Visualização de Dados - Prof. Oseas Machado Gomes
Gabriel Willian Rodrigues Cavalcanti - Ciências de Dados 01 (Manhã)
29/09/2024
milse_data <- read.csv("C:/Users/Gabriel Willian/Downloads/Trabalhooseas/milse.csv", sep = ";", stringsAsFactors = FALSE)head(milse_data)## Funcio estadocivil Instrucao numerodefilhos salario idade regiao
## 1 1 solteiro fundamental NA 4 26 interior
## 2 2 casado fundamental 1 4,56 32 capital
## 3 3 casado fundamental 2 5,25 36 capital
## 4 4 solteiro medio NA 5,73 20 outro
## 5 5 solteiro fundamental NA 6,26 40 outro
## 6 6 casado fundamental 0 6,66 28 interiorstr(milse_data)## 'data.frame': 36 obs. of 7 variables:
## $ Funcio : int 1 2 3 4 5 6 7 8 9 10 ...
## $ estadocivil : chr "solteiro" "casado" "casado" "solteiro" ...
## $ Instrucao : chr "fundamental" "fundamental" "fundamental" "medio" ...
## $ numerodefilhos: int NA 1 2 NA NA 0 NA NA 1 NA ...
## $ salario : chr "4" "4,56" "5,25" "5,73" ...
## $ idade : int 26 32 36 20 40 28 41 43 34 23 ...
## $ regiao : chr "interior" "capital" "capital" "outro" ...1) Classificação das variáveis:
Qualitativas Nominais: estadocivil, regiao
Qualitativas Ordinais: Instrucao
Quantitativas Discretas: numerodefilhos, idade
Quantitativas Contínuas: salario
2) Agrupamento das variáveis qualitativas por: estado civil, grau de instrução e região.
qualitative_summary <- milse_data %>%
group_by(estadocivil, Instrucao, regiao) %>%
summarise(Contagem = n()) %>%
ungroup()## `summarise()` has grouped output by 'estadocivil', 'Instrucao'. You can
## override using the `.groups` argument.qualitative_summary %>%
kable("html", col.names = c("Estado Civil", "Grau de Instrução", "Região", "Número de Funcionários")) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = F, position = "center", font_size = 15) %>%
column_spec(1:3, bold = TRUE)| Estado Civil | Grau de Instrução | Região | Número de Funcionários |
|---|---|---|---|
| casado | fundamental | capital | 2 |
| casado | fundamental | interior | 1 |
| casado | fundamental | outro | 2 |
| casado | medio | capital | 4 |
| casado | medio | interior | 6 |
| casado | medio | outro | 2 |
| casado | superior | capital | 1 |
| casado | superior | interior | 1 |
| casado | superior | outro | 1 |
| solteiro | fundamental | capital | 2 |
| solteiro | fundamental | interior | 2 |
| solteiro | fundamental | outro | 3 |
| solteiro | medio | capital | 1 |
| solteiro | medio | interior | 1 |
| solteiro | medio | outro | 4 |
| solteiro | superior | capital | 1 |
| solteiro | superior | interior | 1 |
| solteiro | superior | outro | 1 |
2.1 - Análise do agrupamento das Variáveis Qualitativas
Estado Civil
Funcionários casados representam uma proporção significativa, especialmente nos níveis de instrução médio e superior, e estão distribuídos principalmente nas regiões interior e capital. Já os funcionários solteiros predominam nos níveis fundamental e médio, com maior presença na capital e em outras regiões, indicando possíveis diferenças de maturidade e experiência entre os grupos.
Grau de Instrução
A maioria dos funcionários possui nível médio, seguido pelo fundamental. O ensino superior é menos comum, mas tem uma boa representatividade entre os casados e nas regiões interior e capital, sugerindo que profissionais mais qualificados estão mais concentrados nessas áreas.
