# Leitura dos dados do arquivo 
#"02_CP_Exemplo.csv"
cp.ex <- read.table("02_CP_Exemplo.csv",
header=TRUE,sep=";",dec=",")
#
names(cp.ex)
cp.ex
#
attach(cp.ex)
#
plot(Serv.Sem.Erro,Oper.Confidenc,pch=16,
xlab="Serviços sem erros",
ylab="Oprações Confidenciais")
detach(cp.ex)
#
# Matriz de correlação e matriz de covariância
# Variáveis a serem analisadas:
# Colunas 2 e 3 do data.frame
mat.x <- cp.ex[,2:3]
# Correlação de Pearson: r_i,j
rij <- cor(mat.x)
rij
# Covariância: Sij
Sij <- cov(mat.x)
Sij
#
# Análise de Autovalores - - - - - - - -
# Autovalores de r 
eigen(rij)
# Autovalores de S
eigen(Sij)
#
# Análise de Componentes Principais ##########
#
# Componentes principais  CORRELAÇÃO ---------
pc.exemplo <- princomp(mat.x, cor = TRUE)
summary(pc.exemplo)
pc.exemplo
# Autovetores:
loadings(pc.exemplo)
# Percentual da variância:
plot(pc.exemplo,type="lines")
# Scores (ou Componentes)
pc.exemplo$scores # Componentes Principais
cp.ex # Dados originais
# A correlação entre componentes é zero
cor(pc.exemplo$scores)
#
# Componentes principais  COVARIÂNCIA --------
pc.exemplo.cov <- princomp(mat.x, cor = FALSE)
summary(pc.exemplo.cov)
pc.exemplo.cov
# Autovetores:
loadings(pc.exemplo.cov)
# Percentual da variância:
plot(pc.exemplo.cov,type="lines")
# Scores (ou Componentes)
pc.exemplo.cov$scores # Componentes Principais
cp.ex # Dados originais
# A correlação entre componentes é zero
cor(pc.exemplo.cov$scores)