1 Revisão básica da linguagem R

Mesmo que você se considere um programador razoável de R, aconselho que venha resolver a lista de exercícios apresentada adiante. É comum que venhamos esquecer de alguns conceitos de linguagens em que programamos. Esses exercícios é uma oportunidade que você irá ter de revisar lógica de programação utilizando a linguagem R e consequentemente revisar alguns conceitos importantes, porém básicos, da linguagem. Tente resolver esses exercícos após um olhar detalhado das sugestões apresentadas.

A lista de assuntos para revisão sugerem temas bastante simples para quem já programa um pouco na linguagem R. Tais sugestões aliadas com as resoluções desses exercício irão lapidar os conhecimentos necessários e fará com que você necessariamente revise outros assuntos inseridos nos exercícios. Estes assuntos/exercícios também são simples e não envolverão conceitos avançados da linguagem R. Conceitos mais avançados serão abordados no decorrer do curso de Estatística Computacional e exercícios estarão disponíveis no decorrer de outros capítulos, à medida que forem necessários.

Observação:

A google disponibilizou um guia de estilo de programação em R. Trata-se de um guia de boas práticas de programação, no que diz respeito à escrita do código. Esse guia não trata de boas práticas de programação para a obtenção de melhorias de desempenho da linuguagem R.

Você não é obrigado adotar essas normas. Porém, segui-las tornará o seu código mais legível.

Exercícios propostos

  1. Descreva o funcionamento e as diferenças de um compilador para um interpretador. Liste exemplos de linguagens de programação compiladas e interpretadas.

  2. Responda os itens abaixo:

    1. Descreva os principais tipos de dados da linguagem R.
    2. Descreva as principais estruturas de dados da linguagem R.
    3. Disserte sobre as diferenças entre tipos de dados e estruturas de dados.
    4. Descreva quais estruturas de dados são homogêneas e quais estruturas são heterogêneas.

  3. Explique o por quê das saídas abaixo:

    x <- c(7.1, 2.3, 3L, TRUE)
x
    ## [1] 7.1 2.3 3.0 1.0
    y <- c(TRUE, letters[1:3])
y
    ## [1] "TRUE" "a"    "b"    "c"
    z <- c(1.0, 5, 7, 0L)
z
    ## [1] 1 5 7 0

  4. Sem utilizar o R, o que você espera como retorno de x <- c(1, c(2, c(3, 4))); x. Qual a estrutura de dados de x?

  5. Irá ocorrer erro ao tentar criar um vetor atômico (vetor) com objetos de tipos diferentes? Como o interpretador de R trata essas situações. Explique detalhadamente.

  6. O que signicica NA, NaN, Inf e -Inf, em R? Liste algumas das situações em que utilizando-se das operações básicas +, -, * e / poderemos ter NaN como retorno.

  7. Considere vetor <- c(2, 7, 10, 8). Qual o tipo de dados do objeto vetor? Crie os objetos vetor_int, vetor_character e vetor_logical. Dica: crie esses objetos utilizando funções para conversão dos tripos dos elementos do objeto vetor.

  8. O que faz o código abaixo? Explique detalhadamente o que cada função faz.

    objects(grep("bas", search()))

  9. Qual o retorno do código abaixo? Explique detalhadamente o código.

    search()[(grep("gr", search()))]

  10. Forneça o código que acessa o caracter "a" de l, em que l <- c(list(c(3, 2), "a"), c(1,2)). Depois, converta l em um vetor atômico.

  11. Sem executar os códigos abaixo, descreva as saídas esperadas:

    1. Qual a saída esperada para os códigos c(1, FALSE), c("a", 1), c(list(1), "a"), c(TRUE, 1L)?

    2. Por que 1 == "1" retornará TRUE? Explique.

    3. Por que -1 < FALSE retornará TRUE? Explique.

  12. Considere o objeto vetor <- 1:25. Com o objeto vetor, construa uma matriz de ordem 5x5 usando a função matrix() e depois utilizando a função dim().

  13. Crie a matriz M, de ordem 50x50, com elementos de 1 à 2500 preenchidos por linha. Atribua nomes às linhas (l_1 à l_50) e colunas (c_1 à c_50) de M. Dica: certamente você percebeu que não será nada interessante digitar os nomes das linhas e colunas de M. Tente utilizar as funções paste() e rep()como soluções para esse problema.

