---
title: "Joonised"
author: "Jaagup Kippar"
output: html_document
---


Kõigepealt katsetasin õpiku 5. peatüki seosekõvera näidet sisseehitatud mtcars-andmestiku peal

loess-funktsiooni span-parameetriga (vaikimisi 0.75) tasandasin seosejoone järsemaid jõnkse

```r
  plot(mpg~qsec, data=mtcars, main="Autode kütusekulu ja kiirenduse seos", 
         xlab="Sõidu alustamisel veerand miili läbimise aeg", ylab="Ühe galloni kohta läbitud miilide arv")
  lines(sort(mtcars$qsec), fitted(loess(mpg~qsec, data=mtcars,span = 0.9))[order(mtcars$qsec)], lwd=3, lty=2)
```

![plot of chunk unnamed-chunk-1](figure/unnamed-chunk-1-1.png)

Õpiku näide tööle



```r
setwd("c:/jaagup/16/analyytika/6")
```

```
## Error in setwd("c:/jaagup/16/analyytika/6"): cannot change working directory
```

```r
Veg <- read.table(file = "Vegetation2.txt", header = TRUE)
plot(Veg$BARESOIL, Veg$R)
```

![plot of chunk unnamed-chunk-2](figure/unnamed-chunk-2-1.png)




```r
plot(Veg$BARESOIL, Veg$R, col=ifelse(Veg$Time>1974, "green", "red"), pch=16, 
       xlab="Palja maapinna protsent", ylab="Liikide arv mõõtlapil", main="Liigirikkus",
       sub="Rohelised punktid tähistavad uuemaid mõõtmisi")
```

![plot of chunk unnamed-chunk-3](figure/unnamed-chunk-3-1.png)


Ülesande lahendamiseks leidsin soovitud nimega ning pealtnäha sobiva sisuga faili
https://github.com/hangyan/Code/blob/master/R/RBeginners/RBook/Amphibian_road_Kills.xls

Andmed sisse

```r
  andmed=read.table("Amphibian_road_Kills.csv", header=TRUE, sep=";", dec=",")
  head(andmed)
```

```
##   Sector     X1     Y1 TOT.N OPEN.L  OLIVE MONT.S   MONT POLIC SHRUB
## 1      1 260181 256546    22 22.684 60.333  0.000  0.653 4.811 0.406
## 2      2 259914 256124    14 24.657 40.832  0.000  0.161 2.224 0.735
## 3      3 259672 255688    65 30.121 23.710  0.258 10.918 1.946 0.474
## 4      4 259454 255238    55 50.277 14.940  1.783 26.454 0.625 0.607
## 5      5 259307 254763    88 43.609 35.353  2.431 11.330 0.791 0.173
## 6      6 259189 254277   104 31.385 17.666  0.000 43.678 0.054 0.325
##    URBAN WAT.RES L.WAT.C L.D.ROAD L.P.ROAD D.WAT.RES D.WAT.COUR   D.PARK
## 1  7.787   0.043   0.583 3330.189    1.975   252.113    735.000  250.214
## 2 27.150   0.182   1.419 2587.498    1.761   139.573    134.052  741.179
## 3 28.086   0.453   2.005 2149.651    1.250    59.168    269.029 1240.080
## 4  0.831   0.026   1.924 4222.983    0.666   277.842     48.751 1739.885
## 5  2.452   0.000   2.167 2219.302    0.653   967.808    126.102 2232.130
## 6  2.730   0.039   2.391 1005.629    1.309   560.000    344.444 2724.089
##   N.PATCH  P.EDGE L.SDI
## 1     122 553.936 1.801
## 2      96 457.142 1.886
## 3      67 432.360 1.930
## 4      63 421.292 1.865
## 5      59 407.573 1.818
## 6      49 420.289 1.799
```

Lihtne joonis

```r
  plot(TOT.N~D.PARK, data=andmed, xlab="Kaugus rahvuspargist (meetrites?)", ylab="Hukkunud loomade arv (aastas?)", main="Loomade hukkumine liikluses")
```

![plot of chunk unnamed-chunk-5](figure/unnamed-chunk-5-1.png)

