• A vetorização de funções:
  • argumentos vetorizados;
  • saída vetorizada
• Isso elimina a condição de loop

# Vetorização da soma de vetores
1:4 + 10:13

## [1] 11 13 15 17

# Similarmente a representação
1  2  3  4
+  +  +  +
10 11 12 13
------------
11 13 15 17

# Se usássemos o loop
x <- 1:4
y <- 10:13
for (i in 1:4) {
  print(x[i] + y[i])
}

## [1] 11
## [1] 13
## [1] 15
## [1] 17

# Funcao logaritmica
log(1:4)
## [1] 0.0000000 0.6931472 1.0986123 1.3862944
# Multiplicacao
10:20 * 5
##  [1]  50  55  60  65  70  75  80  85  90  95 100
# Operadores logicos
1 == 1:4
## [1]  TRUE FALSE FALSE FALSE
# Gerador de numeros aleatorios [0, 1]
runif(1:10)
##  [1] 0.2231106 0.8729898 0.7690809 0.7346476 0.3877575 0.6751893 0.3350771
##  [8] 0.5355075 0.3738374 0.9832827

`%soma%` <- function(e1, e2) {
  e1 + e2
}
# Exemplo 1
1:4 %soma% 10:13

## [1] 11 13 15 17

# Exemplo 2
1:4 %soma% 5

## [1] 6 7 8 9

# Semente
set.seed(10)
# Gerando a amostra
rnorm(10, 1:3, 1)
##  [1]  1.0187462  1.8157475  1.6286695  0.4008323  2.2945451  3.3897943
##  [7] -0.2080762  1.6363240  1.3733273  0.7435216

# Apos a vetorizacao, observe a diferenca entre
# 'rnorm_vet1' e 'rnorm_vet2', devido ao argumento 
# 'SIMPLIFY'
rnorm_vet1 <- Vectorize(rnorm, "mean", SIMPLIFY = FALSE)
rnorm_vet2 <- Vectorize(rnorm, "mean", SIMPLIFY = TRUE)
# Vetorizando
set.seed(10) # semente para fixar os mesmos valores
rnorm_vet1(n = 10, mean = 1:3)
## [[1]]
##  [1]  1.0187462  0.8157475 -0.3713305  0.4008323  1.2945451  1.3897943
##  [7] -0.2080762  0.6363240 -0.6266727  0.7435216
## 
## [[2]]
##  [1] 3.101780 2.755782 1.761766 2.987445 2.741390 2.089347 1.045056 1.804850
##  [9] 2.925521 2.482979
## 
## [[3]]
##  [1] 2.4036894 0.8147132 2.3251341 0.8809388 1.7348020 2.6263384 2.3124446
##  [8] 2.1278412 2.8982390 2.7462195

set.seed(10) # semente para fixar os mesmos valores
rnorm_vet2(n = 10, mean = 1:3)
##             [,1]     [,2]      [,3]
##  [1,]  1.0187462 3.101780 2.4036894
##  [2,]  0.8157475 2.755782 0.8147132
##  [3,] -0.3713305 1.761766 2.3251341
##  [4,]  0.4008323 2.987445 0.8809388
##  [5,]  1.2945451 2.741390 1.7348020
##  [6,]  1.3897943 2.089347 2.6263384
##  [7,] -0.2080762 1.045056 2.3124446
##  [8,]  0.6363240 1.804850 2.1278412
##  [9,] -0.6266727 2.925521 2.8982390
## [10,]  0.7435216 2.482979 2.7462195