Prática em R - Aula 07

Análise exploratória e visualização de dados

Curso: Bacharelado Interdisciplinar em Ciências do Mar
Unidade Curricular (UC): Probabilidade e Estatística
Atividade: Prática no Laboratório de Informática

1 Morfometria de passeriformes — distribuição e comparações entre grupos

Os dados de morfometria de passeriformes de Zuur et al. (2009), arquivo Sparrows.txt, registram medidas de comprimento de asa (wingcrd), comprimento do tarso (tarsus), comprimento do crânio (head) e peso corporal (wt), além de variáveis categóricas de sexo (Sex) e classe etária (Age). O arquivo usa separador de tabulação e exige o argumento sep = "\t" na leitura.

1.1 Carregamento e inspeção inicial

Orientação

Carregue o arquivo Sparrows.txt com a função read.table(), especificando header = TRUE para que a primeira linha seja interpretada como nomes de colunas e sep = "\t" para o separador de tabulação.

Após o carregamento, use as seguintes funções para inspecionar o arquivo:

• str() — exibe o tipo de cada coluna e os primeiros valores.
• summary() aplicado às colunas wingcrd, tarsus, head e wt — produz o resumo numérico das variáveis morfométricas.
• table() aplicado às colunas Sex e Age separadamente — conta o número de observações em cada categoria.

DicaO que observar

• No resultado de str(), verifique quais variáveis são numéricas e quais são representadas como inteiros codificando categorias. A distinção importa para o mapeamento de cores em ggplot2.
• No summary, compare o intervalo de cada variável morfométrica. Qual variável apresenta maior amplitude relativa em relação ao seu valor médio?
• A distribuição de machos e fêmeas no dataset é equilibrada ou um dos sexos concentra a maioria das observações?

1.2 Histograma e escolha de intervalos

O histograma divide o intervalo de uma variável contínua em classes e conta as observações em cada classe. O parâmetro bins controla o número de intervalos e influencia a percepção da forma da distribuição: intervalos demais criam irregularidades que dificultam identificar o padrão geral, e intervalos de menos suavizam a distribuição a ponto de ocultar detalhes relevantes.

Orientação

Construa três histogramas do peso corporal (wt) usando ggplot() com geom_histogram(), variando o argumento bins entre os valores 10, 30 e 60. Em cada gráfico:

• Mapeie wt ao eixo \(x\) dentro de aes().
• Use os argumentos fill e color de geom_histogram() para definir a cor de preenchimento das barras e a cor da borda.
• Adicione rótulos aos eixos com labs() e aplique theme_bw().

Para exibir os três gráficos lado a lado, carregue o pacote patchwork e combine os objetos gerados com o operador + ou /.

DicaO que explorar

• Compare os três histogramas. Em qual versão a forma geral da distribuição fica mais clara? Em qual surgem barras isoladas que parecem ruído em vez de padrão real?
• A distribuição do peso corporal parece simétrica em torno de um valor central ou apresenta assimetria? A presença de valores atípicos (barras isoladas nas extremidades) é visível em alguma das três versões?

1.3 Diagrama de caixa com pontos individuais sobrepostos

O diagrama de caixa resume a distribuição de uma variável contínua por meio de cinco descritores: o primeiro quartil (\(Q_1\)), a mediana, o terceiro quartil (\(Q_3\)), as hastes (que se estendem até 1,5 vezes o intervalo interquartílico além das bordas da caixa) e os pontos além das hastes, que são potenciais valores atípicos. A sobreposição dos pontos individuais com geom_jitter() torna visível a distribuição real dentro de cada grupo.

Orientação

Construa um diagrama de caixa do peso corporal por sexo usando ggplot() com geom_boxplot(). Mapeie factor(Sex) ao eixo \(x\) e ao argumento fill dentro de aes(). Em geom_boxplot(), defina outlier.shape = NA para suprimir a marcação automática de valores atípicos (os pontos individuais serão exibidos pela camada seguinte) e use alpha para tornar a caixa semitransparente.

Adicione uma camada geom_jitter() sobre o diagrama de caixa. Ajuste width para controlar a dispersão horizontal dos pontos e alpha para controlar a transparência. O argumento size reduz o tamanho dos pontos quando o número de observações é grande.

Finalize com labs() para nomear os eixos e a legenda, theme_bw() para o tema e theme(legend.position = "none") para remover a legenda redundante.

DicaO que observar

• A mediana de machos e fêmeas está na mesma altura ou uma é visivelmente maior do que a outra?
• As caixas dos dois grupos se sobrepõem ou estão separadas? A sobreposição indica que a distinção entre os sexos com base no peso corporal é parcial.
• Os pontos individuais revelam alguma concentração ou padrão dentro de cada grupo que a caixa não mostra?