Região
A capital e o interior são as regiões com maior número de funcionários, sendo a capital mais associada a empregos que exigem nível médio ou fundamental, enquanto o interior apresenta uma distribuição mais equilibrada entre os níveis de instrução, com maior presença de profissionais qualificados. Outras regiões apresentam maior concentração de funcionários solteiros e com menor escolaridade, possivelmente em setores operacionais.
3) Agrupamento de váriáveis
Agrupamento por Estado Civil e Grau de Instrução:
estado_instrucao_group <- milse_data %>%
group_by(estadocivil, Instrucao) %>%
summarise(Contagem = n()) %>%
ungroup()## `summarise()` has grouped output by 'estadocivil'. You can override using the
## `.groups` argument.estado_instrucao_group %>%
kable("html", col.names = c("Estado Civil", "Grau de Instrução", "Número de Funcionários")) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = F, position = "center", font_size = 15) %>%
column_spec(1:2, bold = TRUE)| Estado Civil | Grau de Instrução | Número de Funcionários |
|---|---|---|
| casado | fundamental | 5 |
| casado | medio | 12 |
| casado | superior | 3 |
| solteiro | fundamental | 7 |
| solteiro | medio | 6 |
| solteiro | superior | 3 |
Agrupamento por Estado Civil e região:
estado_regiao_group <- milse_data %>%
group_by(estadocivil, regiao) %>%
summarise(Contagem = n()) %>%
ungroup()## `summarise()` has grouped output by 'estadocivil'. You can override using the
## `.groups` argument.estado_regiao_group %>%
kable("html", col.names = c("Estado Civil", "Região", "Número de Funcionários")) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = F, position = "center", font_size = 15) %>%
column_spec(1:2, bold = TRUE)| Estado Civil | Região | Número de Funcionários |
|---|---|---|
| casado | capital | 7 |
| casado | interior | 8 |
| casado | outro | 5 |
| solteiro | capital | 4 |
| solteiro | interior | 4 |
| solteiro | outro | 8 |
3.1 - Análise dos Resultados
A análise dos dados agrupados por estado civil e grau de instrução revela que os casados predominam nos níveis médio e superior, indicando que possuem uma maior estabilidade profissional. Os solteiros, por outro lado, são mais frequentes entre os funcionários com nível fundamental, sugerindo que muitos estão no início de suas carreiras.
Quando agrupamos por estado civil e região, observamos que os funcionários casados são mais comuns no interior, enquanto os solteiros estão mais concentrados na capital. Isso pode refletir as oportunidades de emprego e as dinâmicas sociais diferentes nas regiões, onde a capital pode oferecer mais vagas e atrair profissionais jovens e solteiros em busca de crescimento.
4) Medidas de tendência central,separatrizes, variabilidade, assimetria e curtose das variáveis (salário e idade).
salario_df <- as.data.frame(t(salario_stats))
idade_df <- as.data.frame(t(idade_stats))
salario_df %>%
kable("html", col.names = c("Medidas descritivas da variável Salário"), format.args = list(big.mark = ".", decimal.mark = ","), align = 'c') %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = F, position = "center", font_size = 15) %>%
row_spec(0, align = "c") # Centraliza os títulos| Medidas descritivas da variável Salário | |
|---|---|
| Media | 11,122222 |
| Mediana | 10,165000 |
| Primeiro_Quartil | 7,552500 |
| Segundo_Quartil | 10,165000 |
| Terceiro_Quartil | 14,060000 |
| Minimo | 4,000000 |
| Maximo | 23,300000 |
| Variancia | 21,044766 |
| Desvio_Padrao | 4,587458 |
| Coeficiente_Variacao | 41,245872 |
| Assimetria | 0,625682 |
| Curtose | 2,825675 |
Média (11,12): A média salarial indica que, em geral, os salários estão em torno de R$ 11,12. Esse valor é influenciado tanto pelos salários mais altos quanto pelos mais baixos.
Mediana (10,17): A mediana, sendo menor que a média, sugere que a distribuição dos salários é assimétrica, com uma parte significativa dos salários abaixo da média. Isso pode indicar a presença de alguns salários muito altos que puxam a média para cima.
