dados <-data.frame(x=c(2,3,4,5,5,6,7,8),
y=c(4,7,9,10,11,11,13,15))
plot(dados$x,dados$y)
cor(dados$x,dados$y)
## [1] 0.980871
cor(dados$x,dados$y, method="spearman")
## [1] 0.9819277
Passo 1 - carregar a base
#-----------------------------------------------------
# Passo 1 - carregar a base
#-----------------------------------------------------
load("C:/Users/Hp/Desktop/Base_de_dados-master/CARROS.RData")
Passo 2 - definição de variável resposta
HP e Preço
km/l e Preço
Peso e Preço
RPM e Preço
Amperagem e Preço
variável resposta (desfecho, dependente, endogena): preço (Y)
variáveis explicativa (exogena, independente): as outras
quantitativas (X)
Os determinantes do preço do carro
Passo 3 - diagrama de dispersão
#-----------------------------------------------------
# Passo 3 - diagrama de dispersão
#-----------------------------------------------------
# plot(CARROS$HP,CARROS$Preco)
plot(CARROS$HP,CARROS$Preco,
main = " Correlação entre HP e preço",
pch=19, col="red",
ylab="Preço do carro",
xlab = "Hp (cavalos)")
abline(lsfit(CARROS$HP,CARROS$Preco),col="blue")
cor(CARROS$HP,CARROS$Preco)
## [1] 0.7909486
plot(CARROS$Kmporlitro,CARROS$Preco,
main = " Correlação entre km/l e preço",
pch=19, col="blue",
ylab="Preço do carro",
xlab = "km/l")
abline(lsfit(CARROS$Kmporlitro,CARROS$Preco),col="red")
cor(CARROS$Kmporlitro,CARROS$Preco)
## [1] -0.8475514
quanto maior o km/l menor tende a ser o preço
tem correlação linear, negativa e forte entre o
km/l e o preço (cor = -0,85)
Passo 4 - matriz de correlação
#-----------------------------------------------------
# Passo 4 - matriz de correlação
#-----------------------------------------------------
names(CARROS)
## [1] "Kmporlitro" "Cilindros"
## [3] "Preco" "HP"
## [5] "Amperagem_circ_eletrico" "Peso"
## [7] "RPM" "Tipodecombustivel"
## [9] "TipodeMarcha" "NumdeMarchas"
## [11] "NumdeValvulas"
selecao <- c("Kmporlitro","Preco","HP","Amperagem_circ_eletrico",
"Peso","RPM")
selecao
## [1] "Kmporlitro" "Preco"
## [3] "HP" "Amperagem_circ_eletrico"
## [5] "Peso" "RPM"
cor(CARROS[,selecao])
## Kmporlitro Preco HP
## Kmporlitro 1.0000000 -0.8475514 -0.7761684
## Preco -0.8475514 1.0000000 0.7909486
## HP -0.7761684 0.7909486 1.0000000
## Amperagem_circ_eletrico 0.6811719 -0.7102139 -0.4487591
## Peso -0.8676594 0.8879799 0.6587479
## RPM 0.4186840 -0.4336979 -0.7082234
## Amperagem_circ_eletrico Peso RPM
## Kmporlitro 0.68117191 -0.8676594 0.41868403
## Preco -0.71021393 0.8879799 -0.43369788
## HP -0.44875912 0.6587479 -0.70822339
## Amperagem_circ_eletrico 1.00000000 -0.7124406 0.09120476
## Peso -0.71244065 1.0000000 -0.17471588
## RPM 0.09120476 -0.1747159 1.00000000
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
CARROS %>% select(selecao) %>% cor()
## Note: Using an external vector in selections is ambiguous.
## i Use `all_of(selecao)` instead of `selecao` to silence this message.
## i See <https://tidyselect.r-lib.org/reference/faq-external-vector.html>.
## This message is displayed once per session.
## Kmporlitro Preco HP
## Kmporlitro 1.0000000 -0.8475514 -0.7761684
## Preco -0.8475514 1.0000000 0.7909486
## HP -0.7761684 0.7909486 1.0000000
## Amperagem_circ_eletrico 0.6811719 -0.7102139 -0.4487591
## Peso -0.8676594 0.8879799 0.6587479
## RPM 0.4186840 -0.4336979 -0.7082234
## Amperagem_circ_eletrico Peso RPM
## Kmporlitro 0.68117191 -0.8676594 0.41868403
## Preco -0.71021393 0.8879799 -0.43369788
## HP -0.44875912 0.6587479 -0.70822339
## Amperagem_circ_eletrico 1.00000000 -0.7124406 0.09120476
## Peso -0.71244065 1.0000000 -0.17471588
## RPM 0.09120476 -0.1747159 1.00000000
Passo 5 - visualização de dados
#-----------------------------------------------------
# Passo 5 - visualização de dados
#-----------------------------------------------------
library(corrplot)
## corrplot 0.92 loaded
CARROS %>% select(selecao) %>% cor() %>% corrplot()
CARROS %>% select(selecao) %>% cor() %>% corrplot(method = "pie")
CARROS %>% select(selecao) %>% cor() %>% corrplot(method="number",bg="gold2")
CARROS %>% select(selecao) %>% cor() %>% corrplot.mixed()
CARROS %>% select(selecao) %>% cor() %>% corrplot(addCoef.col=TRUE,number.cex=0.7)
Conclusão
- todas as variáveis influenciam o preço do carro
- HP e peso tem correlação positiva
- Amperagem e rpm tem correlação negativa
- rpm tem correlação fraca/moderada de apenas -0,43
- não há correlação entre RPM e peso
- não há correlação entre RPM e amperagem
## C:\Users\Hp\Documents\DIRETORIO DE TRABALHO DO R\mestrado_eng
#-----------------------------------------------------
# o pacote esquisse para visualização de dados
#-----------------------------------------------------
CARROS$Tipodecombustivel <- as.factor(CARROS$Tipodecombustivel)
CARROS$TipodeMarcha <- as.factor(CARROS$TipodeMarcha)
#summary(CARROS)
library(ggplot2)
ggplot(CARROS) +
aes(x = Tipodecombustivel, y = Preco, fill = TipodeMarcha) +
geom_boxplot() +
scale_fill_brewer(palette = "Dark2",
direction = 1) +
labs(title = "meu gráfico", subtitle = "no esquisse", caption = "Fonte: steven") +
#ggthemes::theme_solarized()
ggthemes::theme_excel()
