## 14. Resumo da aula Nesta aula, vimos que: - números pseudo-aleatórios podem ser gerados em R para diversas distribuições; - `set.seed()` é fundamental para reprodutibilidade; - simulação numérica permite estudar fenômenos probabilísticos e distribuições amostrais; - o bootstrap aproxima a distribuição de um estimador por reamostragem com reposição; - o pacote `boot` fornece uma implementação estruturada do bootstrap; - pacotes como `dplyr`, `ggplot2`, `plotly` e `boot` podem ser integrados em fluxos completos de análise.

Nesta aula, vimos que: - distribuições de probabilidade descrevem padrões probabilísticos de variáveis aleatórias; - inferência para média e proporção permite estimar parâmetros populacionais e testar hipóteses; - ANOVA compara médias de múltiplos grupos; - tabelas de contingência e testes Qui-quadrado investigam associação entre variáveis qualitativas; - correlação mede intensidade de associação linear; - gráficos interativos com `plotly` podem complementar a análise de correlação; - regressão linear simples modela a relação entre uma variável resposta e uma variável explicativa.

Nesta aula, vimos que: - contagens e frequências resumem variáveis qualitativas; - gráficos de barras e de setores apresentam distribuições categóricas; - histogramas descrevem variáveis quantitativas; - tabelas de frequências podem ser construídas também com o pacote `fdth`; - gráficos de dispersão bidimensionais podem ser construídos em versões estáticas e interativas; - gráficos tridimensionais podem ser explorados com `plotly` e `scatterplot3d`; - boxplots resumem posição, dispersão e possíveis outliers; - medidas de posição descrevem a localização dos dados; - medidas de dispersão quantificam a variabilidade; - medidas de forma ajudam a interpretar assimetria e curtose.

Nesta aula, vimos que: - `select()` seleciona colunas; - `filter()` seleciona linhas; - `mutate()` cria e transforma variáveis; - `case_when()` permite classificações e recodificações mais legíveis; - `group_by()` e `summarise()` estruturam a agregação por grupos; - `group_split()` permite dividir a base em subconjuntos; - `bind_rows()`, `bind_cols()` e `left_join()` permitem combinar dados; - `pivot_longer()` e `pivot_wider()` reorganizam a estrutura das bases; - `ggplot2` constrói gráficos por camadas, integrando-se naturalmente ao fluxo do tidyverse.

. estruturas condicionais permitem tomar decisões no código; . laços permitem repetir comandos automaticamente; . funções permitem encapsular lógica e reaproveitar procedimentos; . scripts organizam fluxos completos de trabalho; . em R, muitas tarefas podem ser resolvidas de forma vetorial, evitando laços desnecessários.

Ambientação da disciplina e instalação do R. Instalação do RStudio, configuração inicial e validação do ambiente.

Resultados - fêmeas

Gráficos interativos para publicação no Reseachgate

Texto em fase de elaboração sujeito a imperfeições .

Neste conjunto foram retirados os indivíduos com NA e colunas sem variação

Neste conjunto foram retirados os indivíduos que continham NA e algumas colunas sem variação (87x36).