Introdução

Este relatório tem como objetivo demonstrar a manipulação de dados, a criação de tabelas interativas, a apresentação de equações complexas utilizando LaTeX, a inclusão de figuras relacionadas à ciência de dados, e a referência de literatura pertinente.

Manipulação de Dados

Teremos a manipulação básicas no conjunto de dados mtcars usando o pacote dplyr. Esse conjunto de dados contém informações sobre diversos modelos de carros, como consumo de combustível (milhas por galão, mpg), número de cilindros (cyl), potência (hp), entre outras variáveis. Vamos filtrar, ordenar, e criar novas variáveis a partir desses dados para tornar a análise mais focada e informativa. Primeiro, carregamos os pacotes necessários e o conjunto de dados mtcars:

library(dplyr)
library(DT)

data("mtcars")

Para termos uma visão preliminar dos dados, exibimos as primeiras linhas do conjunto mtcars:

head(mtcars)
##                    mpg cyl disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0  0    3    2
## Valiant           18.1   6  225 105 2.76 3.460 20.22  1  0    3    1

A seguir, aplicamos uma filtragem para selecionar apenas os carros que têm um consumo de combustível superior a 20 milhas por galão (mpg > 20). Em seguida, ordenamos os dados filtrados pelo número de cilindros (cyl):

mtcars_filtered <- mtcars %>%
  filter(mpg > 20) %>%
  arrange(cyl)

Por fim, criamos uma nova coluna chamada economico, que classifica os veículos como “Econômico” ou “Não-Econômico” com base em seu consumo de combustível:

mtcars_filtered <- mtcars_filtered %>%
  mutate(economico = ifelse(mpg > 20, "Econômico", "Não-Econômico"))

Com essa manipulação, obtivemos um subconjunto do mtcars que destaca os veículos mais econômicos, organizados por cilindros e classificados de forma intuitiva.

Tabela Interativa

Equações Complexas

Equação de Euler: \[ e^{i\pi} + 1 = 0 \] A Identidade de Euler é uma das mais notáveis e elegantes equações da matemática, frequentemente citada como uma das fórmulas mais bonitas. Ela conecta cinco dos números mais fundamentais da matemática: o número de Euler \(e\) (base dos logaritmos naturais), o número imaginário \(i\) (onde \(i = \sqrt{-1}\)), o número pi \(\pi\), o número 1, e o número 0. A simplicidade e a profundidade da equação capturam a inter-relação entre áreas aparentemente distintas da matemática, como a análise, a álgebra e a geometria.

Regra da Derivação: \[ \frac{d}{dx} \left( x^n \right) = n x^{n-1} \] Essa equação expressa a regra básica de derivação para funções polinomiais, conhecida como a “regra do poder” (power rule). Quando você tem uma função \(x^n\), onde \(n\) é uma constante, a derivada em relação a \(x\) é dada por \(n x^{n-1}\). Isso é fundamental em cálculo diferencial, permitindo a análise das taxas de variação de funções, sendo amplamente aplicada em física, economia, engenharia, e muitas outras disciplinas.

Fourier: \[ \hat{f}(\xi) = \int_{-\infty}^{\infty} f(x) e^{-2\pi i x \xi} dx \] A transformada de Fourier é uma ferramenta poderosa em matemática e engenharia, que transforma uma função de tempo (ou espaço) em uma função de frequência. Em termos simples, ela decompõe uma função ou sinal em suas frequências constituintes, facilitando a análise de sinais em domínios como a análise de sinais, processamento de imagem, e solução de equações diferenciais parciais. É amplamente utilizada em engenharia de telecomunicações, física, e teoria da informação.

Equação de Schrödinger: \[ i\hbar \frac{\partial}{\partial t} \Psi(x,t) = \left( -\frac{\hbar^2}{2m} \nabla^2 + V(x) \right) \Psi(x,t) \] A equação de Schrödinger é uma das equações fundamentais da mecânica quântica, descrita pelo físico austríaco Erwin Schrödinger. Ela descreve como o estado quântico de um sistema físico muda com o tempo. A função de onda \(\Psi(x,t)\) contém todas as informações sobre o sistema, e a equação mostra como essa função evolui temporalmente. É central para entender o comportamento de partículas subatômicas, como elétrons e fótons, em sistemas como átomos e moléculas.

Equação da Onda: \[ \frac{\partial^2 u}{\partial t^2} = c^2 \nabla^2 u \] A equação da onda descreve a propagação de ondas, como ondas sonoras, ondas de luz, ou ondas em uma corda vibrante. Nessa equação, \(u\) representa a amplitude da onda, \(t\) é o tempo, \(c\) é a velocidade da onda, e \(\nabla^2\) é o operador laplaciano que descreve a variação espacial. É uma equação diferencial parcial de segunda ordem, fundamental em diversas áreas da física, incluindo acústica, óptica, e dinâmica dos fluidos.

Figuras relacionadas a ciência de dados

Figura 1: A Distribuição Normal, ou Gaussiana, é uma ferramenta estatística fundamental que descreve muitos fenômenos aleatórios, sendo amplamente utilizada na estatística inferencial. Ela é caracterizada pela forma de sino (Bell Curve) e é determinada pela média e desvio padrão da amostra ou população. Apesar da imprevisibilidade individual de eventos aleatórios, quando analisados em conjunto, eles tendem a se concentrar em torno da média, com a frequência diminuindo à medida que se afastam dela. A distribuição normal é unimodal e simétrica, com a moda, a média e a mediana coincidindo.

Distribuição Gaussiana
Distribuição Gaussiana

Fonte: LinkConcursos

Figura 2: O diagrama de caixa, também conhecido como box plot, é uma ferramenta gráfica utilizada na estatística descritiva para representar a variação de dados observados de uma variável numérica. Ele oferece um resumo visual da distribuição dos dados, destacando a tendência central e a variabilidade da amostra analisada

Boxplot
Boxplot

Fonte: Trailhead

Referêcias

  1. Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York.
  2. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning. Springer.
  3. Kuhn, M., & Johnson, K. (2013). Applied Predictive Modeling. Springer.
  4. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
  5. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.