UNIVERSIDADE FEDERAL DE MINAS GERAIS GRADUAÇÃO EM ESTATÍSTICA BÁRBARA BORGES SILVA PROGRAMAÇÃO DE COMPUTADORES E A ESTATÍSTICA

Transcrição

1 UNIVERSIDADE FEDERAL DE MINAS GERAIS GRADUAÇÃO EM ESTATÍSTICA BÁRBARA BORGES SILVA PROGRAMAÇÃO DE COMPUTADORES E A ESTATÍSTICA BELO HORIZONTE 2012

2 BÁRBARA BORGES SILVA Programação de Computadores e a Estatística Trabalho desenvolvido durante a disciplina de Programação de Computadores, como parte da avaliação referente ao 2º semestre de Professor: Prof. Carlos Camarão BELO HORIZONTE 2012

3 Sumário 1 Introdução 4 2 Linguagem de Programação R Na mídia 8 3 O Software Plink e a Análise de Dados Genéticos O gplink 10 4 A Linguagem C e a Estatística 11 5 Conclusão 12 6 Referências ( Fontes ) 14

4 1 Introdução Softwares e a Análise Estatística A principal ferramenta para Análises Estatísticas é o computador, o avanço da tecnologia permite que a interpretação dos dados para análises fique em foco, os cálculos das fórmulas e os gráficos são feitos por softwares específicos e até mesmo por calculadoras, muitas delas têm fórmulas embutidas, o que facilita na hora da resolução, assim o estudo da teoria se torna a principal ação, gerando melhores resultados. São inúmeros os softwares estatísticos, os principais são: Minitab, SAS, SPSS, DMSS Software - Data Mining and Statistical Solutions, STATISTICA- Statsoft South America, STATA - Data Analysis and Statistical Software, Bioconductor, PSPP e a R (Linguagem de programação estatística e gráfica). A Linguagem de programação R e o software Plink (Análise de dados genéticos) ficarão em evidência por apresentarem características diferenciadas dos outros softwares. A relação da linguagem C com a Estatística não é muito evidente como na linguagem R e nos outros softwares estatísticos acima, mas é bastante funcional quando aplicada. 4

5 2 Linguagem de Programação R A Linguagem R A linguagem R apareceu apenas em 1996 como software livre e de fonte aberta. Essa linguagem foi desenvolvida por Robert Gentleman e Ross Ihaka, professores de estatística da Universidade de Auckland (Nova Zelândia), eles sentiram necessidade de um software para análise de dados e criação de modelos gráficos de fácil utilização para seus alunos de estatística, os já existentes eram complicados de manusear. O software de linguagem R é grátis e de fonte aberta, ou seja, pode ser modificado livremente por qualquer um, por exemplo, novas variações de código podem ser criadas de acordo com a necessidade do problema a ser solucionado. A R apresenta algumas similaridades com as linguagens S, C, Java e Perl. Ela é definida como simples e eficaz pelos seus desenvolvedores, existem cinco tipos básicos de objetos na linguagem R, são eles: Escalar, Vetor, Matriz, Data Frame, Lista (Vários tipos de objetos). O seu uso para Análises Estatísticas é bastante defendido, por ser um software gratuito e flexível ( permite que o usuário tenha controle total sobre o que está acontecendo, o mesmo cria de acordo com suas necessidades), ele é muito utilizado no ambiente acadêmico e empresarial. A R também se destaca por ser potente na criação e manipulação de gráficos, alguns pacotes básicos da R são baixados automaticamente e outros não. Os pacotes lattice, ggplot2, ggobi e rgl são excelentes, eles criam gráficos em 3D e mapas em alto relevo, porém devem ser baixados e instalados separadamente. Por existir muitos pacotes para análises de derivativos esse software é muito utilizado no setor financeiro. Foram criados, até agora, mais de 1,6 mil pacotes para R, e esse número está crescendo de forma rápida. 5

6 Figura 1: Plot 3D Vulção. Fonte: (C) R Foundation, From Figura 2: Mapa Topográfico-Vulcão. Fonte: (C) R Foundation, From 6

