Atividades_Isabelle
Isabelle Coutinho
2023-06-04
Bibliotecas
Primeiramente, serão carregadas todas as bibliotecas usadas nas atividades 3, 4, 5 e 6.
library (electionsBR)
library(dplyr)
library(flextable)
library(ggplot2)
library(ggthemes)
library(ggridges)
library(corrplot)
library(readr)Atividade 03
Carregando Base de Dados
Para esta atividade, utilizaremos a base de dados “df_pokemon.RData” e foi escolhida a variável altura para realizar as análises.
load("C:\\Users\\nanda\\OneDrive\\Base_de_dados-master\\df_pokemon.RData")Média
mean(df$height)## [1] 11.40669Mediana
median(df$height)## [1] 10Desvio Padrão
sd(df$height)## [1] 10.31993A média observada foi de 11,40, já a mediana foi de 10, enquanto o desvio padrão foi algo em torno de 10,31.
Histograma
hist(df$height, col = c("pink"), xlab = "Altura", ylab = "Frequência", main = "Histograma")
No Histograma criado, a variável utilizada foi a da altura. Com ela pretendia analisar qual seria o desempenho do Pokemon, por meio da mediana, da média e do desvio padrão. Pelo histograma observamos que os Pokémons tem uma frequência de altura muito próxima uns dos outros. Com isso fica difícil precisar se a altura influencia ou não em seu desempenho.
Atividade 04
Será analisado neste relatório se a cota de 30% para candidaturas femininas,por partido, a deputado federal do estado de Goiás está sendo respeitada para as eleições proporcionais de 2018.
Observação: Lei da Eleições n 9.504/1997 estabeleceu que cada partido deve preencher 30% de candidaturas femininas em eleições proporcionais.
Carregando Base de Dados
electionsBR::parties_br()## [1] "AVANTE" "CIDADANIA" "DC" "DEM"
## [5] "MDB" "NOVO" "PATRIOTA" "PC do B"
## [9] "PCB" "PCO" "PDT" "PEN"
## [13] "PHS" "PMB" "PMN" "PODE"
## [17] "PP" "PPL" "PPS" "PR"
## [21] "PRB" "PROS" "PRP" "PRTB"
## [25] "PSB" "PSC" "PSD" "PSDB"
## [29] "PSDC" "PSL" "PSOL" "PSTU"
## [33] "PT" "PT do B" "PTB" "PTC"
## [37] "PTN" "PV" "REDE" "REPUBLICANOS"
## [41] "SD" "SOLIEDARIEDADE" "UP"Limpeza do Banco de Dados
Agora, selecionaremos os candiadtos a Deputado Federal do Estado de Goiás nas eleições gerais de 2018.
banco=candidate_fed(year = 2018, uf= "GO")
banco2= banco%>% filter(DS_CARGO=="DEPUTADO FEDERAL")Tabela Partido x Gênero
tabela_deputada_fed = table(banco2$DS_GENERO,banco2$SG_PARTIDO)
tabela_deputada_fed##
## AVANTE DC DEM MDB NOVO PATRIOTA PC do B PCB PCO PDT PHS PMB PMN
## FEMININO 1 5 3 7 2 2 4 1 1 1 9 0 3
## MASCULINO 5 8 4 12 4 8 3 0 0 1 16 1 2
##
## PODE PP PPS PR PRB PROS PRP PRTB PSB PSC PSD PSDB PSL PSOL PT PTB
## FEMININO 0 1 0 1 0 1 2 3 0 2 3 3 2 6 5 0
## MASCULINO 5 5 1 0 1 0 3 7 3 5 2 6 7 13 12 3
##
## PTC PV REDE SOLIDARIEDADE
## FEMININO 3 2 3 0
## MASCULINO 8 3 4 1Tabela Proporcional Partido x Gênero
proporção_depfed_go = round(prop.table(tabela_deputada_fed,2)*100,1)
proporção_depfed_go##
## AVANTE DC DEM MDB NOVO PATRIOTA PC do B PCB PCO PDT
## FEMININO 16.7 38.5 42.9 36.8 33.3 20.0 57.1 100.0 100.0 50.0
## MASCULINO 83.3 61.5 57.1 63.2 66.7 80.0 42.9 0.0 0.0 50.0
##
## PHS PMB PMN PODE PP PPS PR PRB PROS PRP PRTB
## FEMININO 36.0 0.0 60.0 0.0 16.7 0.0 100.0 0.0 100.0 40.0 30.0
## MASCULINO 64.0 100.0 40.0 100.0 83.3 100.0 0.0 100.0 0.0 60.0 70.0
##
## PSB PSC PSD PSDB PSL PSOL PT PTB PTC PV REDE
## FEMININO 0.0 28.6 60.0 33.3 22.2 31.6 29.4 0.0 27.3 40.0 42.9
## MASCULINO 100.0 71.4 40.0 66.7 77.8 68.4 70.6 100.0 72.7 60.0 57.1
##
## SOLIDARIEDADE
## FEMININO 0.0
## MASCULINO 100.0Para saber se a cota de gênero foi obedecida, temos um total de 33 partidos em 2018. Desse total, apenas 15 partidos preenchem os 30% de candidaturas femininas. Dos 18 partidos que não cumpreem esse quorum, 7 partidos estão abaixo da cota e 11 partidos que só tem candidatos do mesmo sexo.
