############################Exercicios aula 4 - Paola Franzan Sanches

#########4.2 Cervejas

#Uma amostra de 30 estudantes foi indagada sobre seu tipo de cerveja preferida, com o seguinte resultado
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")

str(cervejas)
summary(cervejas)

#help(dotchart)
help(barplot)

table(cervejas)->cervejas.n
par(mfrow=c(2,2))
barplot(table(cervejas), ylab="Numero por categoria", main="Preferência de Cerveja")
dotchart(cervejas.n, xlab="Numero por categoria",  main="Preferência de Cerveja")

#2 Qual tem maior razão dado/tinta?
#Se razão dado/tinta é dada por quantidade de dados apresentados/tinta gasta no gráfico, sendo dados1 = dados2 e tinta1> tinta2, então, a razão dados/tinta1<dados/tinta2 assim, o primeiro gasta mais tinta por quantidade de dado. 


####################4.3 Caixetas

getwd()
setwd("C:/Users/Aluno/Desktop/aula4")
caixeta <- read.csv("caixeta.csv", as.is=T)
head(caixeta)
tail(caixeta)
str(caixeta)
summary(caixeta)

#1
#dap
#cap= 2*pi(dap/2)
#(dap/2)^2=1/pi

dap=cap/pi

caixeta$dap<-caixeta$cap/pi

hist(caixeta$dap)

#2


unique(caixeta$local)

par(mfrow=c(1,3))
hist(caixeta$h[caixeta$local=="chauas"], xlab="h de chaua")
hist(caixeta$h[caixeta$local=="jureia"], xlab="h de jureia")
hist(caixeta$h[caixeta$local=="retiro"], xlab="h de retiro")

#3
# Resp.: Apesar da escala dos três histogramas estarem diferentes, percebemos através deles que as plantas das três áreas possuem alturas intermediárias, em maior frequencia, isto é, há um maior número de plantas com alturas intermediárias, do que com alturas extremas( tanto para menos, como para baixo).Porém, para os locais Chaua e retiro, há um maior número de plantas com altura entre 50 e 100 metros, embora hajá em Chaua um outlier e em Retiro não. Já para Jureia, a altura com maior frequência é entre 80 e 120 aproximadamente e assim como Retiro, Jureia não apresente uma planta que distoa das demais, quanto a altura.   

##########################4_4

getwd()
setwd("C:/Users/Aluno/Desktop/aula4")
egrandis<- read.csv("egrandis.csv", header=TRUE, sep=";",as.is=T)
head(egrandis)
tail(egrandis)
str(egrandis)
summary(egrandis)

#1

par(mfrow=c(1,2))
#help(boxplot)

#boxplot(dap~regiao, data=egrandis)
boxplot(egrandis$dap~egrandis$regiao, xlab="Regiao", ylab="Dap", main= "E.grandis")

boxplot(egrandis$dap~egrandis$rotacao,xlab="Rotação", ylab="Dap", main= "E.grandis" )

#2
help(qqnorm)
summary(egrandis$ht)
par(mfrow=c(1,1))
qqnorm(egrandis$ht, main="Normalidade da altura de E. grandis", xlab = "Theoretical Quantiles", ylab = "Sample Quantiles",
       plot.it = TRUE, datax = FALSE)
qqline(egrandis$ht)


############################# 4_5 


#Analise a relação dap-altura ('dap' e 'h') em função do caixetal (local) com a função plot,
#mas somente para as árvores 2) de caixeta (Tabebuia cassinoides).

getwd()
setwd("C:/Users/Stefano C. Zveiter/Documents/aula 4")
caixeta <- read.csv("caixeta.csv", as.is=T)
head(caixeta)
tail(caixeta)
str(caixeta)
summary(caixeta)

#primeiro passo: calcular a area basal de cada fuste, criando uma coluna ab.
#o exercicio fornece o cap. 
#se cap=2piR   R=cap/2pi      ab=piR^2=pi*(cap/(2*pi))^2 

caixeta$ab<- pi*(caixeta$cap/(2*pi))^2
summary(caixeta)

