10 + 5
#> [1] 15
10 - 5
#> [1] 5
10 * 5
#> [1] 50
10 / 4
#> [1] 2.5
10 ^ 2
#> [1] 1002 Objetos, funções e operadores
Pré-requisitos: Capítulo 1 · Pacotes: apenas o R base
Ao final deste capítulo, espera-se que o estudante seja capaz de usar o R como calculadora, respeitando a ordem das operações; criar objetos e escolher bons nomes para eles; chamar funções, reconhecendo argumentos obrigatórios, opcionais e valores padrão; montar comparações e condições com operadores relacionais e lógicos; aplicar funções estatísticas simples a um conjunto de valores; e ler mensagens de erro e de aviso para corrigir o próprio código.
No capítulo anterior, o R foi usado apenas para somar dois números e consultar sua versão. Neste capítulo começamos a conversar com ele de verdade. Vamos guardar valores em objetos, chamar funções, comparar números e calcular alguns indicadores de saúde a partir de contagens. Tudo o que aparece aqui será usado em todos os capítulos seguintes, por isso vale a pena executar cada exemplo no seu próprio computador, de preferência em um script salvo dentro do projeto da disciplina.
2.1 O R como calculadora
O jeito mais simples de usar o R é como uma calculadora. Os operadores aritméticos são os mesmos que usamos no papel, com algumas pequenas diferenças de grafia.
O asterisco (*) indica multiplicação e o acento circunflexo (^) indica potência. Há ainda dois operadores menos conhecidos, mas úteis. O operador %/% devolve apenas a parte inteira de uma divisão, e o operador %% devolve o resto.
17 %/% 5
#> [1] 3
17 %% 5
#> [1] 2Esses dois operadores aparecem, por exemplo, quando queremos transformar uma idade em dias em anos completos e dias restantes, ou quando precisamos descobrir se um número é par (o resto da divisão por 2 é zero).
O R segue a ordem usual das operações da matemática. Potências são calculadas antes de multiplicações e divisões, que por sua vez vêm antes de somas e subtrações. Quando houver dúvida, os parênteses resolvem.
2 + 3 * 4
#> [1] 14
(2 + 3) * 4
#> [1] 20Um cuidado importante para quem trabalha no Brasil é o separador decimal. No R, a parte decimal é sempre separada por ponto, e nunca por vírgula. Escrever 3,5 não representa três e meio; a vírgula, como veremos adiante, serve para separar os argumentos de uma função. Esse detalhe parece pequeno, mas é a origem de muitos problemas na importação de planilhas preparadas com a configuração brasileira, assunto do Capítulo 5.
Além das operações básicas, o R oferece funções matemáticas prontas. As mais usadas são a raiz quadrada (sqrt()), a exponencial (exp()) e os logaritmos.
sqrt(144)
#> [1] 12
exp(1)
#> [1] 2.718282
log(100)
#> [1] 4.60517
log10(100)
#> [1] 2
log(8, base = 2)
#> [1] 3Repare que log() calcula o logaritmo natural (na base e), e não o logaritmo na base 10, como acontece em muitas calculadoras. Para a base 10 existe a função log10(), e para qualquer outra base basta informar o argumento base. Essa distinção será importante quando calcularmos intervalos de confiança para medidas de associação, no Capítulo 15, que usam o logaritmo natural.
2.2 Objetos e atribuição
Fazer contas soltas no console tem pouca utilidade se não pudermos guardar os resultados. No R, guardamos valores em objetos. Um objeto é um nome que aponta para um valor armazenado na memória do computador. Para criar um objeto, usamos o operador de atribuição <-, formado pelo sinal de menor seguido de um hífen. No RStudio, o atalho Alt + - (no macOS, Option + -) digita esse operador de uma vez.
nascidos_vivos <- 1350
obitos_infantis <- 16Ao executar essas duas linhas, nada aparece no console, mas os objetos passam a existir e são listados no painel Environment. Para ver o valor de um objeto, basta digitar o seu nome.
