library(knitr)
library(tidyr)
require("ggplot2")
library(readxl)
dados <- read_excel("dados.xlsx", col_types = c("text", 
    "text", "numeric", "numeric", "numeric", 
    "numeric","text" ))
dados <-na.omit(dados)
#View(dados)

Sumário Estatístico - C Bas 2018

library(psych)
kable(round(describe(dados[,3:6]),digits = 2))
vars n mean sd median trimmed mad min max range skew kurtosis se
MC 1 441 72.95 9.86 72.60 72.95 9.79 44.40 104.30 59.90 0.04 0.13 0.47
EST 2 441 1.75 0.07 1.75 1.75 0.06 1.54 1.94 0.40 -0.03 0.00 0.00
CIRC 3 441 82.29 7.44 82.50 82.36 6.67 52.00 106.00 54.00 -0.17 0.62 0.35
PGC 4 441 17.61 4.55 17.29 17.49 4.13 0.00 33.57 33.57 0.16 0.67 0.22

Percentis MC, EST, CIRC e PGC

# MC
round(quantile(dados$MC, probs = c(0,.1,.2,.3,.4,.5,.6,.7,.8,.9,1)),2)
   0%   10%   20%   30%   40%   50%   60%   70%   80%   90%  100% 
 44.4  61.3  65.1  67.5  70.3  72.6  75.3  78.0  81.4  85.3 104.3 
# EST
round(quantile(dados$EST, probs = c(0,.1,.2,.3,.4,.5,.6,.7,.8,.9,1)),2)
  0%  10%  20%  30%  40%  50%  60%  70%  80%  90% 100% 
1.54 1.66 1.69 1.71 1.73 1.75 1.77 1.78 1.80 1.83 1.94 
#CIRC
round(quantile(dados$CIRC, probs = c(0,.1,.2,.3,.4,.5,.6,.7,.8,.9,1)),2)
   0%   10%   20%   30%   40%   50%   60%   70%   80%   90%  100% 
 52.0  73.0  76.5  79.0  80.5  82.5  84.0  86.0  88.0  91.0 106.0 
# PGC
round(quantile(dados$PGC, probs = c(0,.1,.2,.3,.4,.5,.6,.7,.8,.9,1)),2)
   0%   10%   20%   30%   40%   50%   60%   70%   80%   90%  100% 
 0.00 11.99 14.04 15.20 16.27 17.29 18.56 19.62 21.31 23.22 33.57

Gráficos - Histogramas

hist <- hist(dados$MC, freq=TRUE, main="", xlab = "Massa Corporal", ylab = "Frequência", axes=T, labels = T, ylim = c(0,100) )

#classes
hist$breaks
 [1]  40  45  50  55  60  65  70  75  80  85  90  95 100 105
# frequência
hist$counts
 [1]  1  6  5 25 51 86 89 71 59 32 11  3  2
hist <- hist(dados$EST, freq=TRUE, main="", xlab = "Estatura", ylab = "Frequência", axes=T, labels = T, ylim = c(0,150) )

#classes
hist$breaks
 [1] 1.50 1.55 1.60 1.65 1.70 1.75 1.80 1.85 1.90 1.95
# frequência
hist$counts
[1]   2   8  33  75 120 122  50  24   7
hist <- hist(dados$CIRC, freq=TRUE, main="", xlab = "Circunferência", ylab = "Frequência", axes=T, labels = T, ylim = c(0,150) )

#classes
hist$breaks
 [1]  50  55  60  65  70  75  80  85  90  95 100 105 110
# frequência
hist$counts
 [1]   1   1   3  23  48  95 115  98  40  13   3   1
hist <- hist(dados$PGC, freq=TRUE, main="", xlab = "Percentual de Gordura Corporal", ylab = "Frequência", axes=T, labels = T, ylim = c(0,250) )

#classes
hist$breaks
[1]  0  5 10 15 20 25 30 35
# frequência
hist$counts
[1]   2  13 107 201  91  25   2

Classificação do % Gordura

table(dados$CLASS_PERC_GORD)

ABAIXO DA MÉDIA  ACIMA DA MÉDIA             BOM       EXCELENTE           MÉDIA 
            161              58              17               4             105 
     MUITO RUIM            RUIM 
             28              68

Classificação do % Gordura por sexo

table(dados$CLASS_PERC_GORD, dados$SEXO)
                 
                    F   M
  ABAIXO DA MÉDIA   6 155
  ACIMA DA MÉDIA   12  46
  BOM               4  13
  EXCELENTE         2   2
  MÉDIA             7  98
  MUITO RUIM        0  28
  RUIM              1  67

Classificação do % Gordura por pelotão

table(dados$CLASS_PERC_GORD, dados$PEL)
                 
