Mestranda pelo Programa de Pós-Graduação em Genética e Biologia Evolutiva pelo Instituto de Biociências da Universidade de São Paulo (IB-USP). O título de minha tese é: “Estudo da Metilação do DNA na Hipertensão Essencial em Populações Afro-Brasileiras.”. Sou orientada pela Profª. Dr.ª Regina Mingoni-Netto.

Link para a página com os meus exercícios resolvidos: Exercícios

Para quem já teve algum tipo de peixe como pet fica fácil entender o porquê grande parte deles vão parar na privada antes do primeiro ano de vida: Não é que a expectativa de vida média desses animais seja tão baixa, mas sim que ser um piscicultor de primeira viagem pode ser uma tarefa mais complicada do que se imagina. Diagnosticar e tratar problemas de saúde nesses animais tende a ser mais complicado. Entender quais sãos as principais características que devem ser observadas nesses pets e, uma vez que algo estranho tenha sido detectado, decidir qual o melhor tratamento, pode ser difícil. Afim de facilitar o diagnóstico de doenças em peixes e optar pelo melhor tratamento desses, algumas empresas passaram a disponibilizar um fluxograma, como o exemplo na imagem a baixo, em que, a partir dos principais sintomas apresentados pelo animal, pode-se deduzir qual provável enfermidade ele apresenta.

http://alconpet.com.br/home.

Tendo como base esse fluxograma, a tarefa, portanto, que minha função deve executar é, a partir de dados fornecidos pelo usuário a respeito dos peixes, determinar qual a melhor intervenção e calcular a dosagem do medicamento que deve ser aplicada, tendo em vista que cada intervenção requer uma dosagem distinta.

# Nome da função:
fish.disease ()

• Entrada de h,altura do aquário.
h ← readline(“Qual a altura do aquário em cm? (ex.:30): ”)
• h é um número maior do que zero? Enquanto a antrada não for um número maior do que zero, pede uma nova entrada.

• Entrada de L, largura do aquário.
L ← readline(“Qual a largura do aquário em cm? (ex.:20): ”)
• L é um número maior do que zero? Enquanto a antrada não for um número maior do que zero, pede uma nova entrada.

• Entrada de comp, comprimento do aquário.
comp ← readline(“Qual o comprimento do aquário em cm? (ex.:40): ”)
• comp é um número maior do que zero? Enquanto a antrada não for um número maior do que zero, pede uma nova entrada.

1. Cálculo do volume do aquário em litros: (h*L*comp)/1000.
#Alcali, Acid, Ictio, Aqualife e Bacter são diferentes tipos de medicamentos.

#Transposição do fluxograma em código:

2. A transposição do fluxograma em código será feita através da função readlineque interage com o usuário, como no exemplo a seguir, e por meio de estruturas com ifs e elses. Desse modo, os dados dos sintomas são introduzidos pelo usuário ao digitar sim (s) ou não (n) para as respostas.

      resp1 <- readline("O peixe apresenta manchas ou estruturas anormais na superficie do corpo (s/n):  ")
      

Assim, o código será elaborado por meio da estrutura:

• resp1 ← readline(O peixe apresenta manchas ou estruturas anormais na superficie do corpo?)

Testa se a resposta armazenada em resp1 é válida. Se não for, refaz a pergunta.

• Se resposta armazenada em resp1 for s:

• resp2 ← readline(Estas estruturas são pontos visíveis na pele?) (primeira versão)

• Se a resposta armazenada em resp1 for não (n):

• resp2 ← readline(O peixe apresenta natação irregular e tremores?) (segunda versão)

Depois para primeira versão de resp2:

Testa se a resposta armazenada em resp2 é válida. Se não for, refaz a pergunta.

• Se resposta armazenada na primeira versão de resp2 for s:

• resp3 ← readline(São pequenos pontos brancos espalhados por todo o corpo e nadadeiras?)

• Se a resposta armazenada na primeira versão de resp2 for não (n):

• resp3 ← readline(Há uma crosta aparentando limo ou manchas como mofo?)

O mesmo é feito para a segunda versão de resp2, resp3… e assim por diante, até finalizar as possibilidade de caminhos dentro do fluxograma.

Ao final de cada caminho dentro do fluxograma há um diagnóstico.

3. Ao final das estruturas de ifs e elses para cada um dos diagnóstico é feito o cálculo de medicamento que deve ser utilizado e informado o tratamento:

• Cálculo da dosagem do tratamento com Alcali ou Acid: 1 gota para 3 litros.
  
• Cálculo da dosagem do tratamento com Ictio ou Aqualife: 1 gota para 2 litros.
  
• Cálculo da dosagem do tratamento com Bacter: 1 cápsula para cada 12,5 litros.
  
• Cálculo da dosagem do tratamento com Ictio e Aqualife: 1 gota de aqualife para para 4 litros e 1 gota de Ictio para 2 litros
  

(como há interação medicamentosa, a dosagem de cada medicamento varia quando usada em conjunto).

4. Dado que nenhuma configuração de tratamento se encaixe, o usuário recebe 2 opções: refazer o teste ou não.
Se a resposta for sim, o teste recomeça, se a resposta for não, a função termina.