nascidos_vivos
#> [1] 1350A partir daí, o objeto pode ser usado em qualquer cálculo, exatamente como se fosse o número que ele guarda.
obitos_infantis / nascidos_vivos * 1000
#> [1] 11.85185Se atribuirmos um novo valor a um objeto que já existe, o valor antigo é substituído sem nenhum aviso. Isso é útil, mas exige atenção, porque um resultado importante pode ser perdido por descuido.
nascidos_vivos <- 1412
nascidos_vivos
#> [1] 1412Como dar nomes aos objetos
O R aceita nomes formados por letras, números, pontos e sublinhados, desde que comecem por uma letra (ou por um ponto que não seja seguido de número). Não são permitidos espaços nem palavras reservadas da linguagem, como if, for, TRUE ou NA. O R também diferencia letras maiúsculas e minúsculas, de modo que Peso, peso e PESO são três objetos diferentes.
Dentro dessas regras, vale a pena seguir algumas convenções. A mais adotada na comunidade, e seguida neste livro, é escrever nomes em letras minúsculas, sem acentos, separando as palavras por sublinhado, como em taxa_mortalidade ou casos_confirmados. Os nomes devem ser descritivos o bastante para que outra pessoa entenda o que guardam. Um objeto chamado x2 não diz nada; um objeto chamado peso_medio_gramas dispensa explicações.
O R até aceita letras acentuadas em nomes de objetos, mas elas costumam causar problemas quando o script é aberto em outro computador ou sistema operacional. Prefira obitos a óbitos e populacao a população.
Para listar os objetos existentes na sessão, usamos a função ls(). Para remover um objeto que não é mais necessário, usamos rm().
ls()
#> [1] "nascidos_vivos" "obitos_infantis"
rm(obitos_infantis)2.3 Funções e argumentos
Já usamos várias funções, como sqrt() e log(). Uma função é um conjunto de instruções que recebe valores de entrada, realiza alguma tarefa e devolve um resultado. A forma geral de chamar uma função é sempre a mesma: o nome da função, seguido de parênteses, e dentro dos parênteses os argumentos, separados por vírgulas.
Tome como exemplo a função round(), que arredonda números. Ela tem dois argumentos. O primeiro, x, é o número a ser arredondado. O segundo, digits, indica quantas casas decimais devem ser mantidas.
round(x = 3.14159, digits = 2)
#> [1] 3.14Os argumentos podem ser informados pelo nome, como acima, ou apenas pela posição. Como x é o primeiro argumento e digits é o segundo, a chamada abaixo tem o mesmo efeito.
round(3.14159, 2)
#> [1] 3.14Quando um argumento tem um valor padrão, ele pode ser omitido. No caso de round(), o valor padrão de digits é zero. Por isso, a chamada a seguir arredonda para o inteiro mais próximo.
round(3.14159)
#> [1] 3Como saber quais argumentos uma função aceita e quais são os valores padrão? A resposta está na página de ajuda, que vimos no Capítulo 1. Ao digitar ?round, a seção Usage mostra round(x, digits = 0, ...). O argumento x não tem valor padrão, por isso é obrigatório; digits já vem igual a zero e só precisa ser informado quando queremos outra coisa.
Uma recomendação prática é informar pelo nome todos os argumentos, exceto o primeiro, que costuma ser óbvio. Escrever round(taxa, digits = 1) é mais claro do que round(taxa, 1), principalmente para quem lê o código meses depois.
Faça o teste: round(0.5) devolve 0, mas round(1.5) devolve 2, e round(2.5) devolve 2 de novo. Não é erro. Quando o número está exatamente no meio do caminho, o R arredonda para o número par mais próximo, seguindo uma norma internacional para cálculos em computador. Na prática, isso raramente faz diferença, mas é bom saber para não estranhar o resultado.
