Uma Introdução à Programação em R

📚 Resumo do Conteúdo

Este curso é uma introdução abrangente ao ambiente de linguagem R, abordando tópicos centrais que vão desde operações básicas com vetores numéricos, atributos de objetos e manipulação de arrays/matrizes até o gerenciamento de listas e quadros de dados, modelagem estatística e produção de gráficos de alta qualidade. É adequado como livro-texto introdutório para análise estatística e ciência de dados.

Domine os fundamentos da linguagem R e abra a porta para computação estatística e visualização de dados.

Autor: Equipe Núcleo de Desenvolvimento do R

Agradecimentos: Este manual é mantido pela Equipe Núcleo de Desenvolvimento do R. A versão em chinês agradece a base da tradução japonesa feita por Shigeru MASE, bem como as contribuições da equipe de tradutores chineses, incluindo os Drs. ZP Li e Rui Li.

🎯 Objetivos de Aprendizagem

1. Iniciar sessões do R, navegar no sistema de ajuda e aplicar regras básicas de sintaxe (sensibilidade a maiúsculas/minúsculas, atribuições e comentários).
2. Distinguir entre e criar vetores lógicos, vetores de caracteres e lidar com valores ausentes (NA e NaN).
3. Utilizar quatro métodos distintos de indexação para selecionar, excluir ou modificar subconjuntos específicos de dados.
4. Identificar e modificar os atributos intrínsecos (tipo e comprimento) dos objetos do R.
5. Utilizar as funções class() e attr() para gerenciar metadados de objetos e estruturas de dados.
6. Criar e manipular fatores e fatores ordenados para representar dados categóricos.
7. Definir e construir arrays e matrizes usando vetores de dimensão e a função array().
8. Aplicar técnicas avançadas de indexação, incluindo o uso de matrizes de índice para extrair ou modificar elementos específicos.
9. Executar operações de álgebra linear, incluindo produtos externos, transposições generalizadas e inversões de matrizes.
10. Construir e modificar listas: criar listas nomeadas e não nomeadas e combiná-las usando sintaxe específica do R.

🔹 Aula 1: Introdução ao R e Noções Básicas de Vetores

Visão Geral: Esta aula apresenta o ambiente fundamental do R, cobrindo sua sintaxe básica, execução de comandos e sistemas de ajuda. Explora também tipos especializados de vetores — lógicos, de caracteres e valores ausentes — e fornece métodos detalhados para selecionar e modificar subconjuntos de dados por meio de vetores de índice.

Resultados de Aprendizagem:

• Iniciar sessões do R, navegar no sistema de ajuda e aplicar regras básicas de sintaxe (sensibilidade a maiúsculas/minúsculas, atribuições e comentários).
• Distinguir entre e criar vetores lógicos, vetores de caracteres e lidar com valores ausentes (NA e NaN).
• Utilizar quatro métodos distintos de indexação para selecionar, excluir ou modificar subconjuntos específicos de dados.

🔹 Aula 2: Atributos de Objetos e Manipulação de Fatores

Visão Geral: Esta aula aborda as propriedades fundamentais dos objetos do R, especificamente seus atributos intrínsecos como tipo e comprimento, e como esses podem ser consultados ou modificados. Também explora os "fatores" — uma estrutura de dados especializada para lidar com variáveis categóricas — e demonstra como usar a função tapply() para realizar análises estatísticas agrupadas por níveis de fator.

Resultados de Aprendizagem:

• Identificar e modificar os atributos intrínsecos (tipo e comprimento) dos objetos do R.
• Utilizar as funções class() e attr() para gerenciar metadados de objetos e estruturas de dados.
• Criar e manipular fatores e fatores ordenados para representar dados categóricos.

🔹 Aula 3: Arrays, Matrizes e Álgebra Linear

Visão Geral: Esta aula explora as robustas capacidades do R para lidar com dados multidimensionais por meio de arrays e matrizes. Os alunos aprenderão a definir estruturas de dados usando vetores de dimensão, realizar indexação complexa e executar operações essenciais de álgebra linear — como multiplicação de matrizes, inversão e decomposições — críticas para computação estatística e análise de dados.

Resultados de Aprendizagem:

• Definir e construir arrays e matrizes usando vetores de dimensão e a função array().
• Aplicar técnicas avançadas de indexação, incluindo o uso de matrizes de índice para extrair ou modificar elementos específicos.
• Executar operações de álgebra linear, incluindo produtos externos, transposições generalizadas e inversões de matrizes.

🔹 Aula 4: Gestão de Dados: Listas, Quadros de Dados e Entrada/Saída

Visão Geral: Esta aula aborda os fundamentos para lidar com estruturas de dados complexas e dados externos no R. Foca nas listas — containers flexíveis que armazenam componentes de tipos diferentes — e na prática de entrada/saída (I/O), incluindo a leitura de arquivos externos em estruturas de lista ou matrizes, acesso a conjuntos de dados embutidos em pacotes e uso de ferramentas interativas de edição para modificar dados.

Resultados de Aprendizagem:

• Construir e Modificar Listas: Criar listas nomeadas e não nomeadas e combiná-las usando sintaxe específica do R.
• Acesso a Componentes: Distinguir entre e aplicar diferentes métodos de indexação ([[ ]], [ ] e $) para recuperar dados de listas.
• Entrada de Dados Externos: Usar a função scan() para ler dados de arquivos externos em listas ou matrizes estruturadas.