• Retorna a informação da provável doença e tratamento.
Ex.:

     "Doença dos Pontos Brancos"
Seu(s) peixe(s) apresenta(m) Doença dos pontos Brancos ou Ictio. 
Ela é causada pelo protozoário Ichthyophthyrius multifiliis. 
Outros sintomas: Nadadeiras fechadas, peixe se esfregando nas pedras 
e no fundo do aquário, dificuldade para respirar. 
Tratamento: Adicione  12  gota(s) de Ictio na água do aquário.

—-

resp1 <- readline("O peixe apresenta manchas ou estruturas anormais na superficie do corpo (s/n):  ")

Ser professor é uma tarefa que demanda tempo e esforço, de modo que gastar parte dessas propriedades para contabilizar as notas dos alunos e decidir quais deles serão aprovados, reprovados ou ficarão em recuperação pode ser um mau uso das mesmas. Tendo isso em vista, a tarefa que essa função deve executar é, a partir, de um data.frame contendo os nomes dos alunos e as respectivas notas para cada critério da aprovação, retornar uma lista contendo um data.frame com as médias ponderadas de cada aluno, quais deles foram aprovados, reprovados, ao ficarão em recuperação, a menor e maior nota e a média geral da classe.

students.status (notas, min.aprov, min.rec)
• notas = um data.frame com dados das notas dos alunos (a primeira coluna com todos os nomes dos alunos e as demais com as notas dos alunos para cada critério de aprovação).
Segue o exemplo:

• min.aprov = valor mínimo para aprovação de um aluno.
• min.rec = valor mínimo para que o aluno fique em recuperação e não seja automaticamente reprovado.

• notas é um data.frame? Se não, escreve: notas precisa ser um data.frame.
• A classe das colunas do data.frame notas, de 2 em diante, é numérica? Se não, escreve: coluna x do data.frame notas precisa ser da classe numérica.
• min.aprov é um número igual ou maior do que zero? Se não, escreve: o valor mínimo para aprovação (min.aprov) precisa ser um número inteiro e igual ou maior do que zero
• min.rec é um número igual ou maior do que zero? Se não, escreve: o valor mínimo para ficar em recuperação (min.rec) precisa ser um número inteiro e igual ou maior do que zero.
• O valor mínimo para recuperação é menor do que o valor mínimo para aprovação? Se não, escreve: o valor mínimo para ficar em recuperação (min.rec) precisa ser menor do que o valor mínimo para aprovação (min.aprov).
• Número de colunas – 1 é igual ao número de critérios para aprovação: n.ex ← ncol (notas)-1.
• Número de linhas é igual ao número de alunos: n.alunos ← nrow (notas).
• Inserção dos pesos para cada critério de aprovação:
crit.prov ← as.numeric (readline (“insira o peso para o critério de aprovação 1. Ex.: 2.0:”)).
Isso será feito para cada um dos critérios, de modo que será necessário o uso de um contador.

1. Criação de vetores contendo as notas dos alunos multiplicadas pelo peso para cada critério de aprovação, por exemplo:
Criação de um vetor nota.crit1 contendo os valores das notas do critério 1 para todos os alunos * peso para o critério 1.
Isso será feito para todos os critérios.

2. Somas das notas para cada critério multiplicadas pelos pesos para cada um dos critérios para cada aluno:
soma.nota_peso ← valor na posição 1 do vetor nota.crit1 + valor na posição 1 do vetor nota.crit2 + …+ valor na posição 1 do vetor nota.crit(n.ex).
3. Soma dos pesos para cada critério de aprovação: soma.pesos.
4. Média ponderada para cada aluno: ponderada = soma.nota_peso/ soma.pesos.
5. Inserção de uma nova coluna no data.frame notas contendo as notas ponderadas dos alunos.
6. Cálculo da média das médias ponderadas dos alunos: mean (ponderada).
7. Cálculo do menor valor de média ponderada dos alunos: min(ponderada).
8. Cálculo do maior valor de média ponderada dos alunos: max (ponderada).
9. Inserção de uma nova coluna no data.frame notas com título “Aprovados”.
10. Inserção de uma nova coluna no data.frame notas com título “Recuperação”.
11. Inserção de uma nova coluna no data.frame notas com título “Reprovados”.
12. Classificação de cada aluno:
a. Se a nota ponderada do aluno x é maior ou igual a min.aprov, adiciona S na coluna Aprovados na linha do aluno x.
b. Se a nota ponderada do aluno x é maior ou igual a min.rec, e menor do que min.aprov adiciona S na coluna “Recuperação” na linha do aluno x.
c. Se a nota ponderada do aluno x é menor do que min.rec, adiciona S na coluna “Reprovado” na linha do aluno x.

• Retorna uma lista contendo:
a. Data.frame notas com colunas para as notas ponderadas dos alunos e as colunas de aprovação, recuperação e reprovação assinaladas com S conforme a situação de cada aluno;
b. Menor e maior nota ponderada e a média geral da classe.

Arquivo da minha função: diagnostico_e_tratamento_de_doencas_em_peixesf.r
Link para a página da minha função: Proposta A: Diagnóstico e tratamento de doenças em peixes
Link para a página de ajuda da minha função: Página de ajuda da função