Exercício 11 R Markdown
Thiago Barbosa
2024-08-12
1. Database funcionarios
Tabela sem modificação
kable(head(funcionarios))| id | nome | descrição | cargo | salário | cidade | estado | pais |
|---|---|---|---|---|---|---|---|
| 1 | John Doe | Senior Developer at Google | SENIOR DEVELOPER | $120,000 | Mountain View | CA | USA |
| 2 | J@ne Smith | Data Analyst at Amazon | DATA ANALYST | $98,000 | Seattle | WA | USA |
| 3 | Emily D@vis | Manager at Microsoft | MANAGER | $150,000 | Redmond | WA | USA |
| 4 | Mich@el Brown | Intern at Facebook | intern | $40,000 | Menlo Park | CA | USA |
| 5 | S@rah Wilson | Team Lead at Apple | TEAM LEAD | $130,000 | Cupertino | CA | USA |
| 6 | Chris Johnson | Software Engineer at Tesla | software engineer | $110,000 | Palo Alto | CA | USA |
Tabela corigida
funcionarios$nome <- str_replace_all(funcionarios$nome, "@", "a")
funcionarios$descrição <- str_trim(funcionarios$descrição)
funcionarios$cargo <- str_to_upper(funcionarios$cargo)
kable(head(funcionarios))| id | nome | descrição | cargo | salário | cidade | estado | pais |
|---|---|---|---|---|---|---|---|
| 1 | John Doe | Senior Developer at Google | SENIOR DEVELOPER | $120,000 | Mountain View | CA | USA |
| 2 | Jane Smith | Data Analyst at Amazon | DATA ANALYST | $98,000 | Seattle | WA | USA |
| 3 | Emily Davis | Manager at Microsoft | MANAGER | $150,000 | Redmond | WA | USA |
| 4 | Michael Brown | Intern at Facebook | INTERN | $40,000 | Menlo Park | CA | USA |
| 5 | Sarah Wilson | Team Lead at Apple | TEAM LEAD | $130,000 | Cupertino | CA | USA |
| 6 | Chris Johnson | Software Engineer at Tesla | SOFTWARE ENGINEER | $110,000 | Palo Alto | CA | USA |
Tabela agrupada pelo maior salario
funcionarios$salario_num <- as.numeric(gsub("[$,]", "",funcionarios$salário))
funcionarios_ordenados <- funcionarios %>% arrange(desc(salario_num))
funcionarios_ordenados$salario_num <-NULL
funcionarios$salario_num <-NULL
kable(head(funcionarios_ordenados))| id | nome | descrição | cargo | salário | cidade | estado | pais |
|---|---|---|---|---|---|---|---|
| 10 | Joshua Harris | CTO at Stripe | CTO | $200,000 | San Francisco | CA | USA |
| 7 | Jessica Lee | Senior Data Scientist at Netflix | SENIOR DATA SCIENTIST | $170,000 | Los Gatos | CA | USA |
| 27 | Jacob Turner | Data Scientist at Facebook | DATA SCIENTIST | $160,000 | Menlo Park | CA | USA |
| 29 | Austin Edwards | Software Architect at Microsoft | SOFTWARE ARCHITECT | $155,000 | Redmond | WA | USA |
| 3 | Emily Davis | Manager at Microsoft | MANAGER | $150,000 | Redmond | WA | USA |
| 46 | Stella Brooks | Solutions Architect at AWS | SOLUTIONS ARCHITECT | $150,000 | Seattle | WA | USA |
criação de um nova coluna com a empresa
funcionarios$empresa <- sapply(str_split(funcionarios$descrição, " at "), function(x) x[2])
kable(head(funcionarios))| id | nome | descrição | cargo | salário | cidade | estado | pais | empresa |
|---|---|---|---|---|---|---|---|---|
| 1 | John Doe | Senior Developer at Google | SENIOR DEVELOPER | $120,000 | Mountain View | CA | USA | |
| 2 | Jane Smith | Data Analyst at Amazon | DATA ANALYST | $98,000 | Seattle | WA | USA | Amazon |
| 3 | Emily Davis | Manager at Microsoft | MANAGER | $150,000 | Redmond | WA | USA | Microsoft |
| 4 | Michael Brown | Intern at Facebook | INTERN | $40,000 | Menlo Park | CA | USA | |
| 5 | Sarah Wilson | Team Lead at Apple | TEAM LEAD | $130,000 | Cupertino | CA | USA | Apple |
| 6 | Chris Johnson | Software Engineer at Tesla | SOFTWARE ENGINEER | $110,000 | Palo Alto | CA | USA | Tesla |
2. Pacote DT
datatable(funcionarios,
options= list(
pageLength = 10,
autoWidth = TRUE,
searching = TRUE,
ordering = TRUE,
lengthMenu = c(5,10,15,20)
),
class='cell-border stripe')3. Equações Complexas
Equações em LaTeX
1. Equação de Efeito Estufa
A equação abaixo representa uma reação química simplificada que descreve a fotossíntese, onde dióxido de carbono e água são convertidos em matéria orgânica e oxigênio, com a ajuda da luz solar.
