Solução. Solução do Exercício 1.1
# Criando um vetor com 10 retornos mensais
set.seed(123)
retornos <- runif(10, -0.05, 0.10)
# Verificando o tamanho do vetor
length(retornos)[1] 10# Acessando o 3º e 7º retornos
retornos[c(3,7)][1] 0.01134654 0.02921582# Quais meses tiveram retorno positivo
which( retornos > 0 )[1] 2 3 4 5 7 8 9 10retornos[retornos > 0][1] 0.06824577 0.01134654 0.08245261 0.09107009 0.02921582 0.08386286 0.03271525
[8] 0.01849221# Calculando o retorno médio
mean(retornos)[1] 0.03673713Solução. Solução do Exercício 1.2
# Criando o fator com classificações de risco
risco <- factor(c("Baixo", "Médio", "Alto", "Baixo", "Alto", "Médio", "Baixo", "Alto"))
# Verificando a classe
class(risco)[1] "factor"# Visualizando os níveis (categorias)
levels(risco)[1] "Alto" "Baixo" "Médio"# Convertendo para números
as.numeric(risco)[1] 2 3 1 2 1 3 2 1# Contando quantas empresas estão em cada nível de risco
table(risco)risco
Alto Baixo Médio
3 3 2 # ou
summary(risco) Alto Baixo Médio
3 3 2 Observação: A função factor() cria categorias. levels() mostra as categorias únicas. table() ou summary() contam as frequências de cada categoria.
Solução. Solução do Exercício 1.3
# Criando a matriz com os dados de PIB trimestral
pib_matriz <- matrix(c(1500, 1550, 1600,
800, 820, 850,
700, 720, 740,
500, 510, 520),
nrow = 4, byrow = TRUE)
# Adicionando nomes às linhas e colunas
rownames(pib_matriz) <- c("SP", "MG", "RJ", "BA")
colnames(pib_matriz) <- c("Q1", "Q2", "Q3")
# Verificando as dimensões
dim(pib_matriz)[1] 4 3nrow(pib_matriz)[1] 4ncol(pib_matriz)[1] 3# Acessando o PIB de SP no Q2
pib_matriz["SP", "Q2"][1] 1550# ou
pib_matriz[1, 2][1] 1550# Acessando toda a coluna de Q3
pib_matriz[, "Q3"] SP MG RJ BA
1600 850 740 520 # Calculando o PIB total por estado
rowSums(pib_matriz) SP MG RJ BA
4650 2470 2160 1530 Solução. Solução do Exercício 1.4
# Criando a lista com informações da empresa
empresa_data <- list(
nome = "Petrobras",
setor = "Energia",
cotacoes = c(25.5, 26.3, 25.8, 27.1, 26.9),
anos_operacao = 60
)
# Acessando elementos com o operador $
empresa_data$nome[1] "Petrobras"empresa_data$setor[1] "Energia"empresa_data$cotacoes[1] 25.5 26.3 25.8 27.1 26.9empresa_data$anos_operacao[1] 60# Acessando com colchetes duplos [[]]
empresa_data[[1]][1] "Petrobras"empresa_data[[3]][1] 25.5 26.3 25.8 27.1 26.9# Acessando a segunda cotação
empresa_data[["cotacoes"]][2][1] 26.3# Ou de forma alternativa
empresa_data$cotacoes[2][1] 26.3Solução. Solução do Exercício 1.5
# Criando o dataframe com dados econômicos regionais
economia_regional <- data.frame(
Regiao = c("Nordeste", "Norte", "Centro-Oeste", "Sudeste", "Sul"),
PIB_bilhoes = c(450, 280, 380, 2100, 800),
Taxa_Desemprego = c(12.5, 11.8, 10.2, 8.5, 9.3),
Inflacao = c(5.2, 5.1, 4.9, 4.8, 5.0)
)
# Acessando a coluna PIB usando $
economia_regional$PIB_bilhoes[1] 450 280 380 2100 800# Filtrando regiões com desemprego > 10%
