####Exercício 4- Analises Exploratorias####

###4.2
#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)
cervejas.table
barplot(cervejas.table)
cervejas.table<- as.numeric(cervejas.table)
dotchart(cervejas.table)

#4.2.2 O dotplot tem uma razão dado/tinta maior mostrando os mesmos dados que o barplot, sendo que com uma economia maior de tinta

###4.3
#4.3.1 Construa um histograma do dap dos fustes dos caixetais.
caixeta <- read.csv("caixeta.csv", as.is=T)
caixeta
str(caixeta)
summary (caixeta)
hist(caixeta$cap)

#4.3.2 calculo do DAP e adição de uma nova coluna
caixeta$dap <- (caixeta$cap)/pi
caixeta

#Usando a funcao hist() para construir um histograma do dap dos fustes dos caixetais.
hist(caixeta$dap)

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. Na Jureia a variabilidade na altura é maior, em Chauas está mais concentrada em torno da média, e o Retiro tem alturas com concentrações em torno de 50 e de 100. 

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

par(mfrow=c(1,2))
boxplot(dap~regiao*rotacao, data=e.grandis, xlab = "Regiao e Rotacao", ylab="DAP (cm)")
boxplot(dap~regiao, data=e.grandis,xlab = "Regiao", ylab="DAP (cm)")
boxplot(dap~rotacao, data=e.grandis,xlab = "Rotacao", ylab="DAP (cm)")
head(e.grandis)

#4.4.2
qqnorm(e.grandis$ht)
qqline(e.grandis$ht)
#os dados nao seguem um distribuiçao normal, pois a curva da distribuiçao dos dados nao segue uma tendencia linear

###4.5
####4.5.2
caixeta= read.table("caixeta.csv", header=T, sep=",")
str(caixeta)

tabebuia= caixeta[caixeta$especie=="Tabebuia cassinoides",]
head(tabebuia)

tabebuia$dap= tabebuia$cap/pi

tabebuia$area.basal= pi*((tabebuia$dap/2)^2)

tab.arvores= aggregate(tabebuia$area.basal, by=list(tabebuia$arvore, tabebuia$local), FUN=sum)

tab.arvores$dap.total= sqrt(tab.arvores$x/pi)
head(tab.arvores)

altura= aggregate(tabebuia$h, by=list(tabebuia$arvore,tabebuia$local), FUN=mean)
head(altura)
summary(altura)
class(altura)

alt<-altura$x
head(alt)

tab.arvores$altura<- alt
head(tab.arvores)

class(tab.arvores$local)

colnames(tab.arvores)= c("arvore", "local", "area.basal.total", "dap", "altura")

par(mfrow=c(2,2))
plot(tab.arvores$dap ~ tab.arvores$altura, data=tab.arvores, subset=(local=="chauas"), main="Chauas", xlab="dap", ylab="altura")
plot(tab.arvores$dap ~ tab.arvores$altura, data=tab.arvores, subset=(local=="jureia"), main= "Jureia", xlab="dap", ylab="altura")
plot(tab.arvores$dap ~ tab.arvores$altura, data=tab.arvores, subset=(local=="retiro"), main= "Retiro", xlab="dap", ylab="altura")
par(mfrow=c(1,1))

####4.5.2scatter.smooth

par(mfrow=c(2,2))
scatter.smooth(tab.arvores$dap[tab.arvores$local=="chauas"], tab.arvores$altura[tab.arvores$local=="chauas"], data=tab.arvores, main="Chauas", xlab="dap", ylab="altura")
scatter.smooth(tab.arvores$dap[tab.arvores$local=="jureia"], tab.arvores$altura[tab.arvores$local=="jureia"], data=tab.arvores, main="Jureia", xlab="dap", ylab="altura")
scatter.smooth(tab.arvores$dap[tab.arvores$local=="retiro"], tab.arvores$altura[tab.arvores$local=="retiro"], data=tab.arvores, main="Retiro", xlab="dap", ylab="altura")
par(mfrow=c(1,1))

####4.5.3
library(lattice)
xyplot(dap~altura|local, data=tab.arvores)