A desigualdade na sobrevivência
Pedro Gonçalves da Cunha
2023-04-26
Introdução
Vamos estudar duas variáveis qualitativas da base de dados Titanic.Rdata
Carregando base de dados
load("C:\\Users\\15781634711\\Desktop\\Base_de_dados-master\\Titanic.RData")Corrigindo encoding
Titanic$Classe = iconv(Titanic$Classe, "latin1","UTF-8")Questão de pesquisa
A primeira classe sobreviveu mais que a segunda e a terceira? Teve algo do tipo “Mulheres e crianças primeiro”?
Variável resposta/ variável de interesse Sobrevivencia, qualitativa nominal Variável explicativa (preditor linear) Idade, sexo e classe
Análise da classe
tabela_classe = table(Titanic$Classe, Titanic$Sobreviveu)
tabela_classe##
## Não sobreviveu Sobreviveu
## Primeira 122 202
## Segunda 167 118
## Terceira 528 178
## Tripulação 673 212round(prop.table(tabela_classe,1)*100,1)##
## Não sobreviveu Sobreviveu
## Primeira 37.7 62.3
## Segunda 58.6 41.4
## Terceira 74.8 25.2
## Tripulação 76.0 24.0barplot(tabela_classe,beside = TRUE, col = c("royalblue","lightblue","skyblue","maroon"), main = "Sobrevivência por classe", legend.text = rownames(tabela_classe))
round(prop.table(tabela_classe,2)*100,1)##
## Não sobreviveu Sobreviveu
## Primeira 8.2 28.5
## Segunda 11.2 16.6
## Terceira 35.4 25.1
## Tripulação 45.2 29.9tabela_classe2 = table(Titanic$Sobreviveu,Titanic$Classe)
tabela_classe2 ##
## Primeira Segunda Terceira Tripulação
## Não sobreviveu 122 167 528 673
## Sobreviveu 202 118 178 212barplot(tabela_classe2,beside = TRUE, col = c("maroon","royalblue"), main = "Sobrevivência por classe", legend.text = rownames(tabela_classe2), args.legend = list(x = "topleft"))
62% da primeira classe sobreviveu e 24% da tripulação sobreviveu, mas uma vez o proletáriado sofre, enquanto a elite, se aproveita.
Análise da idade
tabela_idade = table(Titanic$Idade, Titanic$Sobreviveu)
tabela_idade##
## Não sobreviveu Sobreviveu
## criança 52 57
## adulto 1438 653round(prop.table(tabela_idade,1)*100, 1)##
## Não sobreviveu Sobreviveu
## criança 47.7 52.3
## adulto 68.8 31.2round(prop.table(tabela_idade,2)*100, 1)##
## Não sobreviveu Sobreviveu
## criança 3.5 8.0
## adulto 96.5 92.0Uma a cada duas crianças sobreviveram e um a cada três adultos sobreviveu.
Análise do sexo
tabela_sexo = table(Titanic$Sexo,Titanic$Sobreviveu)
tabela_sexo##
## Não sobreviveu Sobreviveu
## Feminino 126 344
## Masculino 1364 366round(prop.table(tabela_sexo)*100,1)##
## Não sobreviveu Sobreviveu
## Feminino 5.7 15.6
## Masculino 62.0 16.6round(prop.table(tabela_sexo,1)*100,1)##
## Não sobreviveu Sobreviveu
## Feminino 26.8 73.2
## Masculino 78.8 21.2round(prop.table(tabela_sexo,2)*100,1)##
## Não sobreviveu Sobreviveu
## Feminino 8.5 48.5
## Masculino 91.5 51.5Aproximadamente 3/4 das mulheres sobreviveram enquanto aproximadamente 1/5 dos homens sobreviveram.
Uso das cotas de representantes dos partidos políticos
Carregando a library
library(electionsBR)## Warning: package 'electionsBR' was built under R version 4.2.3##
## To cite electionsBR in publications, use: citation('electionsBR')## To learn more, visit: http://electionsbr.comlibrary(dplyr)## Warning: package 'dplyr' was built under R version 4.2.3##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionPegando dados
banco = electionsBR::candidate_local(year = 2020, uf = "RJ")## Processing the data...## Done.banco2 = electionsBR::candidate_fed(year = 2018, uf = "RJ")## Processing the data...
