Baixe o arquivo e abra no RStudio .
Execute as operações assinaladas nos exercícios a seguir.
Salve o .Rmd e submeta-o por meio desta tarefa.
Dica: As barras que delimitam o endereçamento do arquivo no seu computador, quando exibidas no explorer do Windows, são invertidas (). O R trabalha com barras normais (/) para endereçamento.
Questão 1:
Qual é a classe dos vetores abaixo? Imprima o vetor com print e tente advinhar. Use a função class para descobrir a resposta.
v1 <- c(1, 2, TRUE, 4)
v2 <- c("T", "TRUE", "FALSE", "T")
v3 <- c("1", "2", "3", "4")
v4 <- c(1, "4", 4, 1)
v5 <- c(1, 2, "feijao com arroz")
v6 <- c("Beatriz", "Pedro", TRUE)
v7 <- c(T, T, F, T, F, F, 42)Você consegue identificar as regras de combinação de tipos de dados diferentes em um mesmo vetor? Se tiver dúvidas, pergunte.
Questão 2:
Veja as cores de veículos comercializados por uma concessionária na semana passada.
colours <- factor(c("red","blue","red","white",
"silver","red","white","silver",
"red","red","white","silver","silver"),
levels=c("red","blue","white","silver","black"))Se você colocar o código a seguir, o que acontece? Por que? Responda na atividade da semana. ORANGE NÃO ESTÁ ENTRE OS NÍVEIS
colours[4] <- "orange"
colours## [1] red blue red <NA> silver red white silver red red
## [11] white silver silver
## Levels: red blue white silver blackUtilize a função table para determinar a quantidade de automóveis comercializados de cada cor. Pesquise na internet e pergunte caso tenha dúvidas.
table(colours)## colours
## red blue white silver black
## 5 1 2 4 0d11 <- plyr::count(colours)
d12 <- plyr::count(mtcars, vars = "cyl")
d13 <- gmodels::CrossTable(colours)##
##
## Cell Contents
## |-------------------------|
## | N |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 12
##
##
## | red | blue | white | silver |
## |-----------|-----------|-----------|-----------|
## | 5 | 1 | 2 | 4 |
## | 0.417 | 0.083 | 0.167 | 0.333 |
## |-----------|-----------|-----------|-----------|
##
##
##
## Questão 3:
Considere:
car.type <- factor(c("saloon","saloon","hatchback",
"saloon","convertible","hatchback","convertible",
"saloon", "hatchback","saloon", "saloon",
"saloon","hatchback"),
levels=c("saloon","hatchback","convertible"))Gere a tabela de frequências para os dados car.type.
Experimente:
table(car.type, colours)## colours
## car.type red blue white silver black
## saloon 2 1 1 2 0
## hatchback 3 0 0 1 0
## convertible 0 0 1 1 0gmodels::CrossTable(car.type, colours)##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 12
##
##
## | colours
## car.type | red | blue | white | silver | Row Total |
## -------------|-----------|-----------|-----------|-----------|-----------|
## saloon | 2 | 1 | 1 | 2 | 6 |
## | 0.100 | 0.500 | 0.000 | 0.000 | |
## | 0.333 | 0.167 | 0.167 | 0.333 | 0.500 |
## | 0.400 | 1.000 | 0.500 | 0.500 | |
## | 0.167 | 0.083 | 0.083 | 0.167 | |
## -------------|-----------|-----------|-----------|-----------|-----------|
## hatchback | 3 | 0 | 0 | 1 | 4 |
## | 1.067 | 0.333 | 0.667 | 0.083 | |
## | 0.750 | 0.000 | 0.000 | 0.250 | 0.333 |
## | 0.600 | 0.000 | 0.000 | 0.250 | |
## | 0.250 | 0.000 | 0.000 | 0.083 | |
## -------------|-----------|-----------|-----------|-----------|-----------|
## convertible | 0 | 0 | 1 | 1 | 2 |
## | 0.833 | 0.167 | 1.333 | 0.167 | |
## | 0.000 | 0.000 | 0.500 | 0.500 | 0.167 |
## | 0.000 | 0.000 | 0.500 | 0.250 | |
## | 0.000 | 0.000 | 0.083 | 0.083 | |
## -------------|-----------|-----------|-----------|-----------|-----------|
## Column Total | 5 | 1 | 2 | 4 | 12 |
## | 0.417 | 0.083 | 0.167 | 0.333 | |
## -------------|-----------|-----------|-----------|-----------|-----------|
##
## Qual a diferença entre o uso da função table com um ou argumentos? Qual a diferença entre table(car.type, colours) e table(colours, car.type)?