7 Figura 3: Unix Desktop. Fonte: (C) R Foundation, From Figura 4: Pairs Plot. Fonte: (C) R Foundation, From 7

8 A linguagem R oferece a liberdade que outros pacotes estatísticos não oferecem, o usuário que tem habilidade na programação em R amplia suas possibilidades, ele pode criar exatamente o que deseja. Constantemente esse software sofre atualizações, novos pacotes são lançados com freqüência. Existe um projeto chamado The R Journal, esse projeto tem como principal objetivo esclarecer assuntos relacionados com a linguagem R, como sugestões e dicas para iniciantes. Há um espaço dedicado a interessados que queiram publicar artigos e outro fornecendo informações sobre alterações feitas em R, novos pacotes, manuais e anúncios sobre conferências de R. 2.1 Na mídia O Site Terra publicou no dia 10 de janeiro de 2009, um artigo sobre a linguagem R e seu sucesso entre estatísticos, engenheiros e cientistas. Segundo esse artigo a R é usada por diversas empresas, entre elas estão: Google, Pfizer, Merck, Bank of America, InterContinental Hotels Group e Shell. Dairy Pregibon, cientista do Google, afirma que estatísticos, que não tem um entendimento profundo em programação de computadores conseguem utilizar a R para análises complicadas. E ainda, Ihaka ( Desenvolvedor da R) diz que a R é uma demonstração do poder da colaboração, e que não teria vendido mais de cinco cópias se tivessem escolhido lançar o software como produto comercial. 8

9 3 O Software Plink e a Análise de Dados Genéticos Softwares Específicos Os softwares mencionados na Introdução não foram desenvolvidos para tratar dados específicos. Existem softwares estatísticos criados para um certo tipo de banco de dados, o Plink é um exemplo, ele foi desenvolvido especialmente para tratar dados/informações genéticas. Existem pacotes para analisar dados genéticos para a R, assim como os programas PEDCHECK e o HAPLOVIEW, porém estes dois últimos foram criados apenas para esse fim. O Plink é um software gratuito de simples instalação e está sendo desenvolvido por Shaun Purcell. Não é necessário um tipo de computador próprio para trabalhar com o Plink, mas 2GB de RAM e um processador de (pelo menos) 3GHz seria o mínimo pra um bom funcionamento, dentre os sistemas operacionais existente o Linux é o mais indicado, por garantir algumas vantagens, entretanto não se vê diferenças significativas no desempenho do Plink em outros sistemas operacionais. O uso de programas adequados é fundamental para trabalhar com dados genéticos, já que eles exigem do programa uma capacidade superior para armazenamento e processamento. O programa tem muitas funções estatísticas dentre elas estão: Freqüência de genótipos, Teste EHW, Estatísticas IBD para indivíduos e pares de indivíduos, Teste de significância para decisão se dois indivíduos pertencem a uma mesma população, Teste de comparação de modelos, Testes de Mantel-Haenszel e Breslow-Day para amostras estratificadas, Testes de heterogeneidade, Exato de Fisher, Análise Extratificada e outras. Frequentemente ocorre atualizações do programa, aperfeiçoamentos, melhorias, correção de erros, novas funções e mudanças de formato. 9

10 3.1 O gplink O gplink O gplink é um software livre baseado na programação Java criado para executar comandos básicos do programa Plink, é uma forma dos usuários se familiarizarem com a linguagem do Plink. O gplink é uma ferramenta simples, ele permite que o usuário análise as atividades geradas no programa (Análise de Log), e além disso ele facilita a interação do Plink com o software HAPLOVIEW. Figura 5: Interface gplink Fonte: 10