2 Morfometria de passeriformes — relações bivariadas e multivariadas

Com a distribuição de cada variável e as comparações entre grupos examinadas, o passo seguinte é explorar as relações entre pares de variáveis morfométricas. O diagrama de dispersão mostra a direção, a força e a forma de cada relação individualmente. O gráfico de pares organiza todas as combinações possíveis em uma grade.

2.1 Diagrama de dispersão com variável de grupo

O mapeamento de uma variável categórica para a cor dos pontos acrescenta uma terceira dimensão ao diagrama de dispersão, permitindo verificar se a relação entre as variáveis contínuas varia entre os grupos.

Orientação

Construa um diagrama de dispersão usando ggplot() com geom_point(). Mapeie tarsus ao eixo \(x\), wingcrd ao eixo \(y\) e factor(Sex) ao argumento color, todos dentro de aes(). Use alpha em geom_point() para reduzir a sobreposição visual dos pontos. Nomeie os eixos e a legenda com labs() e aplique theme_bw().

DicaO que observar

• A relação entre comprimento do tarso e comprimento de asa é aproximadamente linear ou apresenta curvatura visível?
• Machos e fêmeas ocupam regiões distintas do espaço tarso-asa ou as nuvens de pontos se sobrepõem amplamente?
• A dispersão em torno da relação geral é uniforme ao longo dos valores de tarsus ou aumenta com o tamanho? Uma dispersão crescente com o preditor é chamada de heterocedasticidade.

2.2 Gráfico de pares das variáveis morfométricas

O gráfico de pares exibe, em uma grade, todos os diagramas de dispersão possíveis entre \(p\) variáveis, além da distribuição de cada variável na diagonal. Com quatro variáveis morfométricas, a grade contém \(\frac{4 \times 3}{2} = 6\) pares distintos.

Orientação

Carregue o pacote GGally. Caso ele não esteja instalado no ambiente do projeto, execute renv::install("GGally") uma única vez antes de prosseguir.

Use a função select() do pacote dplyr para extrair as colunas wingcrd, tarsus, head e wt do dataset. Passe o resultado para ggpairs() com um aes() contendo alpha = 0.3. O operador pipe nativo do R (|>) facilita o encadeamento das etapas.

DicaO que observar

• Identifique o par de variáveis com o maior coeficiente de correlação exibido na parte superior da grade. O diagrama de dispersão correspondente mostra pontos próximos de uma linha reta?
• Alguma variável apresenta distribuição claramente assimétrica na diagonal da grade? Uma assimetria marcante pode indicar a necessidade de transformação antes da modelagem.
• Há pares de variáveis com coeficiente de correlação próximo de zero? O que isso implica sobre a informação que cada uma acrescenta a um modelo de predição?

2.3 Gráfico de pares separado por classe etária

O argumento color no aes() do ggpairs() separa as observações por grupo em todos os painéis da grade ao mesmo tempo.

Orientação

Repita o procedimento da seção anterior, agora incluindo a coluna Age no select(). Mapeie factor(Age) ao argumento color dentro do aes() de ggpairs(), mantendo alpha = 0.3.

Para comparar padrões, repita a análise substituindo Age por Sex no mapeamento de cor.

DicaO que explorar

• As correlações entre variáveis morfométricas variam entre classes etárias? Compare os coeficientes de correlação exibidos na parte superior da grade para cada grupo.
• As distribuições na diagonal diferem em localização ou dispersão entre as classes etárias? Uma separação clara na localização indica que o tamanho corporal varia com a idade.
• Substitua Age por Sex para comparar machos e fêmeas. Em qual agrupamento as diferenças entre grupos são mais visíveis?

3 Alometria de mariscos — transformação logarítmica

O dataset de Zuur et al. (2009), arquivo Clams.txt, contém comprimento corporal (LENGTH) e biomassa medida como massa seca livre de cinzas (AFD) de mariscos, além de versões já transformadas (LNLENGTH e LNAFD) e o mês de coleta (MONTH). A relação comprimento-biomassa segue uma lei de potência: na escala original, ela aparece como curva com crescimento acelerado. Na escala logarítmica, converte-se em uma relação linear, com o coeficiente alométrico \(\beta_1\) como inclinação da reta ajustada.

3.1 Relação na escala original

Orientação

Carregue o arquivo Clams.txt com read.table(), usando header = TRUE e sep = "\t". Inspecione as variáveis disponíveis com str().

Construa um diagrama de dispersão usando ggplot() com geom_point(), mapeando LENGTH ao eixo \(x\) e AFD ao eixo \(y\). Use alpha para transparência e defina uma cor com o argumento color em geom_point(). Nomeie os eixos com labs() e aplique theme_bw().