Gráfico das Proporções
par(cex=0.8)
Graficogenero = barplot(proporção_depfed_go,
col = c("pink", "violet"),
legend.text = c("Feminino", "Masculino"),
ylab = "Porcentagem", xlab = "Sigla Partidos",
main = 'Porcentagem de candidatos de cada gênero por partido',
las=2, cex.axis = 1, cex.names = 0.5)
Dessa forma, percebemos que no total de partidos que tinham representantes no estado de Goiás, apenas 45,45% cumpriram a cota enquanto mais da metade não cumpriram o quorum representando 54,54%.
Partidos que respeitam a cota: DC, MDB, NOVO PC do B, PDT, PHS, PMN, PRP, PRTB, PSD, PSDB, PSOL PV e REDE.
Partidos que não cumpriram: AVANTE, PATRIOTA, PCB,PCO, PMDB, PODE, PP, PPS,PR, PRB, PROS, PSB, PSC, PSL, PT, PTB, PTC e SOLIDARIEDADE.
Ainda é possível observar que o PDT foi o partido que obteve 50% dos candidatos homens e 50% de candidatas mulheres, PMN e PSD tiveram 60% de candidaturas femininas, sendo esses dois no estado com o maior índice de candidatas mulheres. Já o PP e o AVANTE, tiveram os menores índices da cota feminina com apenas 16,7% de candidatas mulheres.
Atividade 05
A base de dados utilizada foi “Chile.RData” e as variáveis escolhidas foram sexo e idade.
OBS:.Foram excluídos os chamados NA´s que são pessoas que não responderam. Com isso as variáveis foram reduzidas.
Carregando Base de Dados
load("C:\\Users\\nanda\\OneDrive\\Base_de_dados-master\\chile\\Chile.RData")Limpeza da Base de Dados
chile2=na.omit(Chile)Tabela Sexo por Idade
chile2%>%group_by(sex)%>%summarise(media=round(mean(age),1), desviopadrao=round(sd(age),1),
minimo=min(age),mediana=median(age), maximo=max(age))%>%
flextable() %>% theme_booktabs()sex | media | desviopadrao | minimo | mediana | maximo |
|---|---|---|---|---|---|
F | 38.0 | 14.0 | 18 | 36 | 70 |
M | 38.6 | 15.3 | 18 | 36 | 70 |
Nas variáveis utilizadas, percebo que pontos como média, desvio padrão, mínimo, mediana e máximo são valores extremamente próximos. Sendo assim, não percebemos uma discrepância entre pessoas do sexo feminino nem do sexo masculino.
Boxplot Sexo por Idade
chile2%>%select(sex,age)%>%
ggplot(aes(x=sex,y= age)) +geom_boxplot(fill= c("pink","violet"))+
labs(x = " Sexo",y = "Idade",
title = "Sexo por Idade",
caption = "Fonte: Chile.RData. Processado por Isabelle Coutinho.")+
coord_flip() +
theme_fivethirtyeight()
A média observada entre as variáveis analisadas mostrou que a média tanto das mulheres quanto dos homens é em torno dos 38 anos.
Atividade 06
Carregando Base de Dados
Vamos carregar a base de dados FifaData para essa atividade.
fifa = read_csv("C:\\Users\\nanda\\OneDrive\\Base_de_dados-master\\FifaData.csv")Limpeza Base de Dados
Nessa fase, limpamos a base de dados e selecionamos apenas os jogadores brasileiros para fazer a análise.
fifa2 = fifa %>% filter(Nationality == "Brazil")Diagrama de Dispersão
fifa2 %>%ggplot(aes(x= Long_Pass, y= Vision)) +
geom_point() +
geom_smooth(method = 'lm') + labs(x = " Passo Longo ",y = "Visão",
title = "Relação entre Passos Longos e Visão de Jogo",
caption = "Fonte: FifaData.csv. Processado por Isabelle Coutinho.") + theme_clean()
No diagrama, os jogadores brasileiros foram analisados, no qual a relação observada foi passe longo e visão. A conclusão que se faz é que quanto melhor a visão do jogador, maior e com mais qualidade é dado o passe longo.
Matriz de Correlação
fifa2 %>% select(Long_Pass, Vision) %>% cor() %>% corrplot(method = "color")
Na matriz apresentada percebemos que a relação entre essas duas variáveis escolhidas apresentam uma relação forte e positiva.