Escolar Documentos
Profissional Documentos
Cultura Documentos
a o em Economia
10 de maio de 2015
LOURES, A. R.
Captulo 1
Introduca o
1.1
1.1.1
Funcoes
basicas do R
Usando o R como uma calculadora
o
## realizando uma subtrac
a
15-3
## [1] 12
o
## realizando uma multiplicac
a
2*8
## [1] 16
CAPITULO
1. INTRODUC
AO
1.1. FUNC
OES
BASICAS
DO R
## [1] 20
## multiplicando o objeto "q" por 2
q*2
## [1] 40
## obtendo o seno do objeto "q"
sin(q)
## [1] 0.9129453
## somando 30 ao objeto "q"
q+30
## [1] 50
## subtraindo o objeto "q" de 100
100-q
## [1] 80
LOURES, A. R.
LOURES, A. R.
CAPITULO
1. INTRODUC
AO
Captulo 2
Estatstica Basica
2.1
2.1.1
Medidas de posica o
Medias
total de elementos dessa serie. Essa e a media mais utilizada no dia a dia. Sendo a
representaca o matematica como se segue:
n
X
x=
xi
i=1
(2.1)
em que:
xi e cada elemento da serie; e
n e o numero
de elementos da serie.
Media geometrica
Media geometrica e a media das medias e e igual a raiz nesima do produto
(multiplicaca o) entre os elementos de uma serie cuja representaca o matematica e
7
CAPITULO
2. ESTATISTICA
BASICA
x1 x2 xn
(2.2)
ou
1
g = (x1 x2 xn ) n
(2.3)
em que:
xi e cada elemento da serie; e
n e o numero
de elementos da serie.
Media harmonica
o custo medio de bens comprados com uma quantia monetaria fixa, a velocidade
media, etc.. Pois custo medio e igual a C = Pq e velocidade media e igual a V = dt , isto
e , o custo e inversamente proporcional a` quantidade e a velocidade e inversamente
proporcional ao tempo. A formula
da media harmonica
e :
LOURES, A. R.
2.1. MEDIDAS DE POSIC
AO
h=
1
x1
1
x2
n
+ +
1
xn
(2.4)
em que:
xi e cada elemento da serie; e
n e o numero
de elementos da serie.
aplica-la manualmente no R.
## Exemplo:
## criando uma s
erie de dados qualquer
x<-c(15,40,10,25,26,33)
## dividindo 1 (um) por cada elemento do objeto "x"
a<-1/x
## somando os elementos do objeto "a"
b<-sum(a)
## n
umero de elementos da s
erie
n<-6
## calculando a m
edia harm
onica
n/b
## [1] 19.97129
2.1.2
Mediana
que precisam ser feitas. Primeiramente, e que os dados devem ser trabalhados
ordenadamente (pode ser ordem crescente ou decrescente), ou seja, nao se deve
trabalhar com dados brutos, isto e , sem ordenaca o. Por exemplo, uma serie de
dados brutos {7,9,1,5,3} precisa ser ordenada {1,3,5,7,9} ou {9,7,5,3,1}. Segundo, deve
verificar se o numero
de termos da serie e par ou mpar, pois havera uma formula
LOURES, A. R.
CAPITULO
2. ESTATISTICA
BASICA
formulas
aplicadas no calculo da mediana nao reporta o valor mediano, mas sim, a
.
dado pela formula:
PMd = n+1
2
Se o numero
de termos da serie dada for mpar a mediana sera a media
PMd = n2 + 1.
em que:
PMd e a posica o do valor mediano na serie; e
n e o numero
de elementos da serie.
Exemplo 2.1: Qual a mediana da serie {1,3,5,7,9}? (Note que a serie ja esta
ordenada, isto e , nao sao dados brutos)
Uma vez que o numero
de termos da serie e mpar aplica-se apenas a formula
n+1
PMd = 2 . Entao,
5+1
2
6
=
2
= 3
PMd =
n
n
PMd = 2 e PMd = 2 + 1. Sendo assim,
6
2
= 3
PMd =
e
PMd
=
=
=4
6
+1
2
3+1
Entao, o valor mediano sera a media aritmetica simples dos valores que se encontram na 3o. e 4o. posicoes
e que sao, respectivamente, 5 e 7.
5+7
2
12
=
2
= 6
x =
LOURES, A. R.
10
2.1.3
Moda
A moda e o valor da serie que mais ocorre, ou seja, aquele com maior frequencia.
Contudo, em uma serie pode ser que nao haja nenhum termo que se repete e, sendo
assim, tal serie e denominada de amodal. Por sua vez, se dois elementos ocorrem
com maior frequencia a serie e chamada de bimodal e nos casos em que houver mais
de dois elementos que repetem tem-se uma serie multimodal ou polimodal.
