R Markdown

This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see <.

When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:

summary(cars)
##      speed           dist       
##  Min.   : 4.0   Min.   :  2.00  
##  1st Qu.:12.0   1st Qu.: 26.00  
##  Median :15.0   Median : 36.00  
##  Mean   :15.4   Mean   : 42.98  
##  3rd Qu.:19.0   3rd Qu.: 56.00  
##  Max.   :25.0   Max.   :120.00
  1. O Titanic tinha 2.200 pessoas a bordo e 4 variáveis no total. Para chegar a essa informação, abri o arquivo e conferi manualmente a quantidade de pessoas e o número de variáveis disponíveis. Essa análise inicial ajudou a estabelecer a base para responder as perguntas subsequentes de maneira precisa.
    1. Um total de 710 pessoas sobreviveram. Isso foi confirmado pelos comandos:

tabela_sobrevivencia = table(Titanic$Sobreviveu) tabela_sobrevivencia

que retornaram:

Não sobreviveu Sobreviveu 1490 710

A separação entre sobreviventes e não sobreviventes ajuda a entender melhor o impacto da tragédia. Foi importante executar os comandos corretamente para ter certeza dos números apresentados.

3.  A proporção de sobreviventes é de 32,27%, obtida pelo comando:

round(prop.table(tabela_sobrevivencia) * 100, 2)

resultando em:

Não sobreviveu Sobreviveu 67.73 32.27

4.  Das 470 mulheres a bordo, apenas 344 sobreviveram, como mostrado no comando:

T1 = table(Titanic\(Sexo, Titanic\)Sobreviveu) T1

que produziu:

      Não sobreviveu Sobreviveu

Feminino 126 344 Masculino 1364 366

O número destaca a gravidade do desastre e como as chances de sobrevivência foram limitadas. Analisar essa proporção ajuda a contextualizar o risco enfrentado por todos a bordo. A estatística reforça a importância das questões de segurança marítima levantadas depois do naufrágio.

5.  Das 109 crianças no navio, 57 sobreviveram. O comando executado foi:

T2 = table(Titanic\(Idade, Titanic\)Sobreviveu) T2

resultando em:

      Não sobreviveu Sobreviveu

criança 52 57 adulto 1438 653

Os números destacam como a idade influenciou as chances de escapar, com as crianças tendo melhores resultados. A análise da sobrevivência infantil pode ser atribuída, em parte, à prioridade dada às crianças durante o resgate. Essa observação traz uma perspectiva valiosa para entender as dinâmicas de sobrevivência.

6.  Após analisar os dados da classe social, 178 pessoas da terceira classe sobreviveram. O comando usado foi:

T3 = table(Titanic\(Classe, Titanic\)Sobreviveu) T3

produzindo:

        Não sobreviveu  Sobreviveu

Primeira 122 202 Segunda 167 118 Terceira 528 178 Tripulação 673 212

A primeira classe teve uma taxa de sobrevivência muito maior, indicando disparidades no acesso aos botes salva-vidas. Esses números são um reflexo das desigualdades sociais da época, que se manifestaram mesmo em momentos de crise. A análise por classe é essencial para compreender as injustiças que marcaram o evento.

7.  O percentual de mulheres sobreviventes foi de 73,2%. Isso foi verificado pelo comando:

percentual <- round(prop.table(T1, 1) * 100, digits = 1) percentual

retornando:

        Não sobreviveu Sobreviveu

Feminino 26.8% 73.2% Masculino 78.8% 21.2%

. O resultado indica que as mulheres tinham mais chances de sobreviver, provavelmente devido às normas de “mulheres e crianças primeiro”. Esses números são uma evidência de como o gênero influenciou diretamente as probabilidades de sobrevivência. Isso ilustra as práticas e decisões sociais presentes durante o desastre.

8.  A taxa de sobrevivência entre as crianças foi de 52,3%. O comando utilizado foi:

percentual2 <- round(prop.table(T2, 1) * 100, digits = 1) percentual2

com o resultado:

      Não sobreviveu Sobreviveu

criança 47.7% 52.3% adulto 68.8% 31.2%

A comparação com a taxa de sobrevivência dos adultos, que foi menor, mostra a importância da idade. Esse percentual nos leva a pensar sobre as políticas de emergência e quem foi favorecido em situações críticas.