O primeiro quartil (7,55) indica que 25% dos salários estão abaixo deste valor.
O segundo quartil (mediana, 10,17) divide a amostra ao meio, com 50% dos salários abaixo deste valor.
O terceiro quartil (14,06) mostra que 75% dos salários estão abaixo deste ponto, indicando que há uma dispersão significativa nos salários, especialmente na faixa superior.
Mínimo (4,00) e Máximo (23,30): Os valores mínimo e máximo revelam a variação salarial. A diferença de R$ 19,30 entre o salário mínimo e o máximo é bastante significativa, sugerindo uma grande disparidade salarial.
Variância (21,04) e Desvio Padrão (4,59): Esses valores indicam que os salários estão relativamente dispersos em torno da média. O desvio padrão, sendo mais de 41% da média, reflete uma alta variabilidade nos salários.
Coeficiente de Variação (41,25%): Este valor, que é elevado, confirma a alta dispersão dos salários em relação à média, sugerindo que a variabilidade salarial é uma questão relevante a ser considerada.
Assimetria (0,63): A assimetria positiva sugere que a distribuição dos salários tem uma cauda mais longa para a direita, indicando que há salários mais altos que são menos comuns.
Curtose (2,83): O valor de curtose próximo a 3 sugere que a distribuição dos salários é semelhante a uma distribuição normal, mas levemente mais achatada, indicando que não há muitos salários extremos (muito altos ou muito baixos) em comparação com uma distribuição normal.
Esses resultados indicam uma distribuição salarial que é assimétrica, com uma quantidade significativa de indivíduos recebendo salários mais baixos e uma quantidade menor recebendo salários significativamente mais altos.
idade_df %>%
kable("html", col.names = c("Medidas descritivas da variável Idade"), format.args = list(big.mark = ".", decimal.mark = ","), align = 'c') %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = F, position = "center", font_size = 15) %>%
row_spec(0, align = "c")| Medidas descritivas da variável Idade | |
|---|---|
| Media | 34,5833333 |
| Mediana | 34,5000000 |
| Primeiro_Quartil | 30,0000000 |
| Segundo_Quartil | 34,5000000 |
| Terceiro_Quartil | 40,0000000 |
| Minimo | 20,0000000 |
| Maximo | 48,0000000 |
| Variancia | 45,3928571 |
| Desvio_Padrao | 6,7374221 |
| Coeficiente_Variacao | 19,4817026 |
| Assimetria | -0,0642823 |
| Curtose | 2,3677827 |
Média (34,58): A média de idade sugere que, em geral, a amostra está composta por indivíduos com cerca de 34,6 anos. Este valor oferece uma visão geral da faixa etária predominante na amostra.
Mediana (34,50): A mediana, que está muito próxima da média, indica que a distribuição das idades é bastante simétrica, com 50% dos indivíduos abaixo e 50% acima deste valor.
O primeiro quartil (30,00) revela que 25% dos indivíduos têm idade inferior a este valor.
O segundo quartil (34,50), que é a mediana, divide a amostra ao meio.
O terceiro quartil (40,00) indica que 75% dos indivíduos têm idade abaixo deste ponto, sugerindo que a maioria dos indivíduos está concentrada em torno da faixa etária média.
Mínimo (20,00) e Máximo (48,00): A diferença de 28 anos entre a idade mínima e a máxima sugere uma diversidade etária considerável na amostra.
Variância (45,39) e Desvio Padrão (6,74): O desvio padrão indica uma variação moderada em torno da média de idade. O desvio padrão, sendo cerca de 19% da média, sugere que as idades estão razoavelmente próximas da média.
Coeficiente de Variação (19,48%): Este valor sugere que a variabilidade das idades em relação à média é relativamente baixa, indicando uma distribuição mais uniforme das idades.
Assimetria (-0,06): A assimetria próxima de zero sugere que a distribuição das idades é simétrica, indicando que não há uma tendência significativa para idades mais altas ou mais baixas.