Questão 4:
Crie dois novos vetores. No primeiro, anote (invente) o número de palavras que você escreveu no último trabalho acadêmico ou relatório técnico em cada semana, considerando os últimos três meses. No segundo, anote (chute, novamente) quantos litros de café você tomou em cada semana.
Nomeie os elementos dos 2 vetores.
Calcule sua produtividade em “palavras por Litro de café”. Atribua o resultado a um novo vetor.
nPalavras <- factor(c(2000,3000,2000,1000,2000,3000,1000,2000,1000,2000,1000,4000,1000,4000),
levels=c(1000,2000,3000,4000))
lCafe <- factor(c(1, 2, 3, 4, 1, 4, 2, 2, 1, 3, 2, 3,3,1),
levels=c(1, 2, 3, 4))
table(nPalavras, lCafe)## lCafe
## nPalavras 1 2 3 4
## 1000 1 2 1 1
## 2000 2 1 2 0
## 3000 0 1 0 1
## 4000 1 0 1 0gmodels::CrossTable(nPalavras, lCafe)##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 14
##
##
## | lCafe
## nPalavras | 1 | 2 | 3 | 4 | Row Total |
## -------------|-----------|-----------|-----------|-----------|-----------|
## 1000 | 1 | 2 | 1 | 1 | 5 |
## | 0.129 | 0.229 | 0.129 | 0.114 | |
## | 0.200 | 0.400 | 0.200 | 0.200 | 0.357 |
## | 0.250 | 0.500 | 0.250 | 0.500 | |
## | 0.071 | 0.143 | 0.071 | 0.071 | |
## -------------|-----------|-----------|-----------|-----------|-----------|
## 2000 | 2 | 1 | 2 | 0 | 5 |
## | 0.229 | 0.129 | 0.229 | 0.714 | |
## | 0.400 | 0.200 | 0.400 | 0.000 | 0.357 |
## | 0.500 | 0.250 | 0.500 | 0.000 | |
## | 0.143 | 0.071 | 0.143 | 0.000 | |
## -------------|-----------|-----------|-----------|-----------|-----------|
## 3000 | 0 | 1 | 0 | 1 | 2 |
## | 0.571 | 0.321 | 0.571 | 1.786 | |
## | 0.000 | 0.500 | 0.000 | 0.500 | 0.143 |
## | 0.000 | 0.250 | 0.000 | 0.500 | |
## | 0.000 | 0.071 | 0.000 | 0.071 | |
## -------------|-----------|-----------|-----------|-----------|-----------|
## 4000 | 1 | 0 | 1 | 0 | 2 |
## | 0.321 | 0.571 | 0.321 | 0.286 | |
## | 0.500 | 0.000 | 0.500 | 0.000 | 0.143 |
## | 0.250 | 0.000 | 0.250 | 0.000 | |
## | 0.071 | 0.000 | 0.071 | 0.000 | |
## -------------|-----------|-----------|-----------|-----------|-----------|
## Column Total | 4 | 4 | 4 | 2 | 14 |
## | 0.286 | 0.286 | 0.286 | 0.143 | |
## -------------|-----------|-----------|-----------|-----------|-----------|
##
##