#4.2 Cervejas #Uma amostra de 30 estudantes foi indagada sobre seu tipo de cerveja preferida, com o seguinte resultado #Represente este resultado como um gráfico de barras e um dotplot (função dotchart). 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") factor(cervejas) barplot(list(factor(cervejas)) barplot cervejas.t <- table(cervejas) #Aqui eu transformei um vetor em tabela. Sem transformar, não havia sido realizada a contagem, portanto eu não consegui executar o gráfico dotchart(cervejas.t) barplot(cervejas.t) #Qual tem maior razão dado/tinta? #O gráfico que apresenta o maior consumo de tinta é o gráfico de barra. Para diminuir os custos de tinta, o ideal seria fazer o gráfico em pontos ou, refazer o gráfico em barras sem preenchimento, embora isso dificulte a visualização #4.3 Caixetais caixeta <- read.table("caixeta.csv", header=TRUE, sep=",", as.is=TRUE) caixeta str(caixeta) head(caixeta) tail(caixeta) summary(caixeta) library(lattice) #Construa histogramas da altura das árvores para os diferentes caixetais ('local'). dap.1 <- caixeta$cap/pi hist.caixeta <- hist(dap.1, col="gray", main=paste("Histograma do dap")) hist.caixeta table(caixeta$local) histogram(~h|local, data=caixeta) #Há diferenças entre as estruturas (distribuição de tamanhos) dos caixetais? #Sim, de acordo com a comparação dos três gráficos, há diferenças na frequência e tamanho das árvores para cara local analisado. #Exercícios 4.4 #Utilize o gráfico boxplot para analisar o DAP de árvores de E. grandis em função das variáveis região (regiao) e rotação (rotacao).egrandis <- read.table("egrandis.csv", header=TRUE, sep=";", as.is=TRUE) egrandis <- read.table("egrandis.csv", head=TRUE, sep=";", as.is=TRUE) head(egrandis) tail(egrandis) str(egrandis) summary(egrandis) E.grandis <- table(caixeta$especie =="E.grandis") boxplot(egrandis$dap~egrandis$regiao*egrandis$rotacao, data=egrandis) #Avalie a normalidade da altura do conjunto total de árvores com um gráfico quantil-quantil contra a distribuição normal. grafico<- boxplot(dap~regiao*rotacao, data=egrandis) norm.e <- qqnorm(egrandis$ht);qqline(egrandis$ht) #Exercício 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). caixeta <- read.csv("caixeta.csv", header= TRUE, sep=",", as.is=T) library(lattice)s table<-table(caixeta$arvore) table a1<-aggregate(caixeta$h, by=list, FUN=sum) r<- (caixeta$cap)/(2*pi) area <- pi * (r^2) area length(area) caixeta$dap <- sqrt((area*2)/pi) caixeta$dap length(caixeta$dap) tab<- subset(caixeta, subset = caixeta$especie=="Tabebuia cassinoides") tab chauas <- subset(tab, subset = tab$local=="chauas") jureia <- subset(tab, subset = tab$local=="jureia") retiro <- subset(tab, subset = tab$local=="retiro") chauas.plot<-plot( x = chauas$dap, y = chauas$h) jureia.plot<-plot( x = jureia$dap, y = jureia$h) retiro.plot<-plot( x = retiro$dap, y = retiro$h) #Para a mesma relação do item anterior, verifique linearidade com a função scatter.smooth scatter.smooth(x=chauas$dap, y=chauas$h, xlab="altura chauas", ylab="dap chauas") scatter.smooth(x=jureia$dap, y=jureia$h, xlab="altura jureia", ylab="dap chauas") scatter.smooth(x=retiro$dap, y=retiro$h, xlab="altura retiro", ylab="dap chauas") xyplot(chauas$dap~chauas$h, tab) xyplot(jureia$dap~jureia$h, tab) xyplot(retiro$dap~retiro$h, tab)