R Markdown Lista 11

Seção 1

data(iris)
head(iris)
##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1          5.1         3.5          1.4         0.2  setosa
## 2          4.9         3.0          1.4         0.2  setosa
## 3          4.7         3.2          1.3         0.2  setosa
## 4          4.6         3.1          1.5         0.2  setosa
## 5          5.0         3.6          1.4         0.2  setosa
## 6          5.4         3.9          1.7         0.4  setosa
# Filtrando apenas as espécies diferentes de 'setosa'
iris_setosa <- iris %>%
  filter(Species != "setosa")


iris_sorted <- iris %>%
  arrange(Sepal.Length)



# Criando uma nova variável 'Sepal.Area'
iris <- iris %>%
  mutate(Sepal.Area = Sepal.Length * Sepal.Width)


head(iris)
##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species Sepal.Area
## 1          5.1         3.5          1.4         0.2  setosa      17.85
## 2          4.9         3.0          1.4         0.2  setosa      14.70
## 3          4.7         3.2          1.3         0.2  setosa      15.04
## 4          4.6         3.1          1.5         0.2  setosa      14.26
## 5          5.0         3.6          1.4         0.2  setosa      18.00
## 6          5.4         3.9          1.7         0.4  setosa      21.06

Filtragem das Espécies diferentes de ‘Setosa’:

Filtragem dos dados para incluir apenas espécies diferentes de ‘Setosa’ a fim de realizar análises específicas sobre estas espécie.

Ordenação por Sepal.Length:

Organização do conjunto de dados com base no comprimento da sépala para observar como as outras variáveis se comportam em relação a essa medida.

Criação de uma Nova Variável ‘Sepal.Area’:

Criamos uma nova variável que representa a área da sépala, multiplicando seu comprimento e largura. Esta variável pode fornecer insights adicionais sobre as características das flores.

Seção 2

Tabela Interactiva em DT

Seção 3

Equações matemáticas

3.1 Equação de Euler

\[ e^{i\pi} + 1 = 0 \]

Esta equação, conhecida como a identidade de Euler, relaciona cinco das constantes matemáticas mais importantes: o número de Euler \(e\), a unidade imaginária \(i\), o número pi \(\pi\), 1, e 0.

3.2 Equação de Schrödinger

\[ i\hbar\frac{\partial}{\partial t}\Psi(x,t) = \hat{H}\Psi(x,t) \]

Esta é a equação de Schrödinger, que descreve como o estado quântico de um sistema físico muda com o tempo.

3.3 Fórmula de Bayes

\[ P(A|B) = \frac{P(B|A)P(A)}{P(B)} \]

Esta é a fórmula de Bayes, utilizada para calcular a probabilidade condicional, ajustando a probabilidade de um evento à luz de novas informações.

3.4 Fórmula de Desvio Padrão

\[ \sigma = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(x_i - \mu)^2} \]

Esta equação define o desvio padrão, uma medida da quantidade de variação ou dispersão de um conjunto de valores.

3.5 Transformada de Fourier

\[ \hat{f}(\xi) = \int_{-\infty}^{\infty} f(x) e^{-2\pi i x \xi} \,dx \]

A Transformada de Fourier decompõe uma função em suas componentes de frequência, essencial para análise de sinais.

Seção 4

Figuras relacionadas à Ciência de Dados

Figura 1 Figura 2

Seção 5

Exemplos Referências

Efron and Hastie (2016) Goodfellow, Bengio, and Courville (2016) James et al. (2013) Silver (2012) Tibshirani and Friedman (2001)

Efron, Bradley, and Trevor Hastie. 2016. Computer Age Statistical Inference. Cambridge, UK: Cambridge University Press. https://doi.org/10.1017/CBO9781316576533.
Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. 2016. Deep Learning. Cambridge, MA: MIT Press. https://www.deeplearningbook.org/.
James, Gareth, Daniela Witten, Trevor Hastie, and Robert Tibshirani. 2013. An Introduction to Statistical Learning. New York, NY: Springer. https://doi.org/10.1007/978-1-4614-7138-7.
Silver, Nate. 2012. The Signal and the Noise: Why so Many Predictions Fail–but Some Don’t. New York, NY: Penguin Press.
Tibshirani, Robert, and Jerome Friedman. 2001. The Elements of Statistical Learning. New York, NY: Springer. https://doi.org/10.1007/978-0-387-84858-7.