VADeaths

library(ggplot2)

library(tidyr)

data("VADeaths")

View(VADeaths)

vadeaths_df <- as.data.frame.matrix(VADeaths)

vadeaths_df$AgeGroup = rownames(vadeaths_df)

vadeaths_long <- pivot_longer(vadeaths_df, cols = -AgeGroup, names_to = "Category", values_to = "Deaths")

print(vadeaths_long)
## # A tibble: 20 × 3
##    AgeGroup Category     Deaths
##    <chr>    <chr>         <dbl>
##  1 50-54    Rural Male     11.7
##  2 50-54    Rural Female    8.7
##  3 50-54    Urban Male     15.4
##  4 50-54    Urban Female    8.4
##  5 55-59    Rural Male     18.1
##  6 55-59    Rural Female   11.7
##  7 55-59    Urban Male     24.3
##  8 55-59    Urban Female   13.6
##  9 60-64    Rural Male     26.9
## 10 60-64    Rural Female   20.3
## 11 60-64    Urban Male     37  
## 12 60-64    Urban Female   19.3
## 13 65-69    Rural Male     41  
## 14 65-69    Rural Female   30.9
## 15 65-69    Urban Male     54.6
## 16 65-69    Urban Female   35.1
## 17 70-74    Rural Male     66  
## 18 70-74    Rural Female   54.3
## 19 70-74    Urban Male     71.1
## 20 70-74    Urban Female   50
ggplot(vadeaths_long, aes(x = AgeGroup, y = Deaths, fill = Category)) +
  geom_bar(stat = "identity", position = "dodge") +
  scale_fill_manual(values = c("Urban Male" = "#1f77b4", "Urban Female" = "#ff7f0e", "Rural Male" = "#2ca02c", "Rural Female" = "#d62728")) +
  ggtitle("Taxas de mortalidade na Virgínia por faixa etária") +
  xlab("Faixa etária") +
  ylab("Taxa de mortalidade") +
  labs(fill = "Categoria")

ClassificaçãoDoença

estagios <- c("moderado", "leve", "leve", "severo", "leve", "moderado", "moderado", "moderado", "leve", "leve", "severo", "leve", "moderado", "moderado", "leve", "severo", "moderado", "moderado", "moderado", "leve")


frequencia <- table(estagios)


cores <- c("lightgreen", "yellow", "red")


pie(frequencia, col = cores, main = "Classificação da Doença por Estágio")


legend("topright", legend = names(frequencia), fill = cores, title = "Estágio da Doença")

Teorema

flu_ages<- read.csv("https://www.dropbox.com/s/hmt4vt3xllfrcmd/flu.csv?e=1&dl=1", header = TRUE)



flu_ages_numeric <- as.numeric(unlist(flu_ages))


hist(flu_ages_numeric, breaks = 30, probability = TRUE, main = "Histograma e Curva de Densidade das Idades de Morte", xlab = "Idades", ylab = "Densidade")
lines(density(flu_ages_numeric), col = "red", lwd = 2)

set.seed(123) 
n = 35
sample_means = replicate(200, mean(sample(flu_ages_numeric, n, replace = TRUE)))

hist(sample_means, breaks = 30, probability = TRUE, main = "Histograma e Curva de Densidade das Médias das Amostras", xlab = "Médias das Amostras", ylab = "Densidade")
lines(density(sample_means), col = "blue", lwd = 2)

Demais Questões

desvio_padrao <- 0.5  # Desvio padrão dos pesos dos gatos
nivel_confianca <- 0.99  # Nível de confiança
erro_amostral <- 0.1  # Erro amostral máximo permitido
populacao <- 300  # Tamanho da população

# Encontrando o valor z para o nível de confiança de 99%
z <- qnorm((1 + nivel_confianca) / 2)

# Calculando o tamanho da amostra para população infinita
n <- (z * desvio_padrao / erro_amostral)^2

# Ajustando o tamanho da amostra para população finita
n_ajustado <- (n * populacao) / (n + populacao - 1)

# Exibindo o tamanho da amostra ajustado com duas casas decimais sem arredondamento
n_ajustado_formatado <- format(n_ajustado, digits = 5, nsmall = 2)

# Imprimir o resultado
print(n_ajustado_formatado)
## [1] "107.04"
media <- 400  # Média do peso das refeições
desvio_padrao <- 45  # Desvio padrão do peso das refeições
limite <- 500  # Limite para calcular a proporção de alunos que comem acima

# Calculando a proporção de alunos que comem acima de 500 gramas
# A função pnorm retorna a probabilidade cumulativa até o limite especificado
# Subtrair esse valor de 1 dá a proporção acima do limite
proporcao_acima <- 1 - pnorm(limite, media, desvio_padrao)

# Convertendo a proporção em porcentagem e formatando com duas casas decimais
proporcao_acima_porcentagem <- format(proporcao_acima * 100, digits = 4, nsmall = 2)

# Adicionando o símbolo de porcentagem
proporcao_acima_porcentagem <- paste0(proporcao_acima_porcentagem, "%")

# Imprimir o resultado
print(proporcao_acima_porcentagem)
## [1] "1.313%"
getwd()
## [1] "/Users/fabiohatem/Desktop/Fabio/UFRPE/2023PrimeiroSemestre/ComputacaoParaAnaliseDados/SegundaVA"
load("bdims.RData")

# Filtrando o conjunto de dados para incluir apenas mulheres
dados_mulheres <- bdims[bdims$sex == 0, ]

# Calculando a média e o desvio padrão das alturas das mulheres
media_altura <- mean(dados_mulheres$hgt)
desvio_padrao_altura <- sd(dados_mulheres$hgt)

# Número de mulheres no conjunto de dados
n <- nrow(dados_mulheres)

# Nível de confiança desejado (98.5% -> 0.985)
alfa <- 0.985
z <- qnorm((1 + alfa) / 2)

# Calculando o intervalo de confiança
erro_padrao <- desvio_padrao_altura / sqrt(n)
margem_erro <- z * erro_padrao

limite_inferior <- media_altura - margem_erro
limite_superior <- media_altura + margem_erro

# Exibindo o intervalo de confiança com duas casas decimais
sprintf("[%0.2f-%0.2f]", limite_inferior, limite_superior)
## [1] "[163.89-165.86]"