Lisatud seosejoon


```r
  plot(TOT.N~D.PARK, data=andmed, 
       xlab="Kaugus rahvuspargist", ylab="Hukkunud loomade arv", 
       main="Loomade hukkumine liikluses")
  lines(sort(andmed$D.PARK), fitted(loess(TOT.N~D.PARK, data=andmed))[order(andmed$D.PARK)], lwd=3, lty=2)
```

![plot of chunk unnamed-chunk-6](figure/unnamed-chunk-6-1.png)

Oliivisalude arv mõõdetaval alal

```r
  plot(TOT.N~D.PARK, data=andmed, cex=OLIVE, main="Loomade hukkumine liikluses", 
       sub="Ringi suurus näitab oliivisalude hulka piirkonnas", 
       xlab="Kaugus rahvuspargist", ylab="Hukkunud loomade arv")
```

![plot of chunk unnamed-chunk-7](figure/unnamed-chunk-7-1.png)

 Ringi läbimõõdu teen võrdeliseks ruutjuurega oliivisalude arvust. Kuna pindala on võrdeline raadiuse ruuduga, siis võiks võrdlus usutavam olla.

```r
  plot(TOT.N~D.PARK, data=andmed, cex=sqrt(OLIVE), main="Loomade hukkumine liikluses", 
       sub="Ringi pindala näitab oliivisalude hulka piirkonnas", 
       xlab="Kaugus rahvuspargist", ylab="Hukkunud loomade arv")
```

![plot of chunk unnamed-chunk-8](figure/unnamed-chunk-8-1.png)

 Kuna erinevused väga suured, siis kasutan läbijagamise asemel logaritmi võtmist. Et pisikesed ringid ka näha oleksid, suurendan lisaks kõikide läbimõõtu ühe ühiku võrra. 

```r
  plot(TOT.N~D.PARK, data=andmed, cex=log(OLIVE)+1,  
       main="Loomade hukkumine liikluses", sub="Ringi läbimõõt - oliivisalude hulk piirkonnas logaritmina", 
       xlab="Kaugus rahvuspargist", ylab="Hukkunud loomade arv")
```

![plot of chunk unnamed-chunk-9](figure/unnamed-chunk-9-1.png)

## Sektordiagramm

Andmed sisse. Andmestikuks linnugripi juhtumite arv riigiti ja aastati. 

Indoneesia taga oli failis kahtlane sümbol, mille lihtsalt notepadiga kustutasin

```r
linnud=read.table("BirdFluDeaths.txt", header=TRUE)
linnud
```

```
##   Year Azerbaijan Bangladesh Cambodia China Djibouti Egypt Indonesia Iraq
## 1 2003          0          0        0     1        0     0         0    0
## 2 2004          0          0        0     0        0     0         0    0
## 3 2005          0          0        4     5        0     0        13    0
## 4 2006          5          0        2     8        0    10        45    2
## 5 2007          0          0        1     3        0     9        37    0
## 6 2008          0          0        0     3        0     3        15    0
##   LaoPDR Myanmar Nigeria Pakistan Thailand Turkey VietNam
## 1      0       0       0        0        0      0       3
## 2      0       0       0        0       12      0      20
## 3      0       0       0        0        2      0      19
## 4      0       0       0        0        3      4       0
## 5      2       0       1        1        0      0       5
## 6      0       0       0        0        0      0       5
```

Aastaid pole mõtet kokku summeerida, riikide kaupa linnugripi juhtumite arve aga küll. 

```r
colSums(linnud[, 2:ncol(linnud)])
```

```
## Azerbaijan Bangladesh   Cambodia      China   Djibouti      Egypt 
##          5          0          7         20          0         22 
##  Indonesia       Iraq     LaoPDR    Myanmar    Nigeria   Pakistan 
##        110          2          2          0          1          1 
##   Thailand     Turkey    VietNam 
##         17          4         52
```

Õnnelikul kombel suudab pie-käsklus sarnasel kujul andmed ka kohe sisse lugeda. 


```r
 pie(colSums(linnud[, 2:ncol(linnud)]))
```

![plot of chunk unnamed-chunk-12](figure/unnamed-chunk-12-1.png)

Omaette nuputamist vajab, kuidas väikeste kogustega riigid joonisel üksteise peale ei läheks.