  14. Remova os nomes das linhas e colunas da matriz M criada no exercício anterior.

  15. Sejam V1 <- matrix(1:12, ncol = 4, nrow = 3) e W1 <- matrix(1:8, ncol = 4, nrow = 2). Crie a matriz M1que é o resultado da concatenação, por linha, de V1 e W1.

  16. Considere os objetos V2 <- matrix(1:12, ncol = 2, nrow = 4) e W2 <- matrix(1:12, ncol = 3, nrow = 4). Cria a matriz M2como resultados da concatenação, por coluna, de V2 e W2.

  17. Considere obj <- list(1:3, "a" , TRUE, 1.0). Construa uma matriz de ordem 2x2 a partir de obj. O que de interessante você observa?

  18. Construa a matriz A (matriz de avaliações), de ordem 30x2, em que a primeira coluna são os nomes dos alunos (Aluno_1 à Aluno_30) e a segunda coluna são as notas de 3 avaliações, por aluno. Dica: para facilitar, gere as avaliações dos alunos de forma aleatória.

  19. O que a função dim() retorna quando aplicada à um vetor?

  20. Se is.matrix(x) retorna TRUE, o que irá retornar de is.array(x)? Explique.

  21. Descreva os objetos objetos x1, x2 e x3 construídos na forma apresentada abaixo:

    x1 <- array(1:5, c(1, 1, 5))
x2 <- array(1:5, c(1, 5, 1))
x3 <- array(1:5, c(5, 1, 1))

  22. Considere o código apresentado abaixo:

    df <- data.frame(x = 1:3, y = c("a", "b", "c"))
df$y
    ## [1] "a" "b" "c"

    Qual a estrutura de dados de df$y? Como poderemos alterar o comportamento do data frame df para que df$y retorne um vetor atômico com elementos do tipo character?

  23. Ao tentar criar um data frame com o código abaixo obteremos um erro. Corrija o código:

    data.frame(x = 1:3, y = list(1:2, 1:3, 1:4))
    ## Error in (function (..., row.names = NULL, check.rows = FALSE, check.names = TRUE, : arguments imply differing number of rows: 2, 3, 4

  24. Considere a lista abaixo:

    notas <- list(c(7.1, 3.2, NA), c(2.7, 8.8, 10.0),
              c(0.0, NA, NA), c(7.7, 8.4, 6.3),
              c(3.6, 6.6, 8.1), c(NA, NA, NA),
              c(7.4, 7.1, 7.3), c(10.0, NA, 7.0),
              c(1.6, 3.2, 5.3), c(8.8, 9.2, 8.0))

    Responta os itens abaixo:

    1. Atribua nomes (Aluno_1 à Aluno_10) à cada elemento de notas.

    2. Crie o vetor status contendo o status dos dez alunos. Considere: A (aprovado), REP (reprovado), F (final). Dica: construa o vetor status atribuindo literalmente as categorias A, REP ou F para cada aluno, ou seja, não é preciso criar uma função para fazer isso automaticamente. Considere A para os alunos com média no intervalo \([7, 10]\), R para os alunos com média no intervalo \([0, 4)\) e F para os alunos com média no intervalo \([4, 7)\).

    3. Crie o vetor alunos com os nomes dos alunos. Obtenha esse vetor por meio do objeto notas.

    4. Construa o data frame historico com as variáveis nomes, notas e status.

    5. Com base no data frame historico, construa o data frame aprovados com os alunos aprovados. De forma análoga, construa um data frame para cada um dos demais status, respectivamente.

    6. Suponha que o professor está interessado em saber quais alunos foram ou tem alguma chance de assumir o status de aprovado. Construa o data frame bons_alunos com estes alunos.

    7. Modifique os nomes das linhas do data frame historico colocando id_1 na primeira linha e respectivamente, no mesmo padrão, para as demais linhas.

    8. Obtenha por meio do data frame historico um novo data frame (historico_na) com os alunos que deixaram ao menos uma prova para repor.

    9. Apenas para os alunos que fizeram as três avaliações, obtenha a média aritmética das avaliações. Acrescente a variável de nome media como última coluna do data frame historico.

  25. Consideremos o conjunto de dados state.x77 do pacote datasets (pacote padrão de R). A base state.x77 refere-se à um objeto de ordem 50x8, em que cada linha refere-se à um dos 50 estados dos EUA. Consulte a documentação (help(state.x77)) para obter maiores informações.

