-elSE,x, el+elSE,col='blue')
epsilon = 0.01
segments(x-epsilon,el-elSE,x+epsilon,el-elSE,col='blue')
segments(x-epsilon,el+elSE,x+epsilon,el+elSE, col='blue')
segments(x, eu-euSE,x, eu+euSE,col='green')
epsilon = 0.01
segments(x-epsilon,eu-euSE,x+epsilon,eu-euSE,col='green')
segments(x-epsilon,eu+euSE,x+epsilon,eu+euSE,col='green')
segments(x, vu-vuSE,x, vu+vuSE,col='red')
epsilon = 0.01
segments(x-epsilon,vu-vuSE,x+epsilon,vu-vuSE,col='red')
segments(x-epsilon,vu+vuSE,x+epsilon,vu+vuSE,col='red')
##### DEJANSKA FOTOKEMICNA AKTIVNOST #####
el<-normtabela2[c('El_K','El_50','El_100','El_200'),'AVG-dejanska_foto_aktivnost']
eu<-normtabela2[c('Eu_K','Eu_50','Eu_100','Eu_200'),'AVG-dejanska_foto_aktivnost']
vu<-normtabela2[c('Vu_K','Vu_50','Vu_100','Vu_200'),'AVG-dejanska_foto_aktivnost']
el<-as.numeric(el)
eu<-as.numeric(eu)
vu<-as.numeric(vu)
elSE<-tabelaSE[c('El_K','El_50','El_100','El_200'),'norm_AVG_dejanska_foto_aktivnost']
euSE<-tabelaSE[c('Eu_K','Eu_50','Eu_100','Eu_200'),'norm_AVG_dejanska_foto_aktivnost']
vuSE<-tabelaSE[c('Vu_K','Vu_50','Vu_100','Vu_200'),'norm_AVG_dejanska_foto_aktivnost']
plot(x,el, type = 'b', col='blue',ylim=c(0.9 , 1.1),xlab = 'koncentracija [mM]', ylab = 'relativna ucinkovitost dejanske fotosintetske aktivnosti (%)',xaxt='n', main = 'dejanska fotosintetska aktivnost')
points(x,eu, type = 'b', col='green')
points(x,vu, type='b', col='red')
legend(1,0.96 ,col = c('blue', 'green', 'red'), lwd=c(1,1,1),legend=c('El','Eu','Vu'),cex=1)
axis(1, at=x, labels = c(0,50,100,200))
segments(x, el-elSE,x, el+elSE,col='blue')
epsilon = 0.01
segments(x-epsilon,el-elSE,x+epsilon,el-elSE,col='blue')
segments(x-epsilon,el+elSE,x+epsilon,el+elSE, col='blue')
segments(x, eu-euSE,x, eu+euSE,col='green')
epsilon = 0.01
segments(x-epsilon,eu-euSE,x+epsilon,eu-euSE,col='green')
segments(x-epsilon,eu+euSE,x+epsilon,eu+euSE,col='green')
segments(x, vu-vuSE,x, vu+vuSE,col='red')
epsilon = 0.01
segments(x-epsilon,vu-vuSE,x+epsilon,vu-vuSE,col='red')
segments(x-epsilon,vu+vuSE,x+epsilon,vu+vuSE,col='red')
##### POTENCIALNA FOTOKEMICNA AKTIVNOST #####
el<-normtabela2[c('El_K','El_50','El_100','El_200'),'AVG-potencialna_foto_aktivnost']
eu<-normtabela2[c('Eu_K','Eu_50','Eu_100','Eu_200'),'AVG-potencialna_foto_aktivnost']
vu<-normtabela2[c('Vu_K','Vu_50','Vu_100','Vu_200'),'AVG-potencialna_foto_aktivnost']
el<-as.numeric(el)