Üheks võimaluseks paistab olema alles jätta piisvalt suurte kogustega riigid

```r
 riigikogused=colSums(linnud[, 2:ncol(linnud)])
 pie(riigikogused[riigikogused>10], main="Linnugripi juhtumite arv")
```

![plot of chunk unnamed-chunk-13](figure/unnamed-chunk-13-1.png)

Väiksemad kogused saab ühendada

```r
 riigikogused2=riigikogused[riigikogused>10]
 riigikogused2["muu"]=sum(riigikogused[riigikogused<=10])
 riigikogused2
```

```
##     China     Egypt Indonesia  Thailand   VietNam       muu 
##        20        22       110        17        52        22
```

```r
 pie(riigikogused2, main="Linnugripi juhtumite arv 2003-2008", 
       labels=paste(names(riigikogused2), '-', riigikogused2))
```

![plot of chunk unnamed-chunk-14](figure/unnamed-chunk-14-1.png)


Sorteerituna

```r
  riigikogused2=sort(riigikogused2)
  pie(riigikogused2, clockwise=TRUE, init.angle=0)
```

![plot of chunk unnamed-chunk-15](figure/unnamed-chunk-15-1.png)



 Sildid
 
 Tühi plats alla, joonistades jäetakse nurgad meelde ning nende järgi tõstetakse paika sildid. 
 Ei leidnud joone tõmbamise käsku sildi ja sektori vahele. 

```r
  library(plotrix)
```

```
## Error in library(plotrix): there is no package called 'plotrix'
```

```r
  riigikogused=riigikogused[order(riigikogused)] 
  plot(1:5, type="n", axes=FALSE, xlab="", ylab="")
```

![plot of chunk unnamed-chunk-16](figure/unnamed-chunk-16-1.png)

```r
  nurgad=floating.pie(3, 3, riigikogused)
```

```
## Error in eval(expr, envir, enclos): could not find function "floating.pie"
```

```r
  pie.labels(3, 3, nurgad, names(riigikogused), radius=1.3, minangle=0.08)
```

```
## Error in eval(expr, envir, enclos): could not find function "pie.labels"
```




Aastati. Aastanumbrid vastavate summade pealkirjadeks.

```r
kogused=rowSums(linnud[, 2:ncol(linnud)])
names(kogused)=linnud$Year
pie(kogused)
```

![plot of chunk unnamed-chunk-17](figure/unnamed-chunk-17-1.png)

Kolmemõõtmeline joonis

```r
pie3D(kogused, labels=names(kogused), explode=0.05)
```

```
## Error in eval(expr, envir, enclos): could not find function "pie3D"
```

## Tulpdiagramm


### Tulpdiagrammid mtcars tulpade keskmiste ja standardhälvete kohta

```r
v=sapply(mtcars, FUN=function(x){c(keskmine=mean(x), halve=sd(x))})
v
```

```
##                mpg      cyl     disp        hp      drat        wt
## keskmine 20.090625 6.187500 230.7219 146.68750 3.5965625 3.2172500
## halve     6.026948 1.785922 123.9387  68.56287 0.5346787 0.9784574
##               qsec        vs        am      gear   carb
## keskmine 17.848750 0.4375000 0.4062500 3.6875000 2.8125
## halve     1.786943 0.5040161 0.4989909 0.7378041 1.6152
```

```r
barplot(v, beside=TRUE)
```

![plot of chunk unnamed-chunk-19](figure/unnamed-chunk-19-1.png)