Funções também podem ser colocadas umas dentro das outras. Nesse caso, o R executa primeiro a função mais interna e usa o resultado como argumento da mais externa.
round(sqrt(10), digits = 2)
#> [1] 3.162.4 Operadores relacionais e lógicos
Em análise de dados, fazemos perguntas o tempo todo. Este recém-nascido tem baixo peso? Esta mãe é adolescente? Este caso foi confirmado? No R, perguntas desse tipo são feitas com operadores relacionais, que comparam dois valores e respondem TRUE (verdadeiro) ou FALSE (falso).
| Operador | Significado | Exemplo | Resultado |
|---|---|---|---|
== |
igual a | 5 == 5 |
TRUE |
!= |
diferente de | 5 != 5 |
FALSE |
< |
menor que | 2300 < 2500 |
TRUE |
> |
maior que | 2300 > 2500 |
FALSE |
<= |
menor ou igual a | 37 <= 37 |
TRUE |
>= |
maior ou igual a | 19 >= 20 |
FALSE |
Repare que o teste de igualdade usa dois sinais de igual. Um único sinal (=) tem outra função, a de atribuir valores a argumentos dentro de funções, e confundir os dois é um erro comum.
Vamos usar esses operadores com um exemplo concreto. Na saúde materno-infantil, considera-se com baixo peso ao nascer o recém-nascido que pesa menos de 2.500 gramas.
peso <- 2350
peso < 2500
#> [1] TRUEMuitas vezes precisamos combinar duas ou mais condições. Para isso existem os operadores lógicos. O operador & (e) só devolve TRUE quando as duas condições são verdadeiras. O operador | (ou) devolve TRUE quando pelo menos uma delas é verdadeira. O operador ! (não) inverte o resultado.
idade_mae <- 17
semanas_gestacao <- 35
idade_mae < 20 & semanas_gestacao < 37
#> [1] TRUE
idade_mae < 20 | semanas_gestacao < 37
#> [1] TRUE
!(idade_mae < 20)
#> [1] FALSENa primeira linha, perguntamos se a mãe é adolescente e o parto foi prematuro; as duas coisas são verdadeiras, então a resposta é TRUE. Na segunda, basta uma das duas ser verdadeira. Na terceira, o ! transforma a resposta de “a mãe tem menos de 20 anos?” em “a mãe não tem menos de 20 anos?”.
Um último operador muito usado é %in%, que verifica se um valor pertence a um conjunto de valores. Ele é bem mais prático do que escrever várias comparações ligadas por |.
uf <- "RO"
uf %in% c("AC", "AM", "RO", "RR", "PA", "AP", "TO")
#> [1] TRUEAqui perguntamos se a unidade da federação pertence à Região Norte. A função c(), que reúne vários valores em um só objeto, será apresentada com calma na próxima seção.
2.5 Funções estatísticas básicas
Até agora, cada objeto guardou um único número. Na prática, trabalhamos com conjuntos de valores, como os pesos de todos os recém-nascidos de um hospital. A função c() (de combinar) junta vários valores em um único objeto, chamado vetor.
pesos <- c(3200, 2850, 3540, 2410, 3100, 3890, 2980, 1980, 3330, 3015)
pesos
#> [1] 3200 2850 3540 2410 3100 3890 2980 1980 3330 3015Os dez pesos acima, em gramas, são fictícios e servem apenas para ilustrar. Com eles, podemos calcular as medidas resumo mais comuns usando funções prontas.
length(pesos)
#> [1] 10
sum(pesos)
#> [1] 30295
mean(pesos)
#> [1] 3029.5
median(pesos)
#> [1] 3057.5
min(pesos)
#> [1] 1980
max(pesos)
#> [1] 3890
range(pesos)
#> [1] 1980 3890
sd(pesos)
#> [1] 542.1687
var(pesos)
#> [1] 293946.9A função length() conta quantos valores há no vetor; sum() os soma; mean() e median() calculam a média e a mediana; min(), max() e range() mostram os extremos; sd() e var() calculam o desvio-padrão e a variância. O significado estatístico dessas medidas e a escolha entre elas serão discutidos no Capítulo 11.