eu<-as.numeric(eu)
vu<-as.numeric(vu)
elSE<-tabelaSE[c('El_K','El_50','El_100','El_200'),'norm_AVG-potencialna_foto_aktivnost']
euSE<-tabelaSE[c('Eu_K','Eu_50','Eu_100','Eu_200'),'norm_AVG-potencialna_foto_aktivnost']
vuSE<-tabelaSE[c('Vu_K','Vu_50','Vu_100','Vu_200'),'norm_AVG-potencialna_foto_aktivnost']
plot(x,el, type = 'b', col='blue',ylim=c(0.9 , 1.1),xlab = 'koncentracija [mM]', ylab = 'relativna ucinkovitost potencialne fotosintetske aktivnosti (%)',xaxt='n', main = 'potencialna fotosintetska aktivnost')
points(x,eu, type = 'b', col='green')
points(x,vu, type='b', col='red')
legend(1,0.96 ,col = c('blue', 'green', 'red'), lwd=c(1,1,1),legend=c('El','Eu','Vu'),cex=1)
axis(1, at=x, labels = c(0,50,100,200))
segments(x, el-elSE,x, el+elSE,col='blue')
epsilon = 0.01
segments(x-epsilon,el-elSE,x+epsilon,el-elSE,col='blue')
segments(x-epsilon,el+elSE,x+epsilon,el+elSE, col='blue')
segments(x, eu-euSE,x, eu+euSE,col='green')
epsilon = 0.01
segments(x-epsilon,eu-euSE,x+epsilon,eu-euSE,col='green')
segments(x-epsilon,eu+euSE,x+epsilon,eu+euSE,col='green')
segments(x, vu-vuSE,x, vu+vuSE,col='red')
epsilon = 0.01
segments(x-epsilon,vu-vuSE,x+epsilon,vu-vuSE,col='red')
segments(x-epsilon,vu+vuSE,x+epsilon,vu+vuSE,col='red')
```
##Boxplot
ustvarim boxplot za normalizirano maso poganjkov, s tem prikazom vidimo razlike v porazdelitvi podatkov, roza crta pri y=1 ponazarja kontrolo, tako lepo vidimo odstopanje vsakega tretmaja od slednje. Vsaka sorta je oznacena za svojo barvo za lazje razlikovanje.
```{r, echo=FALSE, fig.height=5, fig.width=12}
kontrole<-c(grep('El_K',tabela4$Vrsta_Kon),grep('Eu_K',tabela4$Vrsta_Kon),grep('Vu_K',tabela4$Vrsta_Kon))#naredim novo tabelo brez kontrolnih vrednosti
tabela44<-tabela4[-kontrole,]
#tabela44
tabela44$Vrsta_Kon = factor(tabela44$Vrsta_Kon,c('El_50','El_100','El_200','Eu_50','Eu_100','Eu_200','Vu_50','Vu_100','Vu_200')) # s tem so podatki v boxplotu razporejeni v zeljenem vrstnem redu
colors = c(rep("blue",3),rep("green",3),rep("red",3))
boxplot(tabela44$norm_MP ~ tabela44$Vrsta_Kon, col=colors,main = 'masa poganjkov',outer = TRUE,ylab='relativna masa poganjkov (%)')
abline(h=1,lwd=2, col=54)
legend('bottomleft' ,col = c('blue', 'green', 'red'), lwd=c(2,2,2),legend=c('El','Eu','Vu'),cex = 1)
```
Enako kot zgoraj, izrisem se boxplote za vse ostale parametre, legenda je prikazana samo na prvem grafu.