Taimede andmed


```r
 Veg <- read.table(file = "Vegetation2.txt", header = TRUE)
 head(Veg)
```

```
##   TransectName Samples Transect Time  R ROCK LITTER ML BARESOIL FallPrec
## 1      A_22_58       1        1 1958  8   27     30  0       26    30.22
## 2      A_22_62       2        1 1962  6   26     20  0       28    99.56
## 3      A_22_67       3        1 1967  8   30     24  0       30    43.43
## 4      A_22_74       4        1 1974  8   18     35  0       16    54.86
## 5      A_22_81       5        1 1981 10   23     22  4        9    24.38
## 6      A_22_94       6        1 1994  7   26     26  0       23    10.16
##   SprPrec SumPrec WinPrec FallTmax SprTmax SumTmax WinTmax FallTmin
## 1   75.43  125.47   39.62    16.96   15.77   25.17    3.47     0.49
## 2   56.13   94.99  107.44    14.56   15.21   24.85    1.16    -0.18
## 3   65.02  112.26   76.70    18.44   12.76   25.51    3.09     1.23
## 4   58.67   70.35   90.67    17.16   14.00   26.67    2.46     1.43
## 5   87.63   81.78   45.97    18.49   14.33   26.02    5.72     1.09
## 6   57.15   95.25   60.70    17.39   16.91   26.78    3.64     0.28
##   SprTmin SumTmin WinTmin PCTSAND PCTSILT PCTOrgC
## 1    0.36    6.97   -8.54      24      30 0.03459
## 2    0.18    6.40  -10.76      24      30 0.03459
## 3   -1.86    7.12   -8.50      24      30 0.03459
## 4   -0.53    7.20   -8.28      24      30 0.03459
## 5    0.75    6.90   -7.56      24      30 0.03459
## 6    0.64    6.94   -9.21      24      30 0.03459
```

Keskmine liikide arv piirkonniti

```r
 tapply(Veg$R, Veg$Transect, FUN=mean)
```

```
##         1         2         3         4         5         6         7 
##  7.571429  6.142857 10.375000  9.250000 12.375000 11.500000 10.500000 
##         8 
## 11.833333
```

Sama joonisena

```r
 barplot(tapply(Veg$R, Veg$Transect, FUN=mean), xlab="Piirkonna number", ylab="Liikide arv",
        main="Keskmine liikide arv piirkonniti")
```

![plot of chunk unnamed-chunk-22](figure/unnamed-chunk-22-1.png)


Keskmine, standardhälve ning standardviga piirkondade kaupa

Standardviga on keskväärtuse hinnangu standardhälve, arvutatakse väärtuste standardhälve jagatuna ruutjuurega väärtuste arvust.

tapply andis mitme vastusfunktsiooni küsimisel tagasi listi ning sellise tulemuse "kandiliseks" (sedakorda maatriksiks) saamiseks ei leidnud ma muud lahendust, kui et tekkinud list do.call käsu abil elementidega cbind-funktsioonile ette anda. Natuke ümbertnurga-tegemine tundub, aga paistab toimima. 

```r
 arvutused=do.call(cbind, tapply(Veg$R, Veg$Transect, function(r){c(keskmine=mean(r), standardhalve=sd(r), standardviga=sd(r)/sqrt(nrow(Veg)))}))
 arvutused
```

```
##                       1         2          3         4          5
## keskmine      7.5714286 6.1428571 10.3750000 9.2500000 12.3750000
## standardhalve 1.3972763 0.8997354  3.5831949 2.3145502  2.1339099
## standardviga  0.1834714 0.1181410  0.4704965 0.3039153  0.2801961
##                       6         7          8
## keskmine      11.500000 10.500000 11.8333333
## standardhalve  2.267787  3.146427  2.7141604
## standardviga   0.297775  0.413146  0.3563867
```

```r
 class(arvutused)
```

```
## [1] "matrix"
```

 Tulemused koos legendiga, tulbad kõrvuti. Ehkki erineva sisuga tulbad, siis siiski sama mõõtühikuga (liikide arv katselapil) ning peaks tohtima samale joonisele kõrvuti panna.

```r
barplot(arvutused, beside=TRUE, legend=TRUE, xlab="piirkond", ylab="Liikide arv katselapil")
```

![plot of chunk unnamed-chunk-24](figure/unnamed-chunk-24-1.png)

Kui standardhälve keskmisele "selga" istutada, siis see võiks näidata, kui palju väärtused keskmisest (ülespoole) ühe standardhälbe jagu kõiguvad.

```r
 barplot(arvutused[c("keskmine", "standardhalve"), ])
```

![plot of chunk unnamed-chunk-25](figure/unnamed-chunk-25-1.png)