    Responda os itens abaixo:

    1. Qual a estrutura de dados do objeto state.x77?

    2. Construa o data frame dados utilizando state.x77.

    3. Obtenha o data frame de nome dados_1 com os estados estadunidenses que possuem população maior que 4246 (quatro milhões duzentos e quarenta e seis mil).

    4. Obtenha o data frame dados_2 com os estatdos estadunidenses que possuem população maior que 4246 e menor que 8 milhões, isto é, menor que 8000.

    5. Obtenha o vetor vetor_est com os nomes dos estados que obedecem os critérios do item 3.

    6. Construa o data frame dados_3 com os estados estadunidenses que possuem população maior que 1.5 vezes a média dos 50 estados considerados. Obtenha um vetor com o nome dos estados que obedecem essa restrição.

    7. Construa o data frame dados_4 com os estados estadunidenses que possuem população maior que duas vezes a mediana dos 50 estados e que tenha uma população com expectativa de vida maior que 71.84 anos.

    8. Obtenha o data frame dados_5 com os estados estadunidenses cuja população possuem renda maior que a média nacional e expectativa de vida maior que 72 anos.

    9. Adicione ao data frame dados duas linhas com as médias e variâncias de todas as variáveis, respectivamente.

  26. Escreva um programa que retorne a saída baixo:

    i1 = 1
i2 = 2 
i3 = 3
i4 = 4
i5 = 5
i6 = 6
i7 = 7

    Dica: Resolva esse simples exercício de três formas diferentes (usando while, for e repeat).

  27. Escreva uma função que retorne o imposto pago por mulheres e por homens, sabendo que as mulheres pagam \(10\%\) e que os homens pagam \(5\%\) a mais do que as mulheres.

  28. Resolva o exercício anterior utilizando a função switch().

  29. Implemente a função tab(num, inicio, fim) que é responsável por escrever no prompt de commando a tabuada de um número passado como argumento à num. Nota: os argumentos inicio e fim referem-se ao início e fim da tabuada, ou seja, tab(num = 1, inicio = 7, fim = 12) deverá escrever no prompt:

    1 x 7 = 7
1 x 8 = 8
1 x 9 = 9
1 x 10 = 10
1 x 11 = 11
1 x 12 = 12

    Implemente tab() utilizando as diferentes escruturas de repetição da linguagem R (for, while e repeat).

  30. Escreva a função celtofar() que converte um vetor de temperaturas em graus Celsius para graus Fahrenheit. Considere:

    \[F = 1.8 \times C + 32,\] em que \(C\) é a temperatura em graus Celsius e \(F\) é a temperatura em graus Fahrenheit.

  31. Melhore a função celtofar() para que critique valores não válidos de temperaturas.

  32. Modifique a função celtofar() para que funcione também para conversões no sentido oposto, isto é, para que converta de graus Fahrenheit para graus Celsius.

  33. Construa a função imc() que calcula o IMC (Índice de Massa Corporal) de uma pessoa. A função deverá retornar o IMC e um status. Observe que:

    \[\mathrm{IMC} = \frac{\mathrm{peso}}{\mathrm{altura}^2},\] em que \(\mathrm{peso}\) é dado em \(kg\) e a \(\mathrm{altura}\) é fornecida em \(cm\).

    Alem disso, considere:

    IMC Status
    \(< 17.0\) Muito abaixo do peso
    \([17.0, 18.5)\) Abaixo do peso
    \([18.5, 25.0)\) Peso normal
    \([25.0, 30.0)\) Acima do peso
    \([30.0, 35.0)\) Obesidade nível I
    \([35.0, 40.0)\) Obesidade nível II (severa)
    \(\geq 40.0\) Obesidade nível III (mórbida)

    Dica: Uma função robusta deverá tratar problema(s) com a(s) entrada(s), isto é, deverá criticar informações inconsistentes passadas como argumento.

  34. Utilizando a instrução de repetição for construa um pequeno programa que com base em um vetor de valores no intervalo \([0, 1]\), some apenas os valores maiores que 0.7. Dica: para economizar tempo, considere vetor <- runif(n = 1e5, min = 0, max = 1).

  35. Resolva o exercício anterior sem utilizar nenhuma instrução de repetição.

  36. Avalie o custo computacional dos exercícios anteriores (exercícios 34 e 35) utilizando a função Sys.time(). Discuta o resultado.

