Análise de variável quantitativa x qualitativa

Alturas dos Prédio

predios_vermelhos<-c(40,95,55,80,65)

Calcular média, desvio e variância

mean(predios_vermelhos)

[1] 67

sd(predios_vermelhos)

[1] 21.38925

var(predios_vermelhos)

[1] 457.5

Trabalhando com variáveis

library(readxl)
IDH <- read_excel("D:/Desktop/Base_de_dados-master/IDH_por_regiao.XLS", 
                             sheet = "Dados")

colnames(IDH)<-c("munic","regiao","pop","idh","alf")
names(IDH)

[1] "munic"  "regiao" "pop"    "idh"    "alf"   

mean(IDH$idh)

[1] 0.7428341

sd(IDH$idh)

[1] 0.06128201

mean(IDH$pop)

[1] 33726.55

sd(IDH$pop)

[1] 226973.4

Simples

library(dplyr)
IDH %>% select(idh) %>% summarise(media=mean(idh),
                                  desvio_padrao=sd(idh),
                                  minimo=min(idh),
                                  maximo=max(idh))

# A tibble: 1 x 4
  media desvio_padrao minimo maximo
  <dbl>         <dbl>  <dbl>  <dbl>
1 0.743        0.0613  0.475  0.919

IDH %>% select(pop) %>% summarise(media=mean(pop),
                                  desvio_padrao=sd(pop),
                                  minimo=min(pop),
                                  maximo=max(pop))

# A tibble: 1 x 4
   media desvio_padrao minimo   maximo
   <dbl>         <dbl>  <dbl>    <dbl>
1 33727.       226973.    795 10434252

IDH %>% select(alf) %>% summarise(media=mean(alf),
                                  desvio_padrao=sd(alf),
                                  minimo=min(alf),
                                  maximo=max(alf))

# A tibble: 1 x 4
  media desvio_padrao minimo maximo
  <dbl>         <dbl>  <dbl>  <dbl>
1  85.1          8.05   39.3   99.1

Relacionar variáveis qualitativa x quantitativa

library(flextable)
IDH %>% select(regiao,idh) %>% group_by(regiao) %>%
  summarise(média=mean(idh),
            desvio_padrao=sd(idh),
            minimo=min(idh),
            maximo=max(idh)) %>%
  flextable()

boxplot(idh~regiao, data=IDH, col=c("red","blue","yellow"),
        ylim=c(0,1), xlab = "Região Gergráfica",
        ylab= "IDH", main= "IDH por Região")

boxplot(alf~regiao, data=IDH, col=c("red","blue","yellow"))

load("D:/Desktop/Base_de_dados-master/CARROS.RData")
CARROS$TipodeMarcha <- ifelse(CARROS$TipodeMarcha==0, "Auto","Manual")
table(CARROS$TipodeMarcha)

  Auto Manual 
    19     13 

names(CARROS)

 [1] "Kmporlitro"              "Cilindros"              
 [3] "Preco"                   "HP"                     
 [5] "Amperagem_circ_eletrico" "Peso"                   
 [7] "RPM"                     "Tipodecombustivel"      
 [9] "TipodeMarcha"            "NumdeMarchas"           
[11] "NumdeValvulas"          

par(bg="white")
CARROS %>% select(Kmporlitro, TipodeMarcha) %>% group_by(TipodeMarcha) %>%
  summarise(média=mean(Kmporlitro),
            desvio_padrao=sd(Kmporlitro),
            minimo=min(Kmporlitro),
            maximo=max(Kmporlitro)) %>%
  flextable()

boxplot(Kmporlitro~TipodeMarcha, data=CARROS, col=c("red","royalblue"))

CARROS %>% select(Kmporlitro,Preco,HP,TipodeMarcha) %>% group_by(TipodeMarcha) %>% 
  summarise(média_kml=mean(Kmporlitro),
            dp_kml=sd(Kmporlitro),
            média_Preço=mean(Preco),
            dp_Preco=sd(Preco),
            média_HP=mean(HP),
            dp_HP=sd(HP)) %>%
  flextable()

Existem diversas formas de trabalhar com variáveis quali x quanti (Boxplot e resumo numérico são duas formas simples com esse tipo de correlação)