Keskmised koos andmestikku iseloomustavate standardhälbe jagu kõikumistega. 

```r
 bp=barplot(arvutused["keskmine",] , ylim=c(0, max(arvutused["keskmine",]+arvutused["standardhalve",])))
 arrows(bp, arvutused["keskmine",], bp, arvutused["keskmine",]+arvutused["standardhalve",])
```

![plot of chunk unnamed-chunk-26](figure/unnamed-chunk-26-1.png)

Keskmised koos keskmise veahinnangut näitava standardveaga. Piirang ylim vajalik, et veapiirid ka joonisele ära mahukusid. Kuigi peaks veidi veel vist lisaks panema, sest soovitatakse, et skaala oleks näidatavatest andmetest pigem pikem. 


```r
 bp=barplot(arvutused["keskmine",] , ylim=c(0, max(arvutused["keskmine",]+arvutused["standardviga",])))
 arrows(bp, arvutused["keskmine",], bp, arvutused["keskmine",]+arvutused["standardviga",], angle=90)
```

![plot of chunk unnamed-chunk-27](figure/unnamed-chunk-27-1.png)

Stripcharti abil samad andmed piirkonniti


```r
 stripchart(Veg$R~Veg$Transect, method="jitter", vert=TRUE, pch=1, xlab="piirkond", ylab="liikide arv",
            main="Liikide arv katselapil piirkonniti")
```

![plot of chunk unnamed-chunk-28](figure/unnamed-chunk-28-1.png)

Võrreldes eelmisega juures hinnanguline keskväärtus ning selle ühe standardhälbe (68% usaldusnivoo) kaugused kõikumispiirid. Noolekäskluse abil siis loodud jooned mõlemas suunas 


```r
 stripchart(Veg$R~Veg$Transect, method="jitter", vert=TRUE, pch=1, xlab="piirkond", ylab="Liikide arv",
            main="Liikide arv katselapil piirkonniti",
            sub="Joonte vahel on iga piirkonna keskväärtuse vahemik usaldusnivool 68% (SE)")
 points(1:ncol(arvutused), arvutused["keskmine",], pch=16, cex=1.2)
 arrows(1:ncol(arvutused), arvutused["keskmine",], 1:ncol(arvutused), arvutused["keskmine",]+arvutused["standardviga",], angle=90, length=0.1)
 arrows(1:ncol(arvutused), arvutused["keskmine",], 1:ncol(arvutused), arvutused["keskmine",]-arvutused["standardviga",], angle=90, length=0.1)
```

![plot of chunk unnamed-chunk-29](figure/unnamed-chunk-29-1.png)

## Karp ja vurrud (pt 7, ül 3)

Liikide arvu jaotus kõigi katselappide peale kokku

```r
 boxplot(Veg$R)
```

![plot of chunk unnamed-chunk-30](figure/unnamed-chunk-30-1.png)

Liikide arvu jaotus katselappidel piirkondade kaupa

```r
 boxplot(Veg$R~Veg$Transect)
```

![plot of chunk unnamed-chunk-31](figure/unnamed-chunk-31-1.png)

## Tursa parasiidid 7/4


```r
parasite=read.table("CodParasite.txt", header=TRUE)
head(parasite)
```

```
##   Sample Intensity Prevalence Year Depth Weight Length Sex Stage Age Area
## 1      1         0          0 1999   220    148     26   0     0   0    2
## 2      2         0          0 1999   220    144     26   0     0   0    2
## 3      3         0          0 1999   220    146     27   0     0   0    2
## 4      4         0          0 1999   220    138     26   0     0   0    2
## 5      5         0          0 1999   220     40     17   0     0   0    2
## 6      6         0          0 1999   220     68     20   0     0   0    2
```

Parasiitide arv teiste tunnuste kaupa


```r
boxplot(parasite$Intensity~parasite$Area, main="Parasiitide arv vastavalt piirkonnale")
```

![plot of chunk unnamed-chunk-33](figure/unnamed-chunk-33-1.png)

```r
boxplot(parasite$Intensity~parasite$Stage, main="Parasiitide arv vastavalt arengujärgule")
```

![plot of chunk unnamed-chunk-33](figure/unnamed-chunk-33-2.png)

```r
boxplot(parasite$Intensity~parasite$Sex, main="Parasiitide arv vastavalt soole")
```

