## Excercicio 4.2 - Cervejas ## 

# 4.2.1
cervejas <-c("chope","lata","garrafa","chope","garrafa", "garrafa","lata","lata","nenhuma","lata","garrafa","garrafa", "garrafa","lata","lata","lata","garrafa","lata","chope","nenhuma", "garrafa","garrafa","garrafa","chope","garrafa","garrafa","chope","garrafa","lata","lata")
cervejas.table <- table(cervejas)
str(cervejas.table)
summary(cervejas.table)
barplot(sort(cervejas.table, decreasing=TRUE))
barplot(cervejas.table)
dotchart(cervejas.table)

# 4.2.2 O grafico que tem a melhor razao dado/tinta é o dotchart. #


## Excercicio 4.3 - Caixetais ##  
# 4.3.1
caixeta = read.csv("caixeta.csv", as.is=T)
names(caixeta)
str(caixeta)
hist(caixeta$cap)

# 4.3.2
par(mfrow=c(2,2))
hist(caixeta$h[caixeta$local == "chauas"], xlab = "Altura(h)",ylab = "Frequência", main = "Chauas")
hist(caixeta$h[caixeta$local == "jureia"], xlab = "Altura(h)",ylab= "Frequência", main = "Jureia")
hist(caixeta$h[caixeta$local == "retiro"], xlab = "Altura(h)",ylab= "Frequência",main = "Retiro")


# 4.3.3
Sim. Em Chauas as observações de altura são em sua maioria em torno de 100 metros, enquanto que em Juréia e Retiro os valores estão mais distribuídos entre as alturas. Em Retiro os picos de altura são de 50 metros, e Juréia apresenta uma distribuição que aparenta seguir uma curva normal.

## Excercicio 4.4 - Eucaliptos ## 
# 4.4.1
e.grandis <= read.table(file="egrandis.csv",header=T,sep=";", as.is=F)
e.grandis
str(e.grandis)
head(e.grandis)

#Boxplots Separados
par(mfrow=c(1,2))
boxplot(dap~regiao, data=e.grandis) 
boxplot(dap~rotacao, data=e.grandis)

#Boxplot Juntos
par(mfrow=c(1,1))
boxplot(dap~regiao*rotacao, data=e.grandis)

#4.4.2
qqnorm(e.grandis$dap)
qqline(e.grandis$dap)
# Os valores dap nas extremidades superior e inferior estão muito distantes da linha de distribuição normal, significando que a variável não apresenta uma distribuição normal.

## Excercicio 4.5 - Mais Caixetais ## 
caixeta <- read.csv("caixeta.csv", as.is=T)
str(caixeta)

#4.5.1
tabebuia = caixeta[caixeta$especie == "Tabebuia cassinoides",]
tabebuia
tabebuia$dap = tabebuia$cap/pi
tabebuia$area.b = pi*(tabebuia$dap/2)^2
tabebuia2 = aggregate(tabebuia$area.b, by=list(local=tabebuia$local, arvore=tabebuia$arvore), sum)
head(tabebuia2)
altura = aggregate(tabebuia$h, by=list(local=tabebuia$local, arvore=tabebuia$arvore), max)
head(altura)
tabebuia2$altura = altura[,3]
head(tabebuia2)
colnames(tabebuia2) = c("local", "arvore", "area_basal", "altura")
head(tabebuia2)
tabebuia2$dap.arvore = sqrt(tabebuia2$area_basal/pi*4)
head(tabebuia2)
colnames(tabebuia2) = c("local", "arvore", "area_basal", "altura", "dap_arvore")
head(tabebuia2)
chauas = tabebuia2[tabebuia2$local=="chauas",]
head(chauas)
retiro = tabebuia2[tabebuia2$local=="retiro",]
head(retiro)
jureia = tabebuia2[tabebuia2$local=="jureia",]
head(jureia)
par(mfrow=c(2,2))
plot(dap_arvore~altura, data = chauas, ylab = "DAP", main = "DAP x altura - Chauas")
plot(dap_arvore~altura, data = retiro, ylab = "DAP", main = "DAP x altura - Retiro")
plot(dap_arvore~altura, data = jureia, ylab = "DAP", main = "DAP x altura - Jureia")

#4.5.2
scatter.smooth(chauas$dap_arvore, chauas$altura , col="red", xlab = "DAP", ylab = "Altura", main = "DAP x altura - Chauas")
scatter.smooth(retiro$dap_arvore, retiro$altura , col="red", xlab = "DAP", ylab = "Altura", main = "DAP x altura - Retiro")
scatter.smooth(jureia$dap_arvore, jureia$altura , col="red", xlab = "DAP", ylab = "Altura", main = "DAP x altura - Jureia")

#4.5.3
library(lattice)
xyplot(tabebuia2$dap_arvore ~ tabebuia2$altura | tabebuia2$local, xlab = "DAP", ylab = "Altura")


# Para a especie 'Tabebuia crassinoides', existe uma relacao positiva entre as variaveis DAP e altura da arvore, principalmente entre os locais de Retiro e Jureia em comparacao com a encontrada em Chauas.