Os operadores relacionais também funcionam com vetores. Nesse caso, a comparação é feita valor a valor, e o resultado é um vetor de TRUE e FALSE.
pesos < 2500
#> [1] FALSE FALSE FALSE TRUE FALSE FALSE FALSE TRUE FALSE FALSEEsse resultado pode ser somado. Como o R trata TRUE como 1 e FALSE como 0, a soma conta quantos valores atendem à condição, e a média dá a proporção.
sum(pesos < 2500)
#> [1] 2
mean(pesos < 2500)
#> [1] 0.2Ou seja, 2 dos 10 recém-nascidos têm baixo peso, o que corresponde a 20%. Esse truque de somar ou tirar a média de uma condição será usado muitas vezes ao longo do livro.
Um último detalhe. Quando um vetor contém um valor ausente, representado no R por NA, as funções resumo devolvem NA, porque não é possível saber o resultado sem conhecer todos os valores. O argumento na.rm = TRUE pede que os valores ausentes sejam ignorados no cálculo.
pesos_com_ausente <- c(3200, 2850, NA, 2410)
mean(pesos_com_ausente)
#> [1] NA
mean(pesos_com_ausente, na.rm = TRUE)
#> [1] 2820Valores ausentes são muito comuns nos sistemas de informação em saúde e voltarão a aparecer em vários capítulos, com destaque para o Capítulo 3 e o Capítulo 9.
2.6 Erros, avisos e estilo de código
Errar faz parte de programar, e o R avisa quando algo não vai bem. Há três tipos de mensagem. Um erro (error) interrompe a execução, e o comando não produz resultado. Um aviso (warning) indica que o comando foi executado, mas algo merece atenção. Uma mensagem (message) apenas informa o que está acontecendo, como a lista de pacotes carregados que vimos no Capítulo 1.
Os erros mais frequentes de quem está começando são bem previsíveis. O primeiro é usar um objeto que não existe, quase sempre por erro de digitação ou de maiúsculas e minúsculas.
Pesos
#> Error:
#> ! object 'Pesos' not foundO segundo é esquecer um parêntese, uma vírgula ou aspas. Nesse caso, o R não entende o comando e informa que encontrou algo inesperado.
mean(pesos))
#> Error in parse(text = input): <text>:1:12: unexpected ')'
#> 1: mean(pesos))
#> ^O terceiro é chamar uma função com o tipo errado de valor, como tentar calcular o logaritmo de um texto.
log("cem")
#> Error in `log()`:
#> ! non-numeric argument to mathematical functionJá um aviso aparece, por exemplo, quando pedimos o logaritmo de um número negativo. O R devolve NaN (not a number, ou “não é um número”) e avisa que o resultado não faz sentido.
log(-1)
#> Warning in log(-1): NaNs produced
#> [1] NaNDiante de qualquer erro, vale seguir uma rotina simples. Leia a mensagem até o fim, confira se os nomes estão escritos exatamente como foram criados, verifique se todos os parênteses e aspas foram fechados e, se nada disso resolver, copie a mensagem e procure por ela na internet. Essas estratégias estão reunidas no Apêndice D.
Escrevendo código que outras pessoas consigam ler
Código é lido muito mais vezes do que é escrito, e quase sempre por nós mesmos, algum tempo depois. Por isso, vale adotar desde cedo um estilo consistente. Este livro segue o guia de estilo do tidyverse, cujas regras principais cabem em poucas linhas. Coloque espaços ao redor dos operadores (peso < 2500, e não peso<2500), depois das vírgulas e antes e depois de <-. Use nomes descritivos em minúsculas e com sublinhados. Escreva comentários que expliquem o porquê de cada decisão. Evite linhas muito longas, quebrando-as depois de uma vírgula.
# Difícil de ler
tmi<-obitos/nv*1000;round(tmi,1)
# Mais claro
taxa_mortalidade_infantil <- obitos_infantis / nascidos_vivos * 1000
round(taxa_mortalidade_infantil, digits = 1)2.7 Estudo de caso: calculando indicadores a partir de contagens
Vamos juntar tudo o que foi visto em um exemplo próximo do trabalho em um serviço de saúde. Suponha que a equipe de vigilância de um município hipotético recebeu as seguintes informações sobre o ano de 2023: 1.412 nascidos vivos de mães residentes, 16 óbitos de menores de um ano, 118 nascidos vivos com menos de 2.500 gramas, população residente de 58.300 habitantes e 412 casos confirmados de dengue. Todos esses números são fictícios.
