Diferenças

Aqui você vê as diferenças entre duas revisões dessa página.

--- 02_tutoriais:tutorial8:start [2020/10/04 09:58]
adalardo [Uma função mais elaborada]
+++ 02_tutoriais:tutorial8:start [2022/06/26 13:54]
adalardo
@@ Linha 4: / Linha 4: @@
   * [[03_apostila:programar_ale| Apostila]]
 </WRAP>
-====== 9. Tutoriais de Programação ======
+====== 9. Criando Funções Básicas ======
 ===== Nossos Personagens =====
-{{:02_tutoriais:tutorial8:pink_brain.jpg?300  |  }}//Pinky and the Brain//, no Brasil, **Pinky e o Cérebro**, são personagens de uma série  animada de televisão norte-americana. São dois ratos brancos de laboratório que utilizam os Laboratórios Acme como base para seus planos mirabolantes para dominar o mundo (sob razão nunca revelada). Pink é um rato totalmente estúpido e ingênuo enquanto o Cérebro é o gênio perverso que comanda os planos de conquista do mundo.
+<WRAP center round box 60%>
+**__Pink & Cerebro__**
+{{youtube>HRQtNBs8BF8}}
+</WRAP>
+//Pinky and the Brain//, no Brasil, **Pinky e o Cérebro**, são personagens de uma série  animada de televisão norte-americana. São dois ratos brancos de laboratório que utilizam os Laboratórios Acme como base para seus planos mirabolantes para dominar o mundo (sob razão nunca revelada). Pink é um rato totalmente estúpido e ingênuo enquanto o Cérebro é o gênio perverso que comanda os planos de conquista do mundo.
 Cada episódio é caracterizado, tanto no início quanto no final, pela famosa tirada onde Pinky pergunta: "//Cérebro, o que faremos amanhã à noite?//" e Cérebro responde: "//A mesma coisa que fazemos todas as noites, Pinky... Tentar conquistar o mundo!//"
@@ Linha 23: / Linha 32: @@
 {{  :02_tutoriais:pink.jpg?200  |  }}
+===== Classe Function =====
+Um objeto de função é uma classe especial de objetos no R que encapsulam algum tarefa. A função ''function()'' recebe algumas informações através dos seus argumentos e usa essas informações internamente para a realização do procedimento desejado.   O procedimento ou tarefa realizada por uma função é conduzido por um algoritmo, que nada mais é que um sequência de comandos concatenados. Quando o objeto de função é chamado, ele retorna o que os outros objetos retornam no console do R, o que foi atribuído a ele, ou seja essas linhas de comando no formato de texto. Entretanto, quando o objeto da classe ''function'' é chamada com os parênteses ''( )'' ele realiza a tarefa conduzido pelo conjunto concatenados de comandos que foram atribuídos a ele. Ao final, normalmente, a função retorna um **único** objeto que contém o resultado do procedimento. Para o retorno deste objeto, normalmente usamos uma outra função chamada ''return()''.
 ===== FAZENDO VERSÕES PIORADAS DE FUNÇÕES EXISTENTES!!!! =====
-Uma funções muito simples
+Vamos construir algumas funções simples. A primeira é uma função que calcula a média de um conjunto de valores.
+A primeira etapa é definir qual o tipo de objetos que a função irá manipular e designar um nome a esse objeto como um argumento. No caso da média podemos definir esse objeto como um vetor numérico ''x''. Em seguida precisamos definir o algoritmo que será executado. Uma forma de fazer isso é através de um pseudocódigo que é a descrição literal do algoritmo.
+No nosso caso:
+<WRAP center round box 60%>
+**Pseudocodigo ''media'' **
+  - recebe um vetor ''x''
+  - soma os valores do vetor no objeto ''soma''
+  - guarda o tamanho do vetor ''x'' em ''nobs''
+  - divide ''soma'' por ''nobs'' e guarda no objeto ''media''
+  - retorna o objeto ''med''
+</WRAP>
+Depois de definir o que a função conterá, precisamos abrir um  bloco de código para conter as linhas de comando que definem o algoritmo com as chaves ''{ }''. Em seguida colocamos as linhas de comando descritas no pseudocodigo e rodamos todo o bloco de código desde a atribuição da função a um nome para construir um objeto da classe ''function'' na nossa área de trabalho.  Rodo o código abaixo e cheque se houve a construção do objeto ''media'' e qual a classe desse objeto:
