Preferi deixar os codigos a mostra para ficar mais entendivel.

Questão 1

dados <- read.csv("Dados_Funcionarios.csv", sep = ",", header = TRUE)

Questão 2

absEC <- table(dados$Est.civil)
relEC <- prop.table(absEC)

absEC
## 
##   casado solteiro 
##       20       16
relEC
## 
##    casado  solteiro 
## 0.5555556 0.4444444
barplot(absEC, col = "lightblue", main = "Gráfico de Barras", ylab = "Frequência", xlab = "Categorias")

pie(absEC, col = rainbow(length(absEC)), main = "Gráfico de Setores")

Questão 3

absGI <- table(dados$Inst)
relGI <- prop.table(absGI)

absGI
## 
##  1o Grau  2o Grau Superior 
##       12       18        6
relGI
## 
##   1o Grau   2o Grau  Superior 
## 0.3333333 0.5000000 0.1666667
barplot(absGI, col = "lightblue", main = "Gráfico de Barras", ylab = "Frequência", xlab = "Categorias")

pie(absGI, col = rainbow(length(absGI)), main = "Gráfico de Setores")

Questão 4

absF <- table(dados$Filhos)
relF <- prop.table(absF)
acuF <- cumsum(relF)

absF
## 
## 0 1 2 3 5 
## 4 5 7 3 1
relF
## 
##    0    1    2    3    5 
## 0.20 0.25 0.35 0.15 0.05
acuF
##    0    1    2    3    5 
## 0.20 0.45 0.80 0.95 1.00
barplot(relF, col = "lightblue", main = "Gráfico de Barras", ylab = "Frequência", xlab = "Categorias")

barplot(acuF, col = "lightblue", main = "Gráfico de Barras", ylab = "Frequência", xlab = "Categorias")

Questão 5

  1. Irei utilizar o metodo da raiz quadrada com o metodo seq é possivel criar as classes com a quantidade de dados em cada intervalo usa o metodo cut para a divisão dos dados da tabela
library(knitr)
valores <- dados$Salario 

minimo <- min(valores)
maximo <- max(valores)

summary(valores)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   4.000   7.553  10.165  11.122  14.060  23.300
#determinando a quantidade de valores em cada classe com a raiz quadrada
frequencia <- sqrt(length(valores))
print(frequencia)
## [1] 6
classes<- seq(minimo,maximo,frequencia)

tabela_fracionada <- cut(valores, classes)

print(kable(as.data.frame(table(tabela_fracionada))))
## 
## 
## |tabela_fracionada | Freq|
## |:-----------------|----:|
## |(4,10]            |   17|
## |(10,16]           |   12|
## |(16,22]           |    5|
hist(valores, col = "lightgreen", main = "Histograma", xlab = "Valores", ylab = "Frequência")

QUestão 6

tabela <-table(dados$Est.civil, dados$Inst)
barplot(tabela)

barplot(absGI)

barplot(absEC)

Questão 7

boxplot(absGI,valores)

  1. A função subset filtra a tabela
grau1 <- subset(dados, Inst == "1o Grau")
mean(grau1$Salario)
## [1] 7.836667
sd(grau1$Salario)
## [1] 2.956464
grau2 <- subset(dados, Inst == "2o Grau")
mean(grau2$Salario)
## [1] 11.52833
sd(grau2$Salario)
## [1] 3.715144
grau3 <- subset(dados, Inst == "Superior")
mean(grau3$Salario)
## [1] 16.475
sd(grau3$Salario)
## [1] 4.502438

Questão 8

Aqui fiz uma leve correção no calculo para que faça sentido

idade <- (dados$Anos*12 + dados$Meses)/12

dados$Idade <- idade

idade <- round(dados$Idade, 1)
table(idade)
## idade
## 20.8 23.5 25.7 26.1 26.2 27.9   28 29.7 30.4 30.8 31.4 31.6 32.4 32.8 33.5 33.6 
##    1    1    1    1    1    1    1    1    1    1    1    1    1    1    1    1 
## 34.2 34.8   35 35.8 36.3 36.4 37.3 37.4 38.7 39.6 40.5 40.6   41 42.2 43.3 43.6 
##    1    1    1    1    1    1    1    1    1    1    1    1    2    1    1    1 
## 44.2 46.6 48.9 
##    1    1    1

Questão 9

plot(valores,idade,xlab = "Salário", col="lightblue")

cor(valores,idade)
## [1] 0.3660561

Questão 10

mean(valores)
## [1] 11.12222
mean(idade)
## [1] 35.05
var(valores)
## [1] 21.04477
var(idade)
## [1] 45.00429
sd(valores)
## [1] 4.587458
sd(idade)
## [1] 6.708523
median(valores)
## [1] 10.165
median(idade)
## [1] 34.9
quantile(valores)
##      0%     25%     50%     75%    100% 
##  4.0000  7.5525 10.1650 14.0600 23.3000
quantile(idade)
##     0%    25%    50%    75%   100% 
## 20.800 30.700 34.900 40.525 48.900