Tutorial de programação R

Dos conceitos básicos à implementação avançada, você aprenderá a criar diagramas Sankey eficazes usando ferramentas populares. Descubra os principais componentes, as práticas recomendadas e os princípios de design que tornam as visualizações de fluxo atraentes e perspicazes.

Explore as distribuições de cauda pesada em que os métodos estatísticos tradicionais não se aplicam. Descubra como a distribuição de Cauchy modela efetivamente fenômenos em que eventos extremos ocorrem com mais frequência do que o esperado.

Descubra os meandros da distribuição binomial negativa e suas aplicações. Saiba como modelar dados de contagem de forma eficaz. Explore exemplos práticos e recursos visuais para aumentar sua compreensão.

Descubra como acessar os dados do seu dataframe com subconjuntos. Saiba como fazer um subconjunto usando colchetes ou usando a função subset() do R.

Saiba como criar uma tabela de contingência e realizar testes de qui-quadrado no R usando a função chisq.test(). Descubra aplicações práticas e interprete os resultados com confiança.

Este é um guia para iniciantes criado para evitar dor de cabeça e tempo precioso se você decidir instalar o R por conta própria.

Aprenda três métodos para transpor uma matriz no R neste rápido tutorial

Aprenda as práticas recomendadas de codificação para aprimorar suas habilidades de programação. Explore as diretrizes de codificação para colaboração, estrutura de código, eficiência e muito mais.

Neste tutorial, você aprenderá a aproveitar ao máximo as funções de faceta do ggplots.

Neste tutorial, você aprenderá a classificar usando order(). Abordaremos como classificar vetores usando diferentes parâmetros, classificando quadros de dados e muito mais.

Descubra como os gráficos Q-Q são um método visual útil para avaliar a normalidade. Compare os dados observados com uma distribuição teórica, como a distribuição normal, para destacar os desvios. Aprenda a diagnosticar o ajuste do modelo.

Descubra como importar dados para o R, incluindo CSV, JSON, Excel, HTML, bancos de dados, SAS, SPSS, Matlab e outros arquivos usando os pacotes populares do R.