```{r, echo=FALSE, fig.height=15, fig.width=30}
par(mfrow=c(2,5))
boxplot(tabela44$norm_MP ~ tabela44$Vrsta_Kon,col=colors,main = 'masa poganjkov', ylab='relativna masa poganjkov (%)')
abline(h=1,lwd=2, col=54)
legend('bottomleft' ,col = c('blue', 'green', 'red'), lwd=c(2,2,2),legend=c('El','Eu','Vu'),cex = 3)
boxplot(tabela44$norm_MDA_P ~ tabela44$Vrsta_Kon,col=colors,main = 'MDA poganjkov', ylab='relativna vsebnost MDA poganjkov (%)')
abline(h=1,lwd=2, col=54)
boxplot(tabela44$norm_MK ~ tabela44$Vrsta_Kon,col=colors,main = 'masa korenin', ylab='relativna masa korenin (%)')
abline(h=1,lwd=2, col=54)
boxplot(tabela44$norm_MDA_K ~ tabela44$Vrsta_Kon,col=colors,main = 'MDA korenin',ylab='relativna vsebnost MDA korenin (%)')
abline(h=1,lwd=2, col=54)
boxplot(tabela44$Chla_Qorm ~ tabela44$Vrsta_Kon,col=colors,main = 'klorofil a', ylab='relativen delez klorofila a (%)')
abline(h=1,lwd=2, col=54)
boxplot(tabela44$Chlb_norm ~ tabela44$Vrsta_Kon,col=colors,main = 'klorofil b', ylab='relativen delez klorofila b (%)')
abline(h=1,lwd=2, col=54)
boxplot(tabela44$Sk_Chl_norm ~ tabela44$Vrsta_Kon,col=colors,main = 'klorofil a+b', ylab='relativen delez klorofila a+b (%)')
abline(h=1,lwd=2, col=54)
boxplot(tabela44$Transp_norm ~ tabela44$Vrsta_Kon,col=colors,main = 'transpiracija', ylab='relativna transpiracija (%)')
abline(h=1,lwd=2, col=54)
boxplot(tabela44$norm_AVG_dejanska_foto_aktivnost ~ tabela44$Vrsta_Kon,col=colors,main = 'dejanska fotokemicna ucinkovitost', ylab='relativna dejanska fotokemicna ucinkovitost (%)')
abline(h=1,lwd=2, col=54)
boxplot(tabela44$`norm_AVG-potencialna_foto_aktivnost` ~ tabela44$Vrsta_Kon,col=colors,main = 'potencialna fotokemicna ucinkovitost',ylab='relativna potencialna fotokemicna ucinkovitost (%)')
abline(h=1,lwd=2, col=54)
```
#Analiza variance
Z analizo variance preverimo, ce so primerjane skupine podatkov (njihova povprecja) statisticno znacilo razlicne (ce so povprecja enaka ali ne).
Najprej ustvarim nov data.frame, v kterem locim konentracije in vrste.
```{r}
tabela444<-as.data.frame(tabela4)
u<-with(tabela444,strsplit(as.character(Vrsta_Kon), "_")) #with zacasno attacha
u<-unlist(u)
vrsta<-u[seq(1,length(u),by=2)] #vzame vsakega drugega, da dobimo vrste
kon<-u[seq(2,length(u),by=2)] #vzame vsakega drugega da bobimo koncentracije
#vrsta
#kon
tabela444$vrsta=vrsta #na tabela444 dodam stoplec z imenom 'vrsta' z vrednostmi iz 'vrsta'
tabela444$kon=kon #isto koz zgoraj, samo za koncentracijo
#tabela444
```
```{r}
aov1=aov(norm_MP ~ kon * vrsta ,tabela444[tabela444$kon!="K",])
summary(aov1)
```
##Post hoc test
Z post hoc testom preverimo razmerja med skupinami, ki bi drugace ostana neopazena ([Post hoc analysis](https://en.wikipedia.org/wiki/Post_hoc_analysis)) glede na dani \alpha (v mojem primeru \alpha = 0.05). Naredil sem post hoc test za maso poganjkov. Duncanov test je posebaj popularen v agronomiji.
```{r, include=FALSE}
library(agricolae)
```
```{r}
model<-aov(norm_MP ~ Vrsta_Kon, data = tabela444)
comparison<-duncan.test(model,'Vrsta_Kon',main='hahah')
duncan.test(model,'Vrsta_Kon', alpha = 0.05, console=TRUE)
```
Z `interaction.plot` R samodejno izrise crtne grafe, rezultat je podoben kot sem storil ze zgoraj, vendar je pot do njega veliko enostavnejsa.
```{r}
tabela444$kon <- factor(tabela444$kon,levels=c("K","50","100","200")) #prerazporedim tabela444 da bo izrisann graf v zeljenem vrstnem redu
with(tabela444,
interaction.plot(kon,vrsta, norm_MP))
```
#Normalnost razporeditve podatkov
Normalnost porazdelitve podatkov sem preveril z Shapirovim testom, ce je p < 0.05 pomeni da porazdelitev ni normalna, graficno jo prikazemo z QQ grafom, ce bi bila porazdelitev normalna, bi se podatki ujemali z linearno crto na grafu.
