Você está na página 1de 5

2+2

3+3library(fpp2)
library(forecast)
# Daily closing stock prices of Google Inc
fcgoog <- naive(goog, h = 20)
autoplot(fcgoog)
7+7
9999999999999+999999999999
7^9
7^2
p>q
A = 5, B = 6; B+A
library(readxl)
dataset <- read_excel(NULL)
View(dataset)
library(readxl)
PEDIDO_PEDREX <- read_excel("C:/Users/Compras/Downloads/PEDIDO PEDREX.xlsx")
View(PEDIDO_PEDREX)
View(PEDIDO_PEDREX)
## Ler dados e inserindo-os em um obj
pokemon <- read.csv("C:\Users\Compras\Downloads",header = T, sep = ",")
## Ler dados e inserindo-os em um obj
> Pedrex <- read_xlsx("C:\Users\Compras\Downloads",header = T, sep = ",")
## Ler dados e inserindo-os em um obj
> > Pedrex <- read_xlsx("C:\Users\Compras\Downloads",header = T, sep = ",")
## Ler dados e inserindo-os em um obj
> > Pedrex <- read_xlsx("C:\Users\Compras\Downloads",header = T, sep = ",")
## Ler dados e inserindo-os em um obj
Pedrex <- read_xlsx("C:\Users\Compras\Downloads",header = T, sep = ",")
## Ler dados e inserindo-os em um obj
> Pedrex <- read_xlsx("C:\Users\Compras\Downloads",header = T, sep = ",")
> > Pedrex <- read_xlsx("C:\Users\Compras\Downloads",header = T, sep = ",")## Ler
dados e inserindo-os em um obj
> > Pedrex <- read_xlsx("C:\Users\Compras\Downloads",header = T, sep = ",")
## Ler dados e inserindo-os em um obj Pedrex <-
read_xlsx("C:\Users\Compras\Downloads",header = T, sep = ",")
View(PEDIDO_PEDREX)
View(PEDIDO_PEDREX)
DEMO()
demo()
table(PEDIDO_PEDREX$type.1)
2+2
install.packages("swirl")
library("swirl")
swirl()
sqrt(25)
5%%2
a=25 b=45 a>b
a=25
b=45
a>b
a=15
b=25
(c=a+b)
d=c^(1/3)
d
nome1="big"
nome2="data"
nomecompleto=paste(nome1,nome2)
nomecompleto
nomes1<-c("Anna","Pedro","Carlos","Bruno","Vanessa","Paula")
nomes2<-c("Jorge","Davi","Mariana","Carolina","Alice")
(nomes_completos <-c(nomes1,nomes2))
produto<-c("Produto A", "Produto B", "Produto C", "Produto D", "Produto E")
preco<-c(5,15,4,6,8)
tabela_preco_produto<-data.frame(produto,preco)
tabela_preco_produto
tabela_preco_produto(4,2)
tabela_preco_produto[4,2]
tabela_preco_produto[4:5,2]
tabela_preco_produto[,"Produto"]
tabela_preco_produto[,"produto"]
tabela_preco_produto$quantidade<-c(50,100,120,150,200)
tabela_preco_produto
A<-matrix(c(0,7,0,1,4,5,7,0),ncol = 3,nrow = 3,byrow = TRUE)
A
a=31
b=30
if(a<b){}
cat
if(a<b){cat("a é maior que b")}else{cat("b é maior que a")}
v=c(16,18,59,35,27,37,38)for (i in 1:length(v) ) {
print(v[i])
}
v=c(16,18,59,35,27,37,38) for (i in length(v)) {
print(v[i])
}
v=c(16,18,59,35,27,37,38)
for (i in 1:length(v)){
print(v[i])
}
media<-function((a,b){m<-(a+b)/2 return(m)})
media<-function(a,b){
m<-(a+b)/2
return(m)
}
media(3,5)
library(ggfortify)
install.packages("ggfortify")
library(ggfortify)
library(fpp2)
install.packages(fpp2)
library(ggfortify)
library(fpp2)
autoplot(gold)
install.packages("fpp2")
library(fpp2)
autoplot(gold)
autoplot(woolyrnq)
autoplot(gas)
autoplot(taylor)
data(lynx);trapped <- lynx
autoplot(lynx)
trapped.time <- time(trapped)
trapped.lm <- lm(trapped ~ trapped.time)
summary(trapped.lm)
ma10 <- filter(x=trapped, filter = rep(x=1/10,times=10),sides=2)
ma5 <- Filter(x=trapped,filter = rep(x=1/5,times=5), sides=2)
ma5 <- filter(x=trapped, filter=rep(x=1/5,times=5), sides=2)
plot(trapped,col="grey",ylab="Lynx Trapped",xlab="Year")
lines(ma10,col="Red",lwd=2)
lines(ma5,col="purple",lwd=2)
legend("topright",c("5-Year moving avarage","10-Year moving avarage"),bty = "n",col
= c("purple","red"), pch = 15)
abline(trapped.lm, col="black",lwd=2,lty="dashed")
load("~/.RData")
data(lynx);trapped <- lynx
autoplot(lynx)
trapped.time <- time(trapped)
trapped.lm <- lm(trapped ~ trapped.time)
summary(trapped.lm)
ma10 <- filter(x=trapped, filter = rep(x=1/10,times=10),sides=2)
ma5 <- Filter(x=trapped,filter = rep(x=1/5,times=5), sides=2)
ma5 <- filter(x=trapped, filter=rep(x=1/5,times=5), sides=2)
plot(trapped,col="grey",ylab="Lynx Trapped",xlab="Year")
lines(ma10,col="Red",lwd=2)
lines(ma5,col="purple",lwd=2)
legend("topright",c("5-Year moving avarage","10-Year moving avarage"),bty = "n",col
= c("purple","red"), pch = 15)
#==========================================================#
library(BETS)
install.packages(BETS)
install.packages("BETS")
library(BETS)
veiculos <- BETSget(code = 1379)
library(fpp2)
autoplot(veiculos)
monthplot(veiculos)
ggseasonplot(veiculos)
ggseasonplot(veiculos, polar = T)
require(tseries)
require(BETS)
set.seed(10)
sim.AR <-arima.sim(model = list(ar=0.6),n=100)
library(fpp2)
autoplot(sim.AR)
#==========================================================#
require(tseries)

