#===============================================================================
#. Name   : gexp_quant_dexp_bas
#. Author : J.C.Faria
# Date   : 2024-10-17 20:11:48
# Aim    : Gerar/simular e analisar experimentos quantitativos
#          nos delineamentos experimentais básicos:
#          - Del. Inteiramente ao Acaso - DIC
#          - Del. Blocos Casualizados - DBC
#          - Del. Quadrado Latino - DQL
# Mail   : <<< joseclaudio.faria@gmail.com >>>
#===============================================================================

#.. Instalação do pacote 'gexp'
#... do GitHub: via devtools
#install.packages('devtools', dep=TRUE)
#library(devtools)
#install_github('ivanalaman/gexp')

#... do GitHub: via pacman
#install.packages('pacman', dep=TRUE)
#p_load_gh('ivanalaman/gexp')

#... do CRAN
# install.packages('gexp')

#.. Anexando o pacote
#... Necessita gexp >= 1.0.2
library(gexp)
packageVersion('gexp') >= '1.0.2'

#.. ___DIC___
set.seed(1)
dic <- gexp(mu=10,
            r=4,
            fe=list(f1=c(10,
                         20,
                         30,
                         40,
                         50)),
            fl=list(X=factor(1:5)))
str(dic)
summary(dic)

par(mfrow=c(1, 1))
plot(dic,
     main='DIC')

## Calculando as médias de tratamentos
(dic_m <- aggregate(Y1 ~ X,
                    data=dic$dfm,
                    mean))
dic_m$X <- as.numeric(dic_m$X)

## Diagrama de dispersão com as médias do níveis de 'X'
with(dic_m,
     plot(Y1 ~ X,
          ylab='m(Y1)',
          ylim=c(min(Y1),
                 102/100*max(Y1)),
          pch=19,
          col='blue'))

# ANOVA
av_dic <- aov(Y1 ~ X,
              dic$dfm)
summary(av_dic)

## Ajustando modelo linear (I grau) e visualizando os resultados
reg <- lm(Y1 ~ X,
          data=dic_m)

summary(reg)

## Visualizar médias e modelo linear ajustado
lines(spline(dic_m$X,
             fitted(reg),
             n=1e3),  # n -> argumento de suavização
      lwd=2,
      col='red')


#.. ___DBC___
set.seed(2)
dbc <- gexp(mu=10,
            r=2,
            fe=list(f1=c(0,
                         20,
                         30,
                         20,
                         10)),
            fl=list(X=factor(1:5)),
            blke=c(1, 2, 3),
            blkl=list(BLO=c('b1', 'b2', 'b3')),
            des='RCBD')
str(dbc)
summary(dbc)
plot(dbc,
     main='DBC')

## Calculando as médias de tratamentos
(dbc_m <- aggregate(Y1 ~ X,
                    data=dbc$dfm,
                    mean))
dbc_m$X <- as.numeric(dbc_m$X)

## Diagrama de dispersão com as médias do níveis de 'X'
with(dbc_m,
     plot(Y1 ~ X,
          ylab='m(Y1)',
          ylim=c(min(Y1),
                 110/100*max(Y1)),
          pch=19,
          col='blue'))

# ANOVA
av_dbc <- aov(Y1 ~ BLO + X,
              dbc$dfm)
summary(av_dbc)

## Ajustando modelo linear (II grau) e visualizando os resultados
reg <- lm(Y1 ~ X + I(X^2),
          data=dbc_m)

summary(reg)

## Visualizar médias e modelo linear ajustado
lines(spline(dbc_m$X,
             fitted(reg),
             n=1e2),  # n -> argumento de suavização
      lwd=2,
      col='red')


#.. ___DQL___
set.seed(3)
dql <- gexp(mu=10,
            r=1,
            fe=list(f1=c(10,
                         20,
                         25,
                         20,
                         10)),
            fl=list(X=factor(1:5)),
            rowe=c(1, 2, 3, 4, 5),
            rowl=list(LIN=paste0('l',
                                 1:5)),
            cole=c(5, 4, 3, 2, 1),
            coll=list(COL=paste0('c',
                                 1:5)),
            des='LSD')
str(dql)
summary(dql)
plot(dql,
     main='DQL')

## Calculando as médias de tratamentos
(dql_m <- aggregate(Y1 ~ X,
                    data=dql$dfm,
                    mean))
dql_m$X <- as.numeric(dql_m$X)

## Diagrama de dispersão com as médias do níveis de 'X'
with(dql_m,
     plot(Y1 ~ X,
          ylab='m(Y1)',
          ylim=c(min(Y1),
                 102/100*max(Y1)),
          pch=19,
          col='blue'))

# ANOVA
av_dql <- aov(Y1 ~ LIN + COL + X,
              dql$dfm)
summary(av_dql)

## Ajustando modelo linear (II grau) e visualizando os resultados
reg <- lm(Y1 ~ X + I(X^2),
          data=dql_m)

summary(reg)

## Visualizar médias e modelo linear ajustado
lines(spline(dql_m$X,
             fitted(reg),
             n=1e2),  # n -> argumento de suavização
      lwd=2,
      col='red')

#.. DBC|M (usado na elaboração de provas práticas)
n_al <- 5
n_bl <- 4
r <- 1

set.seed(20242)
rcbd_M <- gexp(mu=sample(10:50,
                         n_al),
               r=r,
               fe=list(f1=matrix(c(10,
                                   20,
                                   30,
                                   35,
                                   30,
                                   20,
                                   10),
                                 ncol=n_al,
                                 nrow=7,
                                 byrow=FALSE)),
               fl=list(N=factor(1:7)),
               blke=matrix(sample(1:10,
                                  n_bl),
                           ncol=n_al,
                           nrow=n_bl,
                           byrow=FALSE),
               blkl=list(Blo=paste0('B',
                                    1:n_bl)),
               round=1,
               design='RCBD')
#str(rcbd_M)
summary(rcbd_M)
plot(rcbd_M)

# ANOVA
av <- aov(Y1 ~ Blo + N,
          data=rcbd_M$dfm)

str(rcbd_M$dfm)

summary(av)

# Calculando as médias de tratamentos
(dbc_m <- aggregate(Y1 ~ N,
                    data=rcbd_M$dfm,
                    mean))
dbc_m$N <- as.numeric(dbc_m$N)

# Diagrama de dispersão com as médias do níveis de 'X'
with(dbc_m,
     plot(Y1 ~ N,
          ylab='m(Y1)',
          ylim=c(min(Y1),
                 110/100*max(Y1)),
          pch=19,
          col='blue'))

# Ajustando modelo linear (III grau) e visualizando os resultados
reg <- lm(Y1 ~ N + I(N^2) + I(N^3),
          data=dbc_m)

summary(reg)

# Visualizar médias e modelo linear ajustado
lines(spline(dbc_m$N,
             fitted(reg),
             n=1e2),  # n -> argumento de suavização
      lwd=2,
      col='red')