<WRAP tabs>
  * [[cursos:planeco:planeco:roteiro:05-descrcmdr|{{:planeco:logorcmdr01.png?20|}}]]
  * [[cursos:planeco:planeco:roteiro:05-descr|{{:planeco:rlogo.png?20|}}]]
</WRAP>

=====ANÁLISES EXPLORATÓRIAS DE DADOS=====

{{section>cursos:planeco:planeco:roteiro:05-descr_base#analises_exploratorias_de_dados}}
 
==== Preparação dos dados e programa ====  

As análises abaixo serão realizadas em ambiente R e para isso teremos que instalar alguns pacotes, abaixo estão todos os comandos necessários para a realização da atividade.

1) Crie um diretório (pasta), copie os arquivos de dados abaixo para esse diretório e faça a descompactação no mesmo diretório:


  * {{ :planeco:roteiro:univar1.csv.zip |univar.zip}}
  * {{ :planeco:roteiro:autocorr.csv.zip|autocorr.zip}}


2) Abra o R no seu computador e mude o diretório de trabalho para o diretório (//i.e.// a pasta) que você criou, usando o menu **//Arquivo//** > **//mudar dir...//**. 

3) Instale os pacotes //car// e //lattice//.

Para isso, basta copiar e colar os comandos que estão nas caixas de cor cinza:
<code>
install.packages("car")
</code> 

Espere finalizar todo o processo de instalação desse pacote para iniciar o próximo: 

<code>
install.packages("lattice")
</code> 

4) Agora carregue os pacotes:
<code>
library(car)
library(lattice)
library (graphics)
</code>

==== ANALISANDO DADOS UNIVARIADOS ====

1) importe o conjunto de dados para o R
<code>
univar1<-read.csv("univar1.csv")
</code>

2) Use a função //head// para visualizar as 5 primeiras linhas do conjunto de dados
<code>
head(univar1)
</code>

3) Inspecione o resumo dos dados
<code>
summary(univar1)
</code>

=== Conhecendo os dados: ===
{{section>cursos:planeco:planeco:roteiro:05-descr_base#conhecendo_os_dados}}

4) Se quiser, visualize o conjunto de dados como uma planilha convencional
<code>
edit(univar1)
</code>


==== Análises gráficas ====

{{section>cursos:planeco:planeco:roteiro:05-descr_base#analises_graficas}}

<code> 
par(mfrow = c(2,2)) ##Aqui estamos criando um layout para colocar os quatro gráficos juntos
hist(univar1$COMPRIMENTO_BICO)
hist(univar1$BIOMASSA_AVE)
hist(univar1$BIOMASSA_INSETOS)
hist(univar1$TAMANHO_SEMENTES)
par(mfrow=c(1,1)) ## voltando ao padrão de apresentar apenas 1 gráfico por página 
</code>

{{section>cursos:planeco:planeco:roteiro:05-descr_base#histograma}}

<code>
#use o argumento breaks para determinar o número de classes
par(mfrow = c(2,2)) 
hist(univar1$COMPRIMENTO_BICO, breaks = 20)
hist(univar1$BIOMASSA_AVE, breaks = 20)
hist(univar1$BIOMASSA_INSETOS, breaks = 20)
hist(univar1$TAMANHO_SEMENTES, breaks = 20)
par(mfrow=c(1,1))  
</code>

<code>
par(mfrow = c(2,2)) 
hist(univar1$COMPRIMENTO_BICO, breaks = 10)
hist(univar1$BIOMASSA_AVE, breaks = 10)
hist(univar1$BIOMASSA_INSETOS, breaks = 10)
hist(univar1$TAMANHO_SEMENTES, breaks = 10)
par(mfrow=c(1,1))  
</code>

{{section>cursos:planeco:planeco:roteiro:05-descr_base#densidade}}

<code>
par(mfrow = c(2,2)) 
plot(density(univar1$COMPRIMENTO_BICO))
plot(density(univar1$BIOMASSA_AVE))
plot(density(univar1$BIOMASSA_INSETOS))
plot(density(univar1$TAMANHO_SEMENTES))
par(mfrow=c(1,1))  
</code>

Podemos juntar esses dois gráficos em um só. Para isso, use o código abaixo:

<code>
par(mfrow = c(2,2)) 
hist(univar1$COMPRIMENTO_BICO, prob=T )
lines(density(univar1$COMPRIMENTO_BICO))

hist(univar1$BIOMASSA_AVE, prob=T)
lines(density(univar1$BIOMASSA_AVE))

hist(univar1$BIOMASSA_INSETOS, prob=T)
lines(density(univar1$BIOMASSA_INSETOS))

hist(univar1$TAMANHO_SEMENTES, prob=T)
lines(density(univar1$TAMANHO_SEMENTES))
par(mfrow=c(1,1))  
</code>


Podemos também mostrar, na parte inferior do gráfico de densidade, o número de observações em cada faixa do gráfico. Para isso vamos usar a função //rug()// 
<code>
par(mfrow = c(2,2)) 
plot(density(univar1$COMPRIMENTO_BICO))
rug(univar1$COMPRIMENTO_BICO, side=1)

plot(density(univar1$BIOMASSA_AVE))
rug(univar1$BIOMASSA_AVE, side=1)

plot(density(univar1$BIOMASSA_INSETOS))
rug(univar1$BIOMASSA_INSETOS, side=1)

plot(density(univar1$TAMANHO_SEMENTES))
rug(univar1$TAMANHO_SEMENTES, side=1)

par(mfrow=c(1,1))  
</code>

Todas essas informações nos auxiliam para identificarmos a quais distribuições teóricas nossos dados se ajustam.