  37. Construa a função central(x) que recebe como argumeto um vetor passado à x e retorna algumas medidas de tendência central. A função central() deverá retornar:

    1. Média aritmética (média amostral): \(\overline{x} = n^{-1}\sum_{i = 1}^n x_i.\)

    2. Média geométrica: \(G = (\prod_{i=1}^n x_i)^{\frac{1}{n}}.\)

    3. Média harmônica: \(H = \frac{n}{\frac{1}{x_1} + \cdots + \frac{1}{x_n}}.\)

    Algumas exigências a respeito do funcionamento da função central() encontram-se enumeradas abaixo:

    1 - A função deverá retornar todas as três medidas de tendência central ou apenas uma das estatísticas, a depender do interesse do usuário.

    2 - Observações Not Availables NA serão eleminadas do cálculo. Porém, uma mensagem de aviso ao usuário da função deverá ser emitida informando-o a repseito do número de observações eliminadas e em quais posições encontravam-se estas observações.

    3 - A função deverá alertar o usuário se uma estrutura/tipo de dados não suportado por central() for passado como argumento à x. A função deverá alertar qual estrutura/tipo de dados foi passado, avinsando assim que essa estrutura/tipo de dados não poderá vir a ser processado(a).

    Nota: Não utilize a vetorização da linguagem R. Nesse exercício desejamos treinar o uso das estruturas de repetições da linguagem. Não utilizar vetorização da linguagem quer dizer que você não poderá aplicar uma função à todos elementos de um vetor. Por exemplo, se x é um vetor, você não poderá fazer x^2, sqrt(x), mean(x), length(), etc. Aplique a função a cada posição do vetor utilizando estruturas de repetições. Em seus projetos reais, utilize a capacidade de vetorização da linguagem e evite o quanto der as estruturas de repetições. Isso fará com que os seus códigos sejam mais eficientes. Aqui apenas queremos exercitar o uso das estruturas de repetições. Além disso, central() poderá ter outros argumentos além de x.

  38. Sem utilizar a capacidade de vetorização da linguagem R, nas formas do exercício anterior, implemente a função myvar(x) que retorna a variância amostral de um vetor passado como argumetno à x.

    Algumas exigências a respeito do funcionamento da função myvar() encontram-se enumeradas abaixo:

    1 - A função deverá retornar todas as três medidas de dispersão ou apenas uma das estatísticas, a depender do interesse do usuário.

    2 - Observações Not Availables NA serão eleminadas do cálculo. Porém, uma mensagem de aviso ao usuário deverá ser passada informando o número de observações eliminadas e em quais posições encontravam-se.

    3 - A função deverá alertar o usuário se uma estrutura ou tipo de dados não coerente com o interesse da função for passado como argumento à x.

    Nota: Não utilize a vetorização da linguagem R. Nesse exercício desejamos treinar o uso das estruturas de repetições da linguagem. Não utilizar vetorização da linguagem quer dizer que você não poderá aplicar uma função à todos elementos de um vetor. Por exemplo, se x é um vetor, você não poderá fazer x^2, sqrt(x), mean(x), length(), etc. Aplique a função a cada posição do vetor utilizando estruturas de repetições. Em seus projetos reais, utilize a capacidade de vetorização da linguagem e evite o quanto der as estruturas de repetições. Isso fará com que os seus códigos sejam mais eficientes. Aqui apenas queremos exercitar o uso das estruturas de repetições. Além disso, myvar() poderá ter outros argumentos além de x.

  39. Se x, na função myvar(), for um vetor não numérico? E se x for um vetor de caracteres numéricos? E se x for uma string numérica como "1,2,3" que desejamos tratar como sendo o c(1, 2, 3)? Modifique a função myvar() para que venham tratar/considerar essas situações.

  40. Implemente a função disp(x) que deverá retornar uma das medidas de dispersão listadas logo abaixo:

    • Amplitude: \(A = x_{\mathrm{max}} - x_{\mathrm{min}}.\)
    • Variância amostral: \(S^2 = \frac{\sum_{i=1}^{n}(x_i - \overline{x})^2}{n-1}.\)
    • Desvio padrão amostral: \(S = \sqrt{S^2}.\)
    • Coeficiente de variação: \(CV = \frac{100 \times S}{\overline{x}}.\)

    Algumas exigências a respeito do funcionamento da função disp() encontram-se enumeradas abaixo:

    1 - A função deverá retornar todas as quatro estatísticas ou apenas uma das estatísticas, a depender do interesse do usuário.