```{r, include=FALSE}
library(mvnormtest)
```
Razporeditev podatkov sem preveril z Shapiro–Wilk testom pri vseh merjenih parametrih in poiskal tiste, pri katerih je mormalna. Ce je vrednost p nizja od izbrane vrednosti \alpha lahko zavrnemo nicto hipotezo, da so podatki razporejeni normalno, ce je p visji, sorejmemo alternativno hipotezo, da so podatki normalno razporejeni.
```{r, echo=FALSE}
u<-c(
shapiro.test(tabela444$norm_MP),
shapiro.test(tabela444$norm_MDA_P),
shapiro.test(tabela444$norm_MK),
shapiro.test(tabela444$norm_MDA_K),
shapiro.test(tabela444$Chla_Qorm),
shapiro.test(tabela444$Chlb_norm),
shapiro.test(tabela444$Sk_Chl_norm),
shapiro.test(tabela444$Transp_norm),
shapiro.test(tabela444$norm_AVG_dejanska_foto_aktivnost),
shapiro.test(tabela444[,'norm_AVG-potencialna_foto_aktivnost'])) #shapiro teste za vsak merjen parameter spravim v vektor, shrani se kot 'list9
u<-as.data.frame(u) #u spremenim v data.frame
p<-u[seq(2, length(u),by=4)] #shapiro test prikaze tudi W in imena parametrov, v vektor p spravim samo p vrednosti
pp<-colnames(p) # v vektor pp spravim samo imena stolpcev z p vrednostmi iz p
uu<-p>= 0.05 # v vektor uu preverim katere p vrednosti so vecje od 0.05, kar pomeni, da je razdelitev verjetno normalna
uuu<-grep('TRUE',uu) #u uuu spravum samo tiste, ki so vecji od 0.05
p[uuu] #in jih izpisem, vidim da so to p vrednosti 2 , 7 in 8
u[c('data.name.2','data.name.7','data.name.8')] #poiscem katerim parametrom pripadajo slednje p vrednosti, to so norm_MK, Transp_norm in norm_AVG_dejanska_foto_aktivnost, pri teh treh naj bi bila porazdelitev normalna
```
prikaz normalnosti razporeditve podatkov z QQ grafom (z funkcijama `qqnorm` in `qqline`), prvi graf prikazuje porazdelitev za maso poganjkov, ki je primer nenormalne porazdelitve, druga dva, za maso korenin in transpiracijo, sta primer normalne razporeditve podatkov, ceprav moram reci, da sam ne zaznam velike razlike med obema primeroma glede na graf.
```{r, fig.height=5, fig.width=15}
par(mfrow=c(1,3))
qqnorm(tabela444[,'norm_MP'],main = 'masa poganjkov'); qqline(tabela444$norm_MP)
qqnorm(tabela444[,'norm_MK'],main = 'masa korenin'); qqline(tabela444$norm_MK)
qqnorm(tabela444[,'Transp_norm'],main = 'transpiracija'); qqline(tabela444$Transp_norm)
```
#Homogenost variance
z Bartlett-ovim in Figner-Killeen-jevim testom preverim enakost varianc skupin, nicna hipoteza je da so variance enake, alternativna, da niso. Bartlettov je parametricen, ki je primeren za podatke z neko specificno razporeditvijo, Fignerjev test je neparametricni in je bolj primern za podatke, ki nimajo neke dolocene razporeditve, Levenov test gleda mediano, zato je bolj robusten za nenormalo razporejene podatke. Za moje podatke se mi zdi Barlettov test manj primeren ker nimam normalne distribucije podatkov.