regioes_alto_desemprego <- economia_regional[economia_regional$Taxa_Desemprego > 10, ]
regioes_alto_desemprego Regiao PIB_bilhoes Taxa_Desemprego Inflacao
1 Nordeste 450 12.5 5.2
2 Norte 280 11.8 5.1
3 Centro-Oeste 380 10.2 4.9# Calculando o PIB médio
mean(economia_regional$PIB_bilhoes)[1] 802# Acessando a segunda linha completamente
economia_regional[2, ] Regiao PIB_bilhoes Taxa_Desemprego Inflacao
2 Norte 280 11.8 5.1Solução. Solução do Exercício 1.6
# Criando o dataframe com dados faltantes (NA)
ativos <- data.frame(
mes = 1:6,
ativo_a = c(100, 102, NA, 105, 107, 108),
ativo_b = c(50, 51, 52, NA, 54, 55),
ativo_c = c(200, NA, 202, 203, 204, 205)
)
# Identificando dados faltantes
is.na(ativos) mes ativo_a ativo_b ativo_c
[1,] FALSE FALSE FALSE FALSE
[2,] FALSE FALSE FALSE TRUE
[3,] FALSE TRUE FALSE FALSE
[4,] FALSE FALSE TRUE FALSE
[5,] FALSE FALSE FALSE FALSE
[6,] FALSE FALSE FALSE FALSE# Contando NA por coluna
colSums(is.na(ativos)) mes ativo_a ativo_b ativo_c
0 1 1 1 # Removendo linhas com NA
ativos_completos <- na.omit(ativos)
ativos_completos mes ativo_a ativo_b ativo_c
1 1 100 50 200
5 5 107 54 204
6 6 108 55 205# Verificando as dimensões antes e depois
nrow(ativos) # 6 linhas originais[1] 6nrow(ativos_completos) # 2 linhas após remover NA[1] 3Solução. Solução do Exercício 1.7
# 1. Criando um vetor com 12 inflações mensais
set.seed(42)
inflacao_mensal <- c(0.35, 0.42, 0.38, 0.45, 0.40, 0.38,
0.43, 0.39, 0.41, 0.37, 0.44, 0.36) / 100
# 2. Criando um fator com as estações do ano (4 repetições)
estacoes <- factor(rep(c("Verão", "Outono", "Inverno", "Primavera"), 3))
# 3. Combinando em um dataframe
analise_inflacao <- data.frame(
mes = 1:12,
estacao = estacoes,
inflacao = inflacao_mensal
)
# 4. Calculando a inflação média
inflacao_media <- mean(analise_inflacao$inflacao)
inflacao_media[1] 0.003983333# 5. Identificando meses com inflação maior que a média
meses_acima_media <- analise_inflacao[analise_inflacao$inflacao > inflacao_media, ]
meses_acima_media mes estacao inflacao
2 2 Outono 0.0042
4 4 Primavera 0.0045
5 5 Verão 0.0040
7 7 Inverno 0.0043
9 9 Verão 0.0041
11 11 Inverno 0.0044# Ou apenas os números dos meses
which(analise_inflacao$inflacao > inflacao_media)[1] 2 4 5 7 9 11# 6. (Desafio extra) Calculando a inflação média por estação
tapply(analise_inflacao$inflacao, analise_inflacao$estacao, mean) Inverno Outono Primavera Verão
0.004166667 0.003900000 0.004000000 0.003866667 # Forma alternativa com aggregate
aggregate(inflacao ~ estacao, data = analise_inflacao, FUN = mean) estacao inflacao
1 Inverno 0.004166667
2 Outono 0.003900000
3 Primavera 0.004000000
4 Verão 0.003866667Este exercício integra todos os conceitos anteriores. tapply() aplica uma função a grupos. aggregate() é alternativa mais clara para operações por grupo. Este é um exemplo prático de análise de dados que mestrandos em economia encontrarão frequentemente.