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]"