```{r, include=FALSE}
library(lattice)
library(Rmpfr)
library(HH)
library(lawstat)
```
Homogenost varianc za maso poganjkov
```{r}
# Bartlett Test of Homogeneity of Variances
bartlett.test(norm_MP~Vrsta_Kon, data=tabela444)
# Figner-Killeen Test of Homogeneity of Variances
fligner.test(norm_MP~Vrsta_Kon, data=tabela44)
#Brown-Forsyth Test of Homogeneity of Variances
hov(norm_MP~Vrsta_Kon, data=tabela444)
#Levene Test of Homogeneity of Variances
levene.test(tabela444$norm_MP, tabela444$Vrsta_Kon)
```
Homogenost varianc za maso korenin
```{r}
# Bartlett Test of Homogeneity of Variances
bartlett.test(norm_MK~Vrsta_Kon, data=tabela444)
# Figner-Killeen Test of Homogeneity of Variances
fligner.test(norm_MK~Vrsta_Kon, data=tabela44)
#Brown-Forsyth Test of Homogeneity of Variances
hov(norm_MK~Vrsta_Kon, data=tabela444)
#Levene Test of Homogeneity of Variances
levene.test(tabela444$norm_MK, tabela444$Vrsta_Kon)
```
Prikazana sta primera za maso korenin in maso poganjkov, glede na Fligner-Killeen in Brown-Forsyth test variance niso iste. Ne glede na izbran parameter je rezultat Barlettovega testa vedno enak (p-value < 2.2e-16), zato je verjetno nekaj narobe in mu v mojem primeru ne gre zaupati.
Spodaj sem s pomocjo `hovPlotBF` in `hovPlot` se graficno prikazal test za homogenost varianc, v prvem triu boxplotov za maso poganjkov v spodnjem pa za maso korenin. Na slikah je od leve proti desni prikazano: podatki (y), podatki z odsteto mediano (y-med(y)) in absolutna deviacija od mediane (and(y-med(y))).
```{r, fig.height=5, fig.width=15}
# Homogeneity of Variance Plot
hov(norm_MP~Vrsta_Kon, data=tabela44)#uporabim tabelo 44 kr nima kontrol, kr so itak 1
hovplotBF(norm_MP~Vrsta_Kon, data=tabela44)
hovPlot(norm_MK~Vrsta_Kon, data=tabela44)
```
#Transformacija podatkov
Podatke transformiramo z namenom, da dosezemo normalnost razporeditve pred nadalnjo obdelavo (npr. ANOVA). Sam za te namene nisem uporabil transformiranih podatkov, to sem storil zato, da si ogledam kako transformacija deluje. Preizkusil sem vec oblik transformacije; logaritemsko (z osnovami 10, 2 in naravnim), kvadratni koren in z-transformacijo.
```{r}
sqrt_tabela4 <- sqrt(tabela4[,2:11])
sqrt_tabela4<-cbind(tabela4$Vrsta_Kon,sqrt_tabela4)
colnames (sqrt_tabela4) <- (c('Vrsta_Kon','norm_MP','norm_MDA_P', 'norm_MK','norm_MDA_K','Chla_Qorm','Chlb_norm','Sk_Chl_norm','Transp_norm','norm_AVG_dejanska_foto_aktivnost','norm_AVG-potencialna_foto_aktivnost'))
#sqrt_tabela4
```
```{r}
log_tabela4 <- log(tabela4[,2:11])
log_tabela4<-cbind(tabela4$Vrsta_Kon,log_tabela4)
colnames (log_tabela4) <- (c('Vrsta_Kon','norm_MP','norm_MDA_P', 'norm_MK','norm_MDA_K','Chla_Qorm','Chlb_norm','Sk_Chl_norm','Transp_norm','norm_AVG_dejanska_foto_aktivnost','norm_AVG-potencialna_foto_aktivnost'))
#log_tabela4
```
```{r}
log10_tabela4 <- log10(tabela4[,2:11])
log10_tabela4<-cbind(tabela4$Vrsta_Kon,log10_tabela4)
colnames (log10_tabela4) <- (c('Vrsta_Kon','norm_MP','norm_MDA_P', 'norm_MK','norm_MDA_K','Chla_Qorm','Chlb_norm','Sk_Chl_norm','Transp_norm','norm_AVG_dejanska_foto_aktivnost','norm_AVG-potencialna_foto_aktivnost'))
#log10_tabela4
```
```{r}
log2_tabela4 <- log2(tabela4[,2:11])
log2_tabela4<-cbind(tabela4$Vrsta_Kon,log2_tabela4)
colnames (log2_tabela4) <- (c('Vrsta_Kon','norm_MP','norm_MDA_P', 'norm_MK','norm_MDA_K','Chla_Qorm','Chlb_norm','Sk_Chl_norm','Transp_norm','norm_AVG_dejanska_foto_aktivnost','norm_AVG-potencialna_foto_aktivnost'))
#log2_tabela4
```
```{r}
z_tabela444<-(tabela444$norm_MP - mean(tabela444$norm_MP)) / sd(tabela444$norm_MP)
#z_tabela444
```
Preverjanje normalnosti razporeditve transformiranih podatkov z Shapiro testom za logaritemsko transformacijo z osnovo 10. Po transformaciji ima samo en parameter normalno razporeditev.