#agora temos uma tabela com uma coluna com varias arvores, e varios fustes por arvores. 
#temos que juntar todos os fustes em sua respectiva arvore, para somando os valores de area basal

#função= aggregate 
##A função aggregate gera subconjuntos de cada um dos vetores de um data frame, executa uma função para cada um desses subconjuntos, e retorna um novo data frame com os resultados.
##Como seu resultado é sempre um data frame, a função aggregate é mais adequada que tapply para fazer estatíticas de muitos casos por uma ou muitas combinações de critérios:
#eu quero agregar fuste por árvore, 
#assim: Os argumentos básicos da função são o data.frame com os valores (x), o(s) fator(es) 
#que definem os subconjuntos (by, que deve ser uma lista), e a função a calcular de cada vetor do data 
#frame (FUN).


por.arvore<-aggregate(caixeta$ab, by=list(arvore=caixeta$arvore,local=caixeta$local, altura=caixeta$h, especie=caixeta$especie), sum)  ## area basal vira x
por.arvore

por.arvore$dap<- 2*sqrt(por.arvore$x/pi)

#Agora eu só quero os valores para T. cassinoides:

por.arvore.tc<- subset(por.arvore, por.arvore$especie == "Tabebuia cassinoides") 
por.arvore.tc

#segundo a correção do Diogo eu tenho duas árvores em retiro que tem o nome de 28:
por.arvore.tc[por.arvore.tc$local == "retiro" & por.arvore.tc$arvore == 28, ] 

#. vou eliminar as duas, por não saber qual está certa. e já vou separar por local, para plotar sem usar o argumento subset

por.arvore.tc.retiro<-subset(por.arvore.tc, por.arvore.tc$local=="retiro" & por.arvore.tc$arvore != 28, )
por.arvore.tc.retiro

por.arvore.tc.chauas<-subset(por.arvore.tc, por.arvore.tc$local=="chauas")
por.arvore.tc.chauas

por.arvore.tc.jureia<-subset(por.arvore.tc, por.arvore.tc$local=="jureia")
por.arvore.tc.jureia


par(mfrow=c(1,3))
plot(por.arvore.tc.retiro$dap~por.arvore.tc.retiro$altura, xlab="altura retiro", ylab="dap retiro", main="T. cassinoides")
plot(por.arvore.tc.chauas$dap~por.arvore.tc.chauas$altura, xlab="altura chauas", ylab="dap jureia", main="T. cassinoides")
plot(por.arvore.tc.jureia$dap~por.arvore.tc.jureia$altura, xlab="altura jureia", ylab="dap retiro", main="T. cassinoides")

#Para a mesma relação do item anterior, verifique linearidade com a função scatter.smooth
#para suavizar com o scatter.smooth eu preciso separar cada uma das localidades, pq senão ele assume uma única. 
#para isso, como eu ja agrupei por local no item anterior, é só fazer direto:

#scatter.smooth(x, y, usw): x=altura, y= dap

par(mfrow=c(1,3))
scatter.smooth(por.arvore.tc.chauas$altura, por.arvore.tc.chauas$dap, main="T. cassinoides", xlab="altura chauas", ylab="dap chauas")
scatter.smooth(por.arvore.tc.jureia$altura, por.arvore.tc.jureia$dap, main="T. cassinoides", xlab="altura jureia", ylab="dap jureia")
scatter.smooth(por.arvore.tc.retiro$altura, por.arvore.tc.retiro$dap, main="T. cassinoides", xlab="altura retiro", ylab="dap retiro")

#Utilizando o pacote lattice, analise a relação dap-altura ('dap' e 'h') em função do caixetal (local), mas somente para as árvores de caixeta (Tabebuia cassinoides).

#primeira coisa: carregar o pacote lattice
library(lattice)


xyplot(por.arvore.tc$dap ~ por.arvore.tc$altura | por.arvore.tc$local, xlab= "altura", ylab= "dap", main= "relação dap-altura para T. cassinoides")

# verificando a diferença: coplot(por.arvore.tc$dap ~ por.arvore.tc$altura | por.arvore.tc$local)