11 4 A linguagem C e a Estatística A linguagem C foi criada por Dennis Ritchie em 1972 para desenvolver o sistema operacional Unix. È uma linguagem bastante popular, e influenciou outras linguagens como a R e C++. A Matemática e a Estatística estão diretamente ligadas a programação, já que elas, principalmente a Matemática, são bases para programar diversos tipos de programas, pois utilizamos funções, condições e restrições. Como foi dito anteriormente, na Introdução, o cálculo de fórmulas estatísticas devem ser feitos por computadores ou calculadoras. Criar programas para tais cálculos é uma solução bastante eficaz, e isso pode ser feito através da linguagem C. Ela pode ser utilizada para criar funções estatísticas como: média, desvio-padrão, moda, máximos, mínimos e outros. Também podemos utilizar a C para Correlações, Qui-Quadrado e Distribuições de Probabilidade. Abaixo está um exemplo de média aritmética entre dois números: void main() { float num_1, num_2, med; printf( Digite dois números: ); scanf( %f %f, &num_1, &num_2); med = media2(num_1, num_2); // chamada a função printf( \na media destes números e %f, med); } É evidente que esse programa não é muito útil no âmbito geral da Estatística, por ser simples e abordar uma conta fácil de ser realizada, entretanto ele mostra que com habilidade em C e em Estatística é possível criar programas mais complexos, a fim de solucionar problemas ou fórmulas que dificilmente seriam solucionadas sem a ajuda de programas ou calculadoras. 11

12 5 Conclusão A Estatística tem aplicação em diversas áreas, vimos que sua aplicação na Medicina vai muito além de pesquisas sobre doenças e sua incidência em determinada região, sua aplicação na Genética é ampla e fundamental para mapeamento dos genes, por exemplo. Ela é usada na área Financeira, no Marketing e na Indústria, porém sem sua principal ferramenta (o computador) a Estatística fica extremamente restrita ao tratamento de dados com amostras muito pequenas, o que é inútil dentro das exigências empresariais. A programação é a extensão da Estatística, podemos afirmar que um indivíduo que tem conhecimentos estatísticos, mas não tem o domínio de um software estatístico e/ou a destreza de programar( como é o caso do software R ) não adiciona em nada dentro de um processo de análise de dados. É como saber todas as técnicas de fotografia, mas não saber manusear uma máquina fotográfica, você sabe que deve ajustar a entrada de luz mas não sabe qual botão deve apertar, o produtor final ( se acontecer ) não será perfeito, pois não se aproveitou o máximo que o instrumento utilizado pode oferecer. Dominar técnicas de programação em R é essencial para qualquer indivíduo que tem intenção de tratar dados estatisticamente. Essa linguagem é popular no meio acadêmico e em empresas, ela oferece uma liberdade se comparada com pacotes estatísticos, além de ter uma variedade de construções gráficas. Por fim, sabemos que o conhecimento em Linguagem R é importante e também deve-se ter habilidade em pacotes estatísticos, pois um é o complemento do outro, em certa análise pode ser mais interessante utilizar o R, em outras não. Ter um conhecimento geral sobre as linguagens de programação mais utilizadas é o ideal, desde que haja um aprofundamento em pelo menos duas linguagens de programação, no caso da Estatística uma delas certamente é a linguagem R. 12

13 Ao tratar dados, devemos nos focar em qual modelo iremos utilizar, por exemplo. Com a tecnologia os resultados estatísticos de uma certa13 análise estão cada vez melhores, pois podemos utilizar programas para determinar soluções. A C permite que isso seja possível, o domínio dessa linguagem é importante para solucionar diversos problemas estatísticos. 13

14 6 Referências ( Fontes ) PROVETE, Diogo Borges; SILVA, Fernando Rodrigues; SOUZA, Thiago Gonçalves. Programa Pós-Graduação Biologia Animal: Estatística aplicada à ecologia usando o R f. Programa ( Pós-Gradução ), Universidade Estadual Paulista, São Paulo. Disponível em <>. Acesso em CONSELHO REGIONAL DE ESTATÌSTICA DA 3ª REGIÃO. Disponível em <>. Acesso em PLINK. Disponível em <>. Acesso em R PROJECT. Disponível em <>. Acesso em THE R JOURNAL. Disponível em <>. Acesso em TERRA.Tecnologia Notícias. Poder da linguagem R fascina analistas Disponível em <>. EI15607,00Poder+da+linguagem+R+fascina+analistas.html. Acesso em CONSELHO REGIONAL DO SENAI-RS.Curso Tecnólogo de Mecatrônica. Fundamentos da linguagem C f.SENAI, Caxias do Sul. Disponível em <>. Acesso em

15