```{r}
u<-c(
shapiro.test(log10_tabela4$norm_MP),
shapiro.test(log10_tabela4$norm_MDA_P),
shapiro.test(log10_tabela4$norm_MK),
shapiro.test(log10_tabela4$norm_MDA_K),
shapiro.test(log10_tabela4$Chla_Qorm),
shapiro.test(log10_tabela4$Chlb_norm),
shapiro.test(log10_tabela4$Sk_Chl_norm),
shapiro.test(log10_tabela4$Transp_norm),
shapiro.test(log10_tabela4$norm_AVG_dejanska_foto_aktivnost),
shapiro.test(log10_tabela4[,'norm_AVG-potencialna_foto_aktivnost'])) #shapiro teste za vsak merjen parameter spravim v vektor, shrani se kot 'list'
u<-as.data.frame(u) #u spremenim v data.frame
p<-u[seq(2, length(u),by=4)] #shapiro test prikaze tudi W in imena parametrov, v vektor p spravim samo p vrednosti
pp<-colnames(p) # v vektor pp spravim samo imena stolpcev z p vrednostmi iz p
uu<-p>= 0.05 # v vektor uu preverim katere p vrednosti so vecje od 0.05, kar pomeni, da je razdelitev verjetno normalna
uuu<-grep('TRUE',uu) #u uuu spravum samo tiste, ki so vecji od 0.05
p[uuu] #in jih izpisem, vidim da je to p vrednosti 8
u[c('data.name.8')] #poiscem katerim parametrom pripadajo slednje p vrednosti, to je sedaj samo norm_AVG_dejanska_foto_aktivnost, pri teh tem parametru naj bi bila rezporeditev normalna
```
Vizualizacija normalnosi razporeditve normiranih podatkov za vse izvedene transformacije, lepo se vidi, da ekstremne vrednosti ostanejo osamljene, medtem ko se srednje zgostijo.
```{r}
par(mfrow=c(2,3))
qqnorm(sqrt_tabela4$norm_MP,main = 'sqrt'); qqline(sqrt_tabela4$norm_MP)
qqnorm(log_tabela4[,'norm_MP'],main = 'log'); qqline(log_tabela4$norm_MP)
qqnorm(log10_tabela4[,'norm_MP'],main = 'log10'); qqline(log10_tabela4$norm_MP)
qqnorm(log2_tabela4[,'norm_MP'],main = 'log2'); qqline(log2_tabela4$norm_MP)
qqnorm(z_tabela444,main = 'z'); qqline(z_tabela444)
```
Preverjanje homogenosti varianc transformiranih podatkov, Barettov test se vedno vrne p-value < 2.2e-16, glede na ostale variance niso enake.
```{r}
# Bartlett Test of Homogeneity of Variances
bartlett.test(norm_MP~Vrsta_Kon, data=log10_tabela4)
# Figner-Killeen Test of Homogeneity of Variances
fligner.test(norm_MP~Vrsta_Kon, data=log10_tabela4)
#Brown-Forsyth Test of Homogeneity of Variances
hov(norm_MP~Vrsta_Kon, data=log10_tabela4)
#Levene Test of Homogeneity of Variances
levene.test(log10_tabela4$norm_MP, log10_tabela4$Vrsta_Kon)
```
primerjava normalnosti standardnih napak mase poganjkov pred in po transformaciji log10, po transformaciji se izkaze, da so SE normalno razporejene.