9.  O percentual de sobreviventes na terceira classe foi de 25,2%, calculado pelo comando:

percentual3 <- round(prop.table(T3, 1) * 100, digits = 1) percentual3

o qual gerou:

        Não sobreviveu Sobreviveu

Primeira 37.7% 62.3% Segunda 58.6% 41.4% Terceira 74.8% 25.2% Tripulação 76.0% 24.0%

As diferenças nos percentuais são uma evidência clara das desigualdades enfrentadas durante a tragédia. O fato de a terceira classe ter tido menor acesso a saídas de emergência ressalta o impacto da divisão social.

10. Neste caso, considero mais adequado usar um gráfico de barras.

Interpretação:

Essa escolha se baseia no que aprendi sobre variáveis qualitativas e quantitativas. As qualitativas podem ser ordinais (com hierarquia, como escolaridade) ou nominais (sem hierarquia, como gênero). As quantitativas podem ser contínuas (ex.: altura) ou discretas (ex.: idade).

11. O comando seguinte mostra um gráfico de barras simples para os sobreviventes:

T4 = table(Titanic$Sobreviveu) bp <- barplot(T4, col = c(“red”, “skyblue”), main = “Gráfico 1 - Variável Sobreviveu”, horiz = FALSE, beside = TRUE, legend.text = rownames(T4), args.legend = list(x = “topright”))

Isso confirmou o número de sobreviventes e não sobreviventes e gerou o gráfico.

O gráfico mostra claramente a distribuição e permite uma análise visual rápida. Recriar esses dados visualmente ajuda a compreender melhor a magnitude do desastre. O gráfico é uma ferramenta eficaz para quem deseja interpretar as informações rapidamente.

12. Para analisar a sobrevivência por gênero, usei:

T5 = table(Titanic\(Sobreviveu, Titanic\)Sexo) bp2 <- barplot(T5, col = c(“skyblue”, “red”, “yellow”, “black”), main = “Gráfico 2 - Variável Sobreviveu por Sexo”, horiz = FALSE, beside = TRUE, legend.text = rownames(T5), args.legend = list(x = “topleft”))

Esse comando resultou em um gráfico que destaca a quantidade de sobreviventes de cada sexo.

O gráfico revela que mais mulheres sobreviveram do que homens, refletindo as normas de resgate da época. A representação gráfica facilita a compreensão das diferenças de gênero na sobrevivência. Esse tipo de visualização ajuda a destacar tendências e padrões importantes.

13. Para diferentes visualizações gráficas, utilizei:

tabela <- table(Titanic\(Classe, Titanic\)Sobreviveu) tabela <- data.frame(tabela) ggballoonplot(tabela, fill = “value”) + ggtitle(“Sobreviventes do Titanic”) mosaicplot(table(Titanic\(Classe, Titanic\)Sobreviveu), main = “Sobreviventes do Titanic”, color = c(“pink”, “brown”))

Além desses gráficos, sugiro o “waffle plot”, que é visualmente simples e direto.

14. Sim, os gráficos são fáceis de interpretar, pois ambos mostram os mesmos dados de forma diferente.O conteúdo mostrado é o mesmo, mas os layouts diferentes podem ajudar pessoas com estilos de aprendizagem visual a entender melhor.
15.     15. Se eu fosse fazer uma apresentação sobre o Titanic, começaria com a história do navio, abordando sua construção, o design luxuoso e sua importância como símbolo de inovação. Em seguida, falaria sobre a viagem inaugural e o entusiasmo da época, destacando o perfil diversificado dos passageiros e o ambiente a bordo.

Depois, explicaria o acidente em detalhes, desde a colisão com o iceberg até as falhas de segurança, como a falta de botes salva-vidas suficientes. Ressaltaria as consequências do desastre e como ele levou a mudanças significativas nas normas de segurança marítima, como a criação da Convenção SOLAS e novas práticas obrigatórias.

Concluindo, enfatizaria as lições aprendidas sobre segurança e o impacto cultural duradouro do Titanic, destacando o quanto o evento ainda nos ensina sobre a importância da precaução e do planejamento em situações críticas.