pdf_document2.Rmd

---
lang: pt-BR
title: "Título do meu relatório (bookdown::pdf_document2)"
author: "Cristian Villegas (clobos@usp.br)"
date: "`r format(Sys.time(), '%d/%b/%Y')`"
output: 
 bookdown::pdf_document2:
 fontsize: 12pt
linestretch: 1.0
geometry: "left=3cm, right=3cm, top=2.5cm, bottom=2.5cm"
bibliography: [referencias.bib]
---


```{r, include=FALSE}
knitr::opts_chunk$set(eval=TRUE,
                      echo=TRUE,
                      comment = "-",
                      error=TRUE,
                      message = FALSE,
                      warning = FALSE)
```


```{r, eval=FALSE, echo=FALSE}
figura = local({
  i = 0
  function(x) {
    i <<- i + 1
    paste('Figura ', i, ': ', x, sep = '')
  }
})

```


# Resumo {-}

Os documentos R Markdown são totalmente reproduzíveis e usa várias linguagens, incluindo R, Python e SQL. R Markdown oferece suporte a dezenas de formatos de saída estáticos e dinâmicos, incluindo HTML, PDF,  Word, Beamer, slides HTML5, apostilas no estilo Tufte, livros, painéis, aplicativos shiny, artigos científicos, sites e muito mais.

Neste minicurso de duas horas, apresentamos as principais ferramentas para criar um relatório dinâmico dentro do Rstudio com exemplos na área da estatística. 

\newpage 

# Alguns links {#links}

- https://www.rstudio.com/speakers/yihui-xie/

- https://www.rstudio.com/resources/cheatsheets/

- https://bookdown.org/

- https://bookdown.org/yihui/rmarkdown-cookbook/

- https://bookdown.org/yihui/bookdown/

- https://yihui.org/knitr/


```{r echo=FALSE, out.width='50%',fig.align = 'center',fig.cap="Knitr logo"}
knitr::include_graphics('knit_logo.png')
```


## Fórmulas

Qual a diferença? $f(x)=x^2$

\begin{equation}
y_i=\beta_0 + \beta_1 x_i + \epsilon_i,(\#eq:Eq0)
\end{equation}
em que 

\begin{equation}
\epsilon_i \sim N(0,\sigma^2) (\#eq:Eq1)
\end{equation}

## Código R


```{r, fig.cap="Gráfico de dispersão qualidade do ar"}
names(airquality)
summary(airquality)
pairs(airquality,col="blue", pch=20,
      panel = panel.smooth, lwd=3, lower.panel = NULL)
```

A seguir uma lista de opções do `chunk`

```{r}
names(knitr::opts_chunk$get())
```

A seguir um gráfico de dispersão dos nossos dados...(Veja Figura \@ref(fig:scatterplot))

```{r scatterplot, fig.height=5, fig.width=5, fig.cap="Titulo do meu gráfico"}
plot(Ozone~Wind, data=airquality, pch=20, 
     col="darkorange", lwd=3)
```

A seguir o ajuste do modelo usando o software R

```{r tabelajuste}
ajuste<- lm(Ozone~Wind, data=airquality)
teta<- round(coef(ajuste),3)
betaS<- round(coef(summary(ajuste)),3)
knitr::kable(betaS, caption = "Ajuste de um ML para os dados airquality")
```

O modelo ajustado foi $\hat{\text{Ozone}}_i=$ `r teta[1]` `r teta[2]` $\text{Wind}_i$ (Veja Tabela  \@ref(tab:tabelajuste))

Veja mais detalhes na seção \@ref(links)

# Citando livros, artigos, etc

```{r}
citation("ggplot2")
```

Equação com numero

\begin{equation}
y_i=\beta_0 + \beta_1 x_i + \epsilon_i,(\#eq:Eq2)
\end{equation}

O modelo da equação \@ref(eq:Eq2)

Veja, @ggplot2 ou [@ggplot2] para mais detalhes.

```{r echo=FALSE, out.width='50%',fig.align = 'center',fig.cap="Cachorro"}
knitr::include_graphics('cachorro.jpg')
```


# Referências