 <code rsplus>
@@ Linha 34: / Linha 63: @@
 	soma <- sum(x)
 	nobs <- length(x)
-	media <- soma/nobs
+	med <- soma/nobs
-	return(media)
+	return(med)
 	}
 </code>
 <WRAP center round tip 60%>
-Note que a função nada mais é do que um conjunto de linhas de comando concatenadas para executar uma tarefa. A principio quem conhece as funções básicas do R já está qualificado a fazer funções mais complexas.
+Note que a função nada mais é do que um conjunto de linhas de comando concatenadas para executar uma tarefa. A princípio quem usa as funções básicas do R já está qualificado a fazer funções mais complexas a partir delas.
 </WRAP>
@@ Linha 69: / Linha 98: @@
 ===== Uma função mais elaborada =====
-A funcão padrão do R (//mean()//) não calcula a média quando há //NA//'s no vetor de dados, a menos que o usuário utilize  o argumento //na.rm=TRUE//.
+A função padrão do R (''mean()'') não calcula a média quando há ''NA'' no vetor de dados, a menos que o usuário utilize  o argumento ''na.rm = TRUE''.
-Vamos construir uma função que diferente da função padrão, calcule a média na presença de //NA//'s, entretanto lance na tela uma mensagem sobre o número de //NA//'s removidos do cálculo.
+Vamos construir uma função que diferente da função padrão, calcule a média na presença de ''NA'' e imprima na tela uma mensagem sobre o número de ''NA'' removidos do cálculo.
-Note que é uma função com dois argumentos, que permite ao usuário tomar a decisão de remover ou não //NA//'s. Diferente da função //mean()// o padrão é invertido, nossa função remove //NA//'s se nenhum argumento for mencionado. Note que vamos sobrepor o objeto anterior da classe //função//, chamado **media**.
+Note que é uma função com dois argumentos, que permite ao usuário tomar a decisão de remover ou não ''NA''. Diferente da função ''mean()'' o padrão é invertido, nossa função remove ''NA'' se nenhum argumento for mencionado. Note que vamos sobrepor o objeto anterior da classe ''função'', chamado **media**.
@@ Linha 102: / Linha 131: @@
 ===== Função para calcular variância =====
 <code rsplus>
-var.curso<-function(x)
+var.curso <- function(x)
 	{
-	media=media(x)
+	media <-media(x)
-	dados=na.omit(x)
+	dados <- na.omit(x)
-	disvquad=(dados-media)^2
+	disvquad <- (dados - media)^2
-	var.curso=sum(disvquad)/(length(dados)-1)
+	var.curso <- sum(disvquad)/(length(dados)-1)
 	return(var.curso)
 	}
@@ Linha 118: / Linha 147: @@
   var.curso(dados)
-  var(dados)### dica: veja o help dessa função "help(var)"
+  var(dados) ### dica: veja o help dessa função "help(var)"
-  var(dados,na.rm=TRUE)
+  var(dados, na.rm = TRUE)
-  var(dados,na.rm=FALSE)
+  var(dados,na.rm = FALSE)
 ===== Função para calcular o Índice de Dispersão =====
@@ Linha 129: / Linha 158: @@
 <code rsplus>
-ID.curso<-function(x)
+ID.curso <- function(x)
 	{
-	id=var.curso(x)/media(x)
+	id <- var.curso(x)/media(x)
 	return(id)
 	}
@@ Linha 148: / Linha 177: @@
   *  Simulando Aleatório
+<code rsplus>
-  aleat=rpois(200,2)
+aleat <- rpois(200, 2)
-  aleat
+aleat
+</code>
   * Uniforme
+<code rsplus>
-  unif=runif(200,0,4)
+  unif <- runif(200, 0, 4)
   unif
-  unif=round(unif,0)
+  unif <- round(unif, 0)
   unif
+</code>
   * Agregado
+<code rsplus>
-  agreg=round(c(runif(100,0,1),runif(100,5,10)))
+  agreg <- round(c(runif(100, 0, 1), runif(100, 5, 10)))
   agreg
+</code>
@@ Linha 178: / Linha 207: @@
 </code>
-<box 50% red>
+<WRAP center round tip 80%>
 Quando o valor é próximo a 1 a distribuição é considerada aleatória. Isto quer dizer que que a ocorrência de cada indivíduo na parcela é indendente da ocorrência das demais. Neste caso, o número de indivíduos por parcela é descrito por uma variável Poisson, que tem exatamente a média igual à variância.
-Podemos então fazer um teste de significância simulando uma distribuição Poisson com a mesma média dos dados.
+Podemos então fazer um teste de hipótese simulando uma distribuição Poisson com a mesma média dos dados.
-</box>
+</WRAP>
-===== Função para criar o teste de signficância do ID =====
