QG2 | PROVA ANNE VITORIA

Nome: Anne Vitória Dornelas Reis

Instruções:

Responda a prova neste documento Quarto. Antes de cada chunk explique o comando que será rodado. Não é necessário renderizar o arquivo. Salve-o com terminação qmd e o envie para o endereço dinilson.pedroza@unicap.br. Esse envio deve acontecer até às 22:00min. Não serão considerados envios posteriores a essa hora. Toda e qualquer consulta é proibida. Caso o aluno ou aluna recorra a algum tipo de consulta sua prova será anulada. O arquivo deve estar pronto para, na correção, ele produzir os resultados demandados. Atenção: lembre-se de carregar os packages necessários à prova com a função library.

1. Use o pacote sidrar para coletar dados sobre a produção industrial mensal do Brasil (Tabela 8888 do Sidra/IBGE, Variável: PIMPF - Número-índice (2022=100) (Número-índice); Seções: Indústria geral; Mês: todos; Unidade Territorial: Brasil). Depois que baixar o data frame por web scraping, crie outro data frame apenas com os dados de valor e mês (colunas “Valor” e “Mês (Código)” da tabela baixada). Use os operadores pipe, select (para selecionar as colunas) e mutate (para aplicar a função as.numeric às colunas separadas). Lembre-se usar a função arrange para ordenar os dados por mês. 4 pontos.

Resposta:

Neste passo, utilizo o pacote sidrar para acessar a API da Tabela 8888 do SIDRA/IBGE. Em seguida, seleciono apenas as colunas necessárias (“Mês (Código)” e “Valor”) e realizo as conversões para formato numérico.

library(sidrar)
library(dplyr)

Anexando pacote: 'dplyr'

Os seguintes objetos são mascarados por 'package:stats':

    filter, lag

Os seguintes objetos são mascarados por 'package:base':

    intersect, setdiff, setequal, union

# Baixando a Tabela 8888
pim <- get_sidra(api = "/t/8888/n1/all/v/12606/p/all/c544/129314/d/v12606%205")

All others arguments are desconsidered when 'api' is informed

# Limpeza e ajuste das colunas
dados <- pim %>%
  select(`Mês (Código)`, Valor) %>%
  mutate(
    `Mês (Código)` = as.numeric(`Mês (Código)`),
    Valor = as.numeric(gsub(",", ".", Valor))
  ) %>%
  arrange(`Mês (Código)`)

head(dados)

  Mês (Código)    Valor
1       200201 84.35985
2       200202 81.23882
3       200203 90.19468
4       200204 92.75477
5       200205 93.74586
6       200206 90.30861

2. Transforme o data frame que você limpou em série temporal, começando em c(2002, 01). visualize a série. 3 pontos.

Resposta:

converto a coluna de valores para o formato de série temporal, considerando início em janeiro de 2002 e frequência mensal. Utilizo o autoplot para visualizar o comportamento do índice ao longo do período.

library(ggplot2)
library(forecast)

Warning: pacote 'forecast' foi compilado no R versão 4.5.2

Registered S3 method overwritten by 'quantmod':
  method            from
  as.zoo.data.frame zoo 

dados_ts <- ts(
  dados$Valor,
  start = c(2002, 1),
  frequency = 12
)

autoplot(dados_ts) +
  ggtitle("Produção Industrial - Série Temporal (Tabela 8888)") +
  xlab("Ano") +
  ylab("Índice (2022 = 100)") +
  theme_minimal()

3. Use a função monthplot para visualizar a sazonalidade da série. Fale brevemente sobre o resultado. 3 pontos.

resposta:

Nesta etapa, emprego a função monthplot para observar a sazonalidade da série. O gráfico exibe o comportamento médio dos meses ao longo dos anos, permitindo identificar padrões sazonais.

monthplot(
  dados_ts,
  main = "Sazonalidade da Produção Industrial (PIM-PF)",
  ylab = "Índice Ajustado",
  xlab = "Meses"
)