No R ha duas formas para se calcular a moda. Se a serie for pequena, facilitando
a identificaca o visual da moda, utilizase a sintaxe table(nome da serie) que reportara os
termos da serie e, abaixo desses, apresentara a frequencia com que cada um ocorre.
Mas para os casos em que a serie e muito grande, o que dificultara a identificaca o
visual, usa-se a sintaxe subset(table(nome da serie),table(nome da serie)==max(table(nome
da serie))) cuja sada apresentara o termo modal e abaixo desse a frequencia com qual
ocorre.
LOURES, A. R.
11
CAPITULO
2. ESTATISTICA
BASICA
## Exemplo:
## criando uma s
erie de dados
w<-c(1,2,3,4,4,4,5,6,7)
## encontrando visualmente a moda da s
erie
table(w)
## w
## 1 2 3 4 5 6 7
## 1 1 1 3 1 1 1
Ou ainda pode-se utilizar uma funca o que ira reportar o valor da moda, ou seja,
ira reportar apenas o valor modal e nao a frequencia para cada um dos elementos
da serie.
## Exemplo:
## criando uma s
erie de dados
z<-c(1,2,3,4,4,4,5,6,7)
## encontrando a moda da s
erie
subset(table(z),table(z)==max(table(z)))
## 4
## 3
LOURES, A. R.
12
Captulo 3
Regressao Linear Simples
A analise de regressao linear simples estuda a relaca o linear entre duas variaveis
quantitativas. Sendo uma denominada de variavel dependente e a outra de variavel
independente. Essa analise e realizada sob dois pontos de vista distintos:
1. regressao que expressa a forma da relaca o linear entre as duas variaveis; e
2. correlaca o que quantifica a forca dessa relaca o.
Essa relaca o e representada por um modelo matematico, isto e , por uma equaca o
que ira associar a variavel explicada com a variavel explicativa. Sendo a representaca o
matematica dessa associaca o como se segue:
Y = 0 + 1 X +
(3.1)
em que:
Y e a variavel explicada ou dependente que sera calculada e por isso mesmo e
aleatoria;
LINEAR SIMPLES
CAPITULO
3. REGRESSAO
cons_pessoal<-data.frame(
ano=c(1982,1983,1984,1985,1986,1987,1988,
1989,1990,1991,1992,1993,1994,1995,1996),
dcp=c(3081.5,3240.6,3407.6,
3566.5,3708.7,3822.3,3972.7,4064.6,4132.2,4105.8,4219.8,4343.6,4486.0,
4595.3,4714.1),
pib=c(4620.3,4803.7,5140.1,5323.5,5487.7,5649.5,5865.2,
6062.0,6136.3,6079.4,6244.4,6389.6,6610.7,6742.1,6928.4)
)
## chamando o data.frame criado
cons_pessoal
##
##
##
##
##
##
##
##
##
##
##
##
##
##
##
##
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
ano
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
dcp
3081.5
3240.6
3407.6
3566.5
3708.7
3822.3
3972.7
4064.6
4132.2
4105.8
4219.8
4343.6
4486.0
4595.3
4714.1
pib
4620.3
4803.7
5140.1
5323.5
5487.7
5649.5
5865.2
6062.0
6136.3
6079.4
6244.4
6389.6
6610.7
6742.1
6928.4
Median
4065
Max.
4714
Max.
6928
summary(cons_pessoal$pib)
##
##
Median
6062
14
4500
4000
dcp
3500
5000
5500
6000
6500
7000
pib
15
LINEAR SIMPLES
CAPITULO
3. REGRESSAO
4500
4000
dcp
3500
5000
5500
6000
6500
7000
pib
## estimando a regress
ao simples entre dcp e pib
reg<-lm(dcppib)
## chamando a regress
ao linear simples entre dcp e pib
reg
##
##
##
##
##
##
##
Call:
lm(formula = dcp pib)
Coefficients:
(Intercept)
-184.0780
pib
0.7064
## chamando o sum
ario da regress
ao linear simples entre dcp e pib
LOURES, A. R.
16
summary(reg)
##
##
##
##
##
##
##
##
##
##
##
##
##
##
##
##
##
##
Call:
lm(formula = dcp pib)
Residuals:
Min
1Q
-39.330 -8.601
Median
1.761
3Q
14.769
Max
31.306
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.841e+02 4.626e+01 -3.979 0.00157 **
pib
7.064e-01 7.827e-03 90.247 < 2e-16 ***
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 20.29 on 13 degrees of freedom
Multiple R-squared: 0.9984,Adjusted R-squared: 0.9983
F-statistic: 8145 on 1 and 13 DF, p-value: < 2.2e-16
LOURES, A. R.
17