Escolar Documentos
Profissional Documentos
Cultura Documentos
Justificativa: além de organizar valores numéricos, a estatística também coleta, analisa e interpreta dados.
b) Sempre que estivermos trabalhando com números devemos utilizar a Inferência Estatística. (F)
Justificativa: devemos utilizar a Inferência Estatística quando desejamos fazer previsões, com base nos dados, sobre a população.
c) A Estatística Descritiva fornece uma maneira adequada de tratar um conjunto de valores, numéricos ou não, com a
finalidade de conhecermos o fenômeno de interesse. (V)
e) As técnicas estatísticas não são adequadas para casos que envolvam experimentos destrutivos como, por exemplo,
queima de equipamentos, amostras de sangue, destruição de corpos de prova, etc. (F)
Justificativa: as técnicas de estatística são adequadas em casos que envolvam experimentos destrutivos, visto que a quantidade
de amostras apenas diminui.
2) Classifique as variáveis
💡 Variáveis que apresentam algum atributo ou qualidade de um objeto (como educação e estado civil) são chamadas
qualitativas e as que podem ser representadas por algum valor numérico (como idade e salário) são chamadas
quantitativas.
💡 É possível distinguir dois tipos de variáveis qualitativas: nominal, na qual não existe ordenação, e ordinal, em que há
uma ordem nos resultados.
💡 As variáveis quantitativas podem ser classificadas como: discretas, cujos valores possíveis formam um conjunto finito de
números inteiros, e contínuas, cujos valores possíveis pertencem a um intervalo de números reais.
Num estudo sobre hábitos alimentares e risco de doenças cardíacas, foram obtidos os níveis de colesterol (em mg/dl)
de 80 pacientes de uma região.
Sexo (F, M)
dados <- c(0.15, 0.18, 0.18, 0.21, 0.21, 0.21, 0.26, 0.26, 0.26, 0.34, 0.34, 0.34, 0.37, 0.37, 0.38, 0.38, 0.38, 0.42, 0.42, 0.42, 0.42,
0.46, 0.46, 0.46, 0.46, 0.46, 0.46, 0.46, 0.55, 0.59, 0.59, 0.59, 0.59, 0.61, 0.64, 0.65, 0.65, 0.73, 0.73, 0.76, 0.76, 0.85)
hist(dados,
main="Histograma Fe (mg/t) no sangue",
xlab="Fe (mg/t)",
ylab="Frequência",
col=c("pink"),
ylim=c(0,12))
tmp=hist(dados,
main="Polígono de Frequência em Histograma Fe (mg/t) no Sangue",
xlab="Fe (mg/t)",
ylab="Frequência",
col=c("pink"),
ylim=c(0,12))
dados <- c(0.15, 0.18, 0.18, 0.21, 0.21, 0.21, 0.26, 0.26, 0.26, 0.34, 0.34, 0.34, 0.37, 0.37, 0.38, 0.38, 0.38, 0.42, 0.42, 0.42, 0.42,
0.46, 0.46, 0.46, 0.46, 0.46, 0.46, 0.46, 0.55, 0.59, 0.59, 0.59, 0.59, 0.61, 0.64, 0.65, 0.65, 0.73, 0.73, 0.76, 0.76, 0.85)
hist(dados,
main="Histograma Fe (mg/t) no sangue em Frequência Relativa",
xlab="Fe (mg/t)",
ylab="Frequência",
col=c("pink"),
ylim=c(0,3),
freq = FALSE)
Resposta: poderiam ser adicionados alguns elementos fundamentais de gráficos, tais como nome do eixo e legenda, pois não está
claro o que as cores azul e vermelho representam e é difícil saber o que os números do eixo y retratam.
5) A Figura 2 refere-se a número de raio X tirados em um hospital. O gráfico representa adequadamente esta situação?
Qual seria o gráfico mais adequado? Verifique se falta alguma informação, se sim, complete.
Resposta: o gráfico representa adequadamente esta situação e o mais adequado seria um histograma, pois este é ideal para
representar distribuição de frequências (dados contínuos). Falta adicionar um título para o gráfico, com o objetivo de deixar a
informação mais clara.
mean(dados)
median(dados)
sd(dados)
hist(dados,
main="Quantidade de Raios-X Tirados no Hospital ",
xlab="Número de Raios-X",
ylab="Frequência",
col=c("pink"),
ylim=c(0,10))
6) A pasteurização é um processo que visa eliminar microrganismos presentes em alimentos e sua utilização é
imprescindível nos bancos de leite humano. O teor de lipídeos e proteínas do leite humano pós-pasteurização foi obtido
para estudo, foram coletadas amostras de leite de 12 mulheres doadoras escolhidas aleatoriamente, como idade entre 24
e 31 anos, com o tipo de leito maduro. O teor de lipídeos foi obtido e está descrito abaixo em %:
3,8 / 2,6 / 5,1 / 6,2 / 4,0 / 5,5 / 9,1 / 8,1 / 5,9 / 3,5 / 2,2 / 5,9
dados <- c(3.8, 2.6, 5.1, 6.2, 4.0, 5.5, 9.1, 8.1, 5.9, 3.5, 2.2, 5.9)
dados <- c(52.4, 55.1, 55.5, 61.9, 63.7, 64.0, 65.9, 66.7, 67.4, 68.5, 69.3, 71.1, 71.7, 71.8, 71.8, 73.1, 74.4, 75.0, 75.7, 75.8, 77.6,
77.9, 78.2, 81.6, 81.9, 82.9, 85.0, 85.0, 89.7, 94.3)
hist(dados,
main="Histograma Peso (Kg) de Mulheres no Primeiro Mês de Gestação",
xlab="Peso (Kg)",
ylab="Frequência",
col=c("pink"),
ylim=c(0,8))
dados <- c(52.4, 55.1, 55.5, 61.9, 63.7, 64.0, 65.9, 66.7, 67.4, 68.5, 69.3, 71.1, 71.7, 71.8, 71.8, 73.1, 74.4, 75.0, 75.7, 75.8, 77.6,
77.9, 78.2, 81.6, 81.9, 82.9, 85.0, 85.0, 89.7, 94.3)
8) A tabela a seguir diz respeito a uma amostra do peso de 50 adolescentes internados no último mês em um hospital
terciário.
a) Apresente de forma gráfica os dados. Comente sobre a distribuição dos pesos, isto é, faça uma descrição da variável
peso nesta amostras utilizando as informações da Tabela 1.
Resposta:
dados <- c(45, 45, 45, 45, 45, 45, 45, 45, 55, 55, 55,55,55,55,55,55,55,55,55,55,55,55,55,55,55,55,55,55, 65, 65,65,65,65,65,65,65, 75,
75,75,75,75,75,75, 85, 85, 85, 85, 85, 95)
hist(dados,
main="Peso (Kg) de Adolescentes Internados",
xlab="Peso (Kg)",
ylab="Frequência",
col=c("pink"),
ylim=c(0,25))
Nota-se que uma grande quantidade de adolescentes (44%) apresentam um peso entre 50 e 60 Kg. Além disso, a maioria se
encontra saudável, pesando menos de 70 Kg.
b) Você diria que nesta amostra existe uma grande porcentagem de adolescentes obesos?
Resposta: considerando que mais de 75% dos adolescentes da amostra possuem um peso menor que 70Kg, pode-se afirmar que
nesta população não existe uma grande porcentagem de adolescentes obesos.