#### OLIDAN POCIUS _ EXERCiCIO 3
## Exercicios de Teste de Hipotese e Simulacao
##Crie seus dados

#A
NORM.A=rnorm(10,mean=6,sd=3)
NORM.A
#B
NORM.B=rnorm(10,mean=7.5,sd=3.2)
NORM.B

##1
mA<-mean(NORM.A)
mB<-mean(NORM.B)
dados=data.frame(NORM.A,NORM.B)
boxplot(dados)
dif=abs(mA-mB)
dif
source("simula.r")
dif.dados=simula(NORM.A,NORM.B,nsim=1000)
table(dif.dados)
n.maior=sum(dif.dados>=dif)
n.maior
n.maior/length(dif.dados) ## [1] 0.209 Não rejeita a hipótese nula

##2
dif.dados.uni=simula(NORM.B,NORM.A, teste= "uni", nsim=1000)
dif.dados.uni
valor.maior=sum(round(dif.dados.uni,1)>=round(dif,1))
valor.maior
p.uni=valor.maior/1000
p.uni##[1] 0.143 Não rejeita a hipótese nula

## tESTE T

t.test(NORM.A,NORM.B)
#t = -1.1984, df = 16.991, p-value = 0.2472
#alternative hypothesis: true difference in means is not equal to 0 
#95 percent confidence interval:
# -3.976981  1.095674 
#sample estimates:
#mean of x mean of y 
# 6.923781  8.364435 
t.test(NORM.B,NORM.A,alternative="g")
#t = 1.1984, df = 16.991, p-value = 0.1236
#alternative hypothesis: true difference in means is greater than 0 
#95 percent confidence interval:
# -0.6506033        Inf 
#sample estimates:
#mean of x mean of y 
# 8.364435  6.923781 

#### cAixeta

caixeta=read.table("caixeta.csv", header=TRUE, sep=",")
head(caixeta)

# 1
raio=(caixeta$cap)/(2*base::pi)
caixeta$ab=base::pi*(raio^2)
head(caixeta)
somaabasal = aggregate(caixeta$ab, list(caixeta$local,caixeta$arvore), sum)
somaabasal

# 2
abasal_amostra<-aggregate(caixeta$ab,list(caixeta$local,caixeta$parcela),mean)
abasal_amostra
sort(abasal_amostra[,3])

# 3
par(mfrow=c(1,2))
plot(abasal_amostra[,c(1,3)],ylab="AREA BASAL",xlab="")
plot(abasal_amostra[abasal_amostra$Group.1=="chauas",2:3],ylab="Area basal",xlab="Parcelas",pch=16,col=2,ylim=c(3000,24000))
par(new=TRUE)
plot(abasal_amostra[abasal_amostra$Group.1=="retiro",2:3],pch=16,col=3,ann=FALSE, axes=FALSE)
par(new=TRUE)
plot(abasal_amostra[abasal_amostra$Group.1=="jureia",2:3],pch=16,col=4,ann=FALSE, axes=FALSE)


# 4 ANOVA 
chauas=abasal_amostra[c(1,4,7,10,13),3]
retiro=abasal_amostra[c(3,6,9,12,15),3]
jureia=abasal_amostra[c(2,5,8,11,14),3]
AMB=data.frame(chauas,retiro,jureia)
MED.AMB<-apply(AMB,2,mean)
MED.geral=mean(MED.AMB)

# SS TOTAL
dif.geral=AMB-MED.geral
dif.geral
sum(dif.geral)
round(sum(dif.geral),5)
SS.AMB=dif.geral^2
SS.total=sum(SS.AMB)
SS.total

# SS INT.
SS.chauas=sum((chauas-MED.AMB[1])^2)
SS.retiro=sum((retiro-MED.AMB[2])^2)
SS.jureia=sum((jureia-MED.AMB[3])^2)
SS.intra=SS.jureia+SS.chauas+SS.retiro

# SS ENT.
SS.entre=sum(5*(MED.AMB-MED.geral)^2)
SS.entre

#  F 
MS.entre=SS.entre/2
MS.intra=SS.intra/12
MS.entre
MS.intra
F.AMB=MS.entre/MS.intra
F.AMB
pf(F.AMB, 2, 12, lower.tail=FALSE)

# 5 AOV

str(AMB)
var.resp=c(AMB$chauas,AMB$retiro,AMB$jureia)
var.resp
AMB.f=factor(rep(c("chauas","retiro","jureia"),each=5))
dados.AMB=data.frame(var.resp,AMB.f)
REANOVA=aov(var.resp~AMB.f)
summary(REANOVA)

# % VARIAÇÃO, FATOR:LOCALIDADE
varia.local=SS.entre/SS.total
varia.local  ##[1] 0.761868

# 76,19% da variação foi explicada pela localidade