** 1 - Importação dos Dados**

dados <- read.csv("Dados_Funcionarios.csv", sep=",", header=TRUE)
head(dados)
##   Funcionario Est.civil    Inst Filhos Salario Anos Meses   Regiao
## 1           1  solteiro 1o Grau     NA    4.00   26     3 interior
## 2           2    casado 1o Grau      1    4.56   32    10  capital
## 3           3    casado 1o Grau      2    5.25   36     5  capital
## 4           4  solteiro 2o Grau     NA    5.73   20    10    outro
## 5           5  solteiro 1o Grau     NA    6.26   40     7    outro
## 6           6    casado 1o Grau      0    6.66   28     0 interior

** 2 - Análise da Variável “Estado Civil” (Est.civil)**

(a) Tabelas de Frequência Absoluta e Relativa

freq_abs <- table(dados$Est.civil)
print(freq_abs)
## 
##   casado solteiro 
##       20       16
freq_rel <- prop.table(freq_abs)
print(freq_rel)
## 
##    casado  solteiro 
## 0.5555556 0.4444444

(b) Gráficos de Barras e Setores

barplot(freq_abs, main="Estado Civil - Frequência Absoluta", col="lightblue")

pie(freq_abs, main="Estado Civil - Distribuição", col=rainbow(length(freq_abs)))

** 3 - Análise da Variável “Grau de Instrução” (Inst)**

(a) Tabelas de Frequência Absoluta e Relativa

freq_abs_inst <- table(dados$Inst)
print(freq_abs_inst)
## 
##  1o Grau  2o Grau Superior 
##       12       18        6
freq_rel_inst <- prop.table(freq_abs_inst)
print(freq_rel_inst)
## 
##   1o Grau   2o Grau  Superior 
## 0.3333333 0.5000000 0.1666667

(b) Gráficos de Barras e Setores

barplot(freq_abs_inst, main="Grau de Instrução - Frequência Absoluta", col="orange")

pie(freq_abs_inst, main="Grau de Instrução - Distribuição", col=rainbow(length(freq_abs_inst)))

** 4 - Análise da Variável “Número de Filhos” (Filhos)**

(a) Tabelas de Frequência Absoluta, Relativa e Acumulada

freq_abs_filhos <- table(dados$Filhos)
print(freq_abs_filhos)
## 
## 0 1 2 3 5 
## 4 5 7 3 1
freq_rel_filhos <- prop.table(freq_abs_filhos)
print(freq_rel_filhos)
## 
##    0    1    2    3    5 
## 0.20 0.25 0.35 0.15 0.05
freq_acum_filhos <- cumsum(freq_abs_filhos)
print(freq_acum_filhos)
##  0  1  2  3  5 
##  4  9 16 19 20

(b) Gráficos

barplot(freq_rel_filhos, main="Número de Filhos - Frequência Relativa", col="blue")

plot(freq_acum_filhos, type="o", main="Número de Filhos - Frequência Acumulada", col="red")

** 5 - Análise da Variável “Salário” (Salario)**

(a) Valores Máximo e Mínimo e Número de Classes

min_salario <- min(dados$Salario)
max_salario <- max(dados$Salario)

k <- round(1 + 3.322 * log10(nrow(dados)))

cat("Mínimo:", min_salario, " | Máximo:", max_salario, " | Número de Classes:", k)
## Mínimo: 4  | Máximo: 23.3  | Número de Classes: 6

(b) Histograma

hist(dados$Salario, breaks=k, main="Distribuição dos Salários", col="lightgreen", xlab="Salário")

** 6 - Tabela de Contingência entre “Estado Civil” e “Grau de Instrução”**

(a) Construção da Tabela

tabela_contingencia <- table(dados$Est.civil, dados$Inst)
print(tabela_contingencia)
##           
##            1o Grau 2o Grau Superior
##   casado         5      12        3
##   solteiro       7       6        3

(b) Gráficos

barplot(tabela_contingencia, beside=TRUE, col=rainbow(ncol(tabela_contingencia)), legend=TRUE, main="Estado Civil vs Grau de Instrução")

** 7 - Análise de “Salário” vs “Grau de Instrução”**

(a) Boxplot

boxplot(Salario ~ Inst, data=dados, main="Boxplot - Salário por Grau de Instrução", col="purple")

### (b) Média e Desvio Padrão dos Salários por Grau de Instrução

media_salario <- tapply(dados$Salario, dados$Inst, mean)
desvio_salario <- tapply(dados$Salario, dados$Inst, sd)

print(media_salario)
##   1o Grau   2o Grau  Superior 
##  7.836667 11.528333 16.475000
print(desvio_salario)
##  1o Grau  2o Grau Superior 
## 2.956464 3.715144 4.502438

** 8 - Criação da Idade**

dados$Idade <- dados$Anos + dados$Meses / 12

** 9 - Análise de “Salário” vs “Idade”**

(a) Gráfico de Dispersão

plot(dados$Idade, dados$Salario, main="Salário vs Idade", xlab="Idade", ylab="Salário", col="darkblue")

### (b) Cálculo da Correlação

correlacao <- cor(dados$Idade, dados$Salario)
cat("Correlação entre Salário e Idade:", correlacao)
## Correlação entre Salário e Idade: 0.3651397

** 10 - Experimentando Funções**

media_salario <- mean(dados$Salario, na.rm=TRUE)
print(paste("Média dos Salários:", round(media_salario, 2)))
## [1] "Média dos Salários: 11.12"
variancia_salario <- var(dados$Salario, na.rm=TRUE)
print(paste("Variância dos Salários:", round(variancia_salario, 2)))
## [1] "Variância dos Salários: 21.04"
desvio_padrao_salario <- sd(dados$Salario, na.rm=TRUE)
print(paste("Desvio Padrão dos Salários:", round(desvio_padrao_salario, 2)))
## [1] "Desvio Padrão dos Salários: 4.59"
mediana_salario <- median(dados$Salario, na.rm=TRUE)
print(paste("Mediana dos Salários:", round(mediana_salario, 2)))
## [1] "Mediana dos Salários: 10.16"
quartis_salario <- quantile(dados$Salario, probs=c(0, 0.25, 0.5, 0.75, 1), na.rm=TRUE)
print("Quartis dos Salários:")
## [1] "Quartis dos Salários:"
print(quartis_salario)
##      0%     25%     50%     75%    100% 
##  4.0000  7.5525 10.1650 14.0600 23.3000