Começamos guardando cada contagem em um objeto com nome descritivo.
nascidos_vivos <- 1412
obitos_menores_1_ano <- 16
nascidos_baixo_peso <- 118
populacao <- 58300
casos_dengue <- 412A taxa de mortalidade infantil é o número de óbitos de menores de um ano dividido pelo número de nascidos vivos, multiplicado por mil. Ela expressa quantas crianças morrem antes do primeiro aniversário a cada mil que nascem vivas.
taxa_mortalidade_infantil <- obitos_menores_1_ano / nascidos_vivos * 1000
round(taxa_mortalidade_infantil, digits = 1)
#> [1] 11.3A proporção de nascidos vivos com baixo peso é o número de nascidos com menos de 2.500 gramas dividido pelo total de nascidos vivos, multiplicado por cem.
proporcao_baixo_peso <- nascidos_baixo_peso / nascidos_vivos * 100
round(proporcao_baixo_peso, digits = 1)
#> [1] 8.4O coeficiente de incidência de dengue é o número de casos novos dividido pela população exposta, multiplicado por cem mil.
incidencia_dengue <- casos_dengue / populacao * 100000
round(incidencia_dengue, digits = 1)
#> [1] 706.7Os três indicadores têm a mesma estrutura, com um numerador, um denominador e uma constante multiplicativa, mas diferem no significado. A proporção de baixo peso é uma parte do todo, e por isso seu numerador está contido no denominador. A taxa de mortalidade infantil usa os nascidos vivos como aproximação da população de menores de um ano exposta ao risco de morrer. O coeficiente de incidência relaciona casos novos à população residente em um período. A constante (mil, cem ou cem mil) é escolhida apenas para que o número final fique fácil de ler e de comparar.
Proporção, razão e coeficiente não são sinônimos. Na proporção, o numerador é parte do denominador (por exemplo, nascidos com baixo peso entre todos os nascidos vivos). Na razão, numerador e denominador são grandezas diferentes (por exemplo, número de leitos por mil habitantes). O coeficiente, também chamado de taxa, relaciona o número de eventos à população exposta ao risco em um período. A publicação da Ripsa sobre indicadores de saúde (ORGANIZAÇÃO PAN-AMERICANA DA SAÚDE, 2008) traz a definição, o método de cálculo e as limitações de cada indicador usado no Brasil.
Por fim, é uma boa prática reunir os resultados com uma mensagem clara. A função paste() junta textos e números em uma única frase.
paste("Taxa de mortalidade infantil:", round(taxa_mortalidade_infantil, 1), "por mil nascidos vivos")
#> [1] "Taxa de mortalidade infantil: 11.3 por mil nascidos vivos"No Capítulo 4 veremos uma forma mais elegante de colocar resultados como esse diretamente no texto de um relatório.
2.8 Exercícios
Fixação
Calcule, no console, o resultado de
(15 + 5) / 4 ^ 2e explique a ordem em que as operações foram feitas. Depois, coloque parênteses de modo que o resultado seja 1,25.Crie um objeto chamado
altura_mcom o valor 1,68 e outro chamadopeso_kgcom o valor 72. Calcule o índice de massa corporal (peso dividido pelo quadrado da altura) e arredonde o resultado para uma casa decimal.Quais dos nomes a seguir são válidos no R? Justifique.
casos_2023,2023_casos,casos.2023,casos 2023,if.Usando o vetor
pesosdo texto, conte quantos recém-nascidos têm peso igual ou superior a 4.000 gramas e calcule a proporção correspondente.
Aplicação
Três municípios fictícios registraram, em um ano, 820, 1.540 e 310 nascidos vivos, e 9, 14 e 6 óbitos de menores de um ano, respectivamente. Crie um vetor para os nascidos vivos e outro para os óbitos e calcule a taxa de mortalidade infantil dos três municípios com uma única linha de código. Qual município tem a maior taxa? Por que essa comparação deve ser feita com cautela no município menor?