                  10º Pel 11º Pel 12º Pel 1º pel 2º Pel 3º Pel 4º Pel 5º Pel 6º Pel
  ABAIXO DA MÉDIA      13       8      10     17     17     13     21     18      6
  ACIMA DA MÉDIA        4       4       9      4      6      6      0      3      4
  BOM                   1       0       1      0      1      0      3      0      4
  EXCELENTE             0       2       1      0      0      0      0      0      1
  MÉDIA                11      11       6     10      7     10      7      9     11
  MUITO RUIM            6       2       3      3      2      1      1      2      1
  RUIM                  3       9       6      5      5      7      3      3      8
                 
                  7º Pel 8º Pel 9º Pel
  ABAIXO DA MÉDIA      8     16     14
  ACIMA DA MÉDIA       8      3      7
  BOM                  6      1      0
  EXCELENTE            0      0      0
  MÉDIA               10      9      4
  MUITO RUIM           3      2      2
  RUIM                 3      6     10

Classificação do % Gordura por sexo e pelotão

table(dados$CLASS_PERC_GORD, dados$SEXO, dados$PEL)
, ,  = 10º Pel

                 
                   F  M
  ABAIXO DA MÉDIA  0 13
  ACIMA DA MÉDIA   1  3
  BOM              1  0
  EXCELENTE        0  0
  MÉDIA            1 10
  MUITO RUIM       0  6
  RUIM             0  3

, ,  = 11º Pel

                 
                   F  M
  ABAIXO DA MÉDIA  1  7
  ACIMA DA MÉDIA   0  4
  BOM              0  0
  EXCELENTE        0  2
  MÉDIA            0 11
  MUITO RUIM       0  2
  RUIM             1  8

, ,  = 12º Pel

                 
                   F  M
  ABAIXO DA MÉDIA  1  9
  ACIMA DA MÉDIA   1  8
  BOM              1  0
  EXCELENTE        1  0
  MÉDIA            0  6
  MUITO RUIM       0  3
  RUIM             0  6

, ,  = 1º pel

                 
                   F  M
  ABAIXO DA MÉDIA  0 17
  ACIMA DA MÉDIA   2  2
  BOM              0  0
  EXCELENTE        0  0
  MÉDIA            1  9
  MUITO RUIM       0  3
  RUIM             0  5

, ,  = 2º Pel

                 
                   F  M
  ABAIXO DA MÉDIA  1 16
  ACIMA DA MÉDIA   2  4
  BOM              0  1
  EXCELENTE        0  0
  MÉDIA            0  7
  MUITO RUIM       0  2
  RUIM             0  5

, ,  = 3º Pel

                 
                   F  M
  ABAIXO DA MÉDIA  0 13
  ACIMA DA MÉDIA   2  4
  BOM              0  0
  EXCELENTE        0  0
  MÉDIA            0 10
  MUITO RUIM       0  1
  RUIM             0  7

, ,  = 4º Pel

                 
                   F  M
  ABAIXO DA MÉDIA  2 19
  ACIMA DA MÉDIA   0  0
  BOM              0  3
  EXCELENTE        0  0
  MÉDIA            0  7
  MUITO RUIM       0  1
  RUIM             0  3

, ,  = 5º Pel

                 
                   F  M
  ABAIXO DA MÉDIA  1 17
  ACIMA DA MÉDIA   0  3
  BOM              0  0
  EXCELENTE        0  0
  MÉDIA            2  7
  MUITO RUIM       0  2
  RUIM             0  3

, ,  = 6º Pel

                 
                   F  M
  ABAIXO DA MÉDIA  0  6
  ACIMA DA MÉDIA   0  4
  BOM              1  3
  EXCELENTE        1  0
  MÉDIA            1 10
  MUITO RUIM       0  1
  RUIM             0  8

, ,  = 7º Pel

                 
                   F  M
  ABAIXO DA MÉDIA  0  8
  ACIMA DA MÉDIA   1  7
  BOM              0  6
  EXCELENTE        0  0
  MÉDIA            1  9
  MUITO RUIM       0  3
  RUIM             0  3

, ,  = 8º Pel

                 
                   F  M
  ABAIXO DA MÉDIA  0 16
  ACIMA DA MÉDIA   1  2
  BOM              1  0
  EXCELENTE        0  0
  MÉDIA            1  8
  MUITO RUIM       0  2
  RUIM             0  6

, ,  = 9º Pel

                 
                   F  M
  ABAIXO DA MÉDIA  0 14
  ACIMA DA MÉDIA   2  5
  BOM              0  0
  EXCELENTE        0  0
  MÉDIA            0  4
  MUITO RUIM       0  2
  RUIM             0 10
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