🔹 Aula 5: Distribuições de Probabilidade e Testes Estatísticos

Visão Geral: Esta aula fornece um guia completo para lidar com distribuições de probabilidade e realizar inferência estatística no R. Os alunos aprenderão a utilizar o sistema padronizado de prefixos do R (d, p, q, r) para funções de distribuição, gerar estatísticas descritivas e avaliar visualmente dados usando funções empíricas cumulativas de distribuição (ecdf) e gráficos Q-Q.

Resultados de Aprendizagem:

• Dominar a nomenclatura de distribuições do R (prefixos d, p, q, r) e aplicá-los a distribuições padrão como Normal, T e F.
• Construir e interpretar ferramentas visuais de diagnóstico, especificamente funções empíricas cumulativas de distribuição (ecdf) e gráficos Quantil-Quantil (Q-Q), para avaliar ajuste de distribuição.
• Executar e diferenciar testes paramétricos e não paramétricos, incluindo testes t de Welch, testes de normalidade de Shapiro-Wilk e testes de Kolmogorov-Smirnov.

🔹 Aula 6: Controle de Programa e Lógica Iterativa

Visão Geral: Esta aula aborda os mecanismos fundamentais para controlar o fluxo de execução no R. Foca em agrupar múltiplas expressões em unidades únicas e utilizar declarações de controle — incluindo ramificação condicional (if-else) e várias estruturas de repetição (for, repeat e while) — para automatizar tarefas de análise de dados e lidar com lógica complexa.

Resultados de Aprendizagem:

• Agrupar múltiplas expressões do R em uma única instrução usando chaves.
• Implementar lógica condicional para executar blocos de código específicos com base em critérios lógicos.
• Construir laços iterativos para automatizar operações repetitivas sobre estruturas de dados como vetores e listas.

🔹 Aula 7: Desenvolvimento de Funções Personalizadas e Escopo

Visão Geral: Esta aula explora a transição do uso do R como calculadora interativa para usá-lo como linguagem de programação, desenvolvendo funções personalizadas. Cobertura inclui sintaxe de definição de funções, tratamento de argumentos, regras de escopo léxico e conceitos fundamentais do sistema orientado a objetos S3 do R por meio de funções genéricas e métodos.

Resultados de Aprendizagem:

• Criar e Chamar Funções Personalizadas: Definir funções com parâmetros formais e operadores binários personalizados.
• Gerenciar Argumentos e Escopo: Distinguir entre correspondência de argumentos posicionais e por nome e explicar como o escopo léxico gerencia variáveis locais e livres.
• Implementar Estado Mutável e Ambientes Personalizados: Usar closures e o operador de superatribuição para manter estado e personalizar o ambiente do R por meio de funções de inicialização/sessão.

🔹 Aula 8: Modelagem Estatística: Linear e Não Linear

Visão Geral: Esta aula explora o conjunto abrangente de ferramentas do R para modelagem estatística além da regressão linear simples. Aborda a extração de informações de modelos por meio de funções genéricas, a comparação de modelos via ANOVA e o ajuste de Modelos Lineares Generalizados (GLMs) para dados binários e contagens, juntamente com técnicas de modelagem não linear.

Resultados de Aprendizagem:

• Usar funções genéricas do R para extrair, resumir e visualizar informações de modelos ajustados.
• Realizar comparações de modelos usando tabelas ANOVA e atualizar modelos existentes usando sintaxe eficiente.
• Ajustar Modelos Lineares Generalizados (GLMs) usando famílias e funções de ligação apropriadas (por exemplo, Logit, Probit, Poisson).

🔹 Aula 9: Visualização de Dados com Gráficos de Alta e Baixa Nível

Visão Geral: Esta aula aborda as capacidades gráficas abrangentes do R, distinguindo entre funções de plotagem de alto nível que criam gráficos completos e comandos de baixo nível que adicionam elementos específicos a exibições existentes. Os alunos aprenderão a manipular parâmetros gráficos para controle estético preciso e gerenciar múltiplos ambientes de figuras.

Resultados de Aprendizagem:

• Distinguir entre e implementar funções gráficas de alto nível (por exemplo, plot(), hist()) e de baixo nível (por exemplo, points(), lines()).
• Aplicar e gerenciar parâmetros gráficos usando condições permanentes (par()) e temporárias (no nível da função).
• Coordenar layouts complexos, incluindo exibições de dados multivariados e ambientes de múltiplas figuras.

🔹 Aula 10: Ecossistema de Pacotes e Configuração do Ambiente

Visão Geral: Esta aula explora as bases estruturais do R, focando no ecossistema de pacotes, o papel do CRAN e o mecanismo de namespaces para gerenciar funções. Também fornece um roteiro prático para executar o R por meio de diversas interfaces e dominar a configuração do ambiente por meio de argumentos de linha de comando e atalhos de teclado.

Resultados de Aprendizagem:

• Compreender a relação entre pacotes, namespaces e o sistema de repositório CRAN.
• Executar uma "sessão de amostra" abrangente envolvendo manipulação de dados, modelagem estatística e plotagem matemática complexa.
• Configurar o ambiente de inicialização do R usando flags de linha de comando e variáveis de ambiente.