Uma unidade de saúde registrou as idades, em anos, das gestantes atendidas em uma semana: 16, 23, 31, 19, 27, 35, 41, 18, 22 e 29. Usando operadores relacionais e lógicos, calcule quantas gestantes são adolescentes (menos de 20 anos), quantas têm 35 anos ou mais e quantas estão fora dessas duas faixas.
Desafio
Execute
0.1 + 0.2 == 0.3e observe o resultado. Pesquise por que o computador responde dessa forma e mostre como a funçãoall.equal()resolve o problema. Em que situações de análise de dados esse comportamento poderia causar erros difíceis de perceber?Uma pessoa calculou a taxa de mortalidade infantil escrevendo
obitos / nascidos * 1000em um município com zero nascidos vivos no período. Teste o que o R devolve quando se divide um número positivo por zero e quando se divide zero por zero. Explique os resultados e proponha uma forma de evitar que esses valores entrem, sem perceber, em uma tabela de indicadores.
2.9 Síntese
Neste capítulo, o R deixou de ser apenas uma calculadora. Vimos que valores podem ser guardados em objetos por meio do operador <- e que bons nomes tornam o código mais fácil de entender. Vimos que funções recebem argumentos, que podem ser informados pelo nome ou pela posição, e que muitos argumentos têm valores padrão, descritos na página de ajuda. Os operadores relacionais e lógicos permitem fazer perguntas sobre os dados, e as respostas, do tipo verdadeiro ou falso, podem ser somadas para contar casos. As funções estatísticas básicas resumem um conjunto de valores, e o argumento na.rm controla o tratamento de valores ausentes. Por fim, aprendemos a distinguir erros, avisos e mensagens e a adotar um estilo de código legível.
| Função ou operador | Pacote | Finalidade |
|---|---|---|
+ - * / ^ |
base | Operações aritméticas |
%/%, %% |
base | Divisão inteira e resto |
<- |
base | Atribuição de valores a objetos |
sqrt(), exp(), log(), log10() |
base | Funções matemáticas |
round() |
base | Arredondamento |
== != < > <= >= |
base | Comparações |
& \| ! %in% |
base | Operações lógicas e pertencimento |
c(), length() |
base | Criar vetores e contar elementos |
sum(), mean(), min(), max(), range() |
base | Medidas resumo |
median(), var(), sd() |
stats | Mediana, variância e desvio-padrão |
ls(), rm() |
base | Listar e remover objetos |
paste() |
base | Juntar textos e números |
all.equal() |
base | Comparar números com tolerância |
2.10 Para saber mais
O capítulo 2 do R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) apresenta os mesmos fundamentos com outros exemplos, e o capítulo 4 da mesma obra detalha o guia de estilo do tidyverse. O primeiro capítulo de Faria (FARIA, 2024) traz uma explicação cuidadosa sobre objetos e funções, em português. No Manual de R para Epidemiologistas (BATRA et al., 2021), o capítulo 3 trata de objetos, funções e operadores, e o capítulo 47 reúne os erros mais comuns. Bougioukas (BOUGIOUKAS, 2025) dedica os capítulos 3, 4 e 6 ao R como calculadora, às funções e aos objetos.
| Obra | Capítulo | Seções de interesse |
|---|---|---|
| R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) | 2. Fluxo de trabalho: básico; 4. Fluxo de trabalho: estilo de código | Princípios básicos de programação; A importância dos nomes; Chamando funções |
| Manual de R para Epidemiologistas (BATRA et al., 2021) | 3. Introdução ao R; 47. Erros comuns | Funções; Objetos; Principais operadores e funções |
| Introdução à Linguagem R (FARIA, 2024) | 1. Noções básicas do R | Introdução a objetos; Funções (noções básicas) |
| Practical Statistics in Medicine with R (BOUGIOUKAS, 2025) | 3. R as Calculator; 4. R Functions; 6. R objects | — |