# Simulando um processo Ruído Branco


set.seed(11)
sim.wn<-arima.sim(model=list(),n=100)
library(fpp2)
autoplot(sim.wn)
#===========================================================#
library(fpp2)
library(forecast)
# Daily closing stock prices of Google Inc
fcgoog <- naive(goog, h = 20)
autoplot(fcgoog)

summary(fcgoog)

acf(sim.wn)

require(BETS)
BETS.corrgram(sim.wn,type = "correlation",lag.max = 36)
BETS.corrgram(sim.wn,type = "partial",lag.max = 36)

#===========================================================#

#===============TRADING ITAU X BRADESCO===========================#

#install.packages("quantmod")
require(quantmod)
## Banco Bradesco S.A.
getSymbols('BBDC4.SA',src='yahoo')

chartSeries(BBDC4.SA)

## Itaúsa - Investimentos Itaú S.A.


getSymbols('ITUB4.SA',src='yahoo')

chartSeries(ITUB4.SA)

chartSeries(BBDC4.SA,subset = 'last 4 months')

chartSeries(ITUB4.SA,subset = 'last 4 months')

## podemos também observar os gráficos das duas ST ao mesmo tempo


head(as.xts(merge(BBDC4.SA,ITUB4.SA)))

chartSeries(c(BBDC4.SA, ITUB4.SA))

chartSeries(BBDC4.SA, subset = 'last 12 months',


theme="white",TA="addVo();addBBands(30,2);addCCI()")

chartSeries(ITUB4.SA, subset = 'last 12 months',


theme="white",TA="addVo();addBBands();addCCI()")

## =======================REGRESSÃO LINEAR====================================

Y <- c(6.5,5.8,7.8,8.1,10.4,12.3,13.1,17.4,20.1,24.5,25.5,27.1) # Variável resposta


X <- c(1.4,1.5,1.7,1.9,2.1,2.2,2.4,3.2,3.7,4.2,4.8,5.2) # Variável
explicativa
dados <- data.frame(Y,X)
dados

## Ajustando um modelo de regressão linear aos dados:

modelo.regressao <- lm(Y ~ X, data= dados)


summary(modelo.regressao) # Estimativa dos parâmetros, Erro, R2 do modelo
residuals(modelo.regressao)

anova(modelo.regressao) # Tabela de ANOVA

plot (Y ~ X,pch=16 ,data = dados)


abline(modelo.regressao,col="red") # Esta função ajusta a reta do modelo aos dados

library(ggplot2)
ggplot(data=dados,aes(y=Y,x=X))+geom_point()+geom_smooth(method="lm")
plot(resid(modelo.regressao) ~ predict(modelo.regressao),pch=16) # Resíduos vs. Y
esperado
abline(0,0,col="red") # Coloca uma reta no Y = 0

par(mfrow=c(2,2))
plot(modelo.regressao) # Diagnóstico completo dos resíduos

#=========================================================================
coef(modelo.regressao) # Coeficientes do modelo (intercepto e beta)
predict(modelo.regressao) # Valores previstos pelo modelo
residuals(modelo.regressao) # Resíduos do modelo
#=========================================================================