* [[cursos:ecor:02_tutoriais:tutorial8:start|Tutorial]]
* [[cursos:ecor:01_curso_atual:exercicios9| Exercícios]]
* [[cursos:ecor:03_apostila:programar_ale| Apostila]]
====== 9. Tutoriais de Programação ======
===== Nossos Personagens =====
{{:cursos:ecor: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.
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!//"
O paralelo entre os personagens e os usuários do **R** , é que estamos em uma constante transformação entre PINK e Cérebro, tentando vencer nossa ignorância. A resposta do nosso //Cérebro// à pergunta do //Pink// que habita dentro de nós é:
**// A mesma coisa que fazemos todas as noites, Pink... terminar essa função para conquistar o mundo!//**
O //PINK// que habita dentro de nós
{{ :cursos:ecor:02_tutoriais:pink.jpg?200 | }}
===== FAZENDO VERSÕES PIORADAS DE FUNÇÕES EXISTENTES!!!! =====
Uma funções muito simples
media <-function(x)
{
soma=sum(x)
nobs=length(x)
media=soma/nobs
return(media)
}
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.
===== Testando a função =====
ls()
media
media()
dados=rnorm(20,2,1)
media(dados)
dados1=rnorm(200,2,1)
media(dados1)
dados2=(rnorm(10000,2,1))
media(dados2)
sd(dados)
dados3=rnorm(20,2,0.01)
media(dados3)
dados4=rnorm(200,2,0.01)
media(dados4)
dados[2]<-NA
dados
media(dados)
===== 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//.
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.
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**.
media<-function(x,rmNA=TRUE)
{
if(rmNA==TRUE)
{
dados=(na.omit(x))
n.NA=length(x)-length(dados)
cat("\t", n.NA," valores NA excluídos\n")
}
else
{
dados=x
}
soma=sum(dados)
nobs=length(dados)
media=soma/nobs
return(media)
}
**Calcular a média do vetor dados**
media(dados)
===== Função para calcular variância =====
var.curso<-function(x)
{
media=media(x)
dados=na.omit(x)
disvquad=(dados-media)^2
var.curso=sum(disvquad)/(length(dados)-1)
return(var.curso)
}
Calcular a variância de dados e comparando com a função do R!
var.curso(dados)
var(dados)### dica: veja o help dessa função "help(var)"
var(dados,na.rm=TRUE)
var(dados,na.rm=FALSE)
===== Função para calcular o Índice de Dispersão =====
Os índices de dispersão nos ajudam a avaliar se contagens por amostras estão distribuídas de modo aleatório, agregado ou uniforme.
Veja o material de aula para entender como a relação variância por média pode dar uma idéia do tipo de distribuição espacial, quando temos contagens de indivíduos em várias parcelas de igual tamanho.
ID.curso<-function(x)
{
id=var.curso(x)/media(x)
return(id)
}
===== Simulando dados com parâmetros conhecidos =====
Tomando dados simulados de contagem de uma espécie em uma amostra de 20 parcelas de 20x20m,
podemos verificar o padrão de dispersão dessa espécie, utilizando o Índice de Dispersão (razão variância / média)
Vamos simular dados com diferentes características conhecidas:
* Simulando Aleatório
aleat=rpois(200,2)
aleat
* Uniforme
unif=runif(200,0,4)
unif
unif=round(unif,0)
unif
* Agregado
agreg=round(c(runif(100,0,1),runif(100,5,10)))
agreg
Calcular o coeficiente de dispersão
ID.curso(aleat)
ID.curso(unif)
ID.curso(agreg)
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.