DicaO que observar

• A relação entre comprimento e biomassa é aproximadamente linear ou segue uma curva com crescimento acelerado?
• A dispersão dos pontos em torno da tendência central é uniforme ao longo do eixo LENGTH ou aumenta com o comprimento? Esse padrão de dispersão crescente é característico de relações de potência na escala original.

3.2 Relação na escala logarítmica

O dataset Clams.txt já contém as colunas LNLENGTH e LNAFD, com os logaritmos naturais do comprimento e da biomassa. A adição de uma reta de regressão com geom_smooth() permite avaliar visualmente se a relação log-log é bem descrita por uma linha reta.

Orientação

Construa um novo diagrama de dispersão usando as colunas LNLENGTH no eixo \(x\) e LNAFD no eixo \(y\). Adicione uma camada geom_smooth() com os argumentos method = "lm" e se = FALSE para sobrepor uma reta de regressão linear sem banda de confiança. Use o argumento color em geom_smooth() para diferenciar a cor da reta em relação aos pontos.

DicaO que explorar

• Compare este gráfico com o da escala original. A dispersão em torno da relação parece mais uniforme ao longo do eixo \(x\) na escala logarítmica?
• A reta ajustada por geom_smooth(method = "lm") descreve bem a nuvem de pontos nessa escala? O que isso indica sobre a adequação da lei de potência para descrever a relação comprimento-biomassa dos mariscos?

3.3 Variação sazonal com facetas

A variável MONTH indica o mês de coleta de cada marisco. facet_wrap() cria um painel separado para cada mês, com as mesmas escalas em todos os painéis, permitindo comparar o padrão alométrico ao longo do ano.

Orientação

Parta do gráfico da escala logarítmica construído na seção anterior (com geom_point() e geom_smooth(method = "lm", se = FALSE)). Acrescente facet_wrap(~ MONTH) como uma camada adicional para dividir o gráfico em painéis por mês de coleta. Mantenha os mesmos rótulos de eixo com labs() e theme_bw().

DicaO que observar

• A inclinação da reta ajustada é semelhante em todos os meses ou varia de forma visível ao longo do ano? Uma variação na inclinação indicaria que o padrão alométrico muda sazonalmente.
• Todos os meses têm o mesmo número de observações? Painéis com poucos pontos produzem retas ajustadas com maior incerteza.

4 Bioluminescência oceânica — variação entre estações

O dataset de Zuur et al. (2009), arquivo ISIT.txt, registra contagens de fontes bioluminescentes (Sources) em diferentes profundidades de amostragem (SampleDepth) em estações do Atlântico Norte. Cada estação (Station) corresponde a um local geográfico com múltiplas amostras coletadas em diferentes profundidades. A relação profundidade-bioluminescência pode variar entre estações em função de diferenças oceanográficas locais. Examinar se esse padrão é consistente entre locais motiva abordagens de modelagem que estimam a variação entre grupos de forma explícita.

4.1 Padrão global profundidade-bioluminescência

Orientação

Carregue o arquivo ISIT.txt com read.table(), usando header = TRUE e sep = "\t". Inspecione as variáveis disponíveis com str().

Construa um diagrama de dispersão usando ggplot() com geom_point(), mapeando SampleDepth ao eixo \(x\) e Sources ao eixo $y. Usealphaesizeemgeom_point()para lidar com a sobreposição de pontos. Nomeie os eixos comlabs()e apliquetheme_bw()`.

DicaO que observar

• Existe uma tendência visível entre profundidade e número de fontes bioluminescentes no padrão global?
• A dispersão dos pontos em torno da tendência geral é pequena ou grande? Alta dispersão pode indicar que as estações diferem entre si na relação profundidade-bioluminescência.

4.2 Variação entre estações com facetas

Orientação

Parta do gráfico construído na seção anterior. Acrescente facet_wrap(~ Station) para criar um painel separado por estação amostral. Mantenha os mesmos mapeamentos estéticos, rótulos de eixo e tema.

DicaO que observar

• A relação profundidade-bioluminescência é consistente entre as estações ou algumas apresentam padrões claramente distintos das demais?
• A profundidade máxima amostrada varia entre estações, o que resulta em painéis com escalas de \(x\) aparentemente diferentes. Em quais estações a relação é mais pronunciada?
• Compare a variação dentro de cada painel (variação interna à estação) com a variação entre os painéis (variação entre estações). Em qual escala a variabilidade é maior?

Referências

Zuur, Alain F., Elena N. Ieno, Neil J. Walker, Anatoly A. Saveliev, e Graham M. Smith. 2009. Mixed Effects Models and Extensions in Ecology with R. Springer.