PCA com R (Métodos Estatísticos Multivariados)

pca.r

dados<-read.csv2("/home/aluno/Documentos/dados1_PCA.csv",header=T)

dados_sem_titulo<-data.frame(
  dados$ganho_bruto,
  dados$ganho_liquido,
  dados$patrimonio
)

matriz_covariancia<-cov(dados_sem_titulo)

auto<-eigen(matriz_covariancia)

auto_valores<-auto$eigen
auto_vetores<-auto$vectors

contas<-rep(NA, 12)

for(i in seq_along(contas)) {
  contas[i]<-(dados_sem_titulo$dados.ganho_bruto[i] * auto_vetores[1,1]) + (dados_sem_titulo$dados.ganho_liquido[i] * auto_vetores[2,1]) + (dados_sem_titulo$dados.patrimonio[i] * auto_vetores[3,1])
}

# Matriz correlação (pronta) e dados normalizados por Z ((dado - media)/desvio padrão)
matriz_correlacao<-cor(dados_sem_titulo)

auto_cor<-eigen(matriz_correlacao)
auto_valores_cor<-auto_cor$eigen
auto_vetores_cor<-auto_cor$vectors

contas_cor<-rep(NA, 12)

z_ganho_bruto<-scale(dados_sem_titulo$dados.ganho_bruto)
z_ganho_liquido<-scale(dados_sem_titulo$dados.ganho_liquido)
z_patrimonio<-scale(dados_sem_titulo$dados.patrimonio)

for(i in seq_along(contas_cor)) {
  contas_cor[i]<-(z_ganho_bruto[i] * auto_vetores_cor[1,1]) + (z_ganho_liquido[i] * auto_vetores_cor[2,1]) + (z_patrimonio[i] * auto_vetores_cor[3,1])
}

library(ggfortify)

pca_res<-prcomp(dados_sem_titulo)

autoplot(pca_res)

install.packages("ggplot2", dep=T)

install.packages('ggplot2', repos='http://cran.us.r-project.org')