\[ CO_2 + H_2O \rightarrow CH_2O + O_2 \]
2. Fórmula de Bayes
A fórmula de Bayes permite atualizar a probabilidade de uma hipótese à medida que novas evidências ou informações são adquiridas.
\[ P(A|B) = \frac{P(B|A)P(A)}{P(B)} \]
Onde: - \(P(A|B)\) é a probabilidade de \(A\) dado \(B\), - \(P(B|A)\) é a probabilidade de \(B\) dado \(A\), - \(P(A)\) e \(P(B)\) são as probabilidades de \(A\) e \(B\), respectivamente.
3. Equação de Regressão Linear
A equação de regressão linear simples modela a relação entre uma variável dependente \(y\) e uma variável independente \(x\).
\[ y = \beta_0 + \beta_1 x + \epsilon \]
Onde:
- \(y\) é a variável dependente, -
\(\beta_0\) é a interseção (coeficiente
linear), - \(\beta_1\) é o coeficiente
de inclinação (coeficiente angular), - \(\epsilon\) é o termo de erro.
4. Transformada de Fourier
A transformada de Fourier é uma operação matemática que transforma uma função de tempo \(f(t)\) em uma função de frequência \(F(\omega)\), permitindo a análise de suas componentes de frequência.
\[ F(\omega) = \int_{-\infty}^{\infty} f(t) e^{-i\omega t} \,dt \]
Onde: - \(F(\omega)\) é a função de frequência resultante, - \(f(t)\) é a função de tempo original, - \(e\) é a base do logaritmo natural, - \(i\) é a unidade imaginária, - \(\omega\) representa a frequência angular.
5. Gradiente Descendente
O gradiente descendente é um algoritmo de otimização iterativo usado para minimizar funções, ajustando seus parâmetros para reduzir a diferença entre as previsões e os valores reais.
\[ \theta := \theta - \alpha \frac{\partial J(\theta)}{\partial \theta} \]
Onde: - \(\theta\) é o vetor de parâmetros, - \(\alpha\) é a taxa de aprendizagem, - \(J(\theta)\) é a função de custo, - \(\frac{\partial J(\theta)}{\partial \theta}\) é o gradiente da função de custo em relação aos parâmetros.
4.Imagens de pacotes utilizados
5. Referências Bibliográficas
Cooley, W. W., & Lohnes, P. R. (1971). Data Analysis. (Cooley and Lohnes 1971)
Wickham, H., & Wickham, H. (2019). Package ‘stringr’. Disponível em: http://stringr.tidyverse.org e https://github.com/tidyverse/stringr. (Wickham and Wickham 2019)
Xie, Y., Allaire, J. J., & Grolemund, G. (2018). R Markdown: The Definitive Guide. Chapman and Hall/CRC. (Xie, Allaire, and Grolemund 2018)
King, J., & Magoulas, R. (2015). 2015 Data Science Salary Survey. O’Reilly Media, Incorporated. (King and Magoulas 2015)
Silva, N. N. da, Favacho, V. B. C., Boska, G. de A., Andrade, E. da C., Merces, N. P. das, & Oliveira, M. A. F. de. (2020). Acesso da população negra a serviços de saúde: revisão integrativa. Revista Brasileira de Enfermagem, 73, e20180834. SciELO Brasil. (Silva et al. 2020)