![plot of chunk unnamed-chunk-33](figure/unnamed-chunk-33-3.png)

```r
boxplot(parasite$Intensity~parasite$Year, main="Parasiitide arv vastavalt aastale")
```

![plot of chunk unnamed-chunk-33](figure/unnamed-chunk-33-4.png)

Parasiitide arv aastate ja soo kaupa

```r
boxplot(parasite$Intensity~parasite$Year*parasite$Sex)
```

![plot of chunk unnamed-chunk-34](figure/unnamed-chunk-34-1.png)

Parasiitide arv aastate ja piirkonna kaupa, tulbade nimed parema lugemise huvides keeratud. Neljandas piirkonnas paistab suhteliselt laiemas skaalas tulemusi jaguma. 2001. aastal lihstalt nõnda palju nullilisi tulemusi, et see ka mediaani madalale kisub. 

```r
boxplot(parasite$Intensity~parasite$Area*parasite$Year, las=2)
```

![plot of chunk unnamed-chunk-35](figure/unnamed-chunk-35-1.png)

Kuna paljudel kaladel pole parasiite, siis eraldi vaatlus selle kohta, kuidas jagunevad olemasolevad parasiidid.


```r
parasiitidega=parasite[parasite$Intensity>0, ]
par(mfrow=c(2, 2))
boxplot(parasiitidega$Intensity~parasiitidega$Area, main="Piirkond", ylab="Parasiitide arv")
boxplot(parasiitidega$Intensity~parasiitidega$Stage, main="Arengujärk")
boxplot(parasiitidega$Intensity~parasiitidega$Sex, main="Sugu")
boxplot(parasiitidega$Intensity~parasiitidega$Year, main="Aasta")
```

![plot of chunk unnamed-chunk-36](figure/unnamed-chunk-36-1.png)

```r
par(mfrow=c(1, 1))
```

Samas juurde võrdlus, et milliste tunnuste järgi leiab kui palju puuduvate parasiitidega kalu


```r
par(mfrow=c(2, 2))
for(tulp in c("Area", "Stage", "Sex", "Year"))
  barplot(table(parasite$Intensity==0, parasite[[tulp]]), main=tulp, legend=c("No parasites", "Parasites"))
```

![plot of chunk unnamed-chunk-37](figure/unnamed-chunk-37-1.png)

```r
par(mfrow=c(1, 1))
```

## Kullid ja Cleveland dotplot



```r
  kullid=read.table("Owls.txt", header=TRUE)
  head(kullid)
```

```
##         Nest FoodTreatment SexParent ArrivalTime SiblingNegotiation
## 1 AutavauxTV      Deprived      Male       22.25                  4
## 2 AutavauxTV      Satiated      Male       22.38                  0
## 3 AutavauxTV      Deprived      Male       22.53                  2
## 4 AutavauxTV      Deprived      Male       22.56                  2
## 5 AutavauxTV      Deprived      Male       22.61                  2
## 6 AutavauxTV      Deprived      Male       22.65                  2
##   BroodSize NegPerChick
## 1         5         0.8
## 2         5         0.0
## 3         5         0.4
## 4         5         0.4
## 5         5         0.4
## 6         5         0.4
```
Linnuvanemate pesale saabumise aeg. Iga täpike tähistab ühte katset. 

```r
  dotchart(kullid$ArrivalTime, xlab="Saabumise aeg", ylab="Katse number",
        sub="Kellaajad üle 24 tähistavad uut päeva",
        main="Kullivanemate pesale saabumise ajad")
```

![plot of chunk unnamed-chunk-39](figure/unnamed-chunk-39-1.png)
Tulemused grupeeritud toidu kättesaadavuse põhjal. Silma järgi vaadates märkab, et priipärast vaba toidu puhul on mõni kiirem kohalejõudmine juures. Kas aga see andmestiku hulgas statistiliselt oluline on, see eraldi küsimus. 

```r
  dotchart(kullid$ArrivalTime, groups=kullid$FoodTreatment)
```

