# Trabalho prático: Análise 1 - Testes de hipóteses

library(knitr)
library(kableExtra)
library(reshape2)
library(ggplot2)

#output = "A_1.html"

# Análise 1 no R Markdown
#
#n.usp <- 123456789

dados <- read.table("Choice_is_Yours_Fundos.csv",header=TRUE,sep=";",dec=",")
#
#####################################################################
# Análise da base 1 - Choice is Yours   #############################
names(dados)
#
# Reordenando as níveis dos fatores
table(dados$Categoria)
dados$Categoria <- ordered(dados$Categoria, levels = c("Baixo Cap","Médio Cap","Gde.Vol.Cap"))
table(dados$Categoria)
#
table(dados$Risco)
dados$Risco <- ordered(dados$Risco, levels = c("Baixo","Médio","Alto"))
table(dados$Risco)
#
# 2.1: Medidas Estatísticas:
summary(dados)
#
# 2.2: Gráficos Estatísticos:
# Gráficos para variáveis categóricas -----------------------------
#

ggplot(dados, aes(x=Risco)) +
  geom_bar(stat="count", width=0.4, fill="steelblue") +
  ylab("Frequência absoluta") +
  theme_minimal(base_size=10)


ggplot(dados, aes(x=Risco, fill=Categoria)) +
  geom_bar(stat="count", width=0.4) +
  ylab("Frequência absoluta") +
  scale_fill_brewer(palette="Blues")+
  theme_minimal(base_size=18)

ggplot(dados, aes(x=Risco, fill=Categoria)) +
  geom_bar(stat="count", width=0.8,position=position_dodge()) +
  ylab("Frequência absoluta") +
  scale_fill_brewer(palette="Blues")+
  theme_minimal(base_size=18)


# Gráficos para variáveis numéricas -----------------------------
# Histogramas
# Retorno.3.Anos

ggplot(dados, aes(x=Retorno.3.Anos)) +
  geom_histogram(aes(y=..density..), colour="black", fill="white",bins = 20)+
  scale_x_continuous(name = "Retorno..3.Anos (%)") +
  geom_density(alpha=.2, fill="steelblue")

ggplot(dados, aes(x=Retorno.5.Anos)) +
  geom_histogram(aes(y=..density..), colour="black", fill="white",bins = 20)+
  geom_density(alpha=.2, fill="steelblue")

ggplot(dados, aes(x=Retorno.2005)) +
  geom_histogram(aes(y=..density..), colour="black", fill="white",bins = 20)+
  geom_density(alpha=.2, fill="steelblue")

#
# Boxplot para duas variáveis distintas, por ex.
# Retorno.3.Anos e Retorno.5.Anos ----------
fill <- "#4271AE"
line <- "#1F3552"

ggplot(dados, aes(y = Retorno.3.Anos)) +
  geom_boxplot(fill = fill, colour = line,alpha = 0.7) +
  scale_y_continuous(name = "Retorno (%)",limits=c(-30, 45)) +
  scale_x_discrete(name = "Retorno.3.Anos")

ggplot(dados, aes(x = Risco, y = Retorno.3.Anos)) +
  geom_boxplot(fill = fill, colour = line,alpha = 0.7) +
  scale_y_continuous(name = "Retorno (%)",limits=c(0, 45)) +
  scale_x_discrete(name = "Retorno.3.Anos")

ggplot(dados, aes(y = Retorno.5.Anos)) +
  geom_boxplot(fill = fill, colour = line,alpha = 0.7) +
  scale_y_continuous(name = "Retorno (%)",limits=c(-30, 45)) +
  scale_x_discrete(name = "Retorno.5.Anos")

ggplot(dados, aes(x = Categoria, y = Retorno.5.Anos)) +
  geom_boxplot(fill = fill, colour = line,alpha = 0.7) +
  scale_y_continuous(name = "Retorno (%)",limits=c(-30, 30)) +
  scale_x_discrete(name = "Retorno.5.Anos")

ggplot(dados, aes(x = Risco, y = Retorno.5.Anos)) +
  geom_boxplot(fill = fill, colour = line,alpha = 0.7) +
  scale_y_continuous(name = "Retorno (%)",limits=c(-30, 30)) +
  scale_x_discrete(name = "Retorno.5.Anos")

#
# 3 Aplicar ao menos dois testes de hipóteses

#########   Teste 1 ################################
#  3.1 Afirmativa a ser testada.
#  A média de "retorno 3 anos" é diferente considerando o fator Risco
#  3.2 Hipóteses H0 e H1.
#  H0: mu_Baixo = mu_Médio = mu_Alto
#  H1: ao menos uma média é diferente das outras
#

# Teste anova: aov
anova.1 <- aov(Retorno.3.Anos ~ Risco, data = dados)
summary(anova.1)

#3.3 Estatística teste.
F_teste.1 <- 5.583

#3.4 Valor-P.
valor.P1 <- 0.0039

#3.5 Conclusão sobre H0.  Considerando alfa = 0,05
conclusao1 <- "Rejeita H0"

#3.6 Conclusão com base na Afirmativa testada.
# Apoia a afirmativa de que as médias são diferentes,
# ou seja:
conc.afirm.1 <- "A média de retorno 3 anos é diferente considerando o fator Risco"

#########   Teste 2 ################################
#  3.1 Afirmativa a ser testada.
#  "A média de retorno 5 anos é diferente da
# média de retorno 3 anos
#  3.2 Hipóteses H0 e H1.
#  H0: mu_5 anos = mu_3 anos
#  H1: mu_5 anos diferente mu_3 anos
#

# Teste t:
teste.t.2 <- t.test(dados$Retorno.5.Anos,dados$Retorno.3.Anos,var.equal = TRUE)
teste.t.2
#3.3 Estatística teste.
t_teste.2 <- -48.846

#3.4 Valor-P.
valor.P2 <- 2.2e-16

#3.5 Conclusão sobre H0, para alfa = 0.05
conclusao2 <- "Rejeita H0"

#3.6 Conclusão com base na Afirmativa testada.
# Apoia a afirmativa de que A média de retorno 5 anos é diferente da
# média de retorno 3 anos
# ou seja:
conc.afirm.2 <- "As médias são diferentes"

#########   Teste 3 ################################
#  3.1 Afirmativa a ser testada.
#  "A média de retorno.2005 é maior para categoria de crescimento do que
# para categoria de Valorização"
#  3.2 Hipóteses H0 e H1.
#  H0: mu_Crescimento = mu_Valorização
#  H1: mu_Crescimento > mu_Valorização
#

# Teste t:
teste.t.3 <- t.test(Retorno.2005 ~ Objetivo,var.equal = TRUE,
                    data = dados,alternative = "greater")
teste.t.3
#3.3 Estatística teste.
t_teste.3 <- 2.2032

#3.4 Valor-P.
valor.P3 <- 0.01393

#3.5 Conclusão sobre H0, para alfa = 0.05
conclusao3 <- 'Rejeita H0'

#3.6 Conclusão com base na Afirmativa testada.
# ou seja:
conc.afirm.3 <- "Apoio a afirmativa de que: A média de retorno.2005 é maior para categoria de crescimento do que
para categoria de Valorização"

# A conclusão em R Markdow está em desenvolvimento * * * * * * *
## --------------------------------------------------
# Construindo o arquivo html -----------------------
#
#rmarkdown::render('A1.Rmd', output_file = output,
#                  #params = params,
#                  envir = new.env(parent = globalenv()))
#------------------------------------------------