```{r}
log10_tabela4SE <-aggregate(log10_tabela4[,2:11], by=list(tabela4$Vrsta_Kon),FUN=se)
log10_tabela4SE<-log10_tabela4SE[match(row.names(imena),log10_tabela4SE$Group.1),]
colnames(log10_tabela4SE)<- c(colnames(tabela))
#log10_tabela4SE
```
```{r}
shapiro.test(log10_tabela4SE$`AVG-masa-pog`)
shapiro.test(tabelaSE$norm_MP)
```
```{r}
par(mfrow=c(1,2))
qqnorm(log10_tabela4SE$`AVG-masa-pog`,main = 'log10'); qqline(log10_tabela4SE$`AVG-masa-pog`)
qqnorm(tabelaSE$norm_MP,main = 'netransformirano');qqline(tabelaSE$norm_MP)
```
#Multivariatna analiza
Multivariatno analizo podatkov lahko prikazemo na vec nacinov.
##Dendrogram
Pri prikazu z dendrogramom so bolj podobni/povezani podatki povezani z krajso razdaljo, spodaj so trije razlicni nacini prikaza dendrograma, podatki v obliki `hc` izrisani z pomocjo `plot`
```{r, include=FALSE}
tabela5 <-aggregate(tabela44[,2:11], by=list(tabela44$Vrsta_Kon),FUN=mean) #zracunam povprecja podatkov od drugegega stolpca naprej (v prvem ni stevil)
colnames(tabela5)[1]<-c('Vrsta_Kon')
imena<-as.matrix(1:length(tabela5$Vrsta_Kon))
row.names(imena)<-(c('El_50','El_100','El_200','Eu_50','Eu_100','Eu_200','Vu_50','Vu_100','Vu_200'))
tabela5<-tabela5[match(row.names(imena),tabela5$Vrsta_Kon),]
rownames(tabela5)<-c('El_50','El_100','El_200','Eu_50','Eu_100','Eu_200','Vu_50','Vu_100','Vu_200') #spremenim imena vrstic, da ustrezajo vrsti in koncentraciji
#tabela5
```
```{r, include=FALSE}
library(ggplot2)
library(ggdendro)
library(ape)
library(RColorBrewer)
library(gplots)
library(graphics)
```
```{r, fig.height=4, fig.width=12}
hc = hclust(dist(tabela5))
par(bg='#e9fff7',mfrow=c(1,3))
plot(hc, col = "#7e0606", col.main = "#9c0a0a", col.lab = "#d00d0d",
col.axis = "#d00d0d", lwd = 3, lty = 3, sub = "", hang = -1, axes = FALSE, main = 'dendrogram')
plot(as.phylo(hc), type = "unrooted", col.main='#bfefff',main = 'dendrogram',col.main = '#9f79f2',tip.color = hsv(runif(100, 0.65,
0.95), 1, 0.8, 0.7), edge.color = hsv(runif(10, 0.65, 0.75), 1, 1, 0.7), edge.width = runif(20,
0.5, 3), use.edge.length = TRUE, cex = 1)
plot(as.phylo(hc), type = "fan", tip.color = hsv(runif(15, 0.65,
0.95), 1, 1, 0.7), edge.color = hsv(runif(10, 0.65, 0.75), 1, 1, 0.7), edge.width = runif(20,
0.5, 3), use.edge.length = TRUE, col = "#580606",cex = 1.5)
```
```{r, include=FALSE}
tabela5$Vrsta_Kon<-NULL
tabela55<-as.matrix(tabela5)
mypalette<-brewer.pal(9,'PuBuGn')
mypalette<-as.matrix(mypalette)
mypalette2<-c('#ccffcc','#ccffff','#ccccff','#ffcccc','#ffffcc')
mypalette3<-c('#000000','#141917','#29332f','#3e4c47','#52665e','#677f76','#7c998e','#90b2a5','#a5ccbd','#bae5d5','#cfffed')
mypalette4<-c('#ff748c','#ff8da1','#ffa7b6','#ffc0cb','#ffdae0','#fff3f5','#f3fffd','#dafff8','#c0fff4','#a7fff0','#8dffeb','#74ffe7')
mypalette5<-c('#ccffcc','#ccffff','#ccccff','#ffcccc','#ffffcc','#f5dbdb','#f1e5ab','#dcf9c3','#c9f3ef','#dfccfb')
mypalette6<-c('#cdf279','#d6f590','#def7a8','#e7f9bf','#f0fbd6','#f8fdee','#f3eefd','#e2d6fb','#d1bff9','#c0a8f7','#af90f5','#9f79f2')
mypalette7<-c('#d00d0d','#bb0b0b','#a60a0a','#910909','#7c0707','#680606','#530505','#3e0303','#290202','#140101','#000000')
```
##Heatmap
Na heatmap so bolj podobni podatki prikazani z podobno barvo, dodatno je povezanost podatkov v stolpcih in vrsticah prikazana z dendrogrami. Spodnja heatmapa sta izrisana z `heatmap` in `heatmap.2`. Pri drugem je na legendi prikazana tudi frekvenca s katero se posamezna barva pojavi.