## Done.table(banco2$DS_CARGO)##
## 1º SUPLENTE 2º SUPLENTE DEPUTADO ESTADUAL DEPUTADO FEDERAL
## 17 18 2465 1154
## GOVERNADOR SENADOR VICE-GOVERNADOR
## 14 17 14Criando bancos de dados dos deputados
dep_fed_2018 = banco2 %>% filter(DS_CARGO=="DEPUTADO FEDERAL")
dep_est_2018 = banco2 %>% filter(DS_CARGO=="DEPUTADO ESTADUAL")Análise dos deputados
tabela_dep_fed = table(dep_fed_2018$SG_PARTIDO, dep_fed_2018$DS_GENERO)
tabela_dep_fed##
## FEMININO MASCULINO
## AVANTE 16 33
## DC 17 32
## DEM 7 16
## MDB 8 14
## NOVO 6 13
## PATRIOTA 13 22
## PC do B 3 6
## PCB 1 0
## PCO 1 1
## PDT 20 34
## PHS 21 47
## PMB 14 26
## PMN 5 15
## PODE 15 26
## PP 4 10
## PPL 15 36
## PPS 4 10
## PR 7 22
## PRB 18 43
## PROS 3 11
## PRP 22 48
## PRTB 18 38
## PSB 3 15
## PSC 18 38
## PSD 19 43
## PSDB 7 14
## PSL 21 48
## PSOL 15 33
## PSTU 0 1
## PT 8 17
## PTB 3 11
## PTC 7 23
## PV 4 16
## REDE 5 10
## SOLIDARIEDADE 10 24round(prop.table(tabela_dep_fed,1)*100,1)##
## FEMININO MASCULINO
## AVANTE 32.7 67.3
## DC 34.7 65.3
## DEM 30.4 69.6
## MDB 36.4 63.6
## NOVO 31.6 68.4
## PATRIOTA 37.1 62.9
## PC do B 33.3 66.7
## PCB 100.0 0.0
## PCO 50.0 50.0
## PDT 37.0 63.0
## PHS 30.9 69.1
## PMB 35.0 65.0
## PMN 25.0 75.0
## PODE 36.6 63.4
## PP 28.6 71.4
## PPL 29.4 70.6
## PPS 28.6 71.4
## PR 24.1 75.9
## PRB 29.5 70.5
## PROS 21.4 78.6
## PRP 31.4 68.6
## PRTB 32.1 67.9
## PSB 16.7 83.3
## PSC 32.1 67.9
## PSD 30.6 69.4
## PSDB 33.3 66.7
## PSL 30.4 69.6
## PSOL 31.2 68.8
## PSTU 0.0 100.0
## PT 32.0 68.0
## PTB 21.4 78.6
## PTC 23.3 76.7
## PV 20.0 80.0
## REDE 33.3 66.7
## SOLIDARIEDADE 29.4 70.6barplot(tabela_dep_fed,beside = TRUE, legend.text = rownames(tabela_dep_fed))
Análise de gênero dos deputados
tabela_dep_fed2 = table(dep_fed_2018$DS_GENERO, dep_fed_2018$SG_PARTIDO)
par(cex=0.6)
barplot(tabela_dep_fed2, legend.text = rownames(tabela_dep_fed2), col = c("pink","blue"), ylim = c(0, 100))
table(dep_fed_2018$DS_SIT_TOT_TURNO)##
## #NULO# ELEITO POR MÉDIA ELEITO POR QP NÃO ELEITO
## 45 8 38 265
## SUPLENTE
## 798dep_fed_eleito_2018 = dep_fed_2018 %>% filter(DS_SIT_TOT_TURNO == "ELEITO POR MÉDIA"|DS_SIT_TOT_TURNO == "ELEITO POR QP")
tabela_eleitos = table(dep_fed_eleito_2018$DS_GENERO, dep_fed_eleito_2018$SG_PARTIDO)
barplot(tabela_eleitos, col = c ("pink", "blue"), legend.text = rownames(tabela_eleitos))
Análise da cor dos deputados
dep_est_eleito_2018 = dep_est_2018 %>% filter(DS_SIT_TOT_TURNO == "ELEITO POR MÉDIA"| DS_SIT_TOT_TURNO == "ELEITO POR QP")
tabela_eleitos2 = table(dep_est_eleito_2018$DS_COR_RACA, dep_est_eleito_2018$SG_PARTIDO)
barplot(tabela_eleitos2, col = c("royalblue","lightblue","blue"), legend.text = rownames(tabela_eleitos2))
Análise simultanea de cor e genero
dep_fed_eleito_2018 %>% select(DS_COR_RACA, DS_GENERO)%>%table()%>%barplot(beside=TRUE)
Senadores
senador = banco2 %>% filter(DS_CARGO == "SENADOR")
senador$DS_GENERO## [1] "FEMININO" "MASCULINO" "MASCULINO" "MASCULINO" "FEMININO" "FEMININO"
## [7] "MASCULINO" "MASCULINO" "FEMININO" "MASCULINO" "MASCULINO" "MASCULINO"
## [13] "MASCULINO" "MASCULINO" "MASCULINO" "MASCULINO" "MASCULINO"Governadores
governadores = banco2 %>% filter(DS_CARGO== "GOVERNADOR")