    2 - Observações Not Availables NA serão eleminadas do cálculo. Porém, uma mensagem de aviso ao usuário deverá ser passada informando o número de observações eliminadas e em quais posições encontravam-se.

    3 - A função deverá alertar o usuário se uma estrutura ou tipo de dados não coerente com o interesse da função for passado como argumento à x.

    Nota: Não utilize a vetorização da linguagem. Nesse momento também desejamos treinar o uso das estruturas de repetições da linguagem.

  41. Implemente a função mycor(x, y, pearson = TRUE, rm.na = TRUE) que deverá receber como argumentos dois vetores passados para x e y, respectivamente. A função mycor() deverá retornar o coeficiente de correlação de Pearson se pearson = TRUE, caso contrário, retornará o coeficiente de correlação de Spearman. Além disso, se rm.na = TRUE, a função mycor() deverá eliminar os Not Availables NA dos respectivos vetores. Por exemplo, se x <- c(1, 8, -1, NA, NA) e y <- c(NA, 7, -2, 10, 5) forem passados para mycor(), esta deverá eliminará as duas últimas observações de x e y, bem como a primeira observação de x e y, resultando, nesse exemplo, em x <- c(8, -1) e y <- c(7, -2), respectivamente. A função deverá alertar a respeito das eliminações e informar quais as posições eliminadas dos vetores.

    Algumas outras exigências a respeito do funcionamento da função mycor() encontram-se enumeradas abaixo:

    1 - A função deverá parar e alertar o usuário nas situações em que os vetores não tenham os mesmos comprimentos.

    2 - A função deverá retornar dois objetos, rho e level, em que rho (\(\rho\)) é o valor da correlação e level informa o nível dessa correlação. Os níveis possível a ser retornados são: desprezível se \(\rho \in [0, 0.3)\), fraca se \(\rho \in [0.3, 0.5)\), moderada se \(\rho \in [0.5, 0.7)\), forte se \(\rho \in [0.7, 0.9)\) e fortíssima se \(\rho \in [0.9, 1]\).

    Dica: A função warning() pode ser útil para emitir uma mensagem de aviso (alerta) ao usuário da função mycor().

  42. Construa duas funções, tree1() e tree2(), que escrevam, no prompt de comando, as imagens abaixo, respectivamente. O programa deverá utilizar instruções de repetições para resolver o problema.

    A primeira função deverá imprimir:

    **********
*********
********
*******
******
*****
****
***
**
*

    A segunda função deverá imprimir:

    *-*-*-*-*-
*-*-*-*-*
*-*-*-*-
*-*-*-*
*-*-*-
*-*-*
*-*-
*-*
*-
*

    Implemente as funções utilizando as estruturas de repetições for, while e repeat.

  43. Escreva a função tree3(), utilizando instruções de repetições, de modo a fornecer as seguintes estruturas, adepender do valor de n.

    Para \(n = 1\):

    *

    Para \(n = 2\):

    * 
**

    Para \(n = 3\):

    *
**
***

    e assim por diante para outros valores de \(n\). Implemente tree3() utilizando as estruturas de repetições for, while e repeat.

  44. Melhore as funções tree1(), tree2() e tree3() de modo que estas possam considerar caracteres distintos e não somento o caracter asterisco.

  45. Modifique a função tree1(), de tal forma que a estrutura obtida seja:

    Para \(n = 1\):

    A

    Para \(n = 2\):

    A 
BB

    Para \(n = 3\):

    A
BB
CCC

    e assim por diante para outros valores de \(n\). Dica: Note que \(n \leq 26\). Assim, retorne uma mensagem de advertência se um valor de \(n\) inapropriado for informado. Dica: utilize a função stop().

  46. Implemente a função aprox_e() que retorna uma aproximação para \(\mathrm{e}^x\), em que:

    \[\mathrm{e}^x = \sum_{n = 0}^{\infty} \frac{x^n}{n!}.\] Dica: A função aprox_e() deverá receber como argumento o número de somas a serem consideradas.