![plot of chunk unnamed-chunk-40](figure/unnamed-chunk-40-1.png)
Paistab, et toiduküllus loeti vaikimisi juba faktorina sisse, nii et eraldi tüübimuundust pole vaja.

```r
  class(kullid$FoodTreatment)
```

```
## [1] "factor"
```
Häälitsuste arv poja kohta

```r
  dotchart(kullid$SiblingNegotiation)
```

![plot of chunk unnamed-chunk-42](figure/unnamed-chunk-42-1.png)

Pesa ja öö kombinatsioon uueks tulbaks. Iga pesa oli ühe öö piiratud toiduvalikuga (Deprived) ning küllusliku toiduvalikuga (Satiated)

Nõnda paljude pesade puhul graafik veidi tihedavõitu.

```r
kullid$pesaoo=paste(kullid$Nest, kullid$FoodTreatment, sep="")
head(kullid$pesaoo)
```

```
## [1] "AutavauxTVDeprived" "AutavauxTVSatiated" "AutavauxTVDeprived"
## [4] "AutavauxTVDeprived" "AutavauxTVDeprived" "AutavauxTVDeprived"
```

```r
dotchart(kullid$ArrivalTime, groups=factor(kullid$pesaoo), cex=0.5)
```

![plot of chunk unnamed-chunk-43](figure/unnamed-chunk-43-1.png)

Tursaparasiitide andmed


```r
parasite=read.table("CodParasite.txt", header=TRUE)
head(parasite)
```

```
##   Sample Intensity Prevalence Year Depth Weight Length Sex Stage Age Area
## 1      1         0          0 1999   220    148     26   0     0   0    2
## 2      2         0          0 1999   220    144     26   0     0   0    2
## 3      3         0          0 1999   220    146     27   0     0   0    2
## 4      4         0          0 1999   220    138     26   0     0   0    2
## 5      5         0          0 1999   220     40     17   0     0   0    2
## 6      6         0          0 1999   220     68     20   0     0   0    2
```

Andmed vastavalt mõõtmisele


```r
dotchart(parasite$Intensity, main="Tursa parasiitide arv mõõtmisel",
         xlab="Parasiitide arv", ylab="Katse")
```

![plot of chunk unnamed-chunk-45](figure/unnamed-chunk-45-1.png)


Parasiitide hulk aasta, soo asukoha ning aregujärgu kaupa

```r
dotchart(parasite$Intensity, groups=factor(parasite$Year))
```

![plot of chunk unnamed-chunk-46](figure/unnamed-chunk-46-1.png)

```r
dotchart(parasite$Intensity, groups=factor(parasite$Sex))
```

![plot of chunk unnamed-chunk-46](figure/unnamed-chunk-46-2.png)

```r
dotchart(parasite$Intensity, groups=factor(parasite$Area))
```

![plot of chunk unnamed-chunk-46](figure/unnamed-chunk-46-3.png)

```r
dotchart(parasite$Intensity, groups=factor(parasite$Stage))
```

![plot of chunk unnamed-chunk-46](figure/unnamed-chunk-46-4.png)
   Parasiitide leidumine ja mõõduvõtmise sügavused (ühik?)

```r
dotchart(parasite$Depth, groups=factor(parasite$Prevalence))
```

![plot of chunk unnamed-chunk-47](figure/unnamed-chunk-47-1.png)

# 7/7


```r
kullid$logneg=log10(1+kullid$SiblingNegotiation)
plot(kullid$logneg~kullid$ArrivalTime, axes=FALSE, xlab="Pesale jõudmise aeg",
      ylab="Häälitsuste arv linnupoja kohta",
     main="Logaritmilisel skaalal häälitsuste arv linnuvanema saabumisel \nvastavalt kellaajale")
axis(1, at=c(20, 22, 24, 26, 28, 30), labels=c("20.00", "22.00", "0.00", "02.00", "04.00", "06.00"))
vaartused=seq(0, 2, 0.3)
sildid=round(10^vaartused-1, 1)
sildid
```

```
## [1]  0.0  1.0  3.0  6.9 14.8 30.6 62.1
```

```r
axis(2, at=vaartused, labels=sildid)
```

![plot of chunk unnamed-chunk-48](figure/unnamed-chunk-48-1.png)