ATIVIDADE 6 - PACOTES ESTATÍSTICOS

1 ATIVIDADE 6 - PACOTES ESTATICOS

1.1 QUESTÕES

• 1. Obtenha um conjunto de dados (com base em dados reais) contendo, pelo menos, 5 variáveis contínuas.

Com base em duas variáveis contínuas:

• 2. Obtenha uma representação gráfica (dispersão)
• 3. Obtenha a matriz de correlação das variáveis selecionadas
• 4. Assumindo que um modelo de regressão linear simples é adequado, determine os coeficientes da equação pelo método dos mínimos quadrados, e verifique a significancia estatística dos coeficientes estimados
• 5. Represente a reta de regressão no gráfico realizado no item 2.
• 6. Por meio de análise gráfica, realize a análise dos resíduos.

2 RESOLUÇÃO

2.1 Questão 1

o banco de dados utilizado foi o ‘mtcars’

2.2 Questão 2

car1<- ggplot(mtcars) +
  geom_point(aes(x = cyl, y = wt,color= carb),shape = 11,size=3)
ggplotly(car1)

2.3 Questão 3

cars2<- mtcars %>%
  select(wt, cyl)
M<-cor(cars2)
 cor(cars2)

##            wt       cyl
## wt  1.0000000 0.7824958
## cyl 0.7824958 1.0000000

corrplot(M, method="circle")

2.4 Questão 4

Modelo <- lm(wt ~ cyl, data = cars2)
summary(Modelo)

## 
## Call:
## lm(formula = wt ~ cyl, data = cars2)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -0.8243 -0.4293 -0.1518  0.3031  1.4297 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  0.56462    0.40062   1.409    0.169    
## cyl          0.42871    0.06228   6.883 1.22e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.6193 on 30 degrees of freedom
## Multiple R-squared:  0.6123, Adjusted R-squared:  0.5994 
## F-statistic: 47.38 on 1 and 30 DF,  p-value: 1.218e-07

2.5 Questão 5

car4<- ggplot(mtcars) +
  geom_point(aes(x = cyl, y = wt,color= carb),shape = 11,size=3)+
      geom_smooth(aes(y=wt,x=cyl))
ggplotly(car4)

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning in simpleLoess(y, x, w, span, degree = degree, parametric =
## parametric, : pseudoinverse used at 3.98

## Warning in simpleLoess(y, x, w, span, degree = degree, parametric =
## parametric, : neighborhood radius 4.02

## Warning in simpleLoess(y, x, w, span, degree = degree, parametric =
## parametric, : reciprocal condition number 2.0055e-016

## Warning in simpleLoess(y, x, w, span, degree = degree, parametric =
## parametric, : There are other near singularities as well. 16.16

## Warning in predLoess(object$y, object$x, newx = if
## (is.null(newdata)) object$x else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : pseudoinverse used at
## 3.98

## Warning in predLoess(object$y, object$x, newx = if
## (is.null(newdata)) object$x else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : neighborhood radius 4.02

## Warning in predLoess(object$y, object$x, newx = if
## (is.null(newdata)) object$x else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : reciprocal condition
## number 2.0055e-016

## Warning in predLoess(object$y, object$x, newx = if
## (is.null(newdata)) object$x else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : There are other near
## singularities as well. 16.16

2.6 Questão 6

hist(residuals(Modelo))

par(mfrow = c(2, 2))
plot(Modelo)

# Créditos Material criado por ADRIANA GAÍVA.