setwd("C:/Users/Ed/Desktop/2VA/")  # Current working directory

library(dplyr)
library(readr)

1) VADeaths

# Transpor para colocar as categorias nas colunas
VADeaths_transposed <- as.data.frame(t(VADeaths))
colors <- c("#1f78b4", "#33a02c", "#e31a1c", "#ff7f00")

barplot(height = as.matrix(VADeaths_transposed),
        beside = TRUE,
        col = colors,
        main = "Taxas de Morte em Virginia",
        xlab = "Idade",
        ylab = "Número de Mortes")
legend("topleft", 
       legend = rownames(VADeaths_transposed), 
       fill = colors, 
       title = "Faixas de idade")

2) ClassificaçãoDoença

stage <- c("moderado", "leve", "leve", "severo", "leve", "moderado", "moderado", "moderado", "leve", "leve", "severo","leve", "moderado", "moderado", "leve", "severo", "moderado", "moderado", "moderado", "leve")
colors <- c("#1f78b4", "#33a02c", "#e31a1c")
stage_count <- table(stage)
proportions <- (stage_count / length(stage)) * 100


pie(
  stage_count, 
  labels = paste(names(stage_count), round(proportions, 2), "%", sep = " "), 
  col    = colors,
  main = "Proporção dos estágios de doença",)
legend(
  "topright",
  legend = names(stage_count),
  fill   = colors, 
  title  = "Estágios")

3) Teorema

flu_data <- read_csv(
  file = "flu.csv",
  show_col_types = FALSE,
)

hist(flu_data$age, 
     main = "Histograma das idades (flu_data)", 
     xlab =  "Idade",
     ylab = "Quantidade",
     probability = T,
     col = "gray"
)
lines(density(flu_data$age))

# Configurar o número de amostras e tamanho da amostra
ammount <- 200
n <- 35

# Criar 200 médias de amostras
samples <- replicate(
  ammount, 
  mean(sample(flu_data$age, n))
)

# Histograma das médias amostrais
hist(samples,
     main = "Distribuição das Médias das Amostras",
     xlab = "Idade",
     ylab = "Frequência",
     col = "gray",
     probability = TRUE)
curve(dnorm(x, mean = mean(flu_data$age), sd = sd(flu_data$age) / sqrt(n)),
      col = "black",
      lwd = 2,
      add = TRUE)

4) Peso Gatos

confidence_level <- 0.99
sd <- 0.5
erro_amostral <- 0.1
z_score <- qnorm((1 + confidence_level) / 2)

# Formula para calcular n
n <- ceiling((z_score^2 * sd^2) / erro_amostral^2)

print(n)
## [1] 166

5) RU da Ruralinda

mean <- 400
sd <- 45
point <- 500

prob <- 1 - pnorm(point, mean, sd)
prob <- prob * 100

print(paste(round(prob * 100, 2), "%", sep = ""))
## [1] "131.34%"

6) Intervalo de confiança

load("bdims.RData")
filtered_data <- bdims[bdims$sex == 0, ]

samples <- filtered_data$hgt  # Alturas das mulheres
n <- length(samples)
mean <- mean(samples)
confidence_level <- (1 - 0.985)/2
# confidence_level <-  0.985
sd <- sd(samples)
error <- sd / sqrt(n)


left <- mean - (qnorm(confidence_level, lower.tail = F) * error)
right <- mean + (qnorm(confidence_level, lower.tail = F) * error)


cat("Intervalo de Confiança de 98.5% para a Média de Alturas das Mulheres:",
    "\nLimite Inferior:", left,
    "\nLimite Superior:", right,
    "\n[", left, "-", right, "]\n")
## Intervalo de Confiança de 98.5% para a Média de Alturas das Mulheres: 
## Limite Inferior: 163.8851 
## Limite Superior: 165.8596 
## [ 163.8851 - 165.8596 ]