```{r, echo=FALSE}
heatmap(tabela55, col=mypalette4,cexRow = 1.2, cexCol = 1,srt=45)
```
```{r, echo=FALSE, fig.height=6, fig.width=12}
heatmap.2(tabela55, col=mypalette,trace = 'none', cexRow = 0.8, cexCol = 0.9,density.info = NULL, denscol = c('#96418a'),key.title='barvni kljuc in histogram' , srtCol = 45)
```
```{r, include=FALSE}
library(Hmisc)
library(corrgram)
```
##Correlogram
Z correlogramom lahko graficno prikazem korelacijo (linearno odvisnost) med skupinami. Najprej sem z `rcorr` dobil rezultate za Pearsonovo in Spearmanovo korelacijo. Rezultat 1 pomeni pozitivno, 0 linearno, -1 pa negativno korelacijo med podatki. Rezultatov `rcorr` ne izpisem, saj je na spodnjih dveh slikah to prikazano malo lepse z `corrgram`. Izkaze se, da med merjenimi parametri vecinoma korelacij, razen mocna pozitivna med delezem vsakega posameznega klorofila in delezem skupnih klorofilov, kar je za pricakovati, saj so je podatek za skupne klorofile sestavljen iz podatkov za klorofila a in b. Negativno korelacijo lahko opazimo med transpiracijo in dejansko fotokemicno ucinkovitostjo, skoraj linearno, brez korelacije, pa so podatki za maso korenin in delezem klorofila a, kar ne preseneca, saj v koreninah ni klorofila.
```{r, eval=FALSE, include=TRUE}
rcorr(tabela55, type="pearson")
rcorr(tabela55, type="spearman")
```
```{r, fig.height=6, fig.width=6}
col.corrgram <- function(ncol){
colorRampPalette(c(mypalette7))(ncol)}
par(bg='#f3fcff')
corrgram(tabela55, order=TRUE, lower.panel=panel.ellipse,
upper.panel=panel.cor, text.panel=panel.txt,
main=" ", col.regions = col.corrgram, gap = 0.15, cex.labels = 1, label.srt = 45)
```
```{r, fig.height=6, fig.width=6}
col.corrgram <- function(ncol){
colorRampPalette(c(mypalette6))(ncol)}
par(bg='#f3fcff')
corrgram(tabela55, order=TRUE, lower.panel=panel.shade,
upper.panel=panel.pie, text.panel=panel.txt,
main=" ", col.regions = col.corrgram, label.srt = 0, row1attop = FALSE, gap = 0.1)
```
##Analiza glavnih komponent
Z analizo glavnih komponent semerjene spremenljivke z ortologno transformacijo pretvorijo v glavne komponente ([PCA]https://en.wikipedia.org/wiki/Principal_component_analysis), razporejene so tako, da ima prva najvecjo varianco in tako prispeva najvec variabilnosti podatkom.
PCA dobim z `princomp`, jih povzamem z `summary` in kot v obliki histograma ali crtnega grafa izrisem z `screenplot`, lepo se vidi, da so glavne komponente razporejene po padajocem delezu variance, ki jo prispevajo.
```{r, include=FALSE}
tabela44$Vrsta_Kon<-NULL
pca <- princomp(tabela44,cor=TRUE)
pca
str(pca)
pca$loadings
my.scores <- as.matrix(tabela44)%*%t(pca$loadings)
pca$scores
mean(pca$scores[,2])
sd(pca$scores)
#pairs(cbind(my.scores,pca$scores))
```
```{r}
summary(pca)
```
```{r, echo=FALSE}
par(mfrow=c(1,2))
screeplot(pca, type = 'lines')
screeplot(pca, type = 'barplot')