Curtose (2,37): O valor de curtose inferior a 3 indica que a distribuição das idades é levemente achatada em comparação com uma distribuição normal, o que sugere que não há muitos valores extremos na faixa etária.
Esses resultados indicam uma distribuição etária que é relativamente simétrica, com a maioria dos indivíduos concentrando-se em torno da faixa etária média, e com uma diversidade de idades que abrange desde 20 até 48 anos.
5) Todas as tabelas de frequências dos itens anteriores
OBS: Não consegui reproduzir o esquema de cores gradiente do python, por esse motivo deixei acompanhando o percentual para cada número das variáveis.
kable(estado_civil_freq, caption = "Tabela de Frequência - Estado Civil") %>%
kable_styling(full_width = F, position = "center")| estadocivil | Frequência | Percentual |
|---|---|---|
| casado | 20 | 55.55556 |
| solteiro | 16 | 44.44444 |
kable(instrucao_freq, caption = "Tabela de Frequência - Grau de Instrução") %>%
kable_styling(full_width = F, position = "center")| Instrucao | Frequência | Percentual |
|---|---|---|
| fundamental | 12 | 33.33333 |
| medio | 18 | 50.00000 |
| superior | 6 | 16.66667 |
kable(regiao_freq, caption = "Tabela de Frequência - Região") %>%
kable_styling(full_width = F, position = "center")| regiao | Frequência | Percentual |
|---|---|---|
| capital | 11 | 30.55556 |
| interior | 12 | 33.33333 |
| outro | 13 | 36.11111 |
kable(estado_instrucao_freq, caption = "Tabela de Frequência - Estado Civil e Grau de Instrução") %>%
kable_styling(full_width = F, position = "center")| estadocivil | Instrucao | Frequência | Percentual |
|---|---|---|---|
| casado | fundamental | 5 | 13.888889 |
| casado | medio | 12 | 33.333333 |
| casado | superior | 3 | 8.333333 |
| solteiro | fundamental | 7 | 19.444444 |
| solteiro | medio | 6 | 16.666667 |
| solteiro | superior | 3 | 8.333333 |
kable(estado_regiao_freq, caption = "Tabela de Frequência - Estado Civil e Região") %>%
kable_styling(full_width = F, position = "center")| estadocivil | regiao | Frequência | Percentual |
|---|---|---|---|
| casado | capital | 7 | 19.44444 |
| casado | interior | 8 | 22.22222 |
| casado | outro | 5 | 13.88889 |
| solteiro | capital | 4 | 11.11111 |
| solteiro | interior | 4 | 11.11111 |
| solteiro | outro | 8 | 22.22222 |
6) Gráficos para as variáveis estado civil, grau de instrução, número de filhos e região.
estado_civil_freq <- milse_data %>%
count(estadocivil)
ggplot(estado_civil_freq, aes(x = estadocivil, y = n, fill = estadocivil)) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5, size = 5) +
labs(title = "Distribuição do Estado Civil", x = "Estado Civil", y = "Frequência") +
theme_minimal()
instrucao_freq <- milse_data %>%
count(Instrucao)
ggplot(instrucao_freq, aes(x = "", y = n, fill = Instrucao)) +
geom_col() +
coord_polar(theta = "y") +
labs(title = "Distribuição do Grau de Instrução", fill = "Grau de Instrução") +
theme_void()
filhos_freq <- milse_data %>%
count(numerodefilhos)
ggplot(filhos_freq, aes(x = factor(numerodefilhos), y = n, fill = factor(numerodefilhos))) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5, size = 5) +
labs(title = "Distribuição do Número de Filhos", x = "Número de Filhos", y = "Frequência") +
theme_minimal()
regiao_freq <- milse_data %>%
count(regiao)
ggplot(regiao_freq, aes(x = "", y = n, fill = regiao)) +
geom_col() +
coord_polar(theta = "y") +
labs(title = "Distribuição da Região", fill = "Região") +
theme_void()