# RIVERS
# 4.1.1

search ()
ls (6)
data (rivers)
rivers
str (rivers)
media <- mean (rivers)
media

# 4.1.2
prop.mm <- sum(rivers <591.1844)/141
prop.mm

# 4.1.3
quantil.75 <- quantile (rivers, probs=0.75)
quantil.75

# 4.1.4

medias <- array (list(mean (rivers), mean (rivers, trim= 0.25), median (rivers)))
medias

# 4.2 Cervejas

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")
table (cervejas)
par(mfrow=c(1,2))
barplot (table(cervejas), ylab="Frequências",xlab= "Cervejas",ylim=c(0,14))
dotchart(as.numeric(table(cervejas),  xlab= "Frequências", xlim=c(0,14)))

# temos uma maior razão dado/tinta no dotplot, pois apresenta os mesmos dados do barplot mas ele gasta menos tinta na impressão

# 4.3 Caixetas

# 4.3.1

setwd ("C:/Users/jesús eduardo ortega/Documents/CURSO-R")
caixeta <- read.table("caixeta.csv", header=T, sep=",")
caixeta
dap <- (caixeta$cap/pi)
caixeta.dap <- data.frame(caixeta,dap)
caixeta.dap
hist(caixeta.dap$dap, ylab="Frequência", xlab="DAP cm", xlim=c(0,200), ylim=c(0,500), main= "DAP", col= "blue")

# 4.3.2

par(mfrow=c(1,3))
hist(caixeta.dap$h[caixeta.dap$local=="chauas"], main="Chauas", xlab="", ylab="Frequências")
hist(caixeta.dap$h[caixeta.dap$local=="jureia"], main="Jureia", xlab="Altura m", ylab="", xlim=c(0,250))
hist(caixeta.dap$h[caixeta.dap$local=="retiro"], main="Retiro", xlab="", ylab="", xlim=c(0,200), ylim=c(0,120))

# 3) Há uma diferença na altura das árvores entre as diferentes localidades.  A localidade de Jureia apresenta uma frequência de árvores maia altos em relação com as otras localidades.


# 4.4 e.grandis

# 4.4.1

setwd ("C:/Users/jesús eduardo ortega/Documents/CURSO-R/Aula-3")
dir()
e.grandis <-read.table("e.grandis.csv", sep= ";" , header=T)
str (e.grandis)
head (e.grandis)
e.grandis$regiao <- factor(e.grandis$regiao)
e.grandis$rotacao <- factor (e.grandis$rotacao)
class(e.grandis$regiao)
class (e.grandis$rotacao)
boxplot (dap ~ regiao*rotacao, data=e.grandis, ylab= "DAP cm", xlab= "Rotação", cex=2.0)
text (2.5,30, "Rotação 1", cex= 1.0)
text (6.5,30, "Rotação 2", cex= 1.0)

# Neste gráfico não se apresentam diferencias no DAP nas diferentes localidades em relação a Rotação. Há uma grande cantidade de outliers que devem ser estudados.

# 4.4.2

qqnorm (e.grandis$ht, ylab= "Quantis da Mostra", xlab= "Quantis Teóricos")
qqline (e.grandis$ht, col="blue", lwd=2)

# Não existe uma distribução normal nos dados.

# 4.5 Mais Caixeta

# 4.5.1

setwd ("C:/Users/jesús eduardo ortega/Documents/CURSO-R")
caixeta <- read.table("caixeta.csv", header=T, sep=",")
dap <- (caixeta$cap/pi)
caixeta$dap <- dap
T.cassinoides <- subset(caixeta,caixeta$especie=="Tabebuia cassinoides")
area.basal <- pi*(T.cassinoides$dap)^2/4
T.cassinoides$area.basal <- area.basal
lista <- list(T.cassinoides$arvore)
Chauas <- subset(T.cassinoides,T.cassinoides$local=="chauas")
Retiro <- subset(T.cassinoides,T.cassinoides$local=="retiro")
Jureia <- subset(T.cassinoides,T.cassinoides$local=="jureia")
A.basal.Chauas <- aggregate(Chauas$area.basal,by=list(Chauas$arvore),FUN=sum)
A.basal.Retiro <- aggregate(Retiro$area.basal,by=list(Retiro$arvore),FUN=sum)
A.basal.Jureia <- aggregate(Jureia$area.basal,by=list(Jureia$arvore),FUN=sum)
DAP.TChauas <- (sqrt(A.basal.Chauas$x/pi))*2
DAP.TRetiro <- (sqrt(A.basal.Retiro$x/pi))*2
DAP.TJureia <- (sqrt(A.basal.Jureia$x/pi))*2
h.Chauas <- aggregate(Chauas$h,by=list(Chauas$arvore),FUN=mean)
h.Retiro <- aggregate(Retiro$h,by=list (Retiro$arvore),FUN=mean)
h.Jureia <- aggregate(Jureia$h,by=list(Jureia$arvore),FUN=mean)
h.TChauas <- h.Chauas$x
h.TRetiro <- h.Retiro$x
h.TJureia <- h.Jureia$x
RelacaoChauas <- data.frame (DAP.TChauas,h.TChauas)
RelacaoRetiro <- data.frame (DAP.TRetiro,h.TRetiro)
RelacaoJureia <- data.frame (DAP.TJureia,h.TJureia)
par(mfrow=c(1,3))
plot(DAP.TChauas~h.TChauas, data=RelacaoChauas, ylab="DAP TOTAL (cm)", xlab= "", main="CHAUAS", cex=1.0, pch=1)
plot(DAP.TRetiro~h.TRetiro, data=RelacaoRetiro, ylab="", xlab="Altura das árvores (m)", main="RETIRO", cex=1.0,pch=2)
plot(DAP.TJureia~h.TJureia, data=RelacaoJureia, ylab="", xlab="", main="JUREIA", cex=1.0,pch= 5)

# 4.5.2

par(mfrow=c(1,3))
scatter.smooth(RelacaoChauas$DAP.TChauas, RelacaoChauas$h.TChauas, xlab="", ylab="DAP TOTAL (cm)", main="CHAUAS", pch=1,)
scatter.smooth(RelacaoRetiro$DAP.TRetiro, RelacaoRetiro$h.TRetiro, xlab="Altura das árvores (m)", ylab="", main="RETIRO", pch=2)
scatter.smooth(RelacaoJureia$DAP.TJureia, RelacaoJureia$h.TJureia, xlab="", ylab="", main="JUREIA", pch=5)

# 4.5.3

library (lattice)
xyplot (RelacaoChauas$DAP.TChauas ~ RelacaoChauas$h.TChauas, data=RelacaoChauas, xlab="Altura das árvores (m)", ylab="DAP TOTAL (cm)", main="CHAUAS", pch=1, col= "black") 
xyplot (RelacaoRetiro$DAP.TRetiro ~ RelacaoRetiro$h.TRetiro, data=RelacaoChauas, xlab="Altura das árvores (m)", ylab="DAP TOTAL (cm)", main="RETIRO", pch=2, col= "black")
xyplot (RelacaoJureia$DAP.TJureia ~ RelacaoJureia$h.TJureia, data=RelacaoChauas, xlab="Altura das árvores (m)", ylab="DAP TOTAL (cm)", main="JUREIA", pch=5, col= "black")

# Há uma relação positiva entre DAP total e Altura das árvores em todas as localidades