####################################################################

######## DISCIPLINA GEC 134 - ANALISE DE DADOS ECOL�GICOS #########

######## PROFESSOR RESPONS�VEL LUCAS DEL BIANCO FARIA ############
######## DEPARTAMENTO DE ECOLOGIA E CONSERVA��O #################
######## AULA COMPARA��O MEDIAS PARAMETRICO e NAO PARAMETRICO###
################################################################

###sempre iniciamos com o cabe�alho##

###limpando a memoria do R##
rm(list=ls())

###chamando a pasta (diretorio) que vamos trabalhar

setwd("~/estatistica/R/univariado")

###importando os dados para dentro do R

dados = read.delim(file = "morfo_pulgao.csv", sep = ";", header = TRUE)

###vendo os nomes das colunas

names(dados)

###vamos ver a estrutura dos dados

str(dados)
summary(dados)

##alguns dados n�o est�o como fatores nem como numeros

##por isso temos que converter em fator
dados$tratamento = as.factor(dados$tratamento)
str(dados)

###vamos explorar os dados com grafico (Boxplot)

boxplot(CT~tratamento, data = dados)

##agora vamos testar as condi��es para o teste t ser realizado

## 1. distribui��o normal dos dados (neste caso tamanho corporal)
## 2. independencia das amostragens >> no caso de duas amostras
## 3. variancia iguais (teste de levene) >> no caso de duas amostras

## 1. QUANTO A NORMALIDADE
##histograma
hist(dados$CT)
## testar a normalidade
shapiro.test(dados$CT)

install.packages("car")
library(car)
qqPlot(dados$CT)

##################################################################
##agora que nosso pre-suposto foi observado vamos de teste t
##se quisermos saber se os valores do tamanho corporal s�o diferentes de zero
###uma amostra (uma cauda, ou unicaudal)
t.test(dados$CT, mu = 1.9, data = dados)

###################################################################
###agora vamos comparar tamanho do comprimento corpo entre tratamentos

###vamos testar com rela��o ao tratamento e a variancia

var.test(CT ~ tratamento, data = dados)
car::leveneTest(CT ~ tratamento, data = dados)

#agora vamos para o teste t finalmente!

t.test(dados$CT ~ dados$tratamento, data = dados)

##vamos fazer um grafico

boxplot(dados$CT~dados$tratamento, xlab = "Tratamentos", ylab = "Comprimento
corporal",
col = c("pink", "blue"), main = "")

####################################################################
###agora um exemplo que as premissas para test t s�o violadas
rm(list=ls())
dados = read.csv(file = "Planilha1.csv", sep = ";", header = TRUE)

###vamos ver a estrutura dos dados

str(dados)

##alguns dados n�o est�o como fatores nem como numeros

##por isso temos que converter em fatores
dados$local = as.factor(dados$local)
dados$coleta = as.factor(dados$coleta)
dados$genero = as.factor(dados$genero)
dados$especie = as.factor(dados$especie)

##e agora transformar em numeros

dados$abun_herb = as.numeric(dados$abun_herb)
dados$abun_paras = as.numeric(dados$abun_paras)
dados$abun_total = as.numeric(dados$abun_total)
str(dados)

#### normalidade ###

## 1. histograma
hist(dados$tibia)
## testar a normalidade
shapiro.test(dados$tibia)
car::qqPlot(dados$tibia)

###vamos testar com rela��o a coleta a variancia

var.test(tibia ~ coleta, data = dados)
car::leveneTest(femur ~ coleta, data = dados)

t.test(dados$tibia ~ dados$coleta, data = dados)

##vamos fazer um grafico

boxplot(dados$tibia~dados$coleta, xlab = "Coleta", ylab = "Tibia (mm)",
col = c("pink", "blue"), ylim = c(0,1), main = "Medida da tibia por
coleta")

###################################################################################
##### NAO PARAMETRICO ##################################################
########################################################################
########################################################################
##agora vamos testar as condi��es para o teste t ou wilcox ser realizado
## 1. distribui��o n�o normal dos dados (neste caso abundancia)
## 2. independencia das amostragens
## 1. histograma
hist(dados$abun_total)
## testar a normalidade
shapiro.test(dados$abun_total)
car::qqPlot(dados$abun_total)

#########################################################
###agora que ja conhecemos os dados vamos fazer a an�lise
##se a abundancia � diferente de zero
wilcox.test(dados$abun_total, mu = 0, data = dados)

#####################################################################
###agora vamos fazer a an�lise para comparar abundancia entre coletas
wilcox.test(dados$abun_total ~ dados$coleta, data = dados)

##vamos fazer um grafico

boxplot(dados$abun_total ~ dados$coleta, xlab = "Coleta", ylab = "Abund�ncia",
col = c("pink", "blue"), main = "abundancia de insetos por coleta")

###agora vamos fazer a an�lise para comparar abundancia entre esp�cies

wilcox.test(dados$abun_total ~ dados$especie, data = dados)

##vamos fazer um grafico

boxplot(dados$abun_total ~ dados$especie, xlab = "esp�cies", ylab = "Abund�ncia",
col = c("pink", "blue"), main = "abundancia de insetos por esp�cie")

###################
###agora vamos voltar as dados do femur ja que o test t nao estava correto ser
usado
wilcox.test(dados$tibia ~ dados$coleta)

##vamos fazer um grafico

boxplot(dados$femur ~ dados$coleta, xlab = "Coleta", ylab = "tibia",
col = c("pink", "blue"), main = "")

install.packages("ggplot2")
library(ggplot2)
###vamos plotar agora
##grafico boxplot
ggp = ggplot(dados, aes(x = coleta, y = tibia, color = local,
fill = especie)) +
geom_boxplot()+theme_classic()+
labs(x = "Eventos amostrais", y = "tamanho tibia (mm)")

ggp