{{section>cursos:planeco:planeco:roteiro:05-descr_base#boxplot}}

<code>
(sort(univar1$COMPRIMENTO_BICO))
</code>

{{section>cursos:planeco:planeco:roteiro:05-descr_base#boxplot2}}

Mas temos uma função que faz isso por nós:
<code>
boxplot(univar1$COMPRIMENTO_BICO, range=0) 
</code>

{{section>cursos:planeco:planeco:roteiro:05-descr_base#outliers}}

Vamos fazer um boxplot modificado com os nossos dados de COMPRIMENTO_BICO
<code>
boxplot(univar1$COMPRIMENTO_BICO) 
</code>

{{section>cursos:planeco:planeco:roteiro:05-descr_base#boxplot3}}

<code>
boxplot(univar1$BIOMASSA_INSETOS ~ univar1$NIVEL_DISTURBIO)
</code>

{{section>cursos:planeco:planeco:roteiro:05-descr_base#boxplot4}}


<code>
boxplot(univar1$BIOMASSA_INSETOS ~ univar1$NIVEL_DISTURBIO, notch=TRUE)
</code>

<WRAP center round box 80%>

**E agora, você está mais seguro(a) para afirmar se a biomassa de insetos difere ou não entre os dois níveis de distúrbio?**

</WRAP>

==== CHECANDO O AJUSTE DOS DADOS A UMA DISTRIBUIÇÃO ====

{{section>cursos:planeco:planeco:roteiro:05-descr_base#checando_o_ajuste_dos_dados_a_uma_distribuicao}}

Vamos então aplicar as funções abaixo aos nossos dados:

<code>
par(mfrow = c(2,2)) 

qqnorm(univar1$COMPRIMENTO_BICO)
qqline(univar1$COMPRIMENTO_BICO)

qqnorm(univar1$BIOMASSA_AVE)
qqline(univar1$BIOMASSA_AVE)

qqnorm(univar1$BIOMASSA_INSETOS)
qqline(univar1$BIOMASSA_INSETOS)

qqnorm(univar1$TAMANHO_SEMENTES)
qqline(univar1$TAMANHO_SEMENTES)

par(mfrow=c(1,1))  
</code>

{{section>cursos:planeco:planeco:roteiro:05-descr_base#qqplot2}}

==== AVALIANDO AUTOCORRELAÇÃO ====

Para essa parte do tutorial, importe o conjunto de dados "autocorr.csv" para o R e inspecione os dados:

<code>
autocorr<-read.csv("autocorr.csv")
head(autocorr)
summary(autocorr)
</code>

{{section>cursos:planeco:planeco:roteiro:05-descr_base#avaliando_autocorrelacao}}

<code>
lag.plot(autocorr$x1, do.lines = FALSE, diag=FALSE)

lag.plot(autocorr$x2, do.lines = FALSE, diag=FALSE)
</code>

{{section>cursos:planeco:planeco:roteiro:05-descr_base#autocorr2}}


==== ANALISANDO DADOS BIVARIADOS ====

{{section>cursos:planeco:planeco:roteiro:05-descr_base#analisando_dados_bivariados}}

<code>
bivar<-read.csv("bivar.csv")
head(bivar)
summary (bivar)
</code>

<code>
plot(bivar$y.l ~ bivar$x.l)
</code>

{{section>cursos:planeco:planeco:roteiro:05-descr_base#bivariado2}}

<code>
plot(bivar$y.l ~ bivar$x.l)
lines(lowess(bivar$y.l ~ bivar$x.l))
</code>

{{section>cursos:planeco:planeco:roteiro:05-descr_base#bivariado3}}

<code>
plot(bivar$y.n ~ bivar$x.n)
lines(lowess(bivar$y.n ~ bivar$x.n))
</code>

{{section>cursos:planeco:planeco:roteiro:05-descr_base#bivariado4}}

<code>
#grafico do pacote car
scatterplot (bivar$y.l ~ bivar$x.l)
</code>

<code>
scatterplot (bivar$y.n ~ bivar$x.n)
</code>

==== Transformando os dados ====

{{section>cursos:planeco:planeco:roteiro:05-descr_base#transformando_os_dados}}

<code>
scatterplot(univar1$COMPRIMENTO_BICO ~ univar1$BIOMASSA_AVE)
</code>

Como podemos observar pelos boxplots laterais, nesse caso, aparentemente são os dados da variável Y que parecem estar afetando a linearidade da relação. Então, vamos transformar os dados de Y pelo logaritmo natural e ver se o ajuste melhora.

<code>
scatterplot (log(univar1$COMPRIMENTO_BICO) ~ univar1$BIOMASSA_AVE)
</code>


{{section>cursos:planeco:planeco:roteiro:05-descr_base#transforma2}}