===== Função para criar o teste de signficância do ID =====
test.ID <- function(x, nsim=1000)
{
ID.curso=function(x){var(x)/mean(x)}# essa função precisa das funcoes media e ID.curso
dados=na.omit(x)
ndados=length(dados)
med=mean(dados)
id=var(dados)/med
simula.aleat=rpois(length(dados)*nsim, lambda=med)
sim.dados=matrix(simula.aleat,ncol= ndados)
sim.ID=apply(sim.dados,1,ID.curso)
quant.ID=quantile(sim.ID, probs=c(0.025,0.975))
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")
}
if(id < quant.ID[1])
{
cat("\n\n\n\t distribuição uniforme, p<0.025 \n\t ID= ",id,"\n\n\n")
}
if(id>quant.ID[2])
{
cat("\n\n\n\t distribuição agregado, p>0.975 \n\t ID= ",id,"\n\n\n")
}
resulta=c(id,quant.ID)
names(resulta)<-c("Indice de Dispersão", "critico 0.025", "critico 0.975")
return(resulta)
}
Testanto os dados simulados
test.ID(aleat)
test.ID(agreg)
test.ID(unif)
===== Outra função =====
eda.shape
eda.shape <- function(x)
{
x11()
par(mfrow = c(2,2)) ## muda o dispositivo gráfico para 2x2
hist(x) ## produz histograma de x
boxplot(x)
iqd <- summary(x)[5] - summary(x)[2] ## faz a diferença entre o quinto elemento x e o segundo
plot(density(x,width=2*iqd),xlab="x",ylab="",type="l")
qqnorm(x)
qqline(x)
par(mfrow=c(1,1))
}
Criando um vetor de dados com 20 valores simulando a densidade de árvores por parcelas
set.seed(22) ## estabelece uma semente aleatória
dados.pois20<-rpois(20,lambda=6) ## sorteia dados aleatórios de uma função poisson com média 6
sum(dados.pois20) ## a somatória aqui sempre dará 131, somente porque a semente é a mesma
set.seed(22)
dados.norm20<-rnorm(20,mean=6, sd=2) ## sorteia 20 dados de uma função normal com média 6 e dp = 1
sum (dados.norm20) ### aqui o resultado dará sempre 130.48
###aplicar eda.shape para dados.dens
eda.shape(dados.pois20)
eda.shape(dados.norm20)
###aumentando a amostra
eda.shape(rpois(500,6))
eda.shape(rnorm(500,6))
===== Modificando uma função =====
eda.shape1 <- function(x)
{
x11()
par(mfrow = c(2,2))
hist(x,main="Histograma de x")
boxplot(x, main="BoxPlot de x")
iqd <- summary(x)[5] - summary(x)[2]
plot(density(x,width=2*iqd),xlab="x",ylab="",type="l", main="Distribuição de densidade de x")
qqnorm(x,col="red",main="Gráfico Quantil x Quantil",xlab="Quantil Teórico",ylab="Quantil da Amostra")
qqline(x)
par(mfrow=c(1,1))
}
==== Executando a função modificada ====
eda.shape1(rnorm(500,6))
===== Fazendo ciclos de operações =====
Um outro instrumento importante para programar em R é o loop ou ciclos.
Ele permite a aplicação de uma função ou tarefa a uma sequência pré determinada de dados. Ou seja, repete a mesma sequência de comandos um número determinado de vezes.
Simulando dados de novo!
x1=rpois(20,1)
x2=rpois(20,2)
x3=rpois(20,3)
x4=rpois(20,1)
sp.oc=matrix(c(x1,x2,x3,x4), ncol=4)
colnames(sp.oc)<-c("plot A", "plot B", "plot C", "plot D")
rownames(sp.oc)<-paste("sp", c(1:20))
str(sp.oc)
dim(sp.oc)
head(sp.oc)
Uma função para contar espécies por parcelas.
Mais uma vez uma função já existente em versão piorada!!
n.spp<-function(dados)
{
nplot=dim(dados)[2]
resultados=rep(0,nplot)
names(resultados)<-paste("n.spp", c(1:nplot))
dados[dados>0]=1
for(i in 1:(dim(dados)[2]))
{
cont.sp=sum(dados[,i])
resultados[i]=cont.sp
}
return(resultados)
}
##### Aplicando a função
n.spp(sp.oc)
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//)
===== Mais função!! SIMILARIDADE =====
sim<-function(dados)
{
nplot=dim(dados)[2]
similar=matrix(1,ncol=nplot,nrow=nplot)
rownames(similar)<-paste("plot", c(1:nplot))
colnames(similar)<-paste("plot", c(1:nplot))
dados[dados>0]=1
for(i in 1:nplot-1)
{
m=i+1
for(m in m:nplot)
{
co.oc=sum(dados[,i]>0 & dados[,m]>0)
total.sp=sum(dados[,i])+sum(dados[,m])-co.oc
similar[i,m]=co.oc/total.sp
similar[m,i]=co.oc/total.sp
}
}
return(similar)
}
==== Aplicando a função SIM ====
sim(sp.oc)
debug(sim)
sim(sp.oc)
undebug(sim)
**MUITO BEM VC. JÁ ESTÁ SE TRANSFORMANDO, NÃO PARECE MAIS UM PINK**
{{:cursos:ecor:02_tutoriais:cerebro.jpg|}}
//Agora faça os [[cursos:ecor:01_curso_atual:exercicios9|]] para podermos conquistar o MUNDO!!!//
No linque a seguir você pode baixar o arquivo com o Pink e Cerebro...
{{:cursos:ecor:02_tutoriais:pinkycerebro.mpg|}}
** The End!**