Exercícios do tópico 5

Nos exercícios abaixo, use a base unificada dados.

Questão 1: Tendência central

a) Calcule a média e a mediana da variável glicose_mg_dl.

b) A média é maior ou menor que a mediana? O que isso sugere sobre a distribuição?

mean(dados$glicose_mg_dl, na.rm = TRUE)
median(dados$glicose_mg_dl, na.rm = TRUE)

Se a média for maior que a mediana, a distribuição tende a ser assimétrica à direita — poucos valores muito altos puxam a média para cima.

Questão 2: Dispersão

a) Calcule o desvio padrão da variável pressao_sistolica.

b) Calcule o intervalo interquartil (IQR) da mesma variável.

c) Use summary() para ver um resumo completo da variável.

sd(dados$pressao_sistolica, na.rm = TRUE)
IQR(dados$pressao_sistolica, na.rm = TRUE)
summary(dados$pressao_sistolica)

Questão 3: Coeficiente de variação

Calcule o coeficiente de variação (CV) da variável renda_reais. O CV é calculado assim:

\[CV = \frac{\text{desvio padrão}}{\text{média}} \times 100\]

Com base no resultado, como você classificaria a variabilidade da renda?

media <- mean(dados$renda_reais, na.rm = TRUE)
dp    <- sd(dados$renda_reais,   na.rm = TRUE)
cv    <- (dp / media) * 100
round(cv, 1)
CV Variabilidade
≤ 10% Baixa
10–20% Média
20–30% Alta
> 30% Muito alta

Questão 4: Histograma

Faça um histograma da variável imc com título, rótulos nos eixos e cor "#d8b4fe".

Em seguida, adicione uma linha vertical vermelha indicando a média.

hist(dados$imc,
     main   = "Distribuição do IMC",
     xlab   = "IMC",
     ylab   = "Frequência",
     col    = "#d8b4fe",
     border = "white")

abline(v   = mean(dados$imc, na.rm = TRUE),
       col = "red",
       lwd = 2,
       lty = 2)

Questão 5: Tabela de frequência

a) Use table() para ver a frequência absoluta da variável percepcao_saude.

b) Use prop.table() junto com table() para obter a frequência relativa em percentual. Arredonde para 1 casa decimal com round().

# a)
table(dados$percepcao_saude)

# b)
round(prop.table(table(dados$percepcao_saude)) * 100, 1)

Questão 6: Correlação

a) Calcule a correlação entre glicose_mg_dl e imc. Use cor() com use = "complete.obs".

b) Faça um gráfico de dispersão entre as duas variáveis com plot().

c) O valor de r encontrado indica uma associação fraca, moderada ou forte? Em qual direção (positiva ou negativa)?

# a)
cor(dados$glicose_mg_dl, dados$imc, use = "complete.obs")

# b)
plot(dados$imc, dados$glicose_mg_dl,
     main = "IMC vs Glicose",
     xlab = "IMC",
     ylab = "Glicose (mg/dL)",
     pch  = 19,
     col  = "#9333ea",
     cex  = 0.6)

Referência rápida para r: - |r| < 0,3 → associação fraca - 0,3 ≤ |r| < 0,6 → associação moderada - |r| ≥ 0,6 → associação forte

Questão 7: Teste t

A pressão sistólica difere entre pessoas com e sem diabetes? Use t.test() para responder.

Interprete o p-valor: há diferença significativa (p < 0,05)?

t.test(pressao_sistolica ~ diabetes, data = dados)

O R vai mostrar o p-valor na saída. Se p < 0,05, a diferença entre os grupos é estatisticamente significativa.

Questão 8: Qui-quadrado

Existe associação entre sexo e hipertensão na base dados?

a) Crie uma tabela de contingência com table().

b) Aplique o teste qui-quadrado com chisq.test().

c) Interprete o resultado.

dados$sexo        <- toupper(dados$sexo)
dados$hipertensao <- toupper(dados$hipertensao)

tabela <- table(dados$sexo, dados$hipertensao)
tabela

chisq.test(tabela)