+===== Função para criar o teste de hipótese do ID =====
@@ Linha 189: / Linha 220: @@
 test.ID <- function(x, nsim=1000)
         {
-	ID.curso=function(x){var(x)/mean(x)}# essa função precisa das funcoes media e ID.curso
+	ID.curso <- function(x){var(x)/mean(x)}# essa função precisa das funcoes media e ID.curso
-        dados=na.omit(x)
+        dados <- na.omit(x)
-	ndados=length(dados)
+	ndados <- length(dados)
-	med=mean(dados)
+	med <- mean(dados)
-	id=var(dados)/med
+	id <- var(dados)/med
-	simula.aleat=rpois(length(dados)*nsim, lambda=med)
+	simula.aleat <- rpois(length(dados)*nsim, lambda=med)
-	sim.dados=matrix(simula.aleat,ncol= ndados)
+	sim.dados <- matrix(simula.aleat,ncol= ndados)
-	sim.ID=apply(sim.dados,1,ID.curso)
+	sim.ID <- apply(sim.dados,1,ID.curso)
-	quant.ID=quantile(sim.ID, probs=c(0.025,0.975))
+	quant.ID <- quantile(sim.ID, probs=c(0.025,0.975))
-	       	if(id>=quant.ID[1] & id<=quant.ID[2])
+	       	if(id >= quant.ID[1] & id <= quant.ID[2])
 		{
-		cat("\n\n\n\t distribuição aleatória para alfa=0.05 \n\t ID= ",id,"\n\n\n")
+		cat("\n\n\n\t distribuição aleatória para alfa = 0.05 \n\t ID= ",id,"\n\n\n")
 		}
 		if(id < quant.ID[1])
@@ Linha 297: / Linha 328: @@
 <code rsplus>
-x1=rpois(20,1)
+x1 <- rpois(20, 1)
-x2=rpois(20,2)
+x2 <- rpois(20, 2)
-x3=rpois(20,3)
+x3 <- rpois(20, 3)
-x4=rpois(20,1)
+x4 <- rpois(20, 1)
-sp.oc=matrix(c(x1,x2,x3,x4), ncol=4)
+sp.oc <- matrix(c(x1, x2, x3, x4), ncol=4)
-colnames(sp.oc)<-c("plot A", "plot B", "plot C", "plot D")
+colnames(sp.oc) <- c("plot A", "plot B", "plot C", "plot D")
-rownames(sp.oc)<-paste("sp", c(1:20))
+rownames(sp.oc) <- paste("sp", c(1:20))
 str(sp.oc)
 dim(sp.oc)
@@ Linha 313: / Linha 344: @@
 <code rsplus>
-n.spp<-function(dados)
+n.spp <-function(dados)
 	{
-	nplot=dim(dados)[2]
+	nplot <- dim(dados)[2]
-	resultados=rep(0,nplot)
+	resultados <- rep(0,nplot)
-	names(resultados)<-paste("n.spp", c(1:nplot))
+	names(resultados) <- paste("n.spp", c(1:nplot))
-	dados[dados>0]=1
+	dados[dados>0] = 1
 	for(i in 1:(dim(dados)[2]))
 		{
-		cont.sp=sum(dados[,i])
+		cont.sp <- sum(dados[,i])
-		resultados[i]=cont.sp
+		resultados[i] <- cont.sp
 		}
 	return(resultados)
@@ Linha 335: / Linha 366: @@
-<box red 80%>
+<WRAP center round tip 80%>
 Uma dica para entender qualquer função é rodar cada uma das linhas separadamente no console do R, na mesma sequência que aparecem e verificar os objetos intermediários criados. Quando chegar a um ciclo, pule a linha do //for()// e rode as linhas subsequentes, porém designe antes algum valor para o contador, no nosso exemplo //i// (tente i=2). A lógica da função //for()// é que o contador (//i//) terá um valor diferente a cada ciclo, no exemplo entre 1 até o número de colunas do objeto //dados//. Além disso, o contador pode ser usado para indexar a posição onde o resultado de cada ciclo será colocado no objeto final (//resultados//)
-</box>
+</WRAP>
@@ Linha 345: / Linha 378: @@
 sim<-function(dados)
 	{
-	nplot=dim(dados)[2]
+	nplot <- dim(dados)[2]
-	similar=matrix(1,ncol=nplot,nrow=nplot)
+	similar <- matrix(1,ncol=nplot,nrow=nplot)
-	rownames(similar)<-paste("plot", c(1:nplot))
+	rownames(similar) <- paste("plot", c(1:nplot))
-	colnames(similar)<-paste("plot", c(1:nplot))
+	colnames(similar) <- paste("plot", c(1:nplot))
-	dados[dados>0]=1
+	dados[dados>0] = 1
 	for(i in 1:nplot-1)
 		{
@@ Linha 355: / Linha 388: @@
 		for(m in m:nplot)
 			{
-			co.oc=sum(dados[,i]>0 & dados[,m]>0)
+			co.oc <- sum(dados[,i]>0 & dados[,m]>0)
-			total.sp=sum(dados[,i])+sum(dados[,m])-co.oc
+			total.sp <- sum(dados[,i]) + sum(dados[,m]) - co.oc
-			similar[i,m]=co.oc/total.sp
+			similar[i,m] <- co.oc/total.sp
-			similar[m,i]=co.oc/total.sp
+			similar[m,i] <- co.oc/total.sp
 			}
@@ Linha 386: / Linha 419: @@
-No linque a seguir você pode baixar o arquivo com o Pink e Cerebro...
-{{:02_tutoriais:pinkycerebro.mpg|}}
-** The End!**

ecoR

Ferramentas do usuário

Ferramentas do site

Diferenças

Ferramentas da página