  47. Crie a função aprox_pi(), fazendo uso de instruções de repetição, que forneça uma aproximação para o valor da constante \(\pi\). Essa aproximação deverá considerar:

    \[\pi = 4 - \frac{4}{3} + \frac{4}{5} - \frac{4}{7} + \frac{4}{9} - \frac{4}{11} + \dots\]

    Dica: Premita que o usuário de sua função forneça a quantidade de termos a serem somados. Além disso, faça com que sua função critique valores indevidos para a quantidade de termos somados.

  48. Implemente a função fib(), utilizando instruções de repetição, que retorna o Fibonacci de um número. Lembre-se, a sequência de Fibonacci é dada por \(1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, \ldots\) . Note que Fibonacci de \(n\) é dado por \(F_n = F_{n-1} + F_{n-2},\, n > 2\), com \(F_1 = 1\) e \(F_2 = 1\). Por exemplo, Fibonacci de 5 é dado por \(F_5 = F_{4} + F_{3} = 3 + 2 = 5\).

  49. Implemente o exercício anterior usando funções recursivas. Lembre-se: chamamos de funções recursivas as funçãos que chamam a si mesma.

    Um esboço de função recursiva:

    func_f <- function(...){

   # Ué? ...
   # Sim! Estamos chamando a função que estamos criando. ;)
   func_f(...)

   # Será preciso parar em algum momento
   # somos finitos :)
   if (contition) break 

}

  50. Implemente a função aprox_pi() de forma recursiva.

  51. Implemente a função nachange(df), em que df recebe um data frame/matriz. A função nachange() deverá trocar NA pelo character “?” Dica: Em caso de df não possuir nenhum elemento NA, a função nachange() deverá retornar o objeto passado à df.

  52. Construa a função searchindf(df, value), em que df é um data frame/matriz e value é um vetor de uma única posição. A função searchindf()deverá retorna TRUE se o valor passado para value é encontrado em alguma posição do data frame/matriz passado(a) para df e FALSE caso contrário. Dica: tente construir a função da forma mais robusta possível. Por exemplo, considere criticar os argumentos, caso estes não tenham a estrutura de dados adequada ao objetivo da função.

  53. Construa a função namecolsort(df), em que df receberá como argumento um(a) data frame/matriz. A função namecolsort() deverá retorna o(a) data frame/matriz com as colunas ordenadas. Dica: ordene as colunas considerando o primeiro caracter que compõe o nome da coluna (variável).

  54. Escreva a função exclusive(df), em que df receberá como argumento um(a) data frame/matriz. A função exclusive() deverá retornar a posição das linhas exclusivas, ou seja, as linhas que não possuem elementos repetidos.

  55. Escreva uma função extremeindex(df, max = NULL), em que df receberá como primeiro argumento um(a) data frame/matriz. A função maxindex() deverá retornar a posição (linha, coluna) do valor máximo contido no objeto passado para df, caso max = TRUE. Em caso de max = FALSE, a função maxindex() deverá retornar a posição (linha, coluna) do valor mínimo contido no objeto passado à df. Para o caso de max = NULL (caso padrão), a função maxindex() deverá retornar uma matriz de ordem 2x2, em que cada linha deverá retornar a posição do elemento mínimo e máximo, respectivamente, contidos no objeto passado à df.

  56. Implemente a função myt(df), em que dfrecebe como argumento um(a) data frame/matriz. A função myt() deverá “girar,” em 90 graus, a(o) matriz/data frame passado à df. Dica: não utilize a função t() para transpor a matriz.

  57. Crie a função anagram(x, y) que recebe dois argumentos (duas strings). A função anagram() deverá retornar TRUE se uma palavra (string) é anagrama da outra e FALSE em situação contrária. A função deverá considerar que ambas as strings possuem a mesma quantidade de caracteres. Caso a quantidade de caracteres não seja igual, em ambas as strings, a função deverá parar e advertir o usuário. Dica: você poderá utilizar a função strsplit().

  58. Implemente a função strposition(x), em que dado uma palavra (string) fromada por letras do alfabeto Romano e passada como argumento para x, retorna a posição das letras em um vetor. Por exemplo, a string (palavra) cada passada para a função fará com que strposition() retorne o vetor formados pelos elementos 3, 1, 4 e 1. Dica: a função não poderá aceitar strings que são formadas por pelo menos um caracter que não seja uma letra do alfabeto Romano.

  59. Altere a função strposition(x) para que em situação da string (palavra) possuir um ou mais caracteres não pertencentes ao alfabeto Romano, o retono seja NA, nas respectivas posições destes caracteres.