A Resposta dos exercícios

A.1 Exercício 1

F2(2, 3)

[1] 8

F2(y = 3, x =2)

[1] 8

O resultado foi o mesmo, pois embora se tenha invertido o valor dos números, no segundo exemplo se declarou a qual argumento o numero pertencial.

F3(20)

Error in F3(20): O argumento x = 20 é inválido. 'x' precisa ser maior que 10

Pois o argumento (if x > 10) faz com que ocorra um erro e a função não seja executada.

elevar(12, eleva = "cubico")

Error in elevar(12, eleva = "cubico"): O argumento eleva = cubico deve ser ou 'quadrado' ou 'cubo'

O argumento ‘eleva’ não está correto. Ele deve ser ou ‘quadrado’ ou ‘cubo’.

mega = function(jogos, numeros = 6){
  if(!numeros %in% c(6:15)){
    stop("O numero deve ser entre 6 e 15")
  }
  result = list()
for(i in 1:jogos){
result[[i]] = sort(
  sample(1:60, size = numeros, replace = FALSE)
  )
}
  return(do.call(rbind, result))
}

# 4 jogos
mega(5, 10)

     [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
[1,]   11   15   21   30   34   40   50   51   54    58
[2,]    1    5   15   23   26   27   29   36   45    59
[3,]    2    7   16   31   40   41   42   46   56    58
[4,]    2    9   26   33   34   37   44   45   47    48
[5,]    3   22   36   37   46   50   53   55   56    59

A.2 Exercício 2

maize %>%
  mutate(MGRA_kg = MGRA / 1000) %>%
  select(AMB, HIB, REP, MGRA_kg) %>%
  top_n(5, MGRA_kg)

A.3 Exercício 3

maize %>%
  group_by(HIB) %>%
  summarise(MGRA_mean = mean(MGRA)) %>%
  mutate(Rank = rank(MGRA_mean)) %>%
  arrange(Rank)

A.4 Exercício 4

ggplot(dados_gg, aes(x = RG, y = PH, colour = AMB, size = APLA)) +
geom_point()

A.5 Exercício 5

ggplot(dados_gg, aes(x = RG, y = PH, colour = GEN)) +
     geom_point() +
     facet_wrap(~AMB)+
     my_theme()

A.6 Exercício 6

ggplot(dados_gg, aes(x = RG, y = PH)) +
     geom_point(aes(colour = AMB))+
     geom_smooth(method = "lm", se = F)+
     my_theme()+
     labs(x = "Rendimento de grãos", y = "Peso hectolitro")

A.7 Exercício 7

means = qualitativo %>% 
  group_by(HIBRIDO) %>% 
  summarise(RG = mean(RG)) %>%
  mutate(letras = "a")
ggplot(means, aes(x = HIBRIDO, y = RG)) +
  geom_bar(stat = "identity", col = "black", fill = "orange", width = 0.5)+
  scale_y_continuous(expand = expand_scale(c(0, .1)))+
  geom_text(aes(label = letras), hjust = -1, size = 3.5)+
  geom_hline(yintercept = mean(means$RG), linetype = "dashed")+
  coord_flip()

A.8 Exercício 8

plot_lines(quantitativo, x = DOSEN, y = RG, fit = 2, col = F)

A.9 Exercício 9

with(quantitativo, rbd(DOSEN, BLOCO, RG, quali = FALSE))

A.10 Exercício 10

res = tibble(Convencional = residuals(convencional),
             Transformado = residuals(transform),
             Generalizado = residuals(general, type = "deviance"))
shapiro.test(res$Convencional)
shapiro.test(res$Transformado)
shapiro.test(res$Generalizado)

A.11 Exercício 11

NUPEC_2 = FAT1_CI %>%
  filter(HIBRIDO == "NUPEC_2")
ggplot(NUPEC_2, aes(x = DOSEN, y = RG)) +
geom_point()+
stat_smooth(method = "lm", formula = as.formula("y ~ poly(x, 2)")) +
geom_vline(xintercept = 45, linetype = "dashed", col = "gray") +
eom_vline(xintercept = 46.41, col = "gray")

A.12 Exercício 12

plot_factbars(FAT2_CI,
              HIBRIDO,
              FONTEN,
              resp = RG,
              errorbar = FALSE,
              verbose = FALSE,
              size.text.bar = 3,
              lab.bar.vjust = -0.5,
              lab.bar = c("bB", "cBC", "aA", "cD",
                          "cD", "dC", "aA", "bB",
                          "bA", "cA", "aA", "cC",
                          "cC", "dAB", "aA", "bA"),
              palette = "Greens")

A.13 Exercício 13

covar_mat = maize %>%
  split_factors(ENV, keep_factors = TRUE) %>%
  covcor_design(gen = GEN,
                rep = REP,
                resp = c(